Três ex-OpenAI constroem uma IA para empresas e já miram valer US$ 3,25 bilhões

Em janeiro de 2025, o DeepSeek R1 fez mais do que sacudir os rankings de desempenho: demonstrou que um modelo de pesos abertos podia se aproximar da fronteira sem repetir a fatura dos laboratórios norte-americanos. Para três jovens pesquisadores da OpenAI, aquele sinal não foi uma ameaça, mas o início de uma empresa.

Yash Patil, Rhythm Garg e Linden Li compartilhavam uma amizade desde Stanford e experiência dentro da OpenAI. Durante uma viagem de esqui a Lake Tahoe, discutiram o impacto do R1 e chegaram a uma conclusão diferente da dominante em sua empresa: o valor da IA empresarial não tinha por que se concentrar em um modelo universal administrado por terceiros.

Cinco meses depois, deixaram a OpenAI e fundaram a Applied Compute. A aposta deles foi construir a infraestrutura necessária para adaptar modelos abertos — como o Qwen, do Alibaba, ou o Kimi, da Moonshot AI — a tarefas concretas usando os dados privados de cada organização.

A Applied Compute captou US$ 20 milhões em junho de 2025. Agora, com apenas quinze meses de operação, negocia uma nova rodada de US$ 350 milhões que poderia avaliar a empresa em US$ 3.250 milhões. A cifra ainda estava sujeita ao fechamento da transação quando foi reportada pela Forbes.

O investidor Elad Gil lidera a operação, e investidores existentes como Lux Capital e Kleiner Perkins também participam. Segundo Patil, boa parte do novo capital irá para a compra de chips e para a ampliação de uma infraestrutura de computação que deve treinar, servir e aprimorar modelos para clientes empresariais.

A velocidade importa: a avaliação quase dobraria a alcançada pela empresa quatro meses antes. Mas o número não deve ser confundido com receita ou lucros. É uma expectativa do mercado privado sobre quanto poderia valer a camada de infraestrutura que conecta modelos abertos, dados corporativos e agentes em produção.

A DoorDash trabalhou com a Applied Compute em um modelo capaz de ajudar restaurantes a gerar cardápios com precisão ao ingressarem na plataforma. É uma tarefa limitada, repetitiva e mensurável: exatamente o tipo de problema em que um modelo especializado pode superar uma solução generalista em custo e consistência.

A Nvidia recorreu à startup para o pós-treinamento do Nemotron, sua família de modelos de pesos abertos voltada para agentes. A Harvey, especializada em IA jurídica, desenvolveu com a Applied Compute um agente para revisar grandes volumes de contratos e documentos de litígios durante processos de devida diligência.

O caso da Harvey resume a proposta comercial. Segundo seu diretor de pesquisa aplicada, o agente ficou pronto em menos de dois meses; desenvolvê-lo internamente teria exigido pesquisadores de pós-treinamento, especialistas em supercomputação, capacidade computacional e um prazo que poderia se estender de meses a anos.

Os modelos fechados mais avançados mantêm vantagem em tarefas de fronteira, mas essa potência nem sempre justifica seu preço. De acordo com os números citados pela Forbes, alguns modelos proprietários podem custar cerca de quarenta vezes mais por milhão de tokens do que alternativas abertas; a Applied Compute sustenta que, em casos concretos, sua solução pode ser até dez vezes mais econômica.

A resposta empresarial provavelmente não será escolher apenas um lado. Patil antecipa arquiteturas híbridas: modelos de fronteira para as tarefas de máxima complexidade e modelos abertos especializados para processos frequentes, sensíveis ou de grande volume. A seleção será feita por precisão, latência, privacidade e custo, não por lealdade a uma marca.

Essa mudança transfere parte do poder de quem pré-treina o modelo para quem controla a adaptação, a avaliação e a infraestrutura de produção. A Applied Compute quer ocupar justamente essa camada.

Os três cofundadores chegaram a esta rodada antes de completar 26 anos. Patil, de 23, cresceu em Austin em uma família ligada à medicina e à engenharia de hardware. Durante a pandemia, desenvolveu com seu irmão a Helping Hands, uma plataforma para conectar voluntários a pessoas que precisavam de alimentos ou medicamentos.

Rhythm Garg, de 24 anos, formou-se competindo em hackathons; Linden Li, de 25, passou parte de sua adolescência em Xangai e encontrou sua vocação tecnológica ao observar uma demonstração de veículos autônomos. Em Stanford, eles se tornaram amigos e, mais tarde, entraram na OpenAI por meio de recomendações sucessivas.

Dentro da OpenAI, Patil trabalhou na infraestrutura de pós-treinamento e no que mais tarde seria o Codex; Garg participou de modelos de raciocínio e Li, de sistemas de aprendizado de máquina. Essa combinação explica por que a Applied Compute não vende um aplicativo chamativo, mas sim uma pilha técnica complexa que poucas empresas conseguem construir por conta própria.

A história não prova que os modelos abertos tenham derrotado a OpenAI ou a Anthropic. Prova algo mais interessante: a inteligência artificial está começando a se fragmentar em camadas. Os laboratórios de fronteira criam capacidade geral; empresas como a Applied Compute a convertem em conhecimento operacional específico; e as organizações decidem qual parte comprar, adaptar ou controlar.

Também existe risco. Uma avaliação de US$ 3.250 milhões para uma empresa de quinze meses pressupõe uma execução quase perfeita, enquanto o preço da computação, a qualidade dos modelos abertos e a resposta dos grandes provedores mudam a cada trimestre. A infraestrutura que hoje é excepcional poderia se transformar rapidamente em um recurso padrão das nuvens.

A partir de Geniales.co vemos uma conclusão prática: a vantagem não está em conectar uma API e chamar isso de transformação. Está em desenhar processos, governar os dados, avaliar resultados e escolher o modelo adequado para cada carga de trabalho. A Applied Compute vale bilhões — ao menos no papel — porque está tentando industrializar precisamente esse trabalho.