A aposta de $47 bilhões que ainda não deu certo
Em pouco mais de seis meses em 2026, startups de "AI física" captaram US$ 47,4 bilhões em investimento de capital de risco — quase quatro vezes o montante investido no segundo semestre de 2025. O número soa esmagador, mas Amulya Vishwanath tem uma explicação mais simples para por que o setor ainda não viveu seu momento de virada: a robótica não está perto do seu "ChatGPT moment". Ela diz que o setor ainda está na era dos "LEGOs".
Vishwanath passou sete anos liderando o marketing de produtos das plataformas de robótica da NVIDIA antes de fundar a Techable VC, uma firma de venture early-stage focada em física aplicada, materiais e ciências da vida. Na última segunda-feira (13/10), em entrevista ao podcast Equity da TechCrunch, ela expôs um argumento incômodo para o hype atual: apesar dos bilhões sendo investidos, os blocos básicos — atuadores, mãos robóticas, software de controle, normas de segurança — ainda estão sendo reconstruídos peça por peça.
A comparação com o lançamento do ChatGPT não é casual. Em novembro de 2022, um chatbot surpreendeu o mundo não por ser tecnicamente perfeito, mas por ser legível: qualquer pessoa, mesmo sem formação técnica, podia dialogar com ele e ficar impressionada. Em robótica, ainda não existe essa legibilidade. Um braço robótico que dobra peças em uma linha de montagem funciona, mas não é algo que um leigo entenderia de primeira. Um robô humanoide que caminha em laboratório parece impressionante até tentar pegar uma maçã.
O debate: modelo geral vs. peças especializadas
A tese de Vishwanath não existe no vácuo. No mesmo episódio do Equity, o CEO da General Intuition, Pim de Witte, apresentou a visão oposta: um único modelo fundamental generalista tornaria a maior parte do trabalho especializado em robótica obsoleto. A General Intuition, fundada em 2014 e lançada publicamente em 2025, foi avaliada em US$ 2,3 bilhões na Series A e treina modelos em bilhões de clipes de gameplay para que agentes de IA aprendam a perceber, prever e agir em ambientes virtuais e físicos.
É a mesma aposta que fez os LLMs triunfarem: em vez de construir dezenas de sistemas especializados para cada tarefa, treinar um único modelo capaz de fazer tudo. O problema — e aqui entra a experiência prática de Vishwanath dentro da NVIDIA — é que a robótica envolve matéria. Um modelo de linguagem pode gerar um ensaio perfeito sem nunca se preocupar com a força de cisalhamento de um atuador hidráulico. Um modelo de visão computacional pode classificar imagens sem nunca lidar com o atrito de uma garra que tenta segurar um objeto deformável.
Vishwanath descreve a indústria como estando numa "era dos LEGOs", onde cada componente precisa ser desenvolvido, testado e integrado individualmente. Atuadores mais baratos. Mãos robóticas com melhor propriocepção. Software que une percepção e ação sem latência proibitiva. Normas de segurança que definam o que um robô pode e não pode fazer perto de seres humanos. Nenhum desses blocos está pronto.
O que os números dizem
A matemática do investimento é inequívoca. Segundo dados da Crunchbase citados pela Wall Street Journal, os US$ 47,4 bilhões do primeiro semestre de 2026 incluíram um único round da Waymo — US$ 16 bilhões na Series D a US$ 126 bilhões — que respondeu por cerca de um terço do total. Mesmo sem ele, o ritmo ainda dobrou em relação ao mesmo período de 2025. Em 2025, o investimento global em robótica e "AI física" chegou a US$ 26 bilhões, contra US$ 4,2 bilhões em 2019, segundo a PitchBook.
Mas os números escondem outro detalhe: a maioria desses dólares vai para empresas que já estão operando, não para startups experimentais. A Waymo, a Anduril (US$ 5 bilhões Series D), a SpaceX (IPO de US$ 75 bilhões) — todas são empresas maduras. A aposta que Vishwanath está fazendo com a Techable VC, ao contrário, é em stage muito anterior: atuadores, sensores, certificação. Startups que não vão gerar headlines no primeiro ano, mas sem as quais o "ChatGPT moment" da robótica é apenas um slide de pitch deck.
A falha que separa o laboratório do mundo real
Vin Patel, em análise independente, aponta que a distinção crucial entre esses dois lados do debate não é técnica, mas de confiabilidade. O que impede que um robô saia do laboratório e vá para o armazém não é a capacidade bruta — é a falha. Sistemas de linguagem já conseguiram confiança do usuário porque um modelo bem contido com "guardrails" produz resultados consistentes. Robótica, por outro lado, lida com consequências físicas irreversíveis. Um erro não pode ser desfeito com "refazer prompt".
É aqui que o "ainda" do título de Vishwanath importa. Ela não diz que a robótica nunca vai ter seu momento ChatGPT. Diz que ainda não aconteceu. E que a aposta em um modelo geral como catalisador é, no mínimo, prematura — porque ignora décadas de trabalho em hardware que simplesmente não tem equivalente no mundo do software.
O que se segue não é uma corrida de modelos. É uma maratona de peças.
Fontes: TechCrunch, Value Add VC, Vin Patel
✓ Fontes independentes cruzadas e verificadas antes da publicação
