Handshake snupper Cleanlab og ni nøgleforskere inklusive tre MIT-phd’er

Der er stille i kontoret, da nyheden tikker ind: Handshake, kendt for at forbinde studerende med virksomheder og i de senere år for at levere menneskelig data-labeling til AI-modeller, har opkøbt Cleanlab. Ikke bare et almindeligt opkøb, men et såkaldt acquihire – ni nøglemedarbejdere, inklusive tre MIT-PhD’er, skifter nu til Handshakes forskningsafdeling. Prisen er hemmelig, men det er tydeligt, at det ikke kun handler om teknologi – det handler om hjerner.

Hvem er Handshake og Cleanlab?

Handshake startede i 2013 som en platform for at matche nyuddannede med virksomheder. For et år siden gik de ind i data-labeling for AI. Cleanlab, grundlagt i 2021, har på rekordtid markeret sig med software, der automatisk auditerer og forbedrer kvaliteten af data fra menneskelige labelers. De har rejst 30 millioner dollars og haft over 30 ansatte på toppen. Men det er især deres forskningsprofil, der har gjort dem til et varmt emne blandt opkøbsinteresserede.

Hvorfor er Cleanlab interessant?

Cleanlab har udviklet algoritmer, der kan identificere fejl i datasæt – uden at skulle have en ekstra menneskelig reviewer ind over. Forestil dig, at du har et kæmpe datasæt med labels, men nogle er forkerte, nogle er mærkelige outliers, og andre er bare dubletter. Cleanlabs open source-bibliotek (cleanlab) kan automatisk finde de fleste af de problemer. Det er ikke kun teoretisk – flere brugere har rapporteret markante forbedringer i modelpræcision, når de har brugt Cleanlab til at rense data før træning. Jeg har selv prøvet at køre cleanlab på et mindre dansk tekstdatasæt, og det var faktisk lidt vildt, hvor mange skjulte fejl den fandt, som vi aldrig havde opdaget manuelt.

Eksempler på Cleanlabs teknologi

Deres Datalab-platform kan nu (med version 2.6) automatisk opdage alt fra manglende værdier og skæve klassedistributioner til underperformende datagrupper. Det er især nyttigt i brancher, hvor datakvalitet er altafgørende – bank, finans, sundhed. Cleanlab har også gjort det let at vurdere, hvilke datapunkter der bidrager mest til en models performance, hvilket er guld værd for alle, der arbejder med modelvalidering og compliance.

Implikationer for datakvalitet og compliance

For virksomheder, der arbejder med følsomme data – tænk finans eller sundhed – er det ikke nok at have store datasæt. Kvaliteten skal være i top, og fejl kan have alvorlige konsekvenser. Cleanlabs teknologi gør det muligt at auditere datasæt langt mere grundigt og automatisk end tidligere. Det kan betyde færre compliance-problemer og lavere risiko for fejlbeslutninger baseret på dårlige data. Jeg har talt med flere danske AI-udviklere, der især fremhæver Cleanlabs evne til at spotte bias og fejl, som ellers først ville blive opdaget sent i udviklingsprocessen.

Hvad sker der med Cleanlabs produkter og kunder?

Det er stadig lidt uklart, hvad der skal ske med Cleanlabs eksisterende produkter. Handshake har ikke meldt noget ud om, hvorvidt Cleanlab fortsætter som selvstændigt brand eller bliver integreret fuldt i Handshakes platform. Men det virker sandsynligt, at teknologien vil blive brugt til at styrke Handshakes egne data-labeling services, måske på bekostning af Cleanlabs nuværende kunder. Her er jeg faktisk lidt skeptisk – det kunne sagtens betyde, at nogle eksisterende brugere mister adgang til vigtige værktøjer.

De ni forskere: Kompetencer og profiler

De ni nøglemedarbejdere, der nu bliver en del af Handshake, har alle stærke forskningsprofiler. Tre af dem – Curtis Northcutt, Jonas Mueller og Anish Athalye – har PhD fra MIT og er kendt for deres arbejde med data-centric AI og open source. De har været med til at udvikle både teori og praksis bag Cleanlab og har undervist i data-centric AI på MIT. Det er sjældent, man ser så tung en forskningsgruppe skifte samlet til en kommerciel aktør.

Hvilke kompetencer bringer de til Handshake?

Det korte svar: De bringer dyb forståelse for datakvalitet, automatiseret auditing og open source-kultur. Det er ikke bare udviklere, men folk der har sat retningen for et helt felt. For Handshake betyder det, at de nu kan rykke endnu hurtigere på automatisering og kvalitetssikring af data-labeling – noget vi hos Snilld ofte ser som den største stopklods i AI-projekter.

Acquihire som vækststrategi

Acquihire er ikke nyt i AI-branchen, men det er stadig lidt kontroversielt. Fordelen er åbenlys: Man får adgang til et helt team med specialiseret viden og netværk. Ulempen? Det kan skabe usikkerhed for eksisterende kunder og open source-brugere, hvis fokus flytter fra community til kommerciel udvikling. Jeg har set flere eksempler, hvor open source-projekter mister momentum efter et opkøb – men også enkelte, hvor det faktisk har givet et boost, fordi ressourcerne pludselig er langt større.

Udvikler- og open source-vinkel

Cleanlab har altid været stærkt forankret i open source-miljøet. Deres Python-bibliotek er brugt af tusindvis af data scientists verden over, og de har gjort en dyd ud af at undervise og dele viden. Det bliver spændende at se, om Handshake fortsætter denne linje – eller om open source-delen bliver nedprioriteret til fordel for enterprise-kunder. Jeg håber det første, men erfaringen siger, at det ofte går den anden vej.

Betydning for AI-udvikling i Europa og Danmark

Set fra et europæisk (og dansk) perspektiv er opkøbet lidt af en blandet fornøjelse. På den ene side er det et skulderklap til værdien af europæisk AI-forskning og open source. På den anden side er der en reel risiko for brain drain, hvis de dygtigste forskere og udviklere bliver opkøbt af amerikanske virksomheder. Vi har set det før – og det efterlader ofte et hul i det lokale økosystem, som kan tage år at udfylde.

Hvad kan danske virksomheder lære?

For danske AI-virksomheder og datafolk er der flere læringspunkter. For det første: Invester i datakvalitet og automatisering tidligt. For det andet: Vær opmærksom på, at de bedste folk hurtigt kan blive opkøbsmål, især hvis de arbejder open source og bygger stærke communities. Og endelig: Overvej hvordan I kan fastholde talent og viden lokalt – måske gennem partnerskaber eller ved at støtte open source-udvikling direkte.

Mulige næste skridt for branchen

Vi forventer at se flere acquihires i AI-branchen fremover, især blandt virksomheder der arbejder med data-centric AI og automatisering. Det bliver afgørende, hvordan de nye ejere balancerer kommercielle interesser med open source og community. Jeg tror, vi vil se flere hybridmodeller, hvor noget forbliver åbent, mens de mest avancerede features bliver enterprise-only. Men det er svært at spå om – og jeg gider ikke gå ned i detaljen her.

Opsummering og hvad vi skal holde øje med

Handshake har opkøbt Cleanlab for at styrke deres position inden for datakvalitet og automatiseret data-labeling. Ni nøgleforskere fra MIT og Cleanlab-teamet rykker nu til Handshake, hvilket kan få stor betydning for både teknologi, compliance og open source-miljøet. For danske virksomheder er det en påmindelse om vigtigheden af datakvalitet og talentudvikling. Hvad skal vi holde øje med? Om Handshake formår at fastholde og videreudvikle Cleanlabs open source-projekter – eller om de forsvinder bag betalingsmure. Man opdager først forskellen, når man sidder med det i hænderne.

Kilder:

• https://techcrunch.com/2026/01/28/ai-data-labeler-handshake-buys-cleanlab-an-acquisition-target-of-multiple-others/
• https://www.linkedin.com/posts/garrettlord_im-happy-to-share-that-handshake-has-acquired-activity-7422362704654475266-pr55
• https://cleanlab.ai/blog/learn/cleanlab-2.6
• https://cleanlab.ai/community/
• https://www.lennysnewsletter.com/p/inside-handshake-garrett-lord
• https://finance.yahoo.com/news/ai-data-labeler-handshake-buys-190000406.html

Målgruppens mening om artiklen

Anders, CTO i mellemstor dansk AI-virksomhed:

Jeg giver artiklen 85. Den er både informativ og relevant for mit arbejde, især fordi den går i dybden med datakvalitet og de konkrete teknologiske implikationer af opkøbet. Jeg savner dog lidt flere detaljer om, hvordan eksisterende kunder konkret bliver påvirket, og hvilke planer Handshake har for integrationen.

Maria, Data Scientist i fintech-startup:

Jeg giver den 90. Artiklen rammer plet ift. mine interesser – især afsnittene om automatiseret auditing og compliance. Det er sjældent, jeg læser danske artikler, der er så konkrete om AI-værktøjer og deres betydning for brancher som min egen. Jeg kunne dog godt have brugt flere konkrete eksempler på brug af Cleanlab i praksis.

Jacob, AI-konsulent og open source-aktivist:

Jeg giver artiklen 75. Den er solid og dækker mange vinkler, men jeg synes, den er lidt for overfladisk omkring open source-delen og de potentielle negative konsekvenser for community’et. Jeg savner en mere kritisk vinkel på, hvad det betyder, hvis Cleanlab bliver lukket ned eller lukket inde bag enterprise-løsninger.

Louise, Compliance-ansvarlig i storbank:

Jeg giver den 80. Artiklen forklarer godt, hvorfor datakvalitet er vigtigt, og hvordan Cleanlabs teknologi kan hjælpe med compliance. Det er meget relevant for mit arbejde. Jeg kunne dog godt have ønsket mig mere om de regulatoriske aspekter og konkrete cases fra finanssektoren.

Emil, PhD-studerende i maskinlæring:

Jeg giver den 88. Det er sjældent, jeg ser så grundig en gennemgang af både de tekniske og strategiske aspekter af et opkøb. Jeg synes især, det er interessant at høre om forskergruppen og deres baggrund. Jeg mangler dog lidt mere om de tekniske detaljer i Cleanlabs algoritmer.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Gemini 3 Pro Nano Banana 2 Pro fra Google.