Micro1 вышла на темп $500 млн — и показала, почему ИИ по-прежнему нуждается в людях

Заявленный рывок Micro1 показывает: даже в эпоху, когда обучение моделей всё сильнее автоматизируется, компаниям в сфере ИИ по-прежнему нужны редкие и специализированные человеческие знания. Четырёхлетний стартап поставляет проверенных специалистов и создаёт продукты для обучения, тестирования и оценки моделей, а также для робототехники. За восемь месяцев его валовой годовой темп бизнеса, по данным источников, вырос со $100 млн до $500 млн. 17

Однако эту цифру важно правильно понимать. Валовой годовой темп — это экстраполяция текущего объёма бизнеса на год, а не подтверждённая аудированной отчётностью годовая выручка, прибыль или сумма уже полученных денег. По сообщениям СМИ, Micro1 сохраняет примерно 60–70% валового объёма, а чистый годовой темп оценивается в $150–200 млн. Но арифметически эти показатели не совпадают: удержание 60–70% от $500 млн дало бы более высокий результат. Вероятно, источники используют разные определения валового объёма, удержания и чистой выручки, поэтому оценку следует считать предварительной. 6 9 17

Почему рост Micro1 важен

Micro1 привлекает специалистов из разных областей — в том числе врачей, юристов, учёных и других профессионалов высокой квалификации. Они создают, проверяют и оценивают данные для разработчиков ИИ: судят о качестве ответов моделей, формируют данные для рассуждений и предоставляют обратную связь системам постобучения. 1 6

Для передовых моделей уже недостаточно вычислительных мощностей и больших массивов текста из интернета. Им нужны качественные примеры, экспертные оценки, тесты и демонстрации того, как люди решают сложные интеллектуальные или физические задачи. По мере того как легко доступные данные становятся менее полезными, собственные наборы данных, созданные людьми, могут превратиться в постоянное узкое место — наравне с вычислительными ресурсами. 1 6

Это ещё не доказывает, что индустрия ИИ начнёт тратить на данные столько же, сколько на вычисления. Но рост Micro1 объясняет, почему инвесторы и разработчики моделей рассматривают специализированные человеческие данные уже не как дешёвую услугу по разметке, а как стратегическую инфраструктуру.

Micro1, Mercor и Handshake: кто больше

Заявленный валовой годовой темп Micro1 в $500 млн выглядит внушительно, но крупнейшим показателем в этой категории компания не располагает. TechCrunch сообщал, что у Mercor валовой годовой показатель достиг $2 млрд, а у Handshake — $1 млрд. 17

Сравнение нельзя считать полностью корректным: компании могут по-разному определять валовую и чистую выручку, а годовой темп является расчётной, а не фактически полученной величиной. Тем не менее масштаб трёх игроков показывает, что спрос на данные от экспертов достаточно велик, чтобы поддерживать сразу несколько быстрорастущих поставщиков.

Позиционирование Micro1 также выходит за рамки обычного кадрового маркетплейса. Компания объединяет поиск и проверку специалистов с инструментами оценки моделей, генерацией синтетических данных и наборами данных, которые потенциально можно использовать повторно для разных клиентов.

Как рекрутинговая платформа превратилась в инфраструктуру данных

Изначально Micro1 была компанией в сфере ИИ-рекрутинга. По словам основателя Али Ансари, он заметил, что клиенты, покупавшие услуги по разметке данных, использовали рекрутинговую платформу Micro1 для поиска и проверки инженеров по аннотации. Это наблюдение привело к развороту в сторону разметки и созданных людьми данных для обучения моделей. 1 15

Так рекрутинговое программное обеспечение стало инструментом для сборки специализированных команд под проекты в области ИИ. Теперь компания может не только помочь нанять сотрудника, но и организовать работу экспертов над конкретными задачами обучения и оценки, управляя всем процессом.

Текущее направление развития Micro1 включает три связанных сегмента:

• Постобучение и оценка моделей экспертами. Специалисты анализируют ответы моделей и дают оценки или обратную связь в средах, которые Micro1 называет «залами обучения с подкреплением» — reinforcement-learning gyms. 1
• Синтетические данные. Компания, по сообщениям источников, работает над автоматически создаваемыми материалами, включая описания видео, чтобы расширить объём пригодных для обучения данных. 1
• Данные для робототехники. Micro1 формирует набор для предварительного обучения роботов на основе записей того, как участники взаимодействуют с обычными предметами домашнего обихода. Так создаются демонстрации повседневных физических действий. 1 15

Вместе эти продукты выводят Micro1 за пределы традиционной разметки. Цель — контролировать системы и наборы данных, которые превращают человеческую экспертизу в обучающие сигналы для языковых моделей, ИИ-агентов и роботов.

Почему повторно используемые наборы данных могут изменить экономику рынка

Работа экспертов по контракту обычно привязана к конкретному проекту: заказчик платит за выполнение задачи, а поставщик оставляет себе часть полученных средств. Готовые наборы данных, которые можно лицензировать повторно, работают по другой модели. Если такой набор законно использовать, он достаточно уникален и полезен нескольким разработчикам, его потенциально можно продавать неоднократно.

Именно с этим связаны оценки возможной валовой маржи в 80–90% для готовых и синтетических наборов данных. Это прогноз, а не подтверждённый текущий результат. Такая маржинальность будет зависеть от стоимости сбора и проверки данных, их реальной ценности для клиентов, а также от того, располагает ли компания ясными правами на их лицензирование. 1 9

Крупные контракты способны ускорить рост, но одновременно повышают риски концентрации и исполнения. Поставщику данных для ведущих ИИ-лабораторий нужно поддерживать качество экспертов, защищать конфиденциальную информацию, документировать согласие участников и права собственности, а также доказывать, что его наборы действительно улучшают модели, а не просто увеличивают объём данных.

Спор о продаже данных китайским разработчикам ИИ

Возможность повторно продавать наборы данных создаёт и геополитическую проблему: должны ли данные, созданные специалистами из США, быть доступны нескольким разработчикам моделей, включая китайские компании? Критики опасаются, что такие наборы могут усиливать ИИ-системы стран, которые США рассматривают как стратегических конкурентов. 1

Али Ансари заявлял, что Micro1 не продаёт свои данные китайским разработчикам моделей. Он также критиковал неназванные компании в сфере человеческих данных за работу с «иностранными противниками», утверждая, что призывать к лидерству США в ИИ и одновременно продавать большие объёмы данных странам, конкурирующим с США, противоречиво. 33 35

Это заявленная политика Micro1 и позиция её основателя. Доступные публикации не позволяют независимо установить, какие именно конкуренты продают наборы китайским разработчикам и как в полном объёме устроена практика таких компаний. Поэтому спор остаётся одновременно вопросом государственной политики и элементом конкурентного позиционирования.

Что известно об оценке Micro1

В сентябре 2025 года Micro1, по сообщениям источников, привлекла $35 млн в раунде Series A при оценке компании в $500 млн. 15 7

Позднее появились сообщения о возможном новом раунде по значительно более высокой оценке. Но доступные данные не подтверждают его сумму, оценку, состав инвесторов или сам факт закрытия сделки. Поэтому последующее финансирование нельзя считать установленным фактом.

Главный вывод

История Micro1 отражает сдвиг в цепочке поставок ИИ. Ценность теперь представляет не просто пул разметчиков, а связка из проверенных экспертов, процессов оценки, собственных примеров, систем генерации синтетических данных и юридически защищённых прав на их использование.

Показатель в $500 млн лучше воспринимать как сигнал масштаба спроса, а не как точную оценку прибыльности. Micro1 всё ещё уступает крупнейшим конкурентам по заявленным валовым показателям, а её данные о валовом и чистом объёме требуют осторожности. Но переход от рекрутинга к инфраструктуре человеческих данных наглядно показывает, почему разработчики ИИ продолжают платить за экспертное суждение — и почему следующий этап конкуренции может развернуться вокруг контроля над наиболее редкими и полезными данными для обучения.