Ascensão da Mercor a 20 mil milhões de avaliação revela que o próximo estrangulamento da IA não é a computação

A Mercor começou como uma plataforma de recrutamento que usava IA para conectar contratados a empregos. Em setembro de 2026, estava avaliada em cerca de 20 mil milhões de dólares — o dobro da sua avaliação dez meses antes — e o negócio por trás desse número já quase nada tem a ver com recrutamento. A Mercor agora constrói ambientes de trabalho simulados onde os modelos de IA praticam tarefas e são classificados pelos resultados, e essa mudança é a evidência mais clara até agora de que o verdadeiro estrangulamento da indústria de IA se afastou da computação bruta.

A categoria chama-se "ambientes RL" — ambientes de aprendizagem por reforço — e é onde os laboratórios de ponta agora gastam uma fatia rapidamente crescente dos seus orçamentos de treino. Segundo relatos, a Anthropic discutiu gastar mais de mil milhões de dólares em ambientes só em 2026. A liderança de investigação da OpenAI declarou publicamente que a empresa espera que a computação de aprendizagem por reforço ultrapasse em breve o que gasta em pré-treino.

Da rotulagem de dados à construção de campos de treino

O antigo pipeline de treino de modelos era simples: extrair ou licenciar texto, rotular parte dele e pré-treinar um modelo com o corpus resultante. Esse pipeline ainda existe, mas produz retornos decrescentes para o tipo de comportamento agêntico e multi-etapas que os laboratórios agora querem — escrever código funcional num repositório real, fechar um ciclo contabilístico, negociar um ticket de suporte ao cliente de múltiplas interações até à resolução.

Isso não se aprende a partir de um conjunto de dados estático. É preciso um ambiente simulado onde um modelo possa tomar uma ação, ver uma consequência realista e ser pontuado face a um resultado verificável. Construir esses ambientes — um sistema contabilístico fictício funcional, uma base de código navegável com bugs reais, um simulador de apoio ao cliente de múltiplas interações — é uma disciplina genuinamente diferente da rotulagem de dados, mais próxima de construir um videojogo do que anotar uma folha de cálculo.

Os próprios movimentos de produto da Mercor contam a história. Lançou o APEX-SWE, um ambiente de referência para engenharia de software, em março de 2026. Em julho, associou-se à empresa de gestão de despesas Ramp para lançar o APEX-Accounting. As duas aquisições por trás dessa capacidade — Sepal AI em fevereiro e Deeptune em julho — foram explicitamente compradas para construir músculo de engenharia de ambientes, não para aumentar o quadro de rotulagem.

Por que os ambientes superam economicamente mais dados

A economia explica a avaliação. Um conjunto de dados rotulado é usado uma vez, refinado uma vez, e eventualmente satura — um modelo treinado além de certo ponto nos mesmos exemplos estáticos deixa de melhorar. Um ambiente bem construído é reutilizável e cumulativo: cada nova geração de modelos pode treinar contra ele novamente, e o próprio ambiente pode ser tornado mais difícil à medida que os modelos melhoram, prolongando indefinidamente a sua vida útil.

Essa reutilização explica por que uma empresa que vende ambientes pode cobrar mais por contrato do que uma que vende volumes equivalentes de exemplos rotulados, e por que "engenheiro de ambiente RL" passou de um título que mal existia em 2024 para um dos papéis mais bem pagos e mais difíceis de preencher em IA até 2026.

Três grupos a disputar esta camada

O mercado dividiu-se em três grupos. O primeiro são incumbentes de dados humanos que viraram fortemente para ambientes — Mercor, Surge AI (com receitas reportadas de cerca de 1,2 mil milhões de dólares), Scale AI, Turing e Centific. O segundo são startups nativas de ambientes que nunca fizeram rotulagem de dados tradicional: Mechanize, Fleet AI, HUD, Veris AI, Plato e Bespoke Labs. O terceiro são ecossistemas abertos e descentralizados como o Prime Intellect.

O que isto significa na prática

Para engenheiros: a engenharia de ambientes é agora uma especialidade distinta e bem remunerada que vale a pena aprender deliberadamente. Para compradores empresariais que avaliam as afirmações de um fornecedor de IA sobre um fluxo de trabalho específico, a pergunta útil já não é "quantos dados treinaram" mas "que ambiente construíram para verificar este comportamento, e quão próximo está do meu fluxo de trabalho real". Para fundadores em espaços adjacentes, a camada de ambientes ainda é jovem o suficiente para que ambientes específicos de domínio para verticais mal servidas permaneçam território aberto.

A história da computação não terminou. Mas para a próxima geração de modelos, a restrição vinculativa parece cada vez mais ser se os laboratórios têm uma versão simulada do mundo real suficientemente boa para treinar contra ela — e quem controla as melhores cópias dessa simulação.