River AI, do cofundador da xAI, capta US$ 1,1 bilhão dois meses após estreia

A River AI, startup fundada por Igor Babuschkin, cofundador da xAI, anunciou na terça-feira (11) a captação de US$ 1,1 bilhão somando as rodadas Series Seed e Series A — dois meses depois de sair do modo stealth.

A rodada foi liderada por General Catalyst e AMP PBC, com aportes estratégicos de Nvidia e AMD Ventures e participação de Y Combinator e do fundo singapurense Temasek. O valuation não foi divulgado. Trata-se de uma das maiores rodadas early-stage do ano — e de uma das maiores já levantadas por uma empresa com apenas dois meses de vida pública.

Babuschkin trabalhou com modelagem generativa e aprendizado por reforço no Google DeepMind, liderou esforços de treinamento em larga escala na OpenAI e cofundou a xAI antes de abrir a River AI. A empresa fica em Palo Alto, na Califórnia, e tem cerca de vinte funcionários.

O primeiro produto, a River API, está no ar desde a estreia pública, em 10 de junho. É um serviço de treinamento de modelos de pesos abertos que oferece fine-tuning via LoRA e aprendizado por reforço sobre modelos como Qwen3.6, Kimi K2.6 e GLM 5.2, com cobrança por milhão de tokens tanto no treinamento quanto na inferência — e não pela tradicional hora de GPU. No Qwen3.6, de 35 bilhões de parâmetros, o preço parte de US$ 1 por milhão de tokens. A empresa afirma que uma execução completa de aprendizado por reforço leva de quinze a vinte minutos, sem exigir equipe de infraestrutura, a um custo duas a quatro vezes menor que o de alternativas proprietárias.

O plano de longo prazo é mais ambicioso: reconstruir a pilha de IA — do treinamento aos modelos, produto e hardware — em torno de agentes pessoais que pertençam aos usuários, em vez de inteligência alugada de poucos laboratórios. "A IA deve ser aberta, acessível e barata. Deve parecer que trabalha para quem a usa, não para o laboratório que a treinou", disse Babuschkin. O roadmap inclui servidores para rodar IA aberta em hardware próprio e um assistente digital multiplataforma que o usuário pode retreinar e modificar, mantendo os dados fora de nuvens de terceiros.

Por que importa

Para desenvolvedores e empresas brasileiras, a cobrança por token derruba uma barreira concreta: ajustar um modelo aberto com dados próprios hoje costuma exigir reservar clusters de GPU e montar infraestrutura dedicada, mesmo para experimentos curtos. Com preço de entrada de US$ 1 por milhão de tokens, o fine-tuning passa a caber no orçamento de equipes pequenas. Treinar sobre dados próprios sem enviá-los a laboratórios fechados também interessa a setores regulados no Brasil, como bancos e saúde, pressionados pela LGPD. E o aporte simultâneo de Nvidia e AMD Ventures — rivais diretas em chips de IA — indica que o ecossistema de modelos abertos virou prioridade também para quem fabrica o hardware.

O contexto

A River AI saiu do stealth em 10 de junho de 2026 já com a River API em operação. A velocidade da captação repete um padrão recente do setor: somas bilionárias indo para startups recém-criadas por ex-pesquisadores dos grandes laboratórios, antes de qualquer receita relevante — como ocorreu com a Safe Superintelligence, de Ilya Sutskever, e a Thinking Machines Lab, de Mira Murati. Há ainda uma camada geopolítica: os modelos abertos mais usados na plataforma, como Qwen (Alibaba), Kimi (Moonshot AI) e GLM (Zhipu AI), são chineses. Hemant Taneja, CEO da General Catalyst, afirmou que a liderança americana em IA passa também pelos modelos abertos, sem abrir mão do avanço nos fechados.