Poindexter Labs säkrar 2 miljoner pund i såddrunda för att förse AI-modeller med expertdata

För dagens mest avancerade AI-modeller, ofta kallade frontier-modeller, är kvaliteten på träningsdatan precis lika avgörande som modellens storlek. Problemet? Den mesta infrastrukturen för att ta fram träningsdata byggdes för enklare uppgifter – som att tagga bilder, analysera känslolägen eller kategorisera text. Inte för det komplexa, flerstegsresonemang som moderna system kräver . Den Londonbaserade startupen Poindexter Labs har nu tagit in 2 miljoner pund i en övertecknad såddrunda för att direkt tackla denna flaskhals.

Rundan offentliggjordes den 2 juni 2026 och leddes av riskkapitalbolaget Episode 1. Även Yvonne Bajelas Evertrue Capital, Octopus Ventures First Cheque Fund samt en rad ängelinvesterare – däribland matematiker och forskare som själva är aktiva bidragsgivare på företagets plattform – deltog i investeringen .

Intäkter före riskkapital

I en anmärkningsvärd detalj hade grundaren Jocelyn D'Arcy – en före detta matematiklärare – redan drivit företaget till 1,6 miljoner pund i intäkter utan att ta in en krona i externt kapital . Att nå sjusiffriga intäkter på egen hand signalerar en produkt-marknadsanpassning som är sällsynt i sådd-fasen, särskilt inom AI-infrastruktur.

Problemet: Expertresonemang är den nya flaskhalsen

Avancerade modeller behöver inte längre bara mer data; de behöver bättre data. Att träna en modell att lösa ett svårt kalkylproblem, konstruera ett juridiskt resonemang eller härleda ett fysikbevis i flera steg kräver dataset som fångar autentiska tankekedjor från experter – inte bara korrekta slutsvar . Traditionella annoteringsplattformar är dåligt lämpade för detta eftersom de designats för linjära arbetsflöden där en enskild person ger ett enkelt omdöme.

Poindexter Labs menar att denna föråldrade modell är den svaga länken i AI-försörjningskedjan och kallar den rent ut för en "trasig" pipeline . Företaget fokuserar på att producera vad de beskriver som "högtillförlitliga tränings- och utvärderingsdataset" som innehåller bevis, tankekedjor, flerstegslogik och detaljerade stegloggar inom ämnen som STEM, juridik, medicin, finans och ingenjörsvetenskap .

Syncronus: En expertgranskningsplattform istället för ett löpande band

Företagets tekniska svar är plattformen Syncronus, som ersätter den isolerade annotatören med en strukturerad, kollaborativ expertgranskning . Istället för att en frilansande uppdragstagare löser en uppgift i ensamhet, skapas och granskas problemen av ett särskilt utvalt nätverk av olympiadmedaljörer, doktorander och professorer .

En typisk uppgift på plattformen kan vara att författa ett originellt datavetenskapligt problem som kräver en flerstegslösning. Lösningen fångas med fullständig processdokumentation – tankekladd, stegloggar och (\LaTeX)-ändringar – som sedan granskas av en separat expert för korrekthet och tydlighet . Detta skapar en digital pappersspår av en experts kognition som kan användas direkt för att finjustera AI-modeller.

Poindexter licensierar Syncronus-plattformen till företag och myndigheter som vill skapa sina egna kuraterade expertdataset. De driver också en intern dataannoteringstjänst som levererar färdiga, expertgranskade dataset direkt till ledande AI-labb .

Vad pengarna ska användas till

Företaget planerar att använda det nya kapitalet främst för att påskynda utvecklingen av Syncronus-plattformen och skala upp sitt nätverk av bidragsgivare . I takt med att efterfrågan ökar från AI-labb som behöver högkvalitativ resonemangsdata för både träning och utvärdering, satsar Poindexter Labs på att deras modell – en kombination av plattformsteknologi och ett elitnätverk av mänskliga experter – kan bli en kritisk komponent i infrastrukturen för nästa generations AI-system.