Bezos, Arnault e Premji Fazem a Mesma Aposta em Robôs Humanoides

Jeff Bezos, Bernard Arnault e Azim Premji apoiaram empreendimentos separados de robótica, apesar das evidências limitadas de que robôs humanoides já possam gerar retornos confiáveis em escala.

Seus investimentos cobrem três camadas distintas do mercado. Bezos apoiou fabricantes de robôs e modelos de robótica de uso geral. A rede de investimentos da família Arnault juntou-se recentemente a uma fabricante europeia de humanoides. O escritório de investimentos de Premji liderou uma grande rodada para software projetado para treinar robôs industriais a partir de vídeos online.

A aposta compartilhada importa mais do que qualquer anúncio individual de financiamento. Family offices podem manter investimentos ilíquidos por anos, financiar abordagens técnicas concorrentes e tolerar fracassos que fundos convencionais de venture capital têm dificuldade de absorver.

Esse capital paciente está entrando na robótica no momento em que as avaliações sobem mais rápido do que os dados de implantação comercial. Tesla, Figure AI, Apptronik, Agility Robotics e diversas fabricantes chinesas estão todas buscando partes da mesma oportunidade.

A disputa central agora é entre capital paciente e comprovação comercial. Investidores ricos podem financiar anos de desenvolvimento, mas dinheiro não pode eliminar os limites físicos de baterias, atuadores, sistemas de segurança e treinamento no mundo real.

Três Fortunas, Três Caminhos para a IA Física

Os investimentos formam um portfólio que abrange corpos robóticos, sistemas de controle e métodos de treinamento, em vez de uma aposta coordenada em um único design humanoide.

Bezos construiu o mais amplo portfólio visível de robótica entre os três investidores. Por meio da Bezos Expeditions e de investimentos pessoais, ele apoiou Figure AI, Skild AI e Physical Intelligence.

A Figure desenvolve robôs humanoides completos. Skild AI e Physical Intelligence concentram-se mais em modelos de controle de uso geral que podem operar em diferentes máquinas.

Essa distinção é importante. Uma fabricante de robôs precisa resolver simultaneamente problemas de hardware, fabricação, segurança e software. Uma empresa de modelos pode fornecer inteligência para diversos designs de robôs sem produzir todos os componentes por conta própria.

Bezos juntou-se a Microsoft, Nvidia, Intel, OpenAI e outros investidores no financiamento da Figure em 2024. A empresa levantou US$ 675 milhões com uma avaliação de US$ 2,6 bilhões, segundo o anúncio do financiamento.

A proposta da Figure foi ambiciosa desde o início. Ela propôs trabalhadores humanoides autônomos para manufatura, logística e, eventualmente, ambientes domésticos.

Mais tarde, a empresa levantou outros US$ 1 bilhão a uma avaliação reportada de US$ 39 bilhões em 2025. Esse forte aumento refletiu expectativas dos investidores, e não um aumento público comparável nas implantações de robôs ou na receita.

O caminho de Bernard Arnault passa pela Aglaé Ventures, que opera dentro da rede de investimentos de sua família. A Aglaé participou da Série A da Humanoid em julho de 2026, ao lado de Bosch, Schaeffler e outros investidores.

A empresa sediada em Londres levantou US$ 152 milhões com uma avaliação pós-investimento de US$ 1,35 bilhão. Ela afirmou que o financiamento elevou seu total captado a US$ 270 milhões.

A Humanoid está desenvolvendo versões com rodas e bípedes de sua plataforma HMND 01. A empresa planeja começar a colocar robôs beta nas instalações de clientes durante o quarto trimestre de 2026.

Esse cronograma continua sendo uma meta da empresa. Ele não deve ser confundido com implantação em massa comprovada ou operação comercial sustentada.

O escritório de investimentos de Azim Premji escolheu um ponto diferente na pilha tecnológica. A Premji Invest liderou uma Série A de US$ 450 milhões para a Rhoda AI, sediada em Palo Alto, em março de 2026.

A rodada avaliou a Rhoda em US$ 1,7 bilhão, incluindo o novo capital. A startup surgiu após 18 meses em modo furtivo com um sistema chamado FutureVision.

A Rhoda não vende principalmente um robô com forma humana. Ela está desenvolvendo controle preditivo por vídeo, um método que treina software para antecipar ações estudando vídeos e conectando essas previsões ao movimento de robôs.

A empresa afirma que o treinamento convencional de robôs depende demais de teleoperação. Na teleoperação, uma pessoa controla um robô remotamente enquanto o sistema registra as ações como dados de treinamento.

A teleoperação produz exemplos precisos, mas coletá-los é caro e lento. Ela também captura menos variações do que as disponíveis na internet aberta.

A Rhoda propõe aprender padrões visuais mais amplos a partir de vídeos publicamente disponíveis e, depois, fundamentar esse conhecimento com uma quantidade menor de dados de robôs. A Premji Invest descreveu a abordagem como uma alternativa aos modelos padrão de visão-linguagem-ação.

Um modelo de visão-linguagem-ação conecta imagens e comandos de linguagem a ações físicas. Ele pode processar a visão de uma câmera e uma instrução e, então, gerar os movimentos necessários para pegar um objeto.

Cada investidor está, portanto, financiando uma resposta diferente à mesma questão. A questão é se a IA pode tornar os robôs adaptáveis o suficiente para justificar sua implantação fora de demonstrações controladas.

Por Que Family Offices Se Adequam ao Cronograma dos Robôs Humanoides

Family offices possuem o horizonte, a flexibilidade e a tolerância concentrada ao risco que a robótica humanoide exige.

Um fundo tradicional de venture capital geralmente opera dentro de um ciclo de vida definido. Seus gestores precisam investir, apoiar as empresas do portfólio e devolver capital aos sócios limitados dentro dessa estrutura.

Um family office investe a riqueza pertencente a uma única família. Ele pode adotar um período de retenção mais longo, alterar sua alocação rapidamente e aceitar estruturas de negócio incomuns.

Essa liberdade importa na robótica porque os ciclos de desenvolvimento raramente seguem os cronogramas de software. Uma empresa de software pode distribuir uma atualização instantaneamente. Uma fabricante de robôs precisa adquirir peças, produzir máquinas e testá-las perto de pessoas.

Os problemas de hardware também se acumulam. Um motor mais potente pode aumentar o peso e o consumo de energia. Uma bateria maior pode reduzir a mobilidade. Uma mão mais capaz pode adicionar custos e pontos de falha mecânica.

Startups de humanoides precisam resolver essas interações enquanto seus sistemas de IA aprendem a lidar com ambientes imprevisíveis. Cada implantação gera questões de engenharia, seguro e operação.

Family offices também podem investir sem prometer uma data fixa de saída a investidores externos do fundo. Isso lhes permite esperar por aquisições, ofertas públicas ou contratos industriais recorrentes.

A abordagem se assemelha à experimentação estratégica. Bezos pode manter participações em Figure, Skild AI e Physical Intelligence sem decidir qual camada técnica capturará mais valor.

Se fabricantes integradas de humanoides dominarem, a Figure oferece exposição. Se modelos de robôs de uso geral se tornarem a camada mais defensável, Skild AI ou Physical Intelligence poderão se beneficiar.

O investimento de Arnault dá à sua família exposição a uma empresa europeia de hardware sem exigir que a própria LVMH se torne uma desenvolvedora de robótica. Bosch e Schaeffler acrescentam experiência em manufatura e potenciais casos de uso industrial.

A posição da Premji Invest na Rhoda mira o gargalo de dados. Se o vídeo se tornar uma fonte escalável de treinamento de robôs, a Rhoda poderá fornecer inteligência para diferentes máquinas e setores.

Os portfólios também refletem as trajetórias que cercam cada fortuna. Bezos construiu a Amazon em torno de logística, armazéns e automação antes de expandir para outros setores.

Premji transformou um negócio familiar na Wipro, uma das empresas de tecnologia mais conhecidas da Índia. Seu escritório de investimentos desenvolveu uma operação profissional com experiência em tecnologia empresarial.

Arnault construiu a LVMH por meio de marcas, controle da manufatura e propriedade paciente. Desde então, a Aglaé Ventures ampliou a exposição da família a empresas de tecnologia além dos bens de luxo.

Nenhuma dessas trajetórias garante um investimento bem-sucedido em robótica. Elas ajudam a explicar por que esses investidores podem avaliar longos períodos de desenvolvimento de forma diferente dos acionistas do mercado público.

Eles também podem oferecer mais do que dinheiro. Suas redes podem conectar startups a fabricantes, provedores de nuvem, operadores logísticos e investidores de estágios mais avançados.

Clientes industriais raramente compram robôs porque uma demonstração em laboratório parece impressionante. Eles precisam de planos de integração, procedimentos de segurança, suporte de manutenção e produtividade mensurável.

Um family office bem conectado pode ajudar uma startup a alcançar esses clientes. Ele também pode apoiar outra rodada de financiamento se a implantação demorar mais do que o esperado.

Essa vantagem cria pressão para firmas convencionais de venture capital. Elas precisam competir com investidores que podem emitir grandes cheques sem seguir as mesmas regras de construção de portfólio.

Ela também pressiona investidores corporativos. Empresas como Nvidia, Microsoft, Alphabet, Amazon, Bosch e Schaeffler precisam decidir se apoiam várias plataformas ou se favorecem parceiros selecionados.

O resultado é uma estrutura de capital incomumente diversificada. As rodadas de robótica agora reúnem bilionários, firmas de venture capital, fornecedores de tecnologia, fabricantes e investidores soberanos.

Esses grupos nem sempre desejam o mesmo resultado. Uma empresa de chips quer maior demanda por computação. Uma fabricante quer máquinas produtivas. Um family office pode esperar pela valorização do capital em qualquer uma das camadas.

Esse alinhamento é suficiente durante a captação. Ele se torna mais difícil de manter quando as empresas precisam escolher fornecedores de hardware, parceiros de software e relações comerciais exclusivas.

Capital Paciente Avança Mais Rápido que a Comprovação Comercial

A robótica humanoide atraiu capital de longo prazo antes que o setor estabelecesse uma economia unitária repetível ou uma operação confiável em escala.

A tese de investimento começa com uma observação razoável. Os locais de trabalho humanos foram projetados em torno de corpos humanos.

Portas, escadas, prateleiras, ferramentas e estações de trabalho pressupõem uma pessoa com dois braços, duas pernas e mãos. Uma máquina com forma humana poderia entrar nesses espaços sem forçar as empresas a redesenhar todas as instalações.

Essa compatibilidade teórica dá aos humanoides uma gama potencial de tarefas maior do que a de muitos robôs industriais fixos. Ela não torna um humanoide a máquina mais barata para cada tarefa.

Um armazém que apenas movimenta contêineres padronizados pode ter melhor desempenho com esteiras, robôs móveis autônomos ou braços robóticos especializados. Esses sistemas já operam em ambientes estritamente definidos.

Humanoides se tornam valiosos quando a flexibilidade supera a especialização. Eles precisam lidar com tarefas variadas, trabalhar em espaços que mudam e alternar atribuições sem reconfiguração dispendiosa.

Esse padrão continua difícil de atingir. Robôs podem executar sequências impressionantes durante demonstrações cuidadosamente preparadas, mas têm dificuldades quando a iluminação, a posição dos objetos ou as condições das superfícies mudam.

A Figure forneceu um dos exemplos industriais mais visíveis do setor por meio de seu trabalho com a BMW. As empresas mostraram robôs realizando tarefas de produção automotiva.

No entanto, nenhuma das duas empresas divulgou dados operacionais ou financeiros suficientes para estabelecer um desempenho econômico amplo. As incógnitas incluem tempo de atividade, taxas de intervenção, custos de manutenção e o número de máquinas produtivas.

Uma intervenção ocorre quando uma pessoa precisa resgatar ou redirecionar o robô. Intervenções frequentes podem comprometer a economia de mão de obra que justificou uma implantação.

A Humanoid também afirma ter um pipeline comercial e relacionamentos com empresas industriais. Suas colocações beta planejadas devem gerar evidências mais úteis do que demonstrações controladas.

A empresa ainda precisa provar que suas máquinas conseguem operar por longos turnos perto de pessoas. Também precisa transformar protótipos em produção repetível em escala.

A Rhoda enfrenta um ônus de comprovação diferente. Sua tese depende de os vídeos da internet conterem informações úteis que possam ser traduzidas em ações de robôs.

Um vídeo mostra aparência e movimento, mas geralmente não traz medições diretas de força, profundidade e posição das articulações. Robôs precisam desses sinais para manipular objetos com segurança.

A Rhoda afirma que seu sistema preenche essa lacuna ao combinar aprendizado baseado em vídeo com dados de robôs. O lançamento público da empresa descreveu pilotos industriais e trabalho contínuo de engenharia, não uma validação concluída em todos os setores.

Essa divisão entre compreensão visual e execução física é uma das razões pelas quais a inteligência robótica continua difícil. Prever o próximo quadro não é o mesmo que aplicar a força de preensão correta.

Os dados de treinamento também levantam questões sobre procedência e qualidade. Vídeos públicos contêm edição, contexto ausente e ações registradas de ângulos diferentes das câmeras de um robô.

Startups precisam demonstrar que grandes conjuntos de dados melhoram o desempenho em ambientes desconhecidos. Também precisam documentar quando o modelo falha.

Skild AI e Physical Intelligence perseguem objetivos semelhantes de generalização por meio de suas próprias arquiteturas e conjuntos de dados. A concorrência entre essas empresas deve gerar comparações técnicas úteis.

Ainda assim, avaliações privadas podem obscurecer essa concorrência. Uma avaliação maior em uma rodada de financiamento mede a demanda dos investidores por participação acionária, não a confiabilidade dos robôs.

A lacuna fica especialmente visível quando as avaliações mudam antes de os produtos chegarem ao uso comercial em grande escala. A Figure passou de uma avaliação de US$ 2,6 bilhões em 2024 para uma avaliação reportada de US$ 39 bilhões em 2025.

Essa alta criou expectativas enormes sobre volume de fabricação e avanços de software. Também deu aos rivais uma referência para suas próprias narrativas de captação.

A Apptronik, que trabalha com Google DeepMind e parceiros industriais, levantou financiamento relevante para sua plataforma humanoide Apollo. Sua abordagem combina hardware robótico com inteligência baseada em Gemini e parcerias com fábricas.

A Agility Robotics seguiu outra rota com Digit, uma máquina bípede projetada para trabalhos de logística. Em junho de 2026, a empresa concordou em buscar uma listagem pública por meio de uma transação que a avaliava em cerca de US$ 2,5 bilhões.

A listagem planejada poderia expor mais informações financeiras e operacionais do que concorrentes privados divulgam atualmente. Isso daria aos investidores uma referência mais clara.

A Tesla acrescenta mais pressão por meio do Optimus. Ela pode financiar robótica internamente, usar suas fábricas como ambientes de teste e recorrer à expertise em baterias, manufatura e visão computacional.

Empresas chinesas, incluindo Unitree e AgiBot, exercem outro tipo de pressão. Suas cadeias de suprimentos domésticas e capacidade de fabricação podem apoiar uma produção mais rápida e custos menores de componentes.

Portanto, a disputa é mais ampla do que uma startup contra outra. Ela coloca empreendimentos americanos e europeus intensivos em capital contra fabricantes integrados e fornecedores chineses em rápida expansão.

Family offices podem ampliar o fôlego financeiro de uma startup nessa disputa. Elas não podem garantir que seu hardware igualará o custo, a confiabilidade ou a velocidade de produção dos concorrentes.

O Risco Real São os Dados de Implantação Ausentes

A evidência decisiva virá de horas de trabalho não roteirizadas, não de totais de financiamento, avaliações ou demonstrações polidas.

Empresas de robótica frequentemente publicam vídeos porque o movimento físico é fácil de comunicar visualmente. Um clipe curto pode mostrar uma tarefa impressionante sem revelar as condições ao redor dela.

A câmera pode não mostrar supervisão humana, tentativas anteriores ou os limites impostos ao robô. Raramente mostra com que frequência a máquina precisa de manutenção.

Um comprador comercial precisa de medições diferentes. Elas incluem conclusão bem-sucedida de tarefas, intervenções por hora, tempo de atividade, consumo de energia e incidentes de segurança.

Os compradores também precisam saber se um robô consegue realizar trabalho valioso suficiente durante um turno. Uma máquina que executa bem uma tarefa ainda pode ficar ociosa entre atribuições.

Robôs humanoides trazem questões adicionais de segurança porque operam em espaços construídos para pessoas. O peso e as articulações móveis de uma máquina podem causar danos quando o software de controle falha.

Desenvolvedores podem limitar velocidade e força, adicionar paradas de emergência e estabelecer zonas restritas. Cada proteção também pode reduzir a produtividade ou exigir mudanças no local de trabalho.

O setor não dispõe de um único parâmetro público que capture essas compensações entre máquinas. Testes de laboratório costumam medir habilidades específicas de manipulação ou locomoção.

Implantações comerciais combinam todas essas habilidades com agendamento, manutenção e coordenação humana. Um robô precisa continuar trabalhando depois que ferramentas são movidas, superfícies mudam ou pessoas entram em seu caminho.

A camada de software tem sua própria incerteza. Modelos de propósito geral prometem transferir aprendizado entre tarefas e corpos robóticos.

A transferência só tem valor quando o desempenho permanece confiável. Um modelo que funciona em muitas máquinas, mas falha de forma imprevisível, pode ser menos útil do que uma automação especializada.

A abordagem da Rhoda, centrada em vídeo, torna essa incerteza particularmente importante. A empresa precisa mostrar que uma ampla experiência visual reduz falhas em situações desconhecidas.

Também precisa demonstrar que seu método não introduz novos erros quando o ambiente físico difere dos exemplos online.

A Humanoid precisa provar que seu software KinetIQ e sua plataforma robótica permanecem estáveis durante o uso pelos clientes. Seu lançamento beta no quarto trimestre oferecerá um teste inicial.

A Figure enfrenta pressão para divulgar mais sobre o desempenho sustentado em fábricas. Sua avaliação agora implica um caminho rumo a um negócio comercial muito grande.

Essas são perguntas normais para uma tecnologia emergente. Elas se tornam mais urgentes quando investidores atribuem valores de vários bilhões de dólares antes que as empresas publiquem resultados operacionais comparáveis.

As premissas sobre mão de obra também merecem escrutínio. Defensores de humanoides frequentemente citam escassez de trabalhadores e tarefas indesejáveis como razões para a adoção.

Essas condições variam conforme localização, ocupação e ciclo econômico. Um robô que faz sentido em uma fábrica automotiva de alto custo pode não se adequar a um armazém menor.

A implantação também pode deslocar o trabalho em vez de eliminá-lo. Empresas podem precisar de técnicos, operadores remotos, gestores de segurança e especialistas em integração.

Esse resultado ainda criaria valor, mas difere de substituir um turno humano completo por uma máquina autônoma.

O deslocamento de empregos continua sendo outra questão não resolvida. Humanoides confiáveis poderiam reduzir a demanda por algumas funções repetitivas, ao mesmo tempo que aumentariam a demanda por suporte técnico.

O ritmo dessa mudança depende de desempenho e custo, não da velocidade da captação de venture capital. Trabalhadores e formuladores de políticas devem tratar cronogramas projetados de implantação com cautela.

A regulação pode evoluir de maneira desigual entre mercados. Autoridades de segurança do trabalho podem aplicar regras existentes, enquanto responsabilidade por produtos e governança de IA criam obrigações adicionais.

Portanto, investidores precisam precificar vários riscos ao mesmo tempo. Eles incluem falha técnica, atrasos na fabricação, adoção mais lenta pelos clientes e novos requisitos de conformidade.

Family offices podem tolerar esses riscos melhor do que muitos investidores. Sua paciência também poderia adiar um ajuste de contas honesto se o financiamento contínuo esconder uma demanda comercial fraca.

As startups mais fortes responderão com dados operacionais verificáveis. Elas publicarão o que seus robôs fazem, por quanto tempo trabalham e com que frequência humanos intervêm.

Até lá, cada avaliação continuará sendo em parte uma previsão sobre capacidades que os clientes ainda não testaram em escala suficiente.

Três Sinais Decidirão se a Aposta Funciona

A próxima fase será julgada por implantações com clientes, métricas operacionais comparáveis e evidências de que a fabricação pode avançar além de pequenos lotes.

O primeiro sinal é o lançamento beta planejado da Humanoid no quarto trimestre de 2026. A empresa afirma que as máquinas entrarão em instalações de clientes nos setores de logística, manufatura, varejo e outros.

A pergunta importante não é se um robô chega. É se os clientes ampliam seu uso após o teste inicial.

Um pedido subsequente sugeriria que a máquina realiza trabalho útil sob condições industriais normais. Um lançamento adiado ou um piloto rigidamente controlado enfraqueceria essa conclusão.

Bosch e Schaeffler são especialmente relevantes porque combinam papéis de investidor e industrial. Sua participação oferece conhecimento de fabricação e ambientes realistas para testes.

Ela também cria um potencial conflito na interpretação dos resultados. Investidores estratégicos têm razões para apoiar a narrativa da empresa, portanto métricas comparáveis de forma independente continuarão essenciais.

O segundo sinal é a qualidade dos dados operacionais divulgados por Figure, Agility, Apptronik, Rhoda e seus clientes.

Investidores devem procurar horas trabalhadas, ciclos bem-sucedidos, intervenções humanas e implantações repetidas. A receita por si só pode incluir acordos de desenvolvimento que revelam pouco sobre o desempenho autônomo.

A proposta de listagem pública da Agility importa nesse ponto. Empresas públicas enfrentam requisitos de divulgação que podem proporcionar mais visibilidade financeira do que startups privadas oferecem.

A transação não revelará automaticamente todas as métricas técnicas. Ainda assim, deve dar ao mercado uma visão mais clara de gastos, acordos comerciais e riscos operacionais.

Essa transparência poderia redefinir expectativas em empresas privadas de robótica. Resultados fortes sustentariam as avaliações atuais, enquanto uma demanda fraca as colocaria em xeque.

Os pilotos industriais da Rhoda devem testar o controle preditivo por vídeo. A evidência mais útil compararia seu sistema com alternativas treinadas por teleoperação em tarefas desconhecidas.

Uma comparação deve usar o mesmo hardware e as mesmas condições de trabalho. Caso contrário, diferenças no design do robô poderiam obscurecer a contribuição do modelo.

O terceiro sinal é a escala de fabricação. Startups precisam mostrar que conseguem construir máquinas consistentes, garantir componentes e fornecer suporte em campo.

Um protótipo pode ser montado com atenção especializada. Centenas ou milhares de unidades exigem processos padronizados, gestão de fornecedores e controle de qualidade.

É aqui que a Tesla e os fabricantes chineses criam a maior pressão. Eles já entendem produção em alto volume e fornecimento de componentes.

Figure, Humanoid e Apptronik responderam por meio de parcerias, investimentos em fábricas e novos financiamentos. Esses arranjos agora precisam produzir máquinas que os clientes possam operar.

Se a fabricação se expandir enquanto as taxas de intervenção caírem, a tese dos family offices se fortalecerá. O capital privado paciente terá conectado o período difícil entre pesquisa e implantação.

Se os programas-piloto permanecerem pequenos e os detalhes operacionais continuarem privados, a conclusão oposta se seguirá. O capital terá acelerado as avaliações mais rapidamente do que a comprovação comercial.

A lição mais ampla vai além da robótica. Grandes fortunas agora podem moldar quais arquiteturas de IA, estratégias de fabricação e modelos de trabalho recebem tempo para se desenvolver.

Essa influência pode financiar experimentos que empresas públicas evitam. Ela também pode concentrar decisões sobre automação do trabalho em um pequeno grupo de investidores privados.

Bezos, Arnault e Premji não estão fazendo apostas idênticas. Seus investimentos abrangem corpos robóticos, modelos de controle de propósito geral e novas fontes de dados de treinamento.

Juntos, porém, eles mostram por que family offices se tornaram centrais para a IA física. Elas podem financiar várias rotas incertas enquanto esperam que uma se torne comercialmente duradoura.

Para desenvolvedores, compradores empresariais e usuários de IA, o próximo passo é simples: ignore o tamanho da próxima rodada de financiamento e acompanhe o que acontece dentro das instalações dos clientes. Qual empresa publicará dados operacionais do mundo real suficientes para transformar a história dos robôs humanoides de uma corrida por capital em um negócio mensurável?