Trajectory levanta US$ 45 milhões para democratizar treinamento contínuo de modelos de IA

A startup Trajectory anunciou nesta segunda-feira (2) um aporte de US$ 45 milhões na Série A de sua rodada de financiamento, liderada pela Sequoia Capital, com participação da Nvidia, Bessemer Venture Partners e Bain Capital Ventures. A avaliação da empresa, fundada há aproximadamente um ano por três colegas de Stanford com passagens pelo Google DeepMind e pela Apple, chegou a US$ 300 milhões — um número que, embora distante dos US$ 3,25 bilhões da concorrente Applied Compute, sinaliza a confiança dos investidores em uma camada do stack de IA que ainda não foi adequadamente explorada: o pós-treinamento.

O problema que a Trajectory busca resolver é um gargalo compartilhado por praticamente todos os modelos de IA modernos, sejam eles produzidos por OpenAI, Anthropic ou projetos de código aberto. Modelos fundamentais não aprendem com seus erros sem um treinamento adicional. Empresas que adaptam esses modelos para campos especializados — direito, finanças, medicina — habitualmente contornam essa limitação através do ajuste fino (fine-tuning), mas essa prática exige equipes de pesquisa internas ou consultores caros, conhecidos no setor como engenheiros implementados (forward-deployed engineers, ou FDEs).

"Os modelos fundamentais são como um doutoramento muito inteligente que sempre começa um novo trabalho", compara Ronak Malde, cofundador e CEO da Trajectory, em entrevista à TechCrunch. "Mas o que a economia valoriza é alguém que trabalhou no emprego por 30 anos." A resposta da empresa está na chamada "aprendizagem contínua": em vez de depender de pesquisadores para criar novos modelos do zero, a Trajectory permite que especialistas de domínio — advogados revisando contratos, analistas financeiros avaliando empresas — alimentem o sistema com feedback sobre o desempenho do modelo e o re-treinem automaticamente.

A plataforma, lançada publicamente na mesma data do anúncio, permite que equipes comecem a partir de um modelo de código aberto, conectem-na às suas aplicações e coletem feedback sobre como o modelo performa em situações reais. Um recurso central da plataforma, chamado "Continual Grading" (avaliação contínua), pede que especialistas classifiquem as saídas do modelo em tarefas específicas — revisar um determinado tipo de contrato legal ou avaliar uma empresa usando uma metodologia particular — e usa essa classificação para ajustar o modelo em rodadas de treinamento único em produção, utilizando o algoritmo GS1. Engenheiros disparam as etapas de re-treinamento, mantendo especialistas humanos no ciclo.

"O que mantêm os humanos no loop torna isso mais seguro do que a auto-melhoria totalmente autônoma", afirma o cofundador Michael Elabd. "A auto-melhoria autônoma poderia produzir consequências indesejadas ou mesmo perigosas."

Os clientes já ativos da plataforma incluem Harvey (a startup de IA jurídica fundada pela ex-CTO da OpenAI), Rogo, Decagon, Mercor e a própria Nvidia — uma lista que sinaliza tração significativa em um mercado ainda incipiente. A empresa, com 18 funcionários, também recrutou pesquisadores e designers de produto da OpenAI, Stripe e Netflix, o que reforça a tese de que a interface do usuário é o verdadeiro diferencial.

"Por que o design importa tanto para uma empresa focada em treinamento de IA?" questiona Arjun Karanam, terceiro cofundador. "Desenvolvemos uma interface que torna o pós-treinamento acessível para nossos clientes não técnicos. A interface é a ponte entre especialistas que sabem o que 'bom' significa e os modelos que precisam aprender."

O mercado de pós-treinamento está se tornando cada vez mais disputado. A Thinking Machines Lab, fundada pela ex-CTO da OpenAI Mira Murati e desenvolvedora da plataforma de ajuste fino Tinker, é uma concorrente direta. A Applied Compute, que alcançou uma avaliação de US$ 3,25 bilhões apenas mês passado, e a Prime Intellect, que ajuda empresas a construir e treinar seus próprios agentes de IA, completam o cenário competitivo.

A participação da Nvidia na rodada é particularmente reveladora. A empresa tem investido consistentemente em startups de infraestrutura de IA cujos produtos expandem o número de cargas de trabalho adequadas para seus chips — não apenas para treinamento de pré-treinamento massivo, mas também para ajuste fino. Como observa o Value Add VC, a Nvidia "tem cada vez mais participações acionárias em startups de infraestrutura de IA cujos produtos ampliam o número de workloads adequadas para seus chips, um padrão também visível aqui."

A rodada segue uma Série S de US$ 15 milhões anunciada em maio de 2026, quando a Trajectory se apresentou como uma empresa de pesquisa e produtos focada em aprendizado contínuo. Com os novos US$ 45 milhões, a empresa tem agora US$ 60 milhões em financiamento total e um time de 18 pessoas para escalar a plataforma.

O que torna a Trajectory particularmente interessante é o momento em que chega: num mercado saturado de capital para foundation models, o dinheiro está se deslocando para a infraestrutura abaixo da camada de pré-treinamento. Os US$ 3,25 bilhões da Applied Compute são o sinal mais claro disso, mas a própria Sequoia, ao liderar a rodada da Trajectory, está apostando que a próxima grande inovação em IA não virá de modelos maiores, mas de modelos que aprendem melhor — e mais rápido — com o feedback dos usuários finais. "Todo mundo construindo sobre IA está enfrentando contas crescentes de tokens, e os modelos ainda perdem contexto crítico", diz o site da empresa. "A melhor IA não virá apenas de pesquisadores em laboratórios — virá dos especialistas mais próximos do trabalho."

A pergunta que fica: num mercado onde a Applied Compute vale US$ 3,25 bilhões e a Thinking Machines Lab tem o respaldo do nome de Mira Murati, a Trajectory conseguirá defender sua posição com apenas 18 funcionários e US$ 60 milhões? Ou a próxima onda de investimento em IA continuará empurrando o dinheiro para cima da pilha, em direção aos foundation models, enquanto o pós-treinamento permanece como um nicho para startups menores?

Fontes: TechCrunch, Runtime Wire, Value Add VC

✓ Fontes independentes cruzadas e verificadas antes da publicação