A Série D da CADDi Mais que Dobra Sua Avaliação, mas os Dados das Fábricas São o Verdadeiro Teste
A CADDi levantou US$ 114 milhões em uma rodada Série D, com avaliação de US$ 1,2 bilhão, mais que dobrando o valor reportado da startup de IA para manufatura desde março de 2025. A Série D da CADDi transforma uma empresa de software especializada em um teste acompanhado de perto sobre se a IA pode trabalhar com os desenhos, registros de produção e decisões não documentadas dentro das fábricas.
A empresa, sediada em Tóquio e Chicago, não promete um chatbot de uso geral melhor. Ela quer construir uma camada de dados compartilhada entre arquivos de desenho assistido por computador, desenhos técnicos, registros de compras, softwares empresariais e outros sistemas de manufatura. Seu software usa então essas informações conectadas para apoiar buscas, revisões de projeto, decisões de compra e agentes de IA especializados.
Essa abordagem coloca a CADDi diante de um adversário mais consolidado do que qualquer startup isolada. Fabricantes já dependem de sistemas de gestão do ciclo de vida do produto, planejamento de recursos empresariais, armazenamento de documentos e ferramentas de engenharia fornecidos por empresas estabelecidas. A CADDi precisa provar que uma nova camada de inteligência consegue conectar esses sistemas sem se tornar outro repositório isolado.
A Série D da CADDi Reprecifica uma Aposta em IA para Manufatura
O novo financiamento valoriza a estratégia de dados da CADDi, e não apenas sua capacidade de pesquisar desenhos técnicos.
A rodada foi reportada em 15 de setembro de 2026. Oito investidores novos e já existentes participaram, segundo a empresa e uma reportagem sobre o financiamento publicada pela Fortune.
Entre os novos investidores estavam Moore Strategic Ventures, Coreline Ventures, Salesforce Ventures, Woven Capital, apoiada pela Toyota, e o HR Tech Fund da Recruit Holdings. Os investidores existentes Atomico, Globis Capital Partners e fundos geridos por uma subsidiária do Japan Post Bank também participaram.
O anúncio japonês da Série D da CADDi descreveu a transação como ¥17,7 bilhões e avaliou a empresa em ¥182 bilhões. A empresa informou que o financiamento acumulado em capital próprio alcançou ¥36,31 bilhões.
O financiamento segue uma importante reavaliação em pouco tempo. A CADDi reportou uma avaliação de US$ 470 milhões em março de 2025. O valor mais recente, de US$ 1,2 bilhão, equivale a cerca de 2,6 vezes esse montante.
A empresa afirma que a rodada eleva seu financiamento total a US$ 234 milhões. O capital apoiará quatro prioridades: desenvolvimento de IA proprietária, expansão da plataforma de dados para manufatura, crescimento internacional com foco na América do Norte e contratações.
Essas prioridades mostram como a ambição da CADDi mudou. A empresa começou resolvendo um problema mais restrito relacionado a peças duplicadas, desenhos técnicos e decisões de compras. Agora, ela quer se tornar a base de informações para diversos fluxos de trabalho de engenharia e produção.
O produto original, CADDi Drawer, incorporava desenhos técnicos e encontrava peças semelhantes nos registros de um fabricante. Essa busca poderia ajudar um cliente a reutilizar estoque, voltar a um fornecedor existente ou reconsiderar uma decisão de compra.
Desde então, a CADDi renomeou esse produto como CADDi Explorer e o cercou de um portfólio de software mais amplo. O CADDi Agent realiza análises de manufatura definidas, enquanto aplicações de fluxo de trabalho visam revisão de projeto, análise de custos, cotações e preparação para produção.
Essa expansão importa mais do que o rótulo de unicórnio. A busca é um ponto de entrada útil porque os funcionários reconhecem imediatamente a frustração de procurar desenhos. A maior oportunidade comercial depende de transformar esse índice de busca em infraestrutura usada ao longo de todo o ciclo de vida de um produto.
A CADDi afirma que suas vendas mais que dobram anualmente, embora não tenha divulgado receita nem total de clientes. A empresa informa ter clientes em 22 países e diz que mais da metade dos 100 maiores fabricantes do Japão usa seu software.
Esses são números fornecidos pela empresa, não métricas auditadas de uma companhia aberta. Ainda assim, ajudam a explicar por que os investidores estão apoiando uma expansão, e não um produto de recurso único.
A rodada também dá à CADDi tempo para buscar implantações empresariais, que geralmente envolvem avaliações de segurança, integrações, preparação de dados e treinamento de funcionários. Esses projetos não podem ser avaliados pelos ciclos de adoção de software de consumo.
O financiamento, portanto, cria uma referência exigente. A CADDi precisa mostrar que sua linha de produtos ampliada gera uso mais profundo e repetível entre equipes de engenharia, compras, qualidade e produção.
Por que os Dados de Manufatura se Tornaram o Prêmio
Os fabricantes não carecem de informações; eles carecem de uma forma confiável de conectar informações criadas por pessoas, formatos e sistemas diferentes.
Um desenho técnico carrega mais do que geometria. Ele pode conter materiais, tolerâncias, tratamentos de superfície, dimensões, históricos de revisão e observações de manufatura. Decisões relacionadas podem estar em sistemas de compras, relatórios de qualidade, planilhas, e-mails ou na memória de um engenheiro experiente.
Modelos de linguagem de uso geral funcionam melhor com texto acessível. Eles são menos confiáveis quando a tarefa exige interpretar geometria, comparar componentes visualmente semelhantes ou rastrear uma alteração de projeto por registros de produção e qualidade.
A CADDi afirma abordar essa lacuna com modelos proprietários para dados específicos de manufatura, incluindo desenhos bidimensionais e arquivos CAD tridimensionais. Para documentos e planilhas, usa modelos de linguagem de grande porte de uso geral.
Essa distinção define sua estratégia. Em vez de pedir que um único modelo compreenda todos os formatos industriais, a plataforma combina interpretação especializada com capacidades linguísticas mais amplas.
Sua plataforma de manufatura tem quatro camadas conceituais. A primeira ingere e analisa dados operacionais. A segunda acrescenta relações e contexto de negócios. A terceira disponibiliza as informações por meio de busca e agentes. Em seguida, os produtos de fluxo de trabalho capturam novas decisões e resultados.
Essa etapa final é importante. Uma plataforma de dados se torna mais útil quando o trabalho diário adiciona continuamente contexto estruturado. Uma busca por desenho pode revelar um defeito anterior, enquanto uma revisão concluída registra por que um engenheiro aprovou o novo projeto.
Com o tempo, esse ciclo pode transformar arquivos desconectados em um registro institucional. Também pode reduzir a dependência de funcionários que lembram onde os documentos estão armazenados ou por que uma equipe anterior selecionou determinado fornecedor.
O CEO Yushiro Kato disse à Fortune que mais de 80% do conhecimento sobre processos de trabalho na manufatura nunca é registrado. A CADDi não forneceu pesquisa independente que apoie esse percentual exato, portanto ele deve ser tratado como uma avaliação do fundador.
O desafio subjacente é amplamente reconhecido. A McKinsey constatou que 46% dos diretores de operações pesquisados citaram limitações nos sistemas de dados ou de TI e tecnologia operacional. Infraestrutura desatualizada e baixa qualidade dos dados estavam entre as barreiras específicas identificadas em sua pesquisa sobre IA na manufatura.
Essa constatação ajuda a explicar o momento da rodada. Os fabricantes estão experimentando IA, mas muitos não conseguem ir além de pilotos restritos porque seus dados operacionais continuam fragmentados.
A CADDi aposta que o problema dos dados deve ser tratado junto com o problema das aplicações. Sua plataforma não exige que os clientes descartem todos os sistemas existentes. Ela busca ingerir informações desses sistemas, estabelecer relações e tornar o registro combinado utilizável.
Essa abordagem tem apelo prático. Substituir um sistema central de ERP ou de gestão do ciclo de vida do produto pode se tornar um projeto de vários anos. Uma camada de inteligência promete um caminho mais gradual, começando por um fluxo de trabalho no qual buscas lentas ou esforços duplicados geram custos visíveis.
No entanto, adicionar software sobre sistemas fragmentados não corrige automaticamente os dados subjacentes. Nomes de peças duplicados, revisões ausentes, regras de acesso inconsistentes e registros imprecisos ainda exigem governança.
A IA pode tornar um conjunto de dados conectado mais fácil de consultar. Ela não pode garantir que o conjunto reflita a fábrica atual, as especificações aprovadas ou todas as exceções conhecidas pelos trabalhadores da linha de frente.
O financiamento, portanto, chega em um momento favorável, mas também difícil. Compradores empresariais querem IA utilizável agora, enquanto as informações necessárias para sustentá-la continuam espalhadas por décadas de software e práticas locais.
A CADDi Desafia a Pilha Fragmentada das Fábricas
O principal adversário da CADDi é a pilha fragmentada das fábricas, uma coleção de sistemas essenciais que raramente oferece uma visão única e utilizável do conhecimento de engenharia.
Os fabricantes já possuem software para projeto de produto, planejamento empresarial, controle de qualidade, gestão de documentos, compras e execução fabril. Grandes fornecedores como Siemens, PTC, Autodesk, Dassault Systèmes, SAP e Oracle ocupam partes desse ambiente.
Esses fornecedores não são intercambiáveis com a CADDi. Alguns gerenciam registros autoritativos de produtos, enquanto outros apoiam projeto, planejamento ou produção. Eles também continuam adicionando recursos de IA às próprias plataformas.
A proposta da CADDi é que conhecimentos valiosos continuam difíceis de recuperar mesmo depois que os fabricantes instalam esses sistemas. Um engenheiro pode pesquisar em um servidor de desenhos, verificar um registro de ERP, abrir documentos de qualidade e consultar um colega experiente antes de decidir se um projeto anterior pode ser reutilizado.
A startup quer que o CADDi Explorer se torne a camada de descoberta em todo esse processo. Em seguida, pretende que o CADDi Agent e seus produtos de fluxo de trabalho assumam tarefas de análise definidas.
Por exemplo, o CADDi Design Review examina novos desenhos ou modelos em relação a problemas associados a peças semelhantes. A empresa afirma que isso pode sinalizar possíveis erros mais cedo e preservar lições que, de outra forma, permaneceriam em históricos individuais de projetos.
O CADDi Agent também apoia a padronização de peças e avaliações de impacto na qualidade. Nesses cenários, o software precisa identificar registros relevantes e ajudar os funcionários a avaliar como uma mudança proposta afeta desempenho ou segurança.
Essa é uma proposta mais defensável do que oferecer um assistente genérico com uma interface voltada à manufatura. Desenhos técnicos e históricos de produção exigem ingestão, indexação, permissões e relações de domínio especializadas.
Também é mais difícil de entregar. O software precisa conectar registros sem eliminar o status de revisão, o contexto do produto ou os controles de acesso que determinam se uma informação pode ser confiável.
A vantagem da CADDi pode vir da implantação de várias aplicações sobre a mesma base de dados. Um cliente que começa com busca de desenhos pode adicionar fluxos de trabalho de revisão de projeto, análise de custos ou cotações sem criar um conjunto de dados separado para cada ferramenta.
O risco é que fornecedores de software estabelecidos possam seguir um caminho semelhante. Um fornecedor de gestão do ciclo de vida do produto já controla registros importantes de engenharia. Um fornecedor de ERP detém o contexto de compras e planejamento. Plataformas de nuvem podem fornecer armazenamento, modelos e ferramentas para criação de agentes.
A CADDi, portanto, precisa demonstrar valor entre esses sistemas. Ela precisa conectar registros de forma mais eficaz do que a equipe interna de integração de um fabricante, ao mesmo tempo em que entrega aplicações que os fornecedores incumbentes ainda não oferecem.
Sua expansão de um produto de descoberta para seis produtos de fluxo de trabalho mostra como planeja defender essa posição. Cada fluxo de trabalho pode gerar mais dados estruturados e tornar a plataforma central mais difícil de substituir.
Essa estratégia se assemelha a um sistema de conhecimento cumulativo. A busca torna os dados históricos disponíveis, os aplicativos os utilizam durante o trabalho ativo e o trabalho concluído cria novo contexto para decisões posteriores.
Ela também exige uma cuidadosa disciplina de produto. Dar suporte a design, compras, qualidade e engenharia de manufatura pode resultar em um portfólio amplo antes que cada aplicativo se torne essencial.
Os investidores estão fazendo uma grande aposta na capacidade da CADDi de administrar essa tensão. A empresa precisa se tornar abrangente o suficiente para servir como infraestrutura compartilhada, sem se tornar difusa demais para competir com ferramentas especializadas.
Da Busca de Desenhos aos Agentes de IA
O mecanismo por trás da avaliação da CADDi é uma mudança de encontrar arquivos para executar decisões com contexto de manufatura.
A busca empresarial tradicional responde a uma pergunta de localização: onde está o documento relevante? A CADDi quer que sua plataforma responda a uma pergunta de relacionamento: como este projeto se conecta a peças anteriores, fornecedores, custos, defeitos e decisões?
Isso exige mais do que reconhecimento óptico de caracteres. O sistema precisa interpretar texto e formas, associar registros relacionados e preservar metadados dos sistemas de origem.
Uma correspondência visual entre desenhos pode revelar que duas equipes encomendaram componentes quase idênticos sob números diferentes. Os dados de compras podem mostrar quanto cada componente custou e qual fornecedor o produziu. Os registros de qualidade podem revelar se uma versão gerou defeitos recorrentes.
Quando essas relações são visíveis, a plataforma pode apoiar uma decisão de negócio, em vez de apenas recuperar um arquivo. Um engenheiro pode avaliar a reutilização, um comprador pode comparar o histórico de fornecimento e uma equipe de qualidade pode examinar ações corretivas anteriores.
A camada de agentes de IA amplia esse modelo. Um agente é um software que utiliza modelos e ferramentas para concluir uma sequência definida de trabalho. No caso da CADDi, o trabalho relevante inclui analisar oportunidades de padronização ou avaliar os efeitos de mudanças de engenharia.
A decisão da empresa de desenvolver modelos proprietários para desenhos e dados CAD aborda uma limitação real. Kato disse à Fortune que modelos de linguagem de uso geral não compreendem desenhos técnicos suficientemente bem para realizar análises de projeto por conta própria.
Isso não significa que os modelos da CADDi possam aprovar de forma independente mudanças de engenharia críticas para a segurança. A empresa apresenta seus produtos como ferramentas de análise e apoio à decisão, enquanto as equipes humanas mantêm a responsabilidade pelo julgamento de engenharia.
Um exemplo prático vem da Unytite, uma fabricante norte-americana de fixadores estruturais. A empresa centralizou mais de 60.000 desenhos e documentos de produção usando o CADDi Drawer.
A CADDi afirma que as equipes de pesquisa e desenvolvimento da Unytite reduziram o tempo de busca de engenharia e produção em mais de 90%. O caso de cliente publicado também descreve funcionários da qualidade cruzando referências entre desenhos, alertas e ações corretivas.
Como a CADDi publicou o caso, a melhoria alegada deve ser interpretada como evidência de cliente relatada pelo fornecedor. Ainda assim, ela ilustra por que a busca oferece um ponto de partida eficaz.
A tarefa inicial é fácil de entender, e um cliente pode medir o tempo gasto para localizar registros antes e depois da implantação. A busca também pode entregar valor sem delegar imediatamente decisões complexas a um agente.
A fase mais difícil começa quando os clientes usam os dados conectados para alterar projetos, escolhas de compra ou processos de produção. Nesse ponto, os erros trazem consequências operacionais maiores.
Um resultado de busca falso desperdiça tempo. Uma avaliação incompleta do impacto na qualidade pode deixar de identificar um risco material. Essa diferença torna a rastreabilidade essencial.
Os usuários precisam saber quais registros informaram uma resposta de IA, se esses registros representam revisões atuais e onde permanece a incerteza. A IA para manufatura não pode depender apenas de linguagem plausível.
Os produtos de fluxo de trabalho da CADDi podem ajudar ao limitar os agentes a contextos e tarefas definidos. Fluxos de trabalho restritos são mais fáceis de avaliar do que um assistente aberto que tenta responder a todas as perguntas de manufatura.
A transição do produto ainda exigirá evidências. A CADDi precisa demonstrar que seus agentes reduzem os prazos de engenharia ou os custos de materiais sem aumentar a carga de revisão em outras áreas.
Se tiver sucesso, a plataforma de dados se tornará mais do que um arquivo pesquisável. Ela se tornará uma camada por meio da qual os fabricantes reutilizam conhecimento institucional e coordenam decisões entre departamentos.
O Que a Avaliação Não Prova
Uma avaliação de US$ 1,2 bilhão sinaliza confiança dos investidores, mas não estabelece que a plataforma ampliada da CADDi tenha alcançado adoção duradoura.
A empresa não divulgou receita, número de clientes, retenção, tamanho dos contratos ou a proporção de clientes que utilizam vários produtos. Essas métricas são cruciais para avaliar se a CADDi está se tornando infraestrutura ou continua sendo uma coleção de implantações promissoras.
As vendas teriam mais do que dobrado no último ano. Sem uma base ou um valor de receita divulgado, esse crescimento não pode ser comparado diretamente ao de outras empresas de software industrial.
O número de funcionários oferece outro sinal incompleto. A CADDi cresceu de aproximadamente 600 no início de 2025 para cerca de 900 funcionários. Essa expansão apoia o desenvolvimento de produtos e as vendas internacionais, mas também eleva o custo de sustentar o crescimento.
A América do Norte será um mercado particularmente exigente. Os fabricantes diferem amplamente em maturidade de dados, obrigações regulatórias, terminologia interna e arquitetura de software. Integrações que funcionam para um cliente podem exigir adaptação substancial para outro.
A gestão da mudança é outro obstáculo. Kato a identificou como a maior barreira à adoção, segundo a Fortune. Os funcionários precisam confiar nos resultados, revisar processos conhecidos e registrar decisões com consistência suficiente para melhorar a camada de dados compartilhada.
Isso cria um ciclo difícil. A CADDi precisa da participação dos usuários para capturar conhecimento tácito, mas os funcionários têm menos probabilidade de participar até que a plataforma os ajude de forma confiável.
A empresa também precisa lidar com questões de governança. Arquivos de engenharia podem conter informações sujeitas a controle de exportação, segredos comerciais, dados pessoais, termos de fornecedores ou especificações sensíveis à segurança.
Conectar registros aumenta sua utilidade, mas também amplia as consequências de permissões fracas. Uma interface de busca ou de agentes deve respeitar as restrições herdadas de vários sistemas de origem.
A precisão precisa ser avaliada no nível do fluxo de trabalho. Um modelo pode parecer eficaz em uma demonstração, mas deixar de considerar tolerâncias incomuns, revisões obsoletas ou restrições de produção não documentadas.
As equipes de manufatura vão querer resultados rastreáveis, e não recomendações sem sustentação. Elas também precisarão de procedimentos para corrigir dados e incorporar essas correções de volta ao sistema.
A concorrência acrescenta mais incerteza. Empresas consolidadas de software de engenharia e corporativo podem incorporar IA em produtos nos quais os clientes já confiam. Provedores de nuvem podem oferecer ferramentas para criar sistemas e agentes personalizados de recuperação de informações.
Alguns fabricantes preferirão essas opções porque elas preservam relacionamentos existentes com fornecedores. Outros podem desenvolver sistemas internos quando seus dados ou fluxos de trabalho forem especializados demais para um produto compartilhado.
A resposta da CADDi é a integração vertical. Ela combina ingestão de dados, interpretação específica de domínio, descoberta, agentes e aplicativos de fluxo de trabalho em uma única plataforma.
Essa amplitude só cria diferenciação se os componentes se reforçarem mutuamente. Se as implantações exigirem serviços extensivos ou preparação manual, o crescimento poderá se tornar mais difícil de padronizar.
A evidência mais forte não virá de outro anúncio de financiamento. Ela virá de clientes que se expandem entre departamentos e renovam após o primeiro caso de uso mensurável.
Até que a CADDi divulgue mais métricas operacionais, sua avaliação deve ser vista como uma afirmação sobre o alcance futuro da plataforma. Não é prova de que a empresa já substituiu os sistemas fragmentados que pretende conectar.
Três Sinais Testarão a Estratégia de IA para Manufatura da CADDi
A próxima etapa será medida pela profundidade do produto, pela adoção na América do Norte e por evidências de que os clientes avançam da busca para fluxos de trabalho de IA repetíveis.
O primeiro sinal é a adoção de múltiplos produtos. A CADDi expandiu-se além do Explorer para o Agent e seis aplicativos de fluxo de trabalho. A questão-chave é se os clientes existentes de busca adicionam aplicativos de revisão de projeto, análise de custos, cotação ou produção.
Essa expansão fortaleceria a tese da plataforma. Ela mostraria que um conjunto de dados de manufatura conectado pode apoiar vários fluxos de trabalho, e não apenas um produto de busca de documentos.
Uma expansão limitada apontaria na direção oposta. Poderia significar que a busca de desenhos resolve um problema valioso, enquanto os aplicativos mais amplos continuam difíceis de implantar ou se sobrepõem a softwares existentes.
O segundo sinal é o crescimento de clientes na América do Norte. A CADDi opera nos Estados Unidos desde 2023 e agora planeja tornar a região central para sua expansão global.
Implantações identificadas, renovações e referências de clientes importarão mais do que o crescimento dos escritórios ou das contratações. Os fabricantes norte-americanos oferecem um teste exigente porque operam sistemas legados variados e frequentemente impõem requisitos rigorosos de segurança.
Evidências de vários setores seriam especialmente significativas. Automotivo, equipamentos industriais, eletrônicos e manufatura sob contrato compartilham problemas de dados, mas seus fluxos de trabalho e pressões regulatórias diferem.
O terceiro sinal é um impacto operacional verificável decorrente de decisões assistidas por IA. Reduções no tempo de busca são úteis, mas a avaliação mais alta da CADDi depende de resultados como ciclos de engenharia mais curtos, menos projetos repetidos, custos menores de materiais ou investigações de qualidade mais rápidas.
Esses resultados devem incluir referências iniciais claras e períodos de medição definidos. Também devem distinguir os resultados do software de mudanças mais amplas de processo introduzidas durante a implantação.
A CADDi já destaca resultados de clientes em sua plataforma, incluindo horas economizadas e reduções no tempo de investigação. Mais casos documentados de forma independente tornariam o desempenho da empresa mais fácil de avaliar.
Os leitores também devem observar como a CADDi descreve a supervisão humana. A passagem da recuperação de informações para decisões de projeto ou qualidade eleva o padrão de explicabilidade, permissões e validação.
A expansão mais crível preservará vínculos com os registros de origem e manterá funcionários responsáveis envolvidos em fluxos de trabalho consequentes. Um sistema que esconda a incerteza por trás de respostas fluentes enfraqueceria o argumento para uma adoção mais ampla.
O financiamento da CADDi mostra que os investidores veem os dados de manufatura como uma base valiosa para a IA empresarial. A aposta é compreensível: as fábricas possuem décadas de conhecimento que continuam difíceis de recuperar, conectar ou reutilizar.
A questão não resolvida é se uma única plataforma pode organizar esse conhecimento entre sistemas sem reproduzir a fragmentação que foi criada para resolver.
Para as equipes de engenharia e operações, a resposta prática é examinar primeiro um fluxo de trabalho mensurável. Identifique onde os funcionários buscam repetidamente desenhos, reconstroem decisões passadas ou comparam peças semelhantes. Em seguida, avalie se a plataforma melhora esse trabalho enquanto preserva a rastreabilidade.
As equipes que constroem seu próprio repositório técnico pesquisável também podem analisar como uma base de conhecimento de engenharia deve lidar com documentos dispersos e recuperação de informações.
A Série D da CADDi parecerá justificada se esses fluxos de trabalho iniciais se expandirem para uma camada de dados confiável, usada entre departamentos. Se a adoção parar na busca de documentos, o financiamento terá reavaliado um produto útil como uma plataforma muito maior.
As próximas implantações junto a clientes devem revelar qual resultado está tomando forma.
