Micro1 i 500 mln dolarów w rocznym run rate. Dlaczego ludzka praca staje się bezcenna dla AI

Raportowany wzrost Micro1 pokazuje, że firmy rozwijające sztuczną inteligencję wciąż potrzebują rzadkiego, specjalistycznego wkładu człowieka — nawet jeśli coraz większa część tworzenia modeli jest automatyzowana. Czteroletni startup miał zwiększyć swój roczny run rate brutto ze 100 mln do 500 mln dolarów w ciągu ośmiu miesięcy, dostarczając zweryfikowanych ekspertów oraz budując produkty z danymi do trenowania, oceny i rozwijania systemów robotycznych. 17

500 mln dolarów — co właściwie oznacza ta liczba?

Nagłówek wymaga ostrożnej interpretacji. Roczny run rate brutto to annualizowana wartość działalności przepływającej przez firmę — innymi słowy, wynik bieżącego tempa pomnożony przez 12 miesięcy. Nie jest tożsamy ze zbadanymi rocznymi przychodami, zyskiem ani kwotą faktycznie pobraną od klientów.

Według raportów Micro1 zatrzymuje około 60–70 proc. wartości brutto, a jego szacowany roczny run rate netto wynosi 150–200 mln dolarów. Te dane nie składają się jednak matematycznie: 60–70 proc. z 500 mln dolarów oznaczałoby wyższą kwotę. Różnica może wynikać z odmiennych definicji wartości brutto, zatrzymywanych wpływów i przychodu netto. Dlatego szacunek należy traktować jako orientacyjny, a nie jako potwierdzone sprawozdanie finansowe. 6 9 17

Dlaczego wzrost Micro1 ma znaczenie dla całej branży?

Micro1 rekrutuje specjalistów z różnych dziedzin — między innymi lekarzy, prawników i naukowców — aby tworzyli, sprawdzali i oceniali dane wykorzystywane przez twórców AI. Ich zadania mogą obejmować ocenianie odpowiedzi modeli, przygotowywanie danych dotyczących rozumowania oraz przekazywanie informacji zwrotnej systemom po treningu. 1 6

Szersza teza stojąca za tym rynkiem jest prosta: najbardziej zaawansowane modele potrzebują nie tylko mocy obliczeniowej i ogromnych zbiorów tekstów z internetu. Potrzebują również wysokiej jakości przykładów, eksperckich ocen, testów oraz demonstracji pokazujących, jak ludzie rozwiązują trudne — także fizyczne — zadania.

W miarę jak łatwo dostępne dane stają się mniej użyteczne, własne dane tworzone przez ludzi mogą stać się kolejnym, obok mocy obliczeniowej, trwałym wąskim gardłem. Nie oznacza to jeszcze, że branża AI będzie wydawać na dane tyle samo co na infrastrukturę obliczeniową. Pokazuje jednak, dlaczego wyspecjalizowane dane ludzkie są coraz częściej postrzegane jako strategiczna infrastruktura, a nie zwykła, niskomarżowa usługa etykietowania.

Micro1 na tle Mercora i Handshake

Raportowany roczny run rate brutto Micro1 na poziomie 500 mln dolarów jest znaczący, ale nie najwyższy w tej kategorii. TechCrunch informował, że Mercor osiągnął 2 mld dolarów rocznego przychodu annualizowanego brutto, a Handshake — 1 mld dolarów. 17

To nie jest porównanie idealnie równorzędne: firmy mogą różnie definiować przychód brutto, przychód netto i run rate, a wszystkie te wartości są annualizowanymi szacunkami. Skala trzech przedsiębiorstw sugeruje jednak, że popyt na dane dostarczane przez ekspertów jest wystarczająco szeroki, aby utrzymać kilka bardzo szybko rosnących firm.

Pozycjonowanie Micro1 również różni się od modelu czystej platformy rekrutacyjnej. Firma łączy wyszukiwanie i weryfikację ekspertów ze środowiskami do oceny modeli, generowaniem danych syntetycznych oraz zbiorami danych, które mogą być wykorzystywane przez wielu klientów.

Od rekrutacji w AI do infrastruktury danych

Micro1 zaczynał jako firma zajmująca się rekrutacją do sektora AI. Jak wynika z opisów historii przedsiębiorstwa, założyciel Ali Ansari zauważył, że klienci kupujący usługi etykietowania danych korzystali z platformy rekrutacyjnej Micro1 do wyszukiwania i sprawdzania inżynierów zajmujących się adnotacją. To spostrzeżenie doprowadziło do zwrotu w stronę etykietowania danych i tworzenia ludzkich danych treningowych. 1 15

Zmiana była istotna, ponieważ oprogramowanie rekrutacyjne stało się narzędziem do organizowania wyspecjalizowanej pracy przy projektach AI. Zamiast tylko pomagać w zatrudnieniu pracownika, Micro1 mogło angażować ekspertów do konkretnych zadań związanych z trenowaniem i oceną modeli, a następnie zarządzać całym przepływem pracy.

Obecny kierunek rozwoju obejmuje trzy powiązane obszary:

• Dane do dostrajania i oceny modeli: specjaliści oceniają wyniki modeli i przekazują im informacje zwrotne w środowiskach, które Micro1 określa jako „reinforcement-learning gyms”. 1
• Dane syntetyczne: firma ma pracować nad automatycznie generowanymi materiałami, między innymi opisami nagrań wideo, aby zwiększać ilość użytecznych danych treningowych. 1
• Dane dla robotyki: Micro1 buduje zbiór do wstępnego trenowania robotów na podstawie nagrań osób wykonujących codzienne czynności z użyciem zwykłych przedmiotów domowych. 1 15

Wspólnie te produkty wykraczają poza tradycyjne etykietowanie. Celem jest kontrolowanie systemów i zbiorów danych, które zamieniają ludzką wiedzę w sygnały treningowe dla modeli językowych, agentów AI i robotów.

Czy dane „z półki” zmienią ekonomię tego biznesu?

Praca ekspertów na podstawie kontraktu jest zwykle przypisana do konkretnego projektu: klient płaci za wykonanie zadania, a dostawca zatrzymuje część rozliczenia. Wielokrotnie wykorzystywane dane „z półki” tworzą inny model. Jeśli zbiór danych może być legalnie używany, jest wystarczająco unikalny i ma wartość dla kilku twórców modeli, potencjalnie można licencjonować go więcej niż raz.

Ta powtarzalność tłumaczy, dlaczego raporty wiążą gotowe i syntetyczne zbiory danych z możliwymi marżami brutto na poziomie 80–90 proc. To prognoza dotycząca przyszłego potencjału, a nie potwierdzony obecny wynik. Marże zależałyby między innymi od kosztu zebrania i sprawdzenia danych, ich rzeczywistego wyróżnienia na rynku oraz jasności praw do dalszego licencjonowania. 1 9

Większe kontrakty mogą dodatkowo przyspieszyć wzrost, ale wiążą się z ryzykiem koncentracji i problemami wykonawczymi. Firma obsługująca laboratoria pracujące nad najbardziej zaawansowanymi modelami musi utrzymywać jakość ekspertów, chronić wrażliwe informacje, dokumentować zgody i prawa własności oraz wykazać, że jej dane faktycznie poprawiają modele, a nie tylko zwiększają ich objętość.

Kontrowersje wokół sprzedaży danych do Chin

Możliwość odsprzedawania tych samych zbiorów wielu klientom rodzi pytanie geopolityczne: czy dane stworzone przez ekspertów z USA powinny być dostępne dla różnych twórców modeli, w tym firm z Chin? Krytycy obawiają się, że wielokrotnie wykorzystywane dane treningowe mogą wzmacniać systemy AI w państwach postrzeganych przez USA jako strategiczni konkurenci. 1

Ansari twierdzi, że Micro1 nie sprzedaje swoich danych chińskim twórcom modeli. Krytykował również niewymienione z nazwy firmy z rynku danych ludzkich za współpracę z „zagranicznymi przeciwnikami”. Jego zdaniem trudno jednocześnie deklarować dążenie do dominacji amerykańskiej AI i sprzedawać duże ilości danych państwom pozostającym w strategicznej rywalizacji ze Stanami Zjednoczonymi. 33 35

Jest to deklarowana polityka Micro1 oraz ocena rynku przedstawiona przez Ansariego. Dostępne materiały nie pozwalają niezależnie ustalić, którzy konkurenci sprzedają dane chińskim deweloperom ani jakie są pełne praktyki tych firm. Spór pozostaje więc jednocześnie kwestią polityki technologicznej i elementem pozycjonowania konkurencyjnego.

Co wiadomo o wycenie Micro1?

Według doniesień we wrześniu 2025 roku Micro1 pozyskał 35 mln dolarów w rundzie Series A przy wycenie 500 mln dolarów. 15 7

Późniejsze raporty wspominały o możliwości kolejnej rundy finansowania przy znacznie wyższej wycenie. Dostępne informacje nie potwierdzają jednak jej kwoty, wyceny, udziału inwestorów ani tego, czy transakcja została sfinalizowana. Nie należy więc traktować jej jako potwierdzonego finansowania.

Najważniejszy wniosek

Historia Micro1 pokazuje zmianę w łańcuchu dostaw AI. Wartością nie jest już sama baza osób wykonujących adnotacje. Liczy się połączenie zaufanych ekspertów, procesów oceny, własnych przykładów, systemów generowania danych syntetycznych i praw do ich wykorzystywania.

Kwotę 500 mln dolarów najlepiej odczytywać jako sygnał popytu, a nie precyzyjny miernik rentowności. Micro1 nadal jest mniejszy od największych raportowanych konkurentów, a jego dane brutto i netto wymagają ostrożności. Sam zwrot od rekrutacji w stronę infrastruktury danych dla AI pokazuje jednak, dlaczego twórcy modeli wciąż płacą za ekspercki osąd — i dlaczego kolejna faza rywalizacji może dotyczyć kontroli nad najrzadszymi i najbardziej użytecznymi danymi treningowymi.