O financiamento de startups de inteligência artificial está em ritmo acelerado, e os investidores estão cada vez mais de olho em pesquisadores que conseguem transformar laboratórios acadêmicos em produtos reais. A corrida para encontrar o próximo grande avanço em IA não dá sinais de desaceleração, e os cheques estão ficando cada vez mais gordos, mesmo para empresas que ainda nem lançaram um produto público.
Mas tem um detalhe que ainda incomoda muita gente no setor: os agentes de IA disponíveis hoje acertam o que se pede a eles em apenas metade das vezes.
Cinquenta por cento de confiabilidade.
Isso é pouco demais para qualquer empresa apostar de verdade nessa tecnologia. Seja usando o Claude Code, o OpenClaw ou as ferramentas de computador da Perplexity, o cenário atual é o mesmo: toda vez que você pede para um agente executar uma tarefa, está basicamente jogando uma moeda para o alto.
É exatamente esse gap que a NeoCognition quer fechar.
A startup acaba de sair do modo stealth com uma rodada seed de US$ 40 milhões no bolso e uma proposta que chama a atenção: construir agentes capazes de auto-aprendizagem, ou seja, que aprendem e se especializam por conta própria, da mesma forma que um ser humano faz ao entrar em um novo ambiente ou profissão. 🚀
Se isso funcionar na prática, pode ser um divisor de águas para o futuro dos agentes autônomos.
De onde vem a NeoCognition e quem está por trás
A NeoCognition é descrita pelo seu fundador como um laboratório de pesquisa que desenvolve agentes de IA com auto-aprendizagem. Quem lidera o projeto é Yu Su, professor da Ohio State University que comanda um laboratório de pesquisa focado em agentes de IA. Su contou que inicialmente resistiu à pressão dos VCs para comercializar seu trabalho acadêmico. Ele ficou nessa por um bom tempo, até que finalmente decidiu dar o salto no ano passado, quando percebeu que os avanços em modelos fundacionais poderiam tornar os agentes verdadeiramente personalizados.
Essa decisão de sair do ambiente acadêmico não foi tomada de forma impulsiva. Su viu uma janela de oportunidade técnica que não existia antes: a evolução dos large language models chegou a um ponto em que a base tecnológica necessária para construir agentes que aprendem de forma contínua finalmente se tornou viável. E quando um pesquisador desse calibre resolve criar uma empresa, o mercado presta atenção.
- 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.
O financiamento de US$ 40 milhões veio co-liderado pela Cambium Capital e pela Walden Catalyst Ventures, com participação da Vista Equity Partners e de investidores-anjo de peso, incluindo Lip-Bu Tan, CEO da Intel, e Ion Stoica, cofundador da Databricks. O fato de a empresa ter levantado esse volume ainda em fase seed, sem produto público e operando em modo stealth, diz muito sobre a confiança que o setor está depositando na ideia central por trás da NeoCognition e no histórico do seu fundador.
A participação da Vista Equity Partners, em particular, tem um significado estratégico importante. Como uma das maiores firmas de private equity no segmento de software, a Vista pode oferecer à NeoCognition acesso direto a um vasto portfólio de empresas que estão buscando modernizar seus produtos com inteligência artificial. Isso não é apenas dinheiro no banco, é um canal de distribuição embutido desde o dia zero.
O problema real com os agentes de IA hoje
Para entender o que a NeoCognition está tentando resolver, é importante contextualizar o estado atual dos agentes de IA. Um agente, no vocabulário técnico da área, é um sistema baseado em inteligência artificial que recebe um objetivo e toma uma sequência de decisões e ações para alcançá-lo, sem precisar que um humano guie cada passo do processo. Parece simples na teoria, mas na prática os agentes disponíveis hoje enfrentam uma limitação muito concreta: eles são instáveis, cometem erros em tarefas encadeadas e têm dificuldade em lidar com contextos que não foram bem representados nos dados de treinamento original.
Como Yu Su colocou de forma bem direta: os agentes de hoje são generalistas. Toda vez que você pede a eles para fazer uma tarefa, você dá um salto de fé. A taxa de sucesso em tarefas complexas costuma ficar na casa dos 50%, o que torna o uso desses sistemas arriscado demais para aplicações críticas em empresas.
Esse número importa muito mais do que parece. Quando uma empresa começa a pensar em automatizar processos com agentes de IA, ela não está pensando em tarefas simples, como responder um e-mail genérico. Ela está pensando em fluxos de trabalho inteiros, como análise de contratos, suporte técnico de nível avançado, processamento de pedidos, triagem de candidatos ou monitoramento de operações. Para esses casos, uma falha em metade das execuções não é um inconveniente, é um problema operacional sério que pode custar dinheiro, tempo e até a reputação da empresa.
É por isso que muitas organizações até hoje preferem manter humanos no centro desses processos em vez de confiar plenamente nos agentes disponíveis. E é justamente por isso que os agentes ainda não se tornaram trabalhadores independentes e confiáveis, como muitos prometiam que seriam a essa altura.
A visão da NeoCognition: aprender como humanos aprendem
A abordagem da NeoCognition parte de uma observação sobre a própria inteligência humana que é ao mesmo tempo óbvia e profunda. Yu Su argumenta que, embora a inteligência humana seja ampla e generalista, o seu verdadeiro poder está na capacidade de se especializar rapidamente. Quando entramos em um novo ambiente ou profissão, conseguimos dominar suas regras únicas, seus relacionamentos e suas consequências em velocidade impressionante.
É essa dinâmica que a NeoCognition quer replicar nos seus agentes.
Para os humanos, nosso processo contínuo de aprendizado é essencialmente o processo de construir um modelo de mundo para qualquer profissão, qualquer ambiente, explicou Su. Ele acredita que, para os agentes se tornarem verdadeiros especialistas, eles precisam aprender de forma autônoma a construir um modelo de qualquer micro-mundo em que sejam colocados.
A auto-aprendizagem proposta pela NeoCognition entra justamente aqui como uma tentativa de mudar a equação. A ideia central é que, em vez de depender de um modelo estático que foi treinado até certo ponto e então congelado, os agentes da empresa seriam capazes de continuar aprendendo a partir das interações, dos erros e dos contextos específicos de cada ambiente em que operam. Isso se aproxima muito da forma como um profissional humano se desenvolve ao longo do tempo: ele chega com um conjunto de conhecimentos gerais e vai se especializando conforme enfrenta situações reais, aprende com os resultados e ajusta o comportamento de acordo com o que funciona melhor naquele contexto específico.
Su enxerga essa capacidade de especialização rápida como o elo crítico que falta para fazer a IA funcionar de forma confiável por conta própria. E é nesse ponto que a NeoCognition se diferencia de outras abordagens no mercado. 🤖
O que diferencia a NeoCognition das outras soluções
Um ponto importante que Su fez questão de destacar é que já é possível treinar agentes para tarefas autônomas hoje em dia. O problema é que esses agentes precisam ser engenheirados sob medida para um vertical específico. Ou seja, você constrói um agente que funciona bem para atendimento ao cliente em e-commerce, mas ele não consegue ser transferido para análise financeira ou gestão de supply chain sem um retrabalho significativo.
A NeoCognition está construindo algo diferente: agentes que são generalistas capazes de auto-aprendizagem e que podem se especializar em qualquer domínio. Essa é a diferença fundamental. Em vez de criar um agente por vertical, a proposta é criar um agente que chega generalista e se torna especialista pelo próprio uso, sem intervenção manual constante.
Pense assim: em vez de contratar um consultor que já vem formatado para resolver apenas um tipo de problema, você contrata alguém extremamente inteligente e adaptável, que consegue mergulhar em qualquer área e se tornar referência naquilo em questão de semanas. Essa é a analogia que melhor descreve o que a NeoCognition está buscando criar.
Auto-aprendizagem como diferencial técnico
O conceito de auto-aprendizagem não é novo na pesquisa de inteligência artificial, mas colocá-lo em prática de forma robusta e escalável é um desafio técnico considerável. A maioria dos sistemas atuais aprende durante a fase de treinamento e depois opera em modo de inferência, ou seja, aplica o que aprendeu sem modificar seus próprios parâmetros. Retreinar um modelo grande é um processo caro, demorado e que exige infraestrutura significativa, o que torna inviável fazer isso de forma contínua para cada agente em produção.
O que a NeoCognition parece estar desenvolvendo é uma arquitetura que permite ao agente atualizar seu comportamento de forma mais dinâmica, sem necessariamente passar por um ciclo completo de retreinamento a cada nova informação ou experiência relevante. A ideia do micro-mundo, mencionada por Su, sugere que os agentes construiriam representações internas dos ambientes em que operam, algo como um mapa mental que vai ficando mais detalhado e preciso à medida que o agente acumula experiências naquele contexto.
Essa abordagem tem implicações práticas muito interessantes. Um agente com capacidade real de auto-aprendizagem poderia, por exemplo, se tornar progressivamente melhor em entender o vocabulário específico de uma empresa, os padrões de comportamento de seus clientes, as exceções que existem nos processos internos e as preferências não documentadas de quem usa o sistema no dia a dia. Com o tempo, esse agente deixaria de ser uma ferramenta genérica para se tornar algo muito mais parecido com um colaborador especializado, que conhece profundamente o contexto em que atua e consegue tomar decisões mais precisas justamente por causa desse acúmulo de experiência contextual.
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.
Do ponto de vista técnico, ainda há muitas perguntas abertas sobre como exatamente a NeoCognition pretende implementar tudo isso. A empresa ainda não divulgou detalhes técnicos profundos sobre sua arquitetura, o que é comum para startups em estágio inicial que precisam proteger sua propriedade intelectual. O que se sabe é que a equipe atual conta com cerca de 15 funcionários, sendo que a maioria possui doutorado, o que reforça o DNA de pesquisa da empresa e o compromisso com inovação técnica de verdade.
O modelo de negócio e o mercado-alvo
A NeoCognition pretende vender seus sistemas de agentes principalmente para empresas, incluindo companhias de SaaS já estabelecidas no mercado. O modelo de uso prevê dois cenários principais: empresas que querem construir agentes trabalhadores usando a tecnologia da NeoCognition, ou empresas que querem usar esses agentes para aprimorar ofertas de produtos já existentes.
Esse posicionamento B2B faz bastante sentido estratégico. Em vez de competir diretamente com assistentes pessoais de IA voltados para o consumidor final, onde a competição com Google, OpenAI e Microsoft é brutal, a NeoCognition mira no segmento corporativo, onde a demanda por agentes confiáveis e especializados é enorme e a disposição para pagar por soluções que funcionam de verdade é significativamente maior.
E aqui voltamos à importância da Vista Equity Partners na mesa de capitalização. Com acesso ao portfólio da Vista, que inclui dezenas de empresas de software de grande porte, a NeoCognition tem um pipeline potencial de clientes desde o primeiro dia. Para uma startup em estágio seed, ter esse tipo de vantagem de distribuição é algo raro e extremamente valioso.
O que esperar dos próximos passos
Com US$ 40 milhões em mãos, a NeoCognition tem capital suficiente para expandir sua equipe de pesquisa e engenharia, avançar no desenvolvimento da tecnologia de auto-aprendizagem e começar a testar seus agentes em parceiros estratégicos antes de um lançamento mais amplo. O modelo operacional típico de startups nesse estágio envolve fechar acordos com empresas âncora que topam testar a tecnologia em troca de acesso antecipado e influência sobre o roadmap do produto, o que também gera dados reais que alimentam o desenvolvimento.
O mercado de agentes de IA está crescendo rápido, com players como Salesforce, Microsoft, Google e uma série de startups menores todos correndo para lançar soluções nessa direção. O que diferencia a NeoCognition nesse cenário não é apenas a proposta técnica, mas a combinação de credencial acadêmica sólida, uma visão de longo prazo fundamentada em pesquisa real e capital para executar com calma e consistência.
Num segmento onde a maioria das empresas ainda está tentando resolver o problema da confiabilidade básica dos agentes, chegar com uma abordagem de auto-aprendizagem e construção autônoma de modelos de mundo é uma jogada ambiciosa. Mas com o time certo, o financiamento adequado e os parceiros estratégicos alinhados, a NeoCognition tem os ingredientes para transformar essa ambição em algo concreto.
O que fica claro, olhando para tudo isso, é que a conversa em torno de agentes de IA está mudando de tom. Ela está saindo do hype genérico e entrando em uma fase mais madura, onde a questão central não é mais se os agentes vão existir, mas se eles vão ser bons o suficiente para realmente substituir ou ampliar o trabalho humano de forma confiável. A NeoCognition está apostando que a resposta para essa pergunta passa pela auto-aprendizagem, e com o time e o financiamento que tem agora, vai ser muito interessante acompanhar se essa aposta se converte em tecnologia que muda o jogo de verdade. 👀
