InsightFinder levanta US$ 15 milhões para entender onde agentes de IA dão errado
O mercado de observabilidade está passando por mais uma transformação pesada. Se por muito tempo a lógica era rastrear tudo a qualquer custo, hoje o foco virou controlar complexidade e reduzir gasto, sem perder visibilidade. No meio dessa virada, um novo tipo de carga entrou no jogo: agentes de IA rodando em produção, em grande escala, dentro de empresas gigantes. E é justamente aí que a InsightFinder quer brilhar.
A startup, baseada em mais de 15 anos de pesquisa acadêmica, vem usando machine learning desde 2016 para monitorar, identificar e prevenir problemas em infraestrutura de TI. Agora, está aplicando essa bagagem direto no ponto mais sensível da nova era: a confiabilidade de modelos e agentes de IA em ambientes reais, com dinheiro e reputação na linha.
Guiada pela fundadora e CEO Helen Gu, professora de ciência da computação na North Carolina State University e ex-IBM e Google, a empresa acaba de levantar US$ 15 milhões em uma rodada Série B liderada pela Yu Galaxy. Com isso, chega a um total de aproximadamente US$ 35 milhões captados, segundo a própria companhia. O foco agora é simples e direto: escalar vendas, marketing e expansão global, sem perder a pegada técnica que construiu a marca.
Do monitoramento clássico à observabilidade para IA
Nos últimos anos, o discurso sobre observabilidade mudou. Antes, a ordem era coletar tudo: logs, métricas, traços, eventos, qualquer coisa que pudesse, um dia, ajudar na investigação de um incidente. Isso gerou uma explosão de dados, custos altos e um mar de dashboards difíceis de interpretar.
Com a chegada massiva de modelos de IA e agentes inteligentes em produção, o desafio saiu do nível só de infra. Agora, não basta olhar se o servidor está no ar ou se a API está respondendo. É preciso entender como:
- os dados fluem pelos sistemas;
- os modelos se comportam ao longo do tempo;
- a infraestrutura suporta tudo isso;
- e como essas três camadas interagem.
Helen Gu resume bem o ponto: para diagnosticar problemas de modelos de IA, não dá para monitorar cada pedaço isolado. É preciso observar dado, modelo e infraestrutura juntos. Em muitos casos, não é só bug de modelo ou dataset sujo – é uma mistura dos dois, somada a detalhes de cache, rede, orquestração ou storage.
Um exemplo prático: fraude, deriva de modelo e cache desatualizado
Um caso real citado por Gu mostra como isso aparece no dia a dia. Um grande banco emissor de cartão de crédito nos Estados Unidos viu um dos seus modelos de detecção de fraude começar a apresentar drift, ou seja, a performance começou a sair do padrão esperado.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
Em um cenário comum, a suspeita recairia primeiro no modelo ou nos dados de treino. Mas, como a InsightFinder monitorava toda a infraestrutura e o ambiente em volta, conseguiu encontrar a verdadeira origem: cache desatualizado em alguns nós de servidor. Não era exatamente erro na lógica do modelo nem no dataset principal, e sim um problema de infraestrutura que se manifestava como falha na IA.
Esse tipo de correlação ponta a ponta é um dos pontos centrais da proposta da empresa: não tratar observabilidade de IA apenas como checagem de métrica de modelo, mas como uma análise full stack, do dado que entra, passando pelo modelo, até o serviço final que entrega valor para o usuário.
Além de testes e avaliação: IA em produção é outro jogo
Muita gente ainda enxerga observabilidade de IA como sinônimo de avaliação de LLM em ambiente de desenvolvimento e teste. Medir qualidade de resposta, ajustar prompt, rodar benchmarks. Isso é importante, lógico, mas é só uma parte da história.
Para Helen Gu, a maior confusão do mercado está exatamente aí. Uma plataforma de observabilidade de IA realmente útil precisa oferecer um ciclo de feedback de ponta a ponta, cobrindo:
- fase de desenvolvimento;
- etapa de avaliação;
- e, principalmente, produção.
É na operação diária, com usuários reais, volumes variando, dependências externas e dados mudando o tempo todo, que os problemas mais críticos aparecem. Falhas de performance, deriva de modelo, mudanças de comportamento devido a updates silenciosos de APIs, gargalos de GPU, picos de latência em microserviços específicos – tudo isso só fica visível com observabilidade contínua.
Autonomous Reliability Insights: a nova aposta da InsightFinder
Para atacar esse problema, a empresa lançou o produto Autonomous Reliability Insights. A ideia é entregar uma camada inteligente de análise que vá além de alertar que algo deu errado. O objetivo é chegar perto de apontar:
- o que está falhando;
- por que está falhando;
- e como evitar que se repita.
Segundo Gu, o sistema combina:
- machine learning não supervisionado, para detectar anomalias sem depender só de regras manuais;
- modelos proprietários de linguagem, grandes e pequenos, integrados à análise;
- IA preditiva, para antecipar problemas antes que estourem;
- inferência causal, para diferenciar correlação de causa raiz.
Um detalhe importante é que essa camada é agnóstica em relação aos dados. A plataforma consegue ingerir e analisar fluxos de dados inteiros, vindos de múltiplas fontes, cruzando sinais técnicos e de negócio. Com isso, não fica presa a um formato específico de log ou métrica, o que é útil em ambientes híbridos, multicloud e cheios de integrações legadas.
Um mercado lotado – e por que a InsightFinder acha que tem espaço
O espaço de observabilidade está longe de ser vazio. Pelo contrário: a InsightFinder compete com gigantes e players bem conhecidos, como:
- Grafana Labs;
- Fiddler;
- Datadog;
- Dynatrace;
- New Relic;
- BigPanda.
Todos, de algum jeito, estão adicionando capacidades voltadas a IA, seja medindo performance de modelos, seja expandindo plataformas de monitoramento tradicionais para cobrir workloads de machine learning e LLMs.
Mesmo assim, Gu diz que a InsightFinder tem um fosso competitivo baseado em três pilares: especialização, experiência e customização. Nas palavras dela, a empresa raramente perde clientes para concorrentes diretos. O motivo, segundo a CEO, está na interseção entre dois mundos:
- muitos cientistas de dados entendem de IA, mas não dominam arquitetura e operação de sistemas complexos;
- muitos engenheiros de SRE e desenvolvedores entendem de sistemas, mas não têm profundidade em IA.
A InsightFinder tenta cobrir exatamente esse buraco, enxergando as relações intrínsecas entre esses dois lados. A observabilidade que a empresa defende não é só de modelo, nem só de infra, mas do conjunto completo, do pipeline de dados ao comportamento de agentes inteligentes em produção.
Clientes de peso e aprendizado com Fortune 50
Hoje, a carteira da InsightFinder inclui nomes fortes, como:
- UBS;
- NBCUniversal;
- Lenovo;
- Dell;
- Google Cloud;
- Comcast.
Gu credita parte do sucesso a quase uma década de trabalho ombro a ombro com grandes empresas, em especial com membros do grupo Fortune 50. Um exemplo citado por ela é a parceria com a Dell, que vem ajudando a distribuir e implantar os sistemas da InsightFinder em alguns dos maiores clientes globais da companhia.
Esse tipo de ambiente é tudo menos trivial. São múltiplas regiões, clouds diferentes, soluções on-premises, requisitos de segurança rígidos e times espalhados pelo mundo. Segundo Gu, foi nesse cenário que a empresa lapidou seus modelos e definiu o que realmente é necessário para rodar IA com confiabilidade em escala corporativa. Não é só pegar um modelo base, jogar dados de máquina em cima e esperar que funcione.
Números de crescimento e a nova fase pós-Série B
Do lado financeiro, a InsightFinder diz que a receita está forte, com crescimento de mais de três vezes no último ano. Um detalhe curioso: a empresa afirma que não estava ativamente buscando uma nova rodada Série B. Segundo Gu, os investidores é que se aproximaram depois que a startup fechou, em cerca de três meses, um contrato de sete dígitos com uma companhia Fortune 50.
Com os novos US$ 15 milhões, a prioridade é tirar a operação da fase essencialmente técnica e entrar com mais força em vendas e marketing. Até agora, o time da InsightFinder tinha menos de 30 pessoas, muito focadas em produto, pesquisa e implantação.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
A ideia é manter essa base técnica, mas investir em:
- construção de um time de vendas especializado em contas enterprise;
- marketing orientado a educar o mercado sobre observabilidade de IA fim a fim;
- estratégias de go-to-market mais estruturadas, inclusive com parceiros globais.
Em resumo, a empresa quer transformar a tração técnica em crescimento comercial consistente, sem diluir o foco em confiabilidade e profundidade de análise.
Por que tudo isso é relevante para quem trabalha com IA hoje
Para quem está construindo, operando ou integrando soluções de IA em ambientes reais, o movimento em torno da InsightFinder é um bom termômetro. Ele mostra que a conversa sobre IA já saiu faz tempo do momento de deslumbramento com demos e chegou na fase em que a pergunta central é: como manter tudo isso estável, confiável e sob controle?
Quando agentes de IA entram em rotinas críticas – como detecção de fraude, recomendação de produto, suporte automatizado, análise de risco, segurança ou orquestração de processos –, qualquer erro deixa de ser só um bug curioso. Vira:
- risco financeiro direto;
- impacto de imagem;
- queda na experiência do usuário;
- e, em alguns setores, até problema regulatório.
Nesse contexto, soluções que combinam observabilidade profunda, machine learning aplicado à telemetria e capacidade de explicar a causa raiz dos incidentes ganham peso estratégico. Não é só questão de monitorar servidor, é entender onde e por que um agente de IA se comporta de forma errada – e corrigir isso antes que cause estrago.
O recado por trás dos US$ 15 milhões recebidos pela InsightFinder é bem claro: na próxima fase da adoção de IA, não sobrevive quem só tem modelos poderosos, mas quem consegue mantê-los rodando bem, em alta escala, com previsibilidade e transparência.
E é exatamente nesse ponto, entre modelo, dado e infraestrutura, que a InsightFinder está apostando suas fichas, tentando se firmar como uma das referências globais em observabilidade para inteligência artificial em produção.
