Scale AI: как разметка данных стала отдельной индустрией для AI-моделей

Когда говорят о революции искусственного интеллекта, обычно вспоминают NVIDIA, OpenAI или Google. Но за каждой обученной моделью стоит менее заметный слой — миллионы размеченных примеров: фотографии с отмеченными объектами, диалоги с оценками ответов, видео с разложенными по полочкам движениями. Именно на этом слое построила свой бизнес компания Scale AI — и превратила «черновую работу» в отдельную индустрию с миллиардными оценками.

Эта статья объясняет, что это за компания, кто ее создал, как она зарабатывает, почему именно она стала стандартом для AI-лабораторий и что с ней произошло после масштабной сделки с Meta.

Что такое Scale AI и чем компания занимается

Scale AI — это американская технологическая компания, поставляющая данные и инфраструктуру для обучения AI-моделей. Ее основной продукт — сервисы разметки данных (data labeling) и сопутствующие инструменты: конвейеры обработки, оценивание качества моделей, генерация синтетических данных и платформы для тонкой настройки больших языковых моделей.

Если упрощенно: разработчик модели передает Scale сырые данные — изображения, текст, видео, лидарные облака точек, — а получает обратно структурированный, проверенный массив, на котором можно обучать алгоритм. Для автопилота это могут быть кадры дорожного движения с обведенными автомобилями и пешеходами. Для чат-бота — пары «вопрос–ответ», где люди-оценщики указали, какой ответ лучше.

Компания работает по модели B2B: ее клиенты — не конечные потребители, а AI-лаборатории, автопроизводители, оборонные ведомства и крупные корпорации. Среди известных заказчиков в разные годы называли OpenAI, Microsoft, Toyota, а также правительственные структуры США. Похожие принципы лежат в основе многих бизнес модели известных компаний: как устроены платформы ритейл, которые строят инфраструктуру для других игроков рынка.

История компании: от общежития до миллиардной оценки

Scale AI основали в 2016 году двое очень молодых предпринимателей — Александр Вонг (Alexandr Wang) и Люси Го (Lucy Guo). Вонг к тому моменту бросил учебу в MIT, поработал инженером в Quora и успел заметить главное узкое место отрасли: алгоритмов уже достаточно, вычислительные мощности растут, а вот качественных обучающих данных катастрофически не хватает.

Стартап прошел акселератор Y Combinator и быстро нашел первую нишу — автономный транспорт. Компаниям, разрабатывавшим беспилотные автомобили, требовались миллионы размеченных кадров с дорожных камер и лидаров, и Scale предложил быстрый, масштабируемый конвейер: комбинацию автоматической предварительной разметки и ручной проверки распределенной командой исполнителей.

Далее события развивались стремительно:

• 2018 год — раунд инвестиций, после которого компания впервые получила статус «единорога» с оценкой более миллиарда долларов.
• 2019 год — новые раунды от фондов, в частности Founders Fund, оценка вырастает в несколько раз.
• 2020–2021 годы — выход за пределы автопилотов: контракты с Министерством обороны США, работа с e-commerce, картографией, финансовыми документами.
• 2022–2024 годы — бум генеративного ИИ. Большие языковые модели нуждаются в человеческой обратной связи (RLHF), и Scale становится одним из ключевых поставщиков таких данных для ведущих лабораторий.
• 2024 год — раунд, в котором компанию оценили примерно в 14 миллиардов долларов.

Отдельный факт, сделавший историю бренда резонансной: Александр Вонг стал одним из самых молодых self-made миллиардеров мира — еще до 25 лет. Эта известность роднит ее с историями, когда корпорации становятся знаковые бренды: apple nike lego ferrari coca cola.

Как работает Scale AI: технология плюс человеческий конвейер

Бизнес Scale AI часто описывают как «разметка данных», но это упрощение. На самом деле компания построила многослойную систему, где каждый слой усиливает предыдущий.

Распределенная сеть исполнителей

Через платформу Remotasks и внутренние инструменты Scale привлекает сотни тысяч людей в разных странах. Они выполняют микрозадачи: обводят объекты на изображениях, классифицируют тексты, транскрибируют аудио, оценивают ответы моделей. С развитием LLM изменился и профиль исполнителей: для оценки ответов чат-ботов нужны не просто «кликеры», а носители языков, программисты, математики, юристы — специалисты, способные заметить тонкую ошибку.

Автоматизация и контроль качества

Люди дороги и медлительны, поэтому значительную часть работы выполняют сами модели: машина делает предварительную разметку, а человек ее проверяет или исправляет. Поверх этого работают метрики качества: перекрестная проверка одного задания несколькими исполнителями, тестовые «приманки» с известным ответом, статистический контроль согласованности. Именно гарантированное качество в масштабе — главное, за что платят клиенты, ведь разметку «дешево» можно заказать где угодно.

Платформенные продукты

Со временем Scale превратился из сервиса в платформу: клиент получает не только размеченные файлы, но и инструменты управления собственными данными, оценки моделей (подразделение SEAL), генерацию синтетических примеров и документную обработку. Это важный переход: платформа удерживает клиента гораздо крепче, чем разовый заказ.

Бизнес-модель Scale AI: на чем зарабатывает компания

Бизнес-модель компании строится на трех источниках дохода.

Ключевая экономика проста: компания платит исполнителям за задания, а продает клиенту гарантированный результат с проверенным качеством — и разница между этими цифрами, умноженная на огромные объемы, формирует маржу. В то же время платформенные продукты и долгосрочные контракты (особенно государственные) дают более стабильный, предсказуемый доход, чем разовая разметка.

Именно поэтому Scale часто сравнивают не с аутсорсинговой компанией, а с инфраструктурным игроком вроде «AWS для данных»: она не создает модели, но без ее слоя модели не обучить.

Кто владеет Scale AI и что изменила сделка с Meta

Scale AI — частная компания, поэтому ее владельцы — это основатели, сотрудники с опционами и венчурные инвесторы. Среди фондов, вкладывавшихся в компанию на разных этапах, называли Accel, Index Ventures, Founders Fund, Tiger Global, а также корпоративных инвесторов, в частности NVIDIA и Amazon.

Поворотным моментом стала в 2025 году сделка с Meta: корпорация инвестировала в Scale AI около 14 миллиардов долларов, получив примерно 49% без права решающего контроля голоса, а Александр Вонг перешел в Meta возглавлять направление «суперинтеллекта», оставшись при этом в совете директоров Scale. Операционное руководство компанией взяло на себя интер-им-CEO.

Сделка имела два важных последствия для отрасли:

• Конкуренты Meta среди AI-лабораторий начали пересматривать контракты со Scale, не желая делиться данными с компанией, связанной с конкурентом. Часть крупных клиентов действительно уменьшила объемы.
• Рынок data labeling получил сигнал: стратегическая ценность данных настолько высока, что техногиганты готовы покупать контроль над их поставщиками.

Для читателя, оценивающего Scale как бизнес-кейс, вывод таков: компания выиграла валюацию и стратегического партнера, но рискует частью нейтральности — а именно независимость была одним из ее главных преимуществ на рынке.

Почему разметка данных стала отдельной индустрией

Десять лет назад разметку считали второстепенной операцией, которую отдавали студентам или дешевым аутсорсерам. Сегодня это рынок с собственными лидерами, специализациями и миллиардными сделками. Произошло это по нескольким причинам.

Первая — масштаб. Современные модели обучаются на триллионах токенов и миллиардах примеров. Ни одна лаборатория не способна самостоятельно организовать такой конвейер: это отдельная логистика по рекрутингу, обучению, контролю качества и информационной безопасности.

Вторая — требования к качеству. Для RLHF нужны не механические клики, а экспертные суждения: корректен ли код, безопасен ли ответ, логично ли рассуждение. Стоимость ошибки в данных выросла вместе со стоимостью модели, поэтому клиенты платят за измеримое качество, а не за часы.

Третья — регуляторика и безопасность. Оборонные и государственные контракты требуют сертифицированных процессов, контроля доступа, работы с чувствительными данными на изолированной инфраструктуре. Это создало высокий барьер входа: стартапу с десятком фрилансеров такой контракт не доверят.

Четвертая — изменение самого продукта. Индустрия ушла от простой аннотации к полному циклу: сбор данных, синтетическая генерация, оценка моделей, красные команды по тестированию безопасности, данные для агентных систем. Scale AI, Surge AI, Labelbox, Appen и другие игроки фактически сформировали новый слой технологического стека — data-компании, стоящие между сырыми данными и моделью.

Критика и слабые места модели Scale

Честный разговор о компании невозможен без упоминания проблем, регулярно обсуждаемых в индустрии.

• Оплата и условия труда исполнителей. Медиа неоднократно писали о низких ставках в развивающихся странах, задержках выплат и психологически тяжелых заданиях (например, модерация токсичного контента). Компания отвечает, что соблюдает локальные стандарты, но вопрос остается острым для всей отрасли.
• Зависимость от нескольких крупных клиентов. Значительная доля дохода исторически приходилась на ограниченный круг AI-лабораторий — после сделки с Meta этот риск материализовался.
• Конкуренция с внутренними командами. Крупнейшие разработчики моделей частично строят собственные конвейеры данных, уменьшая зависимость от внешних поставщиков.
• Автоматизация самой разметки. Модели все лучше размечают данные друг для друга, поэтому человеческая составляющая смещается к сложным экспертным задачам — рынок простой аннотации сжимается.

Что стоит запомнить о Scale AI

Если свести историю компании к нескольким тезисам, получается такой чеклист:

• Scale AI — американская компания из Сан-Франциско, основанная в 2016 году Александром Вонгом и Люси Го.
• Ядро бизнеса — разметка данных, RLHF и платформенные инструменты для обучения и оценки AI-моделей.
• Зарабатывает компания на разнице между себестоимостью конвейера разметки и ценой гарантированного качества, плюс подписки и госконтракты.
• В 2025 году Meta инвестировала около 14 миллиардов долларов за пакет около 49%, а Вонг перешел в Meta.
• Главный урок кейса: в AI-экономике данные — это не побочный ресурс, а отдельная инфраструктура, за контроль над которой платят миллиарды.

История Scale AI — это история о том, что в технологической гонке выигрывает не только тот, кто строит самую умную модель, но и тот, кто контролирует топливо, на котором она работает.

Часто задаваемые вопросы о Scale AI

Scale AI — это компания из какой страны?

Это американская компания со штаб-квартирой в Сан-Франциско, Калифорния. Основатели — выходцы из США и Канады китайского происхождения, но юридически и операционно Scale AI является компанией США.

Может ли обычный человек зарабатывать на платформе Scale?

Да, через платформу исполнителей Remotasks и специализированные программы для экспертов. Оплата зависит от страны, сложности заданий и квалификации: простые задания по разметке стоят недорого, а экспертные (код, математика, научные тексты) — заметно дороже. Доступность проектов в конкретном регионе стоит проверять непосредственно на платформе.

Чем Scale AI отличается от OpenAI?

OpenAI создает AI-модели, а Scale AI поставляет данные и инструменты, на которых такие модели обучают и оценивают. Это компании из разных слоев одной цепочки: Scale — поставщик, OpenAI — типичный клиент таких сервисов.

Принадлежит ли Scale AI компании Meta?

Нет. Meta владеет значительным миноритарным пакетом (около 49% по экономике) без контрольного пакета голосов. Scale AI остается независимой частной компанией, хотя тесная связь с Meta влияет на ее отношения с другими клиентами.