Os modelos de inteligência artificial atuais, sejam desenvolvidos por gigantes do setor ou baseados em código aberto, compartilham uma limitação crítica: eles não aprendem com os próprios erros sem um novo treinamento. Para resolver essa barreira, a startup Trajectory anunciou a captação de US$ 45 milhões em uma rodada de investimentos da Série A, alcançando uma avaliação de mercado de US$ 300 milhões, segundo reportado pelo portal TechCrunch.
A rodada foi liderada pela Sequoia, com a participação da Nvidia, Bessemer Venture Partners e Bain Capital Ventures. Fundada há cerca de um ano por três colegas da Universidade Stanford com passagens pela Google DeepMind e Apple, a empresa conta atualmente com uma equipe de 18 pessoas e busca automatizar o aprendizado contínuo dos modelos a partir de feedbacks práticos.
Como funciona o aprendizado contínuo sem código
Atualmente, empresas de setores especializados como advocacia e finanças precisam contratar pesquisadores internos ou consultores caros para ajustar modelos genéricos às suas rotinas. A proposta da Trajectory é mudar essa dinâmica permitindo que os próprios especialistas da área, como advogados e médicos, aprimorem as ferramentas de inteligência artificial de maneira quase automática.
O processo começa conectando um modelo de código aberto à plataforma da startup e aos aplicativos da empresa. A ferramenta coleta feedback sobre o desempenho do modelo no uso diário e utiliza essas informações para reorientá-lo continuamente. Na prática, a solução transforma a experiência de uso em melhorias diretas para a tarefa especializada, tornando a adoção da inteligência artificial mais rápida e econômica.
O cofundador Ronak Malde comparou os modelos de fundação atuais a um estudante de doutorado muito inteligente que está sempre começando em um novo emprego. O objetivo da tecnologia é dar a esse modelo o conhecimento prático equivalente ao de um profissional com 30 anos de atuação no mercado. Plataformas como Harvey e Rogo já utilizam a solução para pós-treinar modelos em tarefas como revisão de contratos e avaliação de empresas.
Segurança e a competição no mercado de pós-treinamento
A abordagem da Trajectory foca na aprendizagem contínua mantendo a supervisão humana durante todo o processo. O cofundador Michael Elabd ressalta que essa presença humana torna o sistema mais seguro do que a auto-melhoria totalmente autônoma, que poderia gerar resultados indesejados ou arriscados.
Para garantir que profissionais sem conhecimento técnico consigam operar a plataforma, a empresa investiu na criação de uma interface acessível. O cofundador Arjun Karanam destacou que o design intuitivo é fundamental para permitir que qualquer especialista defina o que é um bom resultado para sua organização e converta isso em aprimoramento para o modelo.
A startup concorre diretamente com iniciativas como a Thinking Machines Lab, criada pela ex-diretora de tecnologia da OpenAI Mira Murati, além das empresas Applied Compute e Prime Intellect. A equipe da Trajectory aposta no seu time especialista, composto por talentos vindos da Google DeepMind, OpenAI, Stripe e Netflix, para consolidar sua plataforma de pós-treinamento no mercado público.
O que isso muda para você
A automação do pós-treinamento de modelos de inteligência artificial sinaliza uma mudança profunda para o mercado de trabalho brasileiro. A dependência de equipes altamente técnicas e engenheiros especializados para personalizar ferramentas de inteligência artificial começa a diminuir, transferindo o controle do aprimoramento tecnológico para os profissionais de cada setor.
Para médicos, advogados, contadores e administradores no Brasil, o conhecimento técnico de sua área passa a ter valor direto na construção das ferramentas digitais. A capacidade de identificar erros, avaliar a qualidade de uma entrega e ensinar o sistema a executar uma rotina específica torna-se uma competência central na rotina de trabalho.
Como próximo passo, vale a pena mapear quais processos repetitivos da sua empresa dependem de um conhecimento especializado e começar a documentar os critérios de qualidade aplicados neles. Compreender exatamente como sua área avalia um bom resultado preparará você e sua equipe para operar plataformas de aprendizado contínuo sem a necessidade de programar.


