- A indústria de robótica está atualmente em um estágio de nível GPT-2.5, em que os modelos fundacionais já demonstram capacidade real, mas a lacuna entre resultados de laboratório e implantação em campo ainda é grande
- A Bessemer considera conservadora até mesmo a projeção de mercado de US$ 38 bilhões em 2035, que o Goldman Sachs elevou em 6 vezes em apenas um ano, e estima que apenas os custos de dados em robótica devem ultrapassar US$ 3 bilhões em toda a indústria nos próximos 2 anos
- Entre os fundadores de empresas de robótica dos EUA, 48% vêm de quatro instituições: Stanford, MIT, Berkeley e CMU, o que deve acelerar uma dinâmica de concentração de talentos em que o vencedor leva quase tudo
- A mediana de Series A de empresas de robótica de defesa chega a US$ 105 milhões, o dobro das empresas fora de defesa, e a previsão é que o primeiro IPO acima de US$ 50 bilhões desse setor surja aqui, com destaque para a valuation de US$ 60 bilhões da Anduril
- Nos últimos 5 anos, houve apenas 42 empresas de robótica que receberam mais de US$ 30 milhões em investimento, equivalente a 1/18 do nível de software, indicando não uma bolha de robótica, mas um quadro de subinvestimento estrutural
Demanda estrutural e perspectivas de mercado para robótica
- A demanda por substituição de mão de obra em trabalho físico repetitivo ou ambientes perigosos continua crescendo por causa das mudanças demográficas nos EUA, Europa, Japão e China
- Alguns analistas previram que o mercado de robótica pode atingir US$ 38 bilhões até 2035, e o Goldman Sachs revisou essa projeção para cima em 6 vezes em apenas um ano
- A Bessemer considera essa previsão conservadora tanto em velocidade quanto em escala
- Jeremy Levine, sócio da Bessemer, afirmou: "Nos próximos 10 a 20 anos, haverá 100 mil vezes mais robôs do que hoje no planeta"
- A Bessemer vê oportunidade de investimento num momento em que mobilidade de talentos, avanços tecnológicos e ventos estruturais favoráveis estão acelerando ao mesmo tempo; o portfólio inclui Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron, ANYbotics e outras
Previsão 1: o momento ChatGPT da robótica está se aproximando, mas ainda não chegou
- A indústria de robótica está em um estágio equivalente ao momento GPT-2.5: os modelos fundacionais já mostram capacidades concretas e as leis de escala começam a aparecer, mas a lacuna entre demos de pesquisa e implantação em produção ainda é grande
- O modelo π0 da Physical Intelligence conseguiu dobrar roupas com destreza em nível humano
- O artigo EgoScale, publicado em fevereiro de 2026, demonstrou que o desempenho de políticas melhora de forma previsível conforme cresce a escala dos dados de pré-treinamento, oferecendo a primeira evidência forte de que modelos fundacionais para robótica seguem uma curva de melhoria baseada em dados semelhante à dos LLMs
- Existem duas questões centrais ainda sem resposta
- Quanto dado será necessário para reduzir a distância entre o desempenho de laboratório e a confiabilidade de 99,9% exigida em produção
- Como será, na prática, o momento ChatGPT da robótica quando ele chegar
- Diferentemente de chatbots, não dá para provar capacidade com uma caixa de texto; a prova será um robô executando tarefas complexas em ambiente desconhecido sem intervenção humana
- Áreas já comercializadas: sistemas especializados para ambientes restritos, como automação de armazéns, assistência cirúrgica, entrega de última milha e inspeção industrial, já geram receita hoje
- Armen Aghajanyan, CEO da Perceptron: "O núcleo da robótica no mundo real não é um algoritmo de controle melhor, mas um modelo fundacional que entende o mundo físico; o controle do robô é apenas uma camada fina sobre isso"
Previsão 2: a chegada das leis de escala — dados são caros, capital é fosso, e world models podem ser o atalho
- Os LLMs puderam usar centenas de trilhões de tokens da internet, mas na robótica não existe um corpus equivalente
- Estima-se que o volume global de dados de manipulação robótica seja de cerca de 300 mil horas; em comparação, há aproximadamente 1 bilhão de horas de vídeo na internet e 300 trilhões de tokens de texto, o que revela uma lacuna estrutural
- A Bessemer estima que, nos próximos 2 anos, o custo total de dados em robótica para toda a indústria ultrapassará US$ 3 bilhões
- Incluindo teleoperação, vídeo egocêntrico, simulação e coleta de demonstrações físicas
- Dados robóticos não podem ser raspados nem comprados; precisam ser gerados diretamente por tarefa e por ambiente
- Ian Glow, CEO da Zeromatter: "Só teleop não será uma estratégia de dados bem-sucedida; é preciso trazer dados da internet ou de simuladores por meio de aprendizado por reforço para obter a escala e a diversidade necessárias"
- World models: redes neurais que aprendem leis da física a partir de vídeo em escala de internet
- O V-JEPA 2 da Meta, após treinamento com mais de 1 milhão de horas de vídeo, alcançou 80% de sucesso zero-shot em pick-and-place num braço robótico real com apenas 62 horas adicionais de dados robóticos
- Ainda assim, o Cosmos da NVIDIA usou 10.000 GPUs H100 por 3 meses para treinamento, mostrando que world models também são uma abordagem intensiva em capital
- Simulação e aprendizado por reforço: a transição sim-to-real funciona bem para locomoção, mas em manipulação continua sendo um problema de pesquisa em aberto, por limitações de fidelidade com objetos deformáveis, tecidos e líquidos
- Brian Moore, CEO da Voxel51: "O que separa liderança de bravata em IA física é a obsessão com a qualidade dos dados; dado ruim não é ineficiência, é risco"
Previsão 3: a concentração de talentos vai definir os vencedores rapidamente — não é um mercado em que 50 empresas terão sucesso
- Entre as empresas americanas de robótica fundadas nos últimos 5 anos e que receberam mais de US$ 30 milhões, 43% dos fundadores têm doutorado
- Desses, 48% vêm de quatro instituições: Stanford, MIT, Berkeley e CMU
- 56% têm ao menos um cofundador com PhD, e 43% têm fundadores vindos diretamente da academia
- O fosso de talentos gera um efeito composto na sequência talento → capital → parcerias de dados → relacionamento com clientes → datasets proprietários, criando uma dinâmica de vencedor leva tudo mais rapidamente do que a maioria espera
- No campo dos LLMs, o open source (Llama, Mistral) democratizou o acesso a capacidades, mas na robótica, embora projetos como LeRobot, Genesis e Isaac Lab estejam crescendo, ainda existe o atrito físico de que ainda é preciso ter robôs
- Equipes com a expertise mais profunda em sim-to-real, manipulação, locomoção e sensor fusion estão construindo vantagens que não podem ser facilmente copiadas por releases open source
Previsão 4: empresas full-stack capturam valor no curto prazo — empresas puras de modelos fundacionais ainda terão de esperar
- Nos LLMs, um único endpoint de API como o GPT-4 permitia que até equipes de 2 pessoas construíssem produtos de frontier AI imediatamente, mas na robótica é preciso coleta de dados por domínio, fine-tuning adaptado ao ambiente, integração de hardware e infraestrutura operacional
- O fosso que está sendo construído hoje está menos na arquitetura do modelo e mais em pipelines proprietários de dados, expertise de domínio, infraestrutura de implantação e relações com clientes que geram loops de feedback
- A queda no custo de hardware acelera essa dinâmica
- Mike Winn, CEO da DroneDeploy: "Robôs terrestres para construção caíram de US$ 100 mil para menos de US$ 15 mil por unidade, e drones com docking caíram de US$ 200 mil para menos de US$ 20 mil, cruzando o ponto crítico para escalar implantação"
- A stack se divide em três camadas
- Camada de infraestrutura: modelos fundacionais, world models
- Camada de aplicação: empresas full-stack com hardware customizado (humanoides, sistemas industriais) + empresas full-stack que aplicam IA em plataformas comerciais prontas
- O motivo de o valor se concentrar na camada de aplicação é que a camada de infraestrutura ainda não é generalista o suficiente para suportar implantação end-to-end de forma independente
- Quando modelos fundacionais melhorarem e a transição sim-to-real amadurecer, chegará o momento da API da robótica, mas isso é assunto para depois de 2028; na janela atual, a integração vertical é onde se cria valor sustentável
- Adrian Macneil, CEO da Foxglove: "A vantagem decisiva da IA física não está na novidade do modelo, mas na qualidade da infraestrutura de dados; à medida que os modelos convergirem, vencerão as empresas com o flywheel de dados mais forte"
Previsão 5: robótica de defesa liderará o primeiro IPO acima de US$ 50 bilhões da categoria
- A mediana de Series A das empresas de robótica de defesa era de US$ 105 milhões em 2025, mais que o dobro dos US$ 50 milhões das empresas fora de defesa, e essa diferença vem aumentando ano após ano desde 2021
- A Anduril fechou março de 2026 com valuation de US$ 60 bilhões, e a Saronic levantou no mesmo mês uma Series D de US$ 1,75 bilhão para embarcações autônomas
- O ciclo de compras em defesa é longo, mas previsível; o tamanho dos contratos é grande, as taxas de renovação são altas e o custo de troca é significativo
- Diferentemente da robótica comercial, compradores de defesa operam com uma lógica guiada não por ROI, mas por risco à segurança nacional
- O fator geopolítico intensifica isso: cerca de 90% dos robôs humanoides vendidos globalmente em 2025 foram fabricados na China
- Os modelos de IA chineses estão em média cerca de 7 meses atrás dos dos EUA, mas essa diferença vem diminuindo continuamente, e o governo americano começou a tratar a robótica como essencial para a segurança nacional
- Na dimensão dual-use, as empresas mais defensáveis não estão construindo sistemas de armas de propósito único, mas plataformas autônomas, sistemas de percepção e infraestrutura de decisão com aplicação comercial
- Matthew Buffa, cofundador da Breaker: "As empresas mais interessantes não escolhem entre defesa e comercial; elas constroem sistemas capazes o suficiente para atender exigências de defesa e inovadores o suficiente para funcionar comercialmente"
Previsão 6: não há bolha na robótica — na verdade, ainda entra pouco dinheiro no setor
- Nos últimos 5 anos, houve 745 empresas de software que receberam mais de US$ 30 milhões, contra apenas 42 de robótica, uma diferença de 18 vezes
- Ainda assim, o mercado-base da robótica é 30 vezes maior que o gasto global com software
- Mesmo levando em conta a natureza intensiva em capital dos negócios de hardware, trata-se de um quadro de subinvestimento estrutural em relação à oportunidade
- A maioria dos analistas projeta crescimento de 50 vezes para a indústria na próxima década, mas a Bessemer avalia que isso também se limita à automação de workflows existentes e não reflete novas categorias de atividade econômica que robôs de propósito geral podem criar
- Nem todas as empresas financiadas terão sucesso; algumas valuations estão infladas e o capital ficará concentrado em poucos líderes
- Mas seletividade e escassez são questões diferentes, e o nível total de investimento em robótica continua muito abaixo do tamanho da oportunidade e da velocidade de evolução das capacidades
- Agora é a janela para investir nas empresas centrais, antes da chegada do momento ChatGPT e antes de a consolidação de talentos se completar; esperar pela prova do ponto de inflexão significa perder a oportunidade
- Nikita Rudin, CEO da Flexion: "Daqui a 5 anos, a maioria dos robôs implantados no mundo não será feita por startups conhecidas hoje, mas por empresas que ainda nem começaram a construir robôs, embora saibam fabricá-los em escala"
Desafios em aberto e debates não resolvidos
- Lacuna de confiabilidade: melhorar a taxa de sucesso de tarefas de 80% para 99,9% não é um problema linear
- Exige abordagens fundamentalmente diferentes, como sensoriamento tátil, force feedback e transição sim-to-real para manipulação
- Lisa Yan, CEO da Argus Systems: "Pela experiência na Waymo, a implantação real fica mais difícil com o tempo e revela problemas cada vez mais especializados de curadoria de dados; reduzir a distância entre 99% e 99,9% leva mais tempo do que a maioria imagina"
- Problema de custo de inferência: world models e grandes modelos de visão-linguagem-ação têm alto custo de execução em tempo real
- Modelos de texto podem atender milhares de usuários simultâneos em infraestrutura compartilhada com processamento em lote, mas modelos para robótica precisam gerar estados do ambiente a cada poucos milissegundos por robô, o que na prática exige pipelines dedicados de GPU
- O custo de inferência de LLMs caiu cerca de 1.000 vezes em 3 anos; se a robótica seguirá curva semelhante é o que vai determinar a viabilidade comercial da abordagem baseada em modelos fundacionais
- Interpretabilidade está emergindo como a próxima camada de infraestrutura
- Só no 1º trimestre de 2026, cerca de US$ 6 bilhões foram para 6 ou 7 empresas de world models
- Mahesh Krishnamurthi, cofundador da Vayu Robotics: "À medida que o setor amadurece, interpretabilidade se torna um elemento inegociável; hoje esses modelos são caixas-pretas, e é de se esperar uma onda de startups criando ferramentas para abri-las"
- Open source vs. fechado: nos LLMs, open source acelerou dramaticamente o ecossistema, mas ainda não está claro se a mesma dinâmica vale para robótica, onde dados físicos e infraestrutura de implantação importam tanto quanto a arquitetura do modelo
- Open source provavelmente vai comoditizar a arquitetura de modelos mais rápido do que o esperado, mas as camadas de dados e implantação podem permanecer proprietárias por tempo suficiente
- Empresas que entendam que parte da stack abrir e que parte proteger terão vantagem estratégica
A coexistência de duas verdades
- Brad Porter, CEO da Cobot: "O momento ChatGPT da robótica está chegando mais rápido do que a maioria pensa e, quando vier, o gargalo será o tempo de produção (robôs reais, tarefas reais, ambientes reais); empresas que se otimizam para implantação, e não para demos, vão se separar de forma decisiva"
- Philipp Wu, cofundador de uma empresa stealth de robótica: "O cronograma é muito mais longo do que a maioria imagina, e a robótica de propósito geral ainda está a mais de 5 anos de distância"
- Essas duas visões não se contradizem; elas descrevem dimensões diferentes: Porter fala da trajetória até o ponto de inflexão, e Wu descreve o quanto esse ponto ainda está distante na prática
- A implicação para fundadores é: implantar de forma decisiva agora, mas construir tendo o momento generalista no horizonte
- O ponto de inflexão está se aproximando; talentos estão se movendo, hardware está se comoditizando e a infraestrutura de dados está sendo construída, e as empresas que definirão a IA física na próxima década estão sendo fundadas e financiadas agora mesmo
1 comentários
Fico curioso para ver quais empresas vão surgir.