La nuova corsa all’oro dell’intelligenza artificiale non riguarda soltanto GPU, data center e modelli. Riguarda sempre più la qualità dell’esperienza umana che viene trasformata in dati. AfterQuery, startup fondata da Spencer Mateega e Carlos Georgescu e passata dal batch Winter 2025 di Y Combinator, avrebbe raggiunto una valutazione di 3,2 miliardi di dollari in un nuovo finanziamento riportato da Forbes. TechCrunch ha rilanciato la notizia sottolineando la velocità eccezionale della crescita: appena cinque mesi prima la società aveva annunciato un Series A da 30 milioni a una valutazione di 300 milioni.
AfterQuery non ha reso pubblici tutti i termini del nuovo round e non aveva risposto immediatamente alle richieste di commento citate dalla stampa. È quindi importante parlare di una valutazione riportata, non di un dato annunciato direttamente dall’azienda. Se confermata, renderebbe la società una delle startup più rapidamente arrivate allo status di unicorno nella storia di Y Combinator.
Non basta più insegnare al modello a rispondere
AfterQuery appartiene a una nuova generazione di aziende che reclutano professionisti — medici, avvocati, ingegneri e altri specialisti — per produrre esempi di lavoro ad alta complessità. La differenza rispetto ai primi servizi di data labeling è sostanziale. Non si tratta di indicare se una fotografia contiene un gatto o un cane, ma di catturare sequenze di decisioni, ragionamenti e azioni che descrivono come una persona esperta porta a termine un compito.
La società sintetizza questa attività come codifica dei pattern e delle decisioni dei migliori professionisti. L’obiettivo è addestrare non soltanto modelli che conoscano informazioni, ma agenti capaci di affrontare processi lunghi e utilizzare strumenti in modo simile a un lavoratore competente.
I benchmark facili stanno perdendo valore
I modelli migliori hanno ormai raggiunto risultati elevati in molti test standardizzati. Quando un benchmark viene saturato, smette di distinguere efficacemente i sistemi. I laboratori hanno quindi bisogno di problemi più difficili, realistici e verificabili, spesso costruiti con l’aiuto di specialisti.
Questo crea una domanda per dati costosi. Un’ora di un medico o di un ingegnere senior vale molto più di un’ora di annotazione generica, ma può produrre esempi che distinguono un modello capace di formulare una risposta plausibile da uno capace di completare davvero un lavoro.
La crescita dichiarata è impressionante ma va contestualizzata
In aprile AfterQuery aveva dichiarato un annualized revenue run rate di 100 milioni di dollari e aveva indicato tra i clienti realtà come Nvidia, Legora e il laboratorio coreano Motif Technologies. Un run rate non equivale ai ricavi annuali effettivamente già incassati e può cambiare rapidamente, soprattutto in un mercato giovane. Resta però un segnale della quantità di denaro che i laboratori stanno spendendo per migliorare post-training, evaluation e agentic behavior.
La valutazione da 3,2 miliardi presuppone che questa domanda resti elevata e che AfterQuery riesca a difendere margini anche quando i clienti sviluppano pipeline interne o i modelli diventano migliori nel generare dati sintetici.
Il lavoro umano non scompare: cambia posizione nella catena
Una narrativa frequente sostiene che l’AI ridurrà il bisogno di professionisti. Il business di AfterQuery mostra un paradosso: per costruire sistemi capaci di automatizzare lavoro qualificato servono proprio grandi quantità di lavoro qualificato. Medici, legali e tecnici diventano insegnanti dei modelli.
La questione economica è quanto durerà questa fase. I dati sintetici possono ampliare dataset e simulare esperienze, ma per verificare che un risultato sia corretto serve spesso un riferimento esterno. Nei domini ad alta complessità, l’esperto umano resta la fonte di ground truth più affidabile.
Scale AI ha dimostrato quanto vale l’infrastruttura dei dati
AfterQuery si inserisce nel percorso aperto da aziende come Scale AI e Mercor. La differenza è che il mercato sta salendo di livello. Il labeling di base diventa più automatizzabile, mentre il valore si concentra su compiti che richiedono giudizio specialistico, accesso a professionisti rari e sistemi di controllo qualità.
Questo spinge le startup a costruire non soltanto software, ma veri marketplace del lavoro cognitivo. Reclutamento, verifica delle competenze e gestione della qualità diventano parte del prodotto.
I laboratori possono diventare clienti e concorrenti
Le grandi società AI hanno capitale sufficiente per costruire team interni di data operations. Allo stesso tempo preferiscono spesso acquistare capacità esterna per scalare velocemente o accedere a nicchie professionali. AfterQuery deve quindi essere abbastanza utile da restare strategica anche quando i clienti acquisiscono più competenze.
Il vantaggio potrebbe stare nella rete: più professionisti qualificati, più processi collaudati e più capacità di produrre dataset rapidamente. Ma le barriere non sono assolute e il mercato potrebbe consolidarsi.
La qualità dei dati diventa un tema di governance
Insegnare a un modello “come lavora un professionista” non è neutrale. Professionisti diversi possono prendere decisioni diverse e ogni dataset incorpora criteri, pratiche e assunzioni. Le aziende che costruiscono training data devono quindi documentare chi produce gli esempi, come viene valutata la qualità e quali divergenze vengono considerate accettabili.
Nei settori regolati questo aspetto sarà cruciale. Un modello addestrato su workflow medici o legali non può essere trattato come se avesse appreso una singola verità universale.
Una valutazione enorme per un’infrastruttura ancora giovane
AfterQuery racconta quanto il mercato AI sia disposto a pagare per colli di bottiglia che pochi anni fa sembravano secondari. Quando i modelli crescono, la capacità di calcolo non è l’unica risorsa scarsa; diventano scarsi i compiti abbastanza difficili da insegnare qualcosa di nuovo e gli esperti capaci di valutarli.
Il valore da 3,2 miliardi, se il round verrà confermato nei termini riportati, è una scommessa sul fatto che questa scarsità durerà. È possibile che i modelli imparino a generare autonomamente una parte crescente del proprio training. È altrettanto possibile che ogni salto di capacità crei bisogno di esempi ancora più sofisticati. AfterQuery ha costruito il proprio business sulla seconda ipotesi.
