Labelbox capta mais de US$ 100 milhões em rodada Série E, com avaliação de US$ 1,25 bilhão, para impulsionar o aprendizado por reforço e os agentes de IA

Em 14 de outubro de 2026, a Labelbox anunciou que captou mais de US$ 100 milhões em uma rodada de financiamento Série E, com avaliação pré-money de US$ 1,25 bilhão. A rodada foi liderada pela Infinitum Partners e combina participação acionária com uma linha de crédito.

Wipro Ventures, Andreessen Horowitz (a16z), B Capital, Tau Ventures e Snowpoint Ventures também participaram, entre outros investidores. O CEO e cofundador Manu Sharma detalhou os termos em uma publicação no blog da empresa, e a companhia afirmou que o financiamento apoiará a continuidade da pesquisa e da engenharia em seus dois produtos principais, Horizon e Recursion Managed Agents, além da expansão das equipes que levam esses produtos aos clientes. Sharma escreveu que o acesso à capacidade computacional será central para a próxima fase da empresa e observou que John Yetimoglu, da Infinitum, foi um dos primeiros investidores da Groq e agora está envolvido na construção de uma infraestrutura de computação em larga escala na GroqCloud.

Posição e histórico da empresa

A Labelbox afirmou que alcançou a lucratividade em 2026, enquanto crescia a uma taxa anual superior a cinco vezes. A empresa informa ter mais de 400 clientes, entre eles mais de 90% dos principais laboratórios de IA dos EUA, e diz atender desde laboratórios de IA de ponta e provedores de nuvem em hiperescala até startups e empresas da lista Fortune 500.

Sharma, Brian e Dan fundaram a Labelbox em 2018. Em uma nota dos fundadores, Sharma escreveu que foi para os Estados Unidos para aprender a projetar e construir aeronaves e foguetes, trabalhando com dinâmica dos fluidos computacional e redes neurais, e que suas funções posteriores na DroneDeploy e na Planet Labs lhe mostraram quanto do potencial do aprendizado de máquina estava nos dados.

A publicação descreve a história da empresa em três capítulos: software de dados de treinamento para quem desenvolve IA; ambientes de aprendizado por reforço, criados após o que Sharma chama de momento ChatGPT, quando os modelos mais capazes começaram a melhorar praticando tarefas reais; e agentes, que a empresa desenvolveu primeiro para uso próprio antes de disponibilizar o sistema aos clientes.

Sharma também escreveu que a Labelbox desenvolve internamente cada camada de sua plataforma: uma estrutura para agentes projetada para agentes de horizonte ultralongo, uma infraestrutura de sandbox que executa milhões de máquinas virtuais, sua própria infraestrutura de pós-treinamento por aprendizado por reforço e uma rede de especialistas com mais de 4 milhões de pessoas.

Ambientes de aprendizado por reforço do Horizon

Segundo a empresa, o sistema WorldSim do Horizon cria empresas simuladas, com código, painéis, planilhas, apresentações e documentos preenchidos com dados empresariais realistas. Nesses ambientes, um modelo tenta executar de ponta a ponta uma tarefa difícil, composta por várias etapas, enquanto cada etapa é registrada como uma trajetória. Verificadores determinísticos avaliam cada trajetória da mesma maneira em todas as execuções e, quando duas trajetórias estão corretas, a preferência de um especialista ensina ao modelo o que Sharma chama de bom gosto. A empresa afirma operar em uma escala de milhares de mundos e milhões de trajetórias avaliadas, ajustadas às metas de pass@k de cada laboratório em programação, uso de computadores, pesquisa, tarefas multimodais e trabalho com voz.

A página do produto Horizon lista áreas que incluem pesquisa autônoma em IA, programação por agentes e engenharia de software, trabalho multimodal com conhecimento, voz com uso agentivo de ferramentas, uso de computadores e cibersegurança. Sharma escreveu que a Labelbox agora trabalha com 90% dos principais laboratórios de IA de ponta e provedores de nuvem em hiperescala.

Recursion Managed Agents

O anúncio do financiamento informa que a Labelbox disponibilizou o Recursion Managed Agents para clientes corporativos no início de outubro de 2026. De acordo com o funcionamento do produto, um Managed Agent recebe um objetivo, um gatilho — como um agendamento, um alerta, uma mensagem no Slack, um webhook ou uma chamada de API — e uma rubrica que define o que é considerado um bom trabalho. Um agente avaliador separado pontua cada execução, item por item, com base na rubrica e aponta as evidências para cada decisão; quando o trabalho não atende aos critérios, o agente o revisa.

Os agentes podem operar em três modos: multiagente, no qual um coordenador encadeia especialistas, cada um com seu próprio modelo, instruções, ferramentas e permissões; equipe, no qual várias instâncias de um agente dividem o trabalho em um quadro compartilhado e verificam os resultados umas das outras; e automático, o modo padrão, no qual o agente decide por conta própria quando uma tarefa precisa de especialistas ou de uma equipe.

Segundo a empresa, os agentes funcionam em mais de 100 aplicativos empresariais e em qualquer servidor MCP. Cada ferramenta tem permissões que definem se ela é somente de leitura, altera dados ou pode causar danos irreversíveis, e as credenciais ficam guardadas em um cofre para que o modelo nunca tenha acesso a elas. As sessões são executadas em sandboxes isolados, e a Labelbox afirma que a plataforma opera sem retenção de dados em todos os provedores de LLM. O programa de conformidade listado pela empresa abrange SOC 2 Type II, GDPR, CCPA, NIST 800-171 e PCI DSS. O preço é cobrado por hora de sessão do agente, com os gastos com computação e modelos combinados em uma única estimativa; clientes corporativos atuais da Labelbox recebem um crédito único de US$ 100.

Ao descrever a implementação interna da empresa em uma publicação sobre o lançamento do produto, datada de 8 de outubro de 2026, a Labelbox escreveu: “A surpresa não foi que os agentes conseguiam fazer o trabalho. Foi a rapidez com que ficaram melhores nisso.” A empresa informa que opera 51 agentes distribuídos por 11 equipes, nas áreas de engenharia de software, confiabilidade, segurança, pesquisa em aprendizado de máquina, avaliações, produto, finanças, vendas, estratégia e compras.

Em um exemplo interno, a Labelbox afirmou que seu agente de revisão de solicitações de pull request realizou 39 avaliações com pontuação usando uma única versão do agente e um único modelo. Entre as 33 avaliações aprovadas pelo avaliador, o custo mediano caiu de US$ 13,15 nas 11 primeiras para US$ 8,90 nas 11 últimas — 32% menos por avaliação —, enquanto a memória do agente foi atualizada 15 vezes e o tempo por avaliação permaneceu em cerca de 27 minutos. De acordo com o mecanismo de memória do produto, quando há cinco novos relatórios de sessão, e no máximo uma vez por hora, um agente curador os lê e atualiza a memória do agente; os clientes podem consultar o que um agente aprendeu e excluir qualquer lição que já não seja válida.