Um grupo de pesquisadores de IA que já trabalhou no Google DeepMind, Apple, OpenAI e Meta Superintelligence Labs anunciou na quarta-feira que está lançando uma nova startup chamada Trajetóriaque visa ajudar as empresas a melhorar regularmente seus produtos de IA por meio de treinamento em interações de usuários no mundo real.
A Trajectory quer construir uma plataforma para IA que possa aprender continuamente, uma capacidade que os investigadores há muito consideram uma grande barreira para um maior progresso da IA. OpenAI, Google e Anthropic obtiveram sucesso treinando versões cada vez mais capazes de modelos de IA, especialmente para domínios como codificação, matemática e ciências. No entanto, esses sistemas param de ficar mais inteligentes após o término do treinamento. Embora tenha havido alguns avanços recentes na aprendizagem contínua, as empresas de tecnologia têm geralmente lutado para fabricar produtos de IA que aprendam com os seus erros em tempo real. Em dezembro de 2025, na NeurIPS, uma das maiores conferências anuais de pesquisa em IA, o vencedor do prêmio Turing, Richard Sutton, argumentou que aprendizagem contínua é essencial para construir agentes superinteligentes.
A Trajectory levantou uma rodada inicial de US$ 15 milhões com uma avaliação pós-dinheiro de US$ 115 milhões, liderada pela empresa de capital de risco Conviction, com participação de Bessemer Venture Partners, Radical VC e BoxGroup. Investidores individuais também participaram da rodada, incluindo o cientista-chefe do Google DeepMind, Jeff Dean, bem como a chamada “madrinha da IA”, professora de Stanford e CEO do World Labs, Fei-Fei Li.
O CEO e cofundador da Trajectory, Ronak Malde, foi anteriormente pesquisador de IA na Windsurf e mais tarde se tornou um dos poucos funcionários que foram trabalhar no Google DeepMind quando este contratou os maiores talentos da startup de codificação em um Acordo de US$ 2,4 bilhões ano passado. Os outros cofundadores da Trajectory incluem Arjun Karanam, ex-pesquisador de IA da Apple que trabalhou no Vision Pro, e Michael Elabd, que trabalhou anteriormente na divisão de robótica do Google DeepMind.
Malde disse à WIRED que alguns dos principais produtos de codificação de IA, como o Cursor, já estão fazendo uma versão inicial de aprendizagem contínua – usando dados reais sobre como as pessoas interagem com seus produtos para fazer pós-treinamento e enviar melhorias de modelo regularmente. Ele argumenta que esta é a principal razão pela qual os produtos de codificação de IA decolaram tão rapidamente e é parte da razão pela qual os principais laboratórios de IA se apressaram em desenvolver seus próprios aplicativos de codificação de vibração. Com o Trajectory, Malde e sua equipe de 11 pesquisadores e engenheiros esperam aplicar uma técnica semelhante para melhorar ferramentas alimentadas por IA fora do espaço de codificação.
“Mesmo a IA mais poderosa de hoje ainda é estática. O modelo de IA que você usou ontem cometerá os mesmos erros hoje”, diz Malde. “Algumas empresas estão começando a entrar nesse mundo de aprendizagem contínua. O que estamos fazendo é construir a plataforma para que cada empresa alcance a aprendizagem contínua.”
O desafio de aplicar essa lógica a outros domínios é que a codificação é facilmente verificável – o código é executado ou não – mas alguns setores têm definições mais vagas de sucesso. Karanam diz que parte do que a plataforma Trajectory oferece é ajudar a otimizar um modelo de IA para as necessidades específicas de um negócio.
Em vez de partir de um modelo pronto para uso da OpenAI ou Anthropic, a Trajectory faz com que os clientes comecem com um modelo de código aberto que foi pós-treinado para um produto de IA específico que a empresa tem em mente. Para a Decagon, um cliente que cria agentes de suporte ao cliente de IA, o Trajectory registra quando sua IA falha – digamos, um cliente que tenta fazer uma devolução recebe sua consulta devolvida a um humano – e usa essas instâncias para pós-treinar um novo modelo com a frequência semanal. A Trajectory afirma que esses modelos pós-treinados superam os modelos dos laboratórios de fronteira em tarefas restritas que são mais importantes para o produto de uma empresa.
