Trajectory capta US$ 45 milhões para IA de aprendizado contínuo

A Trajectory, uma startup de 18 pessoas fundada há cerca de um ano por três colegas de Stanford que antes trabalharam na Google DeepMind e na Apple, fechou uma rodada Série A de US$ 45 milhões com avaliação de US$ 300 milhões, liderada pela Sequoia, com participação da Nvidia, da Bessemer Venture Partners e da Bain Capital Ventures.

A startup automatiza um processo que as empresas normalmente resolvem com equipes internas de pesquisa ou consultores externos caros: ajustar modelos de IA genéricos para áreas especializadas como direito e finanças. Sua plataforma se conecta aos aplicativos já usados pela empresa, coleta feedback sobre o desempenho de um modelo de código aberto e o retreina para que continue melhorando em uma tarefa específica — uma abordagem que a Trajectory chama de aprendizado contínuo. O cofundador Ronak Malde compara os modelos prontos a um estudante de doutorado brilhante que está sempre começando um novo emprego: “o que a economia valoriza é alguém que trabalhou no mesmo cargo por 30 anos”, disse ele à TechCrunch.

A Harvey, focada em escritórios de advocacia, e a Rogo, uma startup de análise financeira, já usam a plataforma para pós-treinar modelos de código aberto em tarefas como revisar tipos específicos de contrato ou avaliar empresas com uma metodologia definida; Decagon, Mercor e Nvidia também são clientes. A Trajectory agora está abrindo a plataforma ao público. Michael Elabd, o outro cofundador da Trajectory, argumenta que manter humanos no processo — em vez de deixar um modelo se aperfeiçoar de forma autônoma — é o que torna a abordagem segura.

A Trajectory também enfrenta concorrência da Thinking Machines Lab — a startup de ajuste fino fundada pela ex-CTO da OpenAI Mira Murati, conhecida por sua plataforma Tinker — além da Prime Intellect e da Applied Compute, esta última avaliada no mês passado em US$ 3,25 bilhões.

Por que importa

A aposta da Trajectory é que a maioria das empresas não precisa de um modelo que se aperfeiçoe sozinho, mas sim de um que melhore com supervisão humana especializada — uma distinção relevante enquanto laboratórios de IA e reguladores avaliam os riscos do autoaperfeiçoamento totalmente autônomo.