Financiamento de AI NeoLabs da Radical Ventures Chegou a US$ 24 Bilhões, mas Produtos Ainda Ficam para Trás

O financiamento de AI neolabs da Radical Ventures teria alcançado US$ 24 bilhões ao longo dos últimos dois trimestres, embora muitos dos beneficiários ainda não contem com produtos, mercados ou receita consolidados. O total se aproxima de cinco vezes o capital levantado por OpenAI e Anthropic antes do surgimento do ChatGPT, segundo análise destacada pelo Financial Times.

A comparação retrata uma forte reversão nas finanças de startups. OpenAI e Anthropic passaram anos desenvolvendo programas de pesquisa antes que seu impulso comercial se tornasse evidente. Hoje, investidores fazem apostas de bilhões de dólares em equipes recém-formadas antes que elas comprovem a adequação entre produto e mercado.

A Radical Ventures chama essas empresas de “NeoLabs”, ou seja, startups lideradas por pesquisadores que buscam avanços fundamentais em IA fora dos laboratórios de fronteira já estabelecidos. A categoria inclui Safe Superintelligence, Thinking Machines Lab, World Labs, Reflection AI e dezenas de empresas de pesquisa mais especializadas.

A aposta não é simplesmente que outro chatbot conquistará participação de mercado. Os investidores apostam que pequenos grupos de pesquisadores reconhecidos poderão descobrir a arquitetura, o método de treinamento ou o sistema de aprendizado que substituirá a abordagem dominante atual.

Essa tese levanta uma questão desconfortável. As firmas de venture capital estão financiando a próxima OpenAI antes de sua grande descoberta ou pagando avaliações de empresas de fronteira por projetos de pesquisa cujos caminhos comerciais continuam indefinidos?

Financiamento de AI Neolabs da Radical Ventures Atingiu um Novo Extremo

A mudança definidora está no volume de capital que investidores estão dispostos a comprometer antes que existam evidências convencionais de uma startup.

A Radical Ventures identificou mais de 40 AI neolabs independentes que, juntas, levantaram mais de US$ 40 bilhões desde 2024. Seu mapa de mercado NeoLab as posiciona em modelos de mundo, aprendizado por reforço, aprendizado contínuo, difusão e outras direções de pesquisa.

Segundo o relato do Financial Times, US$ 24 bilhões chegaram somente nos dois trimestres mais recentes. Esse ritmo importa mais do que o número acumulado, pois sugere que o financiamento está acelerando, e não se estabilizando após uma corrida inicial.

A Radical Ventures oferece uma comparação histórica. OpenAI e Anthropic, juntas, levantaram US$ 5,3 bilhões entre a fundação da OpenAI, em 2015, e o lançamento do ChatGPT, em novembro de 2022. A nova coorte atraiu quase cinco vezes esse total em seis meses.

A comparação é imperfeita. Os custos de computação aumentaram, a familiaridade dos investidores com IA mudou, e laboratórios mais recentes podem recrutar pessoas com experiência comprovada na construção de modelos de fronteira. Um dólar levantado em 2026 também não representa o mesmo poder de compra ou contexto de mercado que um dólar levantado há vários anos.

Ainda assim, essas ressalvas não eliminam a mudança subjacente. O financiamento de startups antes seguia evidências de que uma empresa havia descoberto um mercado. No modelo de AI neolab, o capital frequentemente chega para financiar a busca por uma descoberta que talvez crie um mercado depois.

Safe Superintelligence ilustra esse padrão. Ilya Sutskever, Daniel Gross e Daniel Levy lançaram a empresa em junho de 2024 em torno de um objetivo declarado: construir uma superinteligência segura. Em poucos meses, o laboratório havia levantado seus primeiros US$ 1 bilhão.

O site público da SSI afirma que seu foco singular evita “ciclos de produto” e protege seu trabalho de pressões comerciais de curto prazo. Essa missão de pesquisa em primeiro lugar é incomumente direta ao adiar as obrigações padrão de uma startup de software.

Reportagens de 2025 afirmaram que a SSI posteriormente levantou outros US$ 2 bilhões, a uma avaliação de US$ 32 bilhões. Nesse momento, a empresa ainda não tinha um roteiro público de produto. Os investidores avaliavam os fundadores, o objetivo de pesquisa e a possibilidade de uma futura descoberta.

Thinking Machines Lab seguiu outra versão do mesmo caminho. A empresa, fundada pela ex-diretora de tecnologia da OpenAI Mira Murati, fechou uma rodada seed de US$ 2 bilhões antes de lançar um produto. Sua avaliação inicial chegou a US$ 12 bilhões, segundo reportagens da época.

O tamanho e o momento dessas rodadas mudam o significado de “investimento seed”. Tradicionalmente, uma rodada seed financia as contratações iniciais, o desenvolvimento do produto e os primeiros testes de mercado. Uma rodada de bilhões de dólares para um neolab financia talentos, computação e tempo em uma escala mais próxima da institucional.

A Radical Ventures afirma que 13 provedores de modelos norte-americanos e europeus concluíram rodadas de pelo menos US$ 1 bilhão desde o início de 2025. Oito pertenciam à sua categoria NeoLab.

Não se trata de acordos isolados com fundadores celebridades. Eles formam uma estrutura emergente de capital para pesquisa em IA, construída em torno de compromissos iniciais excepcionalmente grandes e cronogramas técnicos muito longos.

Por Que Investidores Financiam Equipes Antes de Produtos

Investidores de AI neolabs estão financiando pesquisadores escassos e teses de pesquisa, não a receita atual.

Essa abordagem começa com a crença de que um pequeno número de pesquisadores pode alterar materialmente a direção da inteligência artificial. Seus históricos se tornam substitutos para produtos que ainda não existem.

Sutskever ajudou a liderar o desenvolvimento de sistemas influentes de redes neurais antes de cofundar a OpenAI. Murati supervisionou grandes esforços de produto e pesquisa na OpenAI. A fundadora da World Labs, Fei-Fei Li, tem décadas de trabalho reconhecido em visão computacional e inteligência espacial.

Esses históricos reduzem uma forma de incerteza. Investidores podem avaliar se uma equipe fundadora contribuiu anteriormente para sistemas de fronteira, recrutou colegas de elite e gerenciou grandes programas de computação.

Eles não eliminam a incerteza de mercado. Uma equipe de pesquisa talentosa pode perseguir uma ideia que falha tecnicamente, chega depois de uma concorrente ou se mostra cara demais para os clientes.

O argumento dos investidores se baseia em parte em retornos de lei de potência. A maioria dos laboratórios pode fracassar se uma empresa bem-sucedida se tornar uma nova plataforma com enorme valor econômico. Um único vencedor poderia cobrir as perdas no restante do portfólio de um fundo.

OpenAI e Anthropic servem como provas de existência. Ambas surgiram de grupos concentrados de pesquisadores, atraíram capital substancial e, por fim, construíram produtos amplamente adotados. Suas trajetórias fazem um novo laboratório independente parecer menos implausível do que teria parecido antes do ChatGPT.

No entanto, a comparação comprime anos de desenvolvimento difícil em uma história limpa de sucesso. A OpenAI explorou robótica, aprendizado por reforço, modelos de linguagem e outros projetos antes que o ChatGPT alcançasse adoção em massa. A Anthropic desenvolveu seus modelos e métodos de segurança enquanto construía uma operação comercial voltada a empresas.

Os novos neolabs recebem avaliações influenciadas pelo que essas empresas se tornaram, e não pelo que pareciam em seus primeiros anos. Na prática, os investidores estão antecipando o valor futuro esperado.

A competição por talentos reforça esse comportamento. Um laboratório recém-formado não consegue contratar pesquisadores reconhecidos apenas com uma promessa distante e uma remuneração comum de startup. Ele precisa de capital suficiente para oferecer pacotes competitivos, assegurar capacidade computacional e demonstrar que seu trabalho poderá continuar por vários ciclos de treinamento.

A Radical Ventures estima que mais de 40 fundadores de NeoLabs trabalharam anteriormente no Google DeepMind. Outros saíram da OpenAI, Meta, universidades de ponta e startups de IA estabelecidas.

A influência do DeepMind é especialmente importante. Suas equipes contribuíram para AlphaGo, AlphaStar, AlphaFold e outros programas de pesquisa de alto perfil. Ex-funcionários levam tanto conhecimento técnico quanto redes profissionais para novos empreendimentos.

Isso cria um mecanismo circular de financiamento. Pesquisadores famosos atraem capital, o capital ajuda a recrutar mais pesquisadores famosos, e a equipe ampliada sustenta uma avaliação maior. As evidências de produto podem continuar em segundo plano nas fases iniciais do ciclo.

Os investidores também temem ficar de fora de uma empresa que defina uma categoria. Quando um laboratório assegura uma equipe renomada e um grande compromisso de computação, entrar mais tarde pode se tornar muito mais caro.

Esse receio favorece decisões rápidas. Esperar pela receita pode trazer evidências melhores, mas também pode eliminar o acesso ao investimento ou elevar drasticamente a avaliação de entrada.

O resultado se assemelha mais ao financiamento de pesquisa farmacêutica do que ao software convencional. Investidores financiam programas científicos durante longos períodos sem receita comercial porque uma descoberta bem-sucedida pode sustentar um valioso portfólio de produtos.

A IA difere em um aspecto crucial. O desenvolvimento farmacêutico tem etapas clínicas estruturadas, marcos regulatórios e métodos mais claros para comparar tratamentos candidatos. A pesquisa em IA de fronteira não dispõe de uma estrutura de validação equivalente.

Benchmarks oferecem evidências parciais, mas podem ser otimizados, contaminados ou rapidamente superados. Demonstrações técnicas revelam capacidade sem provar que os clientes pagarão o suficiente para cobrir custos de desenvolvimento e inferência.

Essa lacuna explica por que a reputação dos fundadores carrega tanto peso financeiro. Quando os marcos objetivos permanecem incertos, conquistas anteriores se tornam um sinal excepcionalmente importante.

A Aposta São Novas Arquiteturas Contra a Fronteira Atual

A principal disputa ocorre entre paradigmas alternativos de pesquisa e os sistemas transformer em escala já comercializados pelos incumbentes.

A maioria dos neolabs não promete uma versão ligeiramente melhor de um assistente existente. Eles argumentam, explícita ou implicitamente, que os modelos atuais enfrentam limitações que exigem um caminho técnico diferente.

Pesquisadores de modelos de mundo acreditam que os sistemas precisam de representações internas de ambientes físicos, e não apenas de padrões estatísticos aprendidos a partir de texto. Esses modelos tentam prever como uma cena ou ambiente muda após uma ação.

A World Labs busca inteligência espacial, enquanto outras empresas aplicam ideias relacionadas à robótica, vídeo e simulação. Sua oportunidade depende de os atuais modelos multimodais alcançarem um teto que representações baseadas no mundo possam superar.

Empresas de aprendizado contínuo concentram-se em outra limitação. A maioria dos modelos fundacionais implantados permanece em grande parte fixa após o treinamento. Os desenvolvedores podem adicionar informações recuperadas ou ajustá-los finamente, mas o modelo subjacente não se atualiza continuamente por meio da experiência cotidiana.

Um sistema de aprendizado contínuo bem-sucedido se adaptaria enquanto preservaria o conhecimento anterior. Essa combinação continua difícil porque o novo aprendizado pode prejudicar capacidades adquiridas anteriormente, um problema frequentemente chamado de esquecimento catastrófico.

Laboratórios de aprendizado por reforço apresentam um argumento diferente. Eles sustentam que modelos treinados principalmente para prever dados gerados por humanos não conseguem avançar de forma confiável além do conhecimento existente.

Seus sistemas aprendem com feedback em ambientes nos quais os resultados podem ser verificados. Vencer um jogo, provar uma equação ou produzir um programa funcional fornece um sinal mais forte do que apenas imitar texto.

Outros grupos exploram modelos de linguagem baseados em difusão. Modelos autorregressivos tradicionais geram um token após o outro. Abordagens de difusão podem refinar blocos maiores em paralelo, potencialmente alterando o equilíbrio entre velocidade, custo e qualidade da saída.

Modelos baseados em energia seguem outra rota. Em vez de gerar uma sequência diretamente, eles pontuam configurações candidatas em relação a restrições. Seus defensores acreditam que esse processo pode melhorar o planejamento e o raciocínio verificável.

Essas abordagens são tecnicamente distintas, mas suas narrativas de investimento compartilham a mesma estrutura. Cada laboratório identifica uma limitação nos modelos de fronteira atuais e propõe um método que pode se tornar essencial quando a escalabilidade apresentar retornos decrescentes.

OpenAI, Anthropic, Google DeepMind e Meta não estão paradas enquanto essas startups conduzem pesquisas. As empresas já estabelecidas podem explorar internamente muitos dos mesmos métodos, apoiadas por infraestrutura, distribuição e relacionamentos com clientes já existentes.

Essa é a pressão central sobre a tese dos neolabs. Uma startup precisa de mais do que uma ideia de pesquisa válida. Ela deve desenvolver essa ideia mais rapidamente do que uma empresa estabelecida consegue reproduzi-la, adquiri-la ou superá-la.

A Radical Ventures lista esse alvo em movimento entre os principais riscos da categoria. Laboratórios de programação, por exemplo, podem passar anos desenvolvendo sistemas especializados apenas para encontrar produtos em rápida evolução, como Claude Code ou Codex.

Modelos de pesos abertos acrescentam outro desafio. Se sistemas capazes se tornarem disponíveis abertamente pouco depois de um laboratório concluir uma cara rodada de treinamento, a diferenciação técnica pode perder valor comercial antes que a empresa construa distribuição.

A originalidade da pesquisa também não garante um negócio duradouro. Um laboratório pode publicar uma técnica influente que empresas maiores incorporam sem remunerar o desenvolvedor original.

O melhor resultado exige três conquistas conectadas. A equipe precisa realizar um avanço técnico real, transformá-lo em produto e criar uma vantagem comercial que concorrentes não consigam eliminar rapidamente.

A primeira etapa atrai atenção e financiamento. A segunda e a terceira determinam se os investidores financiaram uma empresa ou um programa de pesquisa excepcionalmente caro.

O Que o Número de US$ 24 Bilhões Não Mostra

Os totais de financiamento anunciados podem superestimar quanto risco investidores independentes aceitaram e quanto capital utilizável os laboratórios controlam.

Anúncios de financiamento privado frequentemente combinam várias formas de compromisso. Uma rodada divulgada pode incluir dinheiro, créditos de nuvem, parcelas futuras, investimentos estratégicos ou financiamento vinculado a condições específicas.

Portanto, o valor anunciado nem sempre equivale a dinheiro sem restrições depositado imediatamente na conta bancária de uma empresa. Sem documentos completos das transações, leitores externos não podem comparar de forma confiável todas as rodadas sob termos idênticos.

As avaliações também podem criar outra distorção. Uma pequena parcela de uma empresa pode ser vendida por um preço alto, estabelecendo uma avaliação de destaque para todo o negócio. Esse número não mostra se a empresa conseguiria vender uma participação muito maior pelo mesmo preço.

Investidores estratégicos também têm interesses além dos retornos financeiros. Fabricantes de chips se beneficiam quando laboratórios compram hardware de computação. Provedores de nuvem se beneficiam quando startups assumem compromissos de uso de infraestrutura de longo prazo.

A Nvidia tornou-se uma das investidoras mais ativas no mercado de provedores de modelos, segundo a Radical Ventures. Essa posição reflete a conexão estreita entre financiamento de startups e demanda por computação.

A Radical estima que treinamento e inferência normalmente consomem bem mais da metade dos gastos de um neolab. Se um investidor fornece chips, capacidade de nuvem ou financiamento vinculado à infraestrutura, parte da transação sustenta o próprio ecossistema comercial do investidor.

Isso não torna o investimento artificial. Os laboratórios realmente precisam de computação, e parcerias estratégicas podem reduzir o risco de capacidade indisponível. No entanto, isso complica qualquer interpretação simples do financiamento como confiança independente em receitas futuras de produtos.

Compromissos de computação também podem se tornar passivos. Um laboratório pode garantir anos de capacidade antes de saber qual arquitetura funcionará ou quanta demanda um produto futuro gerará.

Treinar um modelo de fronteira produz um ativo técnico, mas cada nova geração pode exigir outro grande investimento. Uma empresa que perde um ciclo importante pode enfrentar pressão para captar novamente em termos desfavoráveis.

O financiamento original da SSI mostrou como essa tensão pode surgir rapidamente. A Axios observou que mesmo uma rodada de US$ 1 bilhão em dinheiro poderia não durar muito se a empresa buscasse superinteligência sem receita intermediária. Sua análise de financiamento identificou as necessidades recorrentes de capital como um risco central.

A ausência de receita não é automaticamente evidência de fracasso. Empresas orientadas à pesquisa podem racionalmente adiar a comercialização enquanto protegem um programa técnico difícil.

O problema é que investidores precisam distinguir paciência produtiva de uma ausência indefinida de validação. Relatórios privados oferecem a observadores externos informações limitadas sobre resultados de treinamento, ritmo de gastos ou marcos internos.

Laboratórios podem permanecer em modo furtivo enquanto captam recursos a avaliações mais altas. Cada nova rodada então parece validar a anterior, mesmo quando o sinal mais forte é a disposição de outro investidor em participar.

O modelo se torna frágil se a disponibilidade de capital enfraquece. Uma empresa com clientes pagantes pode ajustar gastos, melhorar margens ou concentrar-se em seu produto mais forte. Um laboratório pré-receita tem menos opções, porque reduzir a computação ou perder pesquisadores pode comprometer seu principal ativo.

A concentração de talentos introduz risco semelhante. A avaliação de um laboratório pode depender fortemente de alguns fundadores reconhecidos ou pesquisadores seniores. Se eles saem, a empresa não consegue substituir suas reputações com a mesma facilidade com que uma empresa de software substitui um executivo de vendas.

A Thinking Machines enfrentou um exemplo inicial quando o cofundador Andrew Tulloch voltou para a Meta após seu grande financiamento seed. A saída não determinou o destino da empresa, mas mostrou a rapidez com que uma tese de investimento baseada em talentos pode ser testada.

A diligência tradicional de startups pergunta se clientes escolhem repetidamente um produto. A diligência de NeoLabs frequentemente pergunta se uma equipe consegue permanecer unida tempo suficiente para descobrir algo defensável.

Essas perguntas exigem evidências diferentes. Os totais de financiamento não respondem a nenhuma delas.

Financiamento de Neolabs de IA Pressiona Empresas Estabelecidas e Startups Menores

O dinheiro intensifica a competição por pesquisadores e computação, ao mesmo tempo que eleva o custo mínimo de perseguir IA de fronteira de forma independente.

OpenAI, Anthropic, Google DeepMind e Meta enfrentam um problema direto de retenção. Seus pesquisadores mais fortes agora sabem que sair pode liberar financiamento enorme e controle considerável sobre uma nova agenda de pesquisa.

Grandes laboratórios podem responder com remuneração mais alta, maior autonomia ou equipes internas organizadas em torno de projetos especulativos. As campanhas agressivas de recrutamento da Meta mostraram como a remuneração de pesquisadores pode rapidamente se tornar uma despesa estratégica.

As empresas estabelecidas mantêm vantagens importantes. Elas fornecem sistemas computacionais vastos, equipes operacionais experientes, acesso a dados proprietários e caminhos imediatos da pesquisa até milhões de usuários.

No entanto, a escala também pode gerar frustração. Cronogramas de produtos, revisões de segurança, compromissos empresariais e camadas organizacionais podem restringir pesquisadores que desejam perseguir uma tese técnica mais específica.

NeoLabs vendem uma alternativa. Uma equipe pequena pode escolher um problema de longo prazo, evitar dar suporte a produtos maduros e organizar toda a empresa em torno de sua pesquisa.

Essa proposta também pressiona startups independentes. Uma empresa convencional de IA que busca alguns milhões de dólares para construir um produto útil agora compete por atenção com laboratórios que captam bilhões em torno de ambições técnicas mais dramáticas.

Os dois grupos frequentemente buscam mercados diferentes, mas recorrem a grupos sobrepostos de engenheiros, investidores e recursos computacionais. A alta remuneração em laboratórios bem financiados pode tornar a contratação muito mais difícil para empresas focadas em produtos.

A capacidade de nuvem e chips cria outra divisão. A Radical Ventures argumenta que o acesso garantido e plurianual à computação se tornou mais restritivo do que o próprio capital.

Uma equipe pode captar dinheiro e ainda assim ter dificuldade para obter aceleradores avançados suficientes no momento certo. Atrasos podem interromper cronogramas de treinamento enquanto concorrentes melhor conectados avançam.

A onda de financiamento também afeta compradores empresariais. Mais laboratórios prometem modelos especializados, arquiteturas alternativas ou inferência de menor custo. Os compradores ganham opções, mas muitos provedores não têm históricos operacionais comprovados.

Um benchmark técnico não responde se um fornecedor consegue suportar cargas de trabalho de produção, proteger dados, cumprir compromissos de serviço ou sobreviver por vários anos. Equipes de compras precisam avaliar a resistência financeira dos fornecedores junto com a capacidade dos modelos.

Desenvolvedores enfrentam um problema relacionado. Construir profundamente sobre um novo modelo pode criar custos de mudança, mesmo quando sua interface de programação de aplicações parece compatível com alternativas.

Um neolab que muda de direção, fica sem financiamento ou vende sua equipe a uma empresa estabelecida pode deixar clientes sem o roteiro de produto que esperavam.

A aquisição não é uma rede de segurança garantida. A Radical Ventures observa que o grupo de compradores naturais é limitado porque grandes empresas de tecnologia já mantêm relações próximas com laboratórios de IA estabelecidos.

Reguladores também examinaram acordos que transferem equipes e tecnologia sem comprar uma empresa inteira. Essas chamadas aquisições reversas de talentos podem dar a fundadores e funcionários uma saída, deixando investidores externos com retornos incertos.

O acordo da Microsoft com a Inflection AI demonstrou por que essas estruturas atraem escrutínio. A transação transferiu pessoal sênior e licenciou tecnologia sem seguir a forma mais simples de uma aquisição convencional.

Para um neolab bem-sucedido, a pressão sobre empresas estabelecidas pode se tornar produtiva. Uma alternativa crível pode forçar lançamentos mais rápidos, melhores condições de pesquisa ou preços mais competitivos.

Para laboratórios malsucedidos, a mesma pressão pode produzir duplicação cara. Várias equipes podem gastar pesadamente treinando sistemas semelhantes antes de descobrir que nenhuma possui uma vantagem defensável.

A onda de US$ 24 bilhões, portanto, aumenta tanto a experimentação quanto o desperdício. Portfólios de venture capital podem tolerar essa combinação, mas provedores de infraestrutura, funcionários e clientes empresariais vivenciam as consequências de maneiras diferentes.

Três Sinais Testarão a Tese dos Neolabs de IA

Produtos, evidências técnicas independentes e receita recorrente determinarão se a onda de financiamento criou novas empresas de fronteira.

O primeiro sinal é a entrega de produtos. Laboratórios que captaram grandes rodadas iniciais precisam transformar programas de pesquisa em sistemas que usuários externos possam examinar.

Um lançamento não precisa se parecer com ChatGPT. Pode ser um modelo, uma plataforma para desenvolvedores, um sistema de robótica, uma ferramenta científica ou um produto de infraestrutura. Ainda assim, deve resolver um problema definido para usuários além da equipe de pesquisa fundadora.

A Thinking Machines ofereceu um teste inicial quando começou a lançar ferramentas após sua rodada seed recorde. Suas atualizações da empresa fornecem um registro público com o qual investidores e desenvolvedores podem comparar expectativas anteriores.

A questão crucial não é se um laboratório lança algo. Empresas podem empacotar métodos existentes em demonstrações respeitáveis. A questão é se o produto mostra uma vantagem ligada à tese de pesquisa original do laboratório.

O segundo sinal é a validação técnica independente. Neolabs frequentemente fazem afirmações sobre novos métodos de aprendizagem, arquiteturas ou caminhos rumo à inteligência geral.

Essas afirmações se tornam mais críveis quando pesquisadores externos conseguem reproduzir resultados, clientes podem testar o desempenho ou avaliações detalhadas mostram vantagens em tarefas relevantes.

Uma liderança em benchmarks que desaparece após algumas semanas oferece suporte limitado para uma avaliação de vários bilhões de dólares. Um método que reduz custos de treinamento, melhora a confiabilidade ou viabiliza aplicações antes impraticáveis oferece evidências mais fortes.

Os investidores também devem observar se as empresas estabelecidas adotam métodos semelhantes. A adoção pode validar a direção da pesquisa, ao mesmo tempo que enfraquece a barreira competitiva comercial da startup.

O terceiro sinal é a qualidade da receita. Um laboratório não precisa ser imediatamente lucrativo, mas a demanda recorrente dos clientes distingue uma empresa duradoura de um experimento financiado.

A receita deve vir de clientes que escolhem o produto, e não principalmente de acordos estratégicos relacionados ou parcerias pontuais de pesquisa. O crescimento também precisa continuar relevante após considerar os custos de inferência e infraestrutura.

A trajetória da OpenAI ilustra por que a distribuição importa. Seu anúncio de financiamento de 2025 vinculou o novo capital à expansão de infraestrutura e de produtos que atendem centenas de milhões de usuários semanais. A atualização de financiamento da empresa conectou os gastos com pesquisa a um motor de adoção já visível.

A maioria dos novos laboratórios ainda não estabeleceu esse ciclo. Eles estão levantando o capital necessário para descobrir se ele existe.

Os próximos trimestres devem revelar diferenças significativas dentro da categoria. Algumas equipes lançarão sistemas confiáveis. Outras permanecerão privadas enquanto buscam financiamento adicional. Algumas poucas perderão talentos, mudarão de direção ou buscarão saídas estratégicas.

O total de US$ 24 bilhões é, portanto, um ponto de partida, e não um placar. Ele mede a disposição dos investidores de financiar caminhos alternativos além das atuais empresas de fronteira. Não mede quantos desses caminhos funcionam.

Desenvolvedores e compradores empresariais devem observar se o produto de cada laboratório reflete a diferenciação técnica prometida. Os investidores devem olhar além da próxima avaliação e perguntar se as evidências estão se acumulando mais rapidamente do que os gastos.

O financiamento de NeoLabs de IA da Radical Ventures tornou possível a pesquisa independente de fronteira em uma escala sem precedentes. A tarefa mais difícil começa após o fechamento da rodada: transformar talentos concentrados, computação cara e ambição científica em produtos que as pessoas escolham repetidamente.

Quais laboratórios conseguirão demonstrar essa conversão antes de seu próximo grande financiamento? A resposta revelará se o boom dos NeoLabs ampliou a fronteira da IA ou apenas elevou o preço de buscá-la.