A Trajectory levantou US$ 45 milhões numa Série A liderada pela Sequoia, com avaliação de US$ 300 milhões, para que advogados, médicos e outros especialistas melhorem modelos de IA com o feedback do próprio trabalho, sem time de pesquisa interno. Veja o que a empresa faz e por que o diferencial passa a ser o conhecimento do negócio dentro do modelo, com gente no loop.
Resposta curta
A Trajectory, startup fundada há cerca de um ano, levantou US$ 45 milhões numa Série A liderada pela Sequoia, com avaliação de US$ 300 milhões. A plataforma conecta um modelo open-source às aplicações da empresa, coleta feedback sobre como ele se sai e usa esse feedback para treinar o modelo de novo, sem exigir time de pesquisa interno. O recado para empresas é que o diferencial deixa de ser qual modelo você usa e passa a ser o conhecimento do seu negócio colocado dentro dele, com pessoas definindo o que é um bom resultado.
O que a Trajectory anunciou?
Segundo o TechCrunch, a Trajectory anunciou em 2 de novembro de 2026 uma rodada Série A de US$ 45 milhões, com avaliação de US$ 300 milhões. A rodada foi liderada pela Sequoia, com participação da Nvidia, da Bessemer Venture Partners e da Bain Capital Ventures.
A empresa tem 18 pessoas e foi fundada há cerca de um ano por três colegas de Stanford com passagem pelo Google DeepMind e pela Apple: Ronak Malde, Michael Elabd e Arjun Karanam. A empresa também está abrindo a sua plataforma de pós-treino ao público.
Qual problema ela tenta resolver?
Os modelos de IA atuais não aprendem com os próprios erros sem passar por um novo treino. Para adaptar um modelo a áreas como direito e finanças, as empresas costumam fazer ajuste fino, o que, segundo o TechCrunch, muitas vezes exige contratar um time de pesquisa interno ou consultores caros.
Malde comparou os modelos de base a um aluno de doutorado muito inteligente que está sempre começando num emprego novo. "Mas o que a economia valoriza é alguém que trabalhou naquele emprego por 30 anos", disse ao TechCrunch.
Como funciona?
A abordagem se chama aprendizado contínuo. A empresa começa com um modelo open-source e conecta a plataforma às suas aplicações. A Trajectory coleta feedback sobre o desempenho do modelo e usa essa informação para treiná-lo de novo, para que ele melhore em tarefas específicas com o tempo.
Segundo Malde, advogados, médicos e outros especialistas conseguem melhorar os modelos quase de forma automática, eles mesmos. Para isso, a Trajectory desenvolveu uma interface pensada para clientes sem perfil técnico. Nas palavras de Malde, quem usa a plataforma decide "como é um bom resultado para a sua organização" e transforma isso em melhorias para o modelo.
- Harvey e Rogo já usam a plataforma para pós-treinar modelos open-source, para que eles trabalhem mais como advogados ou analistas financeiros experientes.
- Os exemplos citados incluem revisar um tipo específico de contrato e avaliar uma empresa com uma metodologia definida.
- Decagon, Mercor e Nvidia também estão entre os clientes.
Por que manter pessoas no loop?
O TechCrunch compara a abordagem à ideia de sistemas de IA que melhoram as próprias capacidades sozinhos. O cofundador Michael Elabd argumenta que manter pessoas envolvidas no processo de treino torna a abordagem da Trajectory mais segura, já que uma melhoria autônoma, sem ninguém acompanhando, pode levar a resultados não previstos.
O que isso muda para a sua empresa?
A rodada aponta para uma mudança de foco. Se qualquer empresa pode usar os mesmos modelos, o que diferencia o resultado é o que só ela sabe: como avalia um contrato, como responde um cliente, como decide um orçamento. Esse conhecimento costuma estar na cabeça de quem faz o trabalho há anos, e não num documento.
Mesmo sem treinar um modelo próprio, dá para começar a organizar isso desde já:
- Escolha uma tarefa repetida em que o seu time sabe dizer, com clareza, o que é um bom resultado.
- Registre exemplos reais com a resposta certa e a errada, e o porquê de cada uma.
- Defina quem dá o feedback: as pessoas que conhecem o trabalho, e não só a área de tecnologia.
- Meça a taxa de acerto antes e depois de cada ajuste, com casos que o modelo ainda não viu.
- Mantenha uma pessoa revisando as decisões de maior risco, mesmo depois que o modelo melhorar.
- Cuide da LGPD e dos contratos antes de usar dados de clientes para treinar ou ajustar um modelo.
Esse conjunto de exemplos e critérios serve para qualquer caminho: ajustar instruções, montar uma base de consulta ou, quando fizer sentido, treinar um modelo. É o mesmo princípio de agentes que fazem o trabalho e pessoas que aprovam.
Como a FlowNexus pode ajudar?
Na FlowNexus, construímos agentes e sistemas de IA sob medida a partir do jeito de trabalhar de cada empresa. Começamos levantando com o seu time o que é um bom resultado em cada tarefa, montamos os casos de teste e colocamos a revisão humana onde o risco pede. Se você quer que a IA trabalhe com o conhecimento do seu negócio, podemos começar por uma tarefa.
Perguntas frequentes
O que é a Trajectory? É uma startup fundada há cerca de um ano por três colegas de Stanford, com 18 pessoas, que oferece uma plataforma para que especialistas melhorem modelos de IA open-source com o feedback do próprio trabalho. Em 2 de novembro de 2026, anunciou uma Série A de US$ 45 milhões liderada pela Sequoia.
O que é aprendizado contínuo? É a abordagem em que o modelo é treinado de novo com o feedback sobre o seu desempenho nas aplicações reais, para melhorar em tarefas específicas ao longo do tempo. Na Trajectory, quem define o que é um bom resultado são as pessoas que usam a plataforma.
Minha empresa precisa treinar um modelo próprio? Nem sempre. O primeiro passo é organizar exemplos reais e critérios claros do que é um bom resultado. Isso já melhora instruções e testes e, se um dia fizer sentido treinar um modelo, é a base que será usada.
Leia também
- Agentes que fazem o trabalho, pessoas que aprovam: onde fica a linha
- Meituan lança o LongCat-2.5 para agentes de código: como testar um modelo de custo menor sem trocar toda a operação
- Dado que não existe não vira enfeite: princípios para telas de operação
Fontes
Transforme essa leitura em um sistema.
Diagnóstico da operação, projeto e construção por etapas. O próximo passo depende do seu caso, não de um pacote pronto.
