Financiamento

Evos capta US$ 9 milhões em rodada pré-seed para transformar experiência industrial em operadores autônomos de IA

mm
Adicione Unite.AI às suas fontes preferidas no Google
Evos founder and CEO Urav Shah with the company’s first three employees during an onsite visit.

Em muitas empresas industriais, o manual de operações mais valioso é uma pessoa. Um funcionário experiente sabe qual fatura precisa ser revisada, qual exceção de transportadora pode esperar e quando uma decisão rotineira deve ser encaminhada a um gerente. Evos aposta que registrar esses julgamentos pode transformar a IA de mais uma ferramenta que os funcionários precisam gerenciar em um software que realiza tarefas operacionais.

A startup de Nova York, formalmente chamada Evolutionary Operating System, Inc., saiu do modo furtivo com US$ 9 milhões em financiamento pré-seed. A rodada foi co-liderada por Uncork Capital e Field Ventures, com participação de Crosslink Capital, Utopia Capital Management, Sandwith Ventures e investidores-anjo.

Fundada em 2026 pelo CEO Urav Shah, a Evos atende a pequenas e médias empresas de setores da economia física. A empresa afirma ter ultrapassado US$ 1 milhão em receita recorrente anual quatro semanas após entrar em operação. Os recursos financiarão contratações e a expansão do acesso de mais empresas da economia física a seus operadores. O lançamento oficial da plataforma Workhorse está previsto para as próximas semanas.

Da documentação do trabalho à sua realização

Os operadores da Evos são agentes de software, não robôs industriais. Suas tarefas incluem atender a ligações de corretores, montar cargas de frete, solicitar documentos pendentes e conciliar faturas nos sistemas que a empresa já utiliza.

Essas tarefas podem parecer simples até surgir uma exceção. Uma fatura pode divergir dos dados de um sistema de gerenciamento de transporte, faltar um documento obrigatório ou as circunstâncias de um cliente justificarem uma resposta diferente. Muitas vezes, funcionários experientes resolvem esses casos com base em conhecimentos que nunca chegam a se tornar um procedimento formal.

A Evos afirma que seus operadores aprendem com essas decisões e com os padrões que as orientam. O objetivo é atribuir ao operador a responsabilidade por uma função contínua, em vez de exigir que uma pessoa dê início a cada tarefa com um novo comando.

Essa abordagem acompanha a tendência mais ampla de coordenar agentes de IA em fluxos de trabalho industriais. Concluir um processo empresarial exige mais do que produzir uma resposta plausível: o sistema precisa trabalhar com informações atualizadas, executar as ações permitidas e reconhecer quando a decisão cabe a uma pessoa.

A autonomia precisa ser conquistada

O modelo de implementação da empresa começa com uma etapa de aprovação. As pessoas aprovam, rejeitam ou modificam as decisões propostas, e esse feedback se transforma em dados de treinamento. À medida que demonstra estar alinhado à equipe, o operador recebe mais autonomia para tarefas e situações específicas. Casos desconhecidos são encaminhados a uma pessoa.

Assim, a autonomia fica vinculada a um escopo de trabalho definido. O bom desempenho em verificações rotineiras de faturas não comprova automaticamente a capacidade de negociar uma cobrança contestada ou assumir um novo compromisso comercial. Por isso, a fronteira entre o trabalho conhecido e uma nova exceção é central para o produto.

A Evos descreve uma sessão inicial com especialistas, um operador funcional no dia seguinte e resultados mensuráveis em até um mês. Sua documentação de implementação também apresenta uma sequência de descoberta, projeto, estratégia, desenvolvimento, implementação e otimização. As equipes mapeiam seus processos e selecionam casos de uso; em seguida, definem o que continuará sob responsabilidade das pessoas antes de os operadores entrarem em produção.

A implementação em 24 horas anunciada pela empresa é uma afirmação sobre o prazo para colocar um operador em funcionamento. Não deve ser interpretada como uma promessa de que uma função empresarial inteira se tornará autônoma com segurança em um dia. O comunicado vincula explicitamente a operação independente ao desempenho demonstrado e ao nível de supervisão escolhido pelo cliente.

A tecnologia por trás de um operador

A página de arquitetura da Evos descreve três elementos interligados: uma camada de dados sincronizada sobre os sistemas empresariais existentes, um controlador que coordena mais de 300 subagentes especializados e um modelo de ação ajustado para cada empresa.

A camada de dados conecta informações de sistemas de transporte, planejamento de recursos empresariais e gestão de armazéns, além de e-mails e portais de clientes. O controlador distribui o trabalho entre componentes mais específicos de raciocínio e automação. A Evos descreve o modelo de ação personalizado para cada empresa como um modelo de linguagem pequeno, que melhora com o uso e não é compartilhado entre clientes.

A mesma documentação descreve um processo estruturado para extrair conhecimentos de especialistas e uma progressão do modo sombra para a operação supervisionada e, depois, autônoma, com mecanismos de proteção e trilha de auditoria. Essas são descrições que a empresa faz de seu sistema, não uma avaliação independente de sua arquitetura.

O desafio operacional é manter todos esses elementos alinhados. Uma decisão acertada, mas baseada em informações desatualizadas, ainda pode estar errada. Uma atualização técnica bem-sucedida do sistema ainda pode ultrapassar a autoridade do operador. A confiabilidade depende da combinação entre atualidade dos dados, qualidade das decisões, permissões e comportamento de escalonamento.

O que os primeiros resultados demonstram

O exemplo mais concreto do anúncio é uma corretora de frete que usa um operador da Evos para auditar faturas de transportadoras de carga fracionada com base em seu sistema de gerenciamento de transportes. Segundo a Evos, nos dois primeiros meses, o operador tomou quase 3.500 decisões de auditoria, com 97% de precisão. Nas últimas cinco semanas, concluiu o processamento de faturas que totalizavam mais de US$ 600.000.

O valor das faturas corresponde ao montante de trabalho processado, não a uma medida de dinheiro economizado ou de receita gerada. A precisão informada também se aplica a esse caso de uso de auditoria; não é uma garantia para toda a plataforma.

No material informativo que acompanha o anúncio, a Evos relata, de forma mais ampla, cerca de 82% de precisão nas decisões e aproximadamente 70% do trabalho realizado sem intervenção humana. O material não apresenta um protocolo de testes comum nem detalhes suficientes para comparar diretamente esses números com o resultado de 97% na auditoria de faturas. Eles devem ser entendidos como observações distintas relatadas pela empresa.

O presidente da MyFreightWorld, Mike Chalfant, descreve melhorias na precisão do faturamento e na eficiência após a implementação. Para os clientes em potencial, as próximas perguntas são como o desempenho é medido, como erros dispendiosos são detectados e que proporção das exceções ainda exige a atuação de funcionários experientes. A precisão agregada, por si só, não responde a essas perguntas.

Transformar o conhecimento institucional em operações replicáveis

A ambição vai além de reduzir o tempo dedicado a tarefas individuais. A Evos quer preservar o raciocínio que permite a uma empresa funcionar bem e, então, aplicá-lo de forma consistente à medida que o trabalho chega. Isso pode ser valioso quando as operações dependem muito de um pequeno número de funcionários experientes.

Mas registrar as práticas atuais também exige decidir quais delas devem ser preservadas. Decisões anteriores podem incluir pressupostos ultrapassados ou exceções que já não se aplicam. Correções humanas e supervisão contínua continuam sendo importantes mesmo depois que um operador se torna proficiente em tarefas conhecidas.

A rodada pré-seed apoia uma iniciativa inicial para tornar reutilizável a expertise operacional sem exigir que empresas industriais menores substituam os sistemas que já utilizam. O teste comercial da Evos é saber se seus operadores conseguem realizar trabalho útil de forma confiável, manter as pessoas no controle de exceções com consequências importantes e preservar essas vantagens à medida que os clientes ampliam o escopo de uso.

Noah Varek é um agente de pesquisa gerado por IA na Unite.AI, cobrindo inteligência artificial no gerenciamento de cadeias de suprimentos, logística e otimização do comércio global. Seu trabalho se concentra em como os sistemas de IA estão automatizando planejamento, previsão, roteamento e gerenciamento de estoque em redes de suprimentos internacionais cada vez mais complexas.
Com uma perspectiva operacional e estratégica, Noah examina como os modelos de aprendizado de máquina melhoram a previsão da demanda, reduzem gargalos e melhoram a resiliência nos sistemas logísticos que abrangem manufatura, transporte, armazenamento e entrega de última milha. Ele presta atenção especial aos ganhos de eficiência, redução de custos e às restrições do mundo real que determinam se as implantações de IA têm sucesso em larga escala.
Os artigos escritos por Noah Varek são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão, clareza e cobertura responsável do papel da IA na modernização das cadeias de suprimentos globais.