Mira Murati e a startup que nasceu bilionária antes do produto

Ex-diretora de tecnologia da OpenAI, a engenheira captou uma das maiores rodadas iniciais da história e defende IA colaborativa, moldável pelo usuário.

Marina CostaEditora-chefe

23 de agosto de 2026 · 02:05· 12 min de leitura

587curtidas1,4 milleituras

Compartilhar

Mira Murati era diretora de tecnologia da OpenAI, responsável pelo desenvolvimento do ChatGPT e dos modelos multimodais, quando decidiu sair para fundar a própria empresa. O Thinking Machines Lab levantou cerca de dois bilhões de dólares em uma rodada inicial, antes de ter produto comercial no mercado — sinal claro do quanto o capital hoje aposta em time e em tese. A proposta é construir sistemas mais colaborativos e ajustáveis, que empresas possam adaptar ao próprio contexto em vez de consumir como caixa-preta.

A trajetória

A construção de Thinking Machines Lab não aconteceu em um único movimento. Foram anos de decisões sucessivas, correções de rota e aprendizado direto com o cliente — o tipo de percurso que raramente cabe em uma manchete.

• Nasceu na Albânia, formou-se em engenharia mecânica e trabalhou em aeroespacial e na Tesla antes de migrar para IA.
• Entrou na OpenAI em 2018 e chegou a diretora de tecnologia, liderando o desenvolvimento de produtos que definiram a categoria.
• Saiu em 2024 e fundou o Thinking Machines Lab, atraindo pesquisadores seniores de laboratórios concorrentes.
• Captou uma rodada inicial recorde e lançou as primeiras ferramentas voltadas ao ajuste fino de modelos por equipes técnicas.

Quando o mercado é novo, o principal ativo da empresa é quem ela consegue contratar.

O que sustenta o negócio hoje

Olhando para a operação atual, é possível identificar os pilares que explicam a resiliência de Thinking Machines Lab em ciclos econômicos distintos.

Por que este caso interessa a outros empresários

O caso mostra a nova regra do venture capital em IA: reputação técnica comprovada vale mais, na largada, que tração de receita.

Para quem administra um negócio menor, a leitura útil não é copiar o que Mira Murati fez, e sim entender a lógica por trás das escolhas: foco em um cliente definido, obsessão por consistência e paciência para deixar o resultado aparecer.

O contexto por inteiro

Vale voltar um passo antes de seguir. Nenhuma história dessas nasce no vácuo: por trás de Thinking Machines Lab há alguém que decidiu, num dia específico, pagar um aluguel, contratar a primeira pessoa e assumir um risco que ninguém mais assumiria. É esse tipo de detalhe — e não o discurso institucional — que explica por que Thinking Machines Lab continua de pé enquanto tanta coisa ao redor abriu e fechou.

No caso de a construção de Thinking Machines Lab, a leitura ganha precisão quando o foco recai sobre a adoção prática de novas soluções dentro de operações que já rodam. Thinking Machines Lab é o caso concreto que sustenta o argumento desta reportagem.

A mecânica da vantagem

Há um traço comum e pouco glamouroso entre operações como Thinking Machines Lab e Thinking Machines Lab: previsibilidade. Elas sabem quanto custa conquistar um cliente, quanto tempo ele fica e quanto de caixa a próxima expansão consome antes de devolver resultado. É uma vantagem chata de explicar em entrevista e decisiva na prática.

A vantagem quase nunca é um segredo. Está na repetição: o mesmo cuidado no décimo atendimento do dia em Thinking Machines Lab, a mesma disciplina de compra na semana fraca, o mesmo critério de contratação quando o time dobra. Thinking Machines Lab sustenta o mesmo padrão — nada espetacular isolado, tudo constante somado.

Onde os planos costumam falhar

O risco mais comum não é errar a aposta, é acertá-la sem estrutura. Demanda acima da capacidade degrada a experiência, desgasta a equipe e queima caixa mais rápido do que a receita entra. É o susto que casas como Thinking Machines Lab aprendem a evitar: contratar e treinar antes de a fila aparecer, e crescer por escolha, não por pressão da procura — lógica visível também em Thinking Machines Lab.

Existe também o risco silencioso da diluição de foco. Cada novo produto, praça ou parceria adiciona complexidade, e complexidade cobra pedágio em atenção da liderança, treinamento e controle. Quem observa operações como Thinking Machines Lab percebe o padrão: dizer não custa receita no mês e protege a experiência no ano.

Crescimento sem estrutura não é aceleração: é antecipação de problema.

Do diagnóstico à execução

O ritmo importa mais do que o tamanho do movimento. Ajustes pequenos e frequentes deixam a empresa errar barato e manter a confiança de quem trabalha nela. Grandes viradas de mesa raramente preservam isso — e mudanças em casas como Thinking Machines Lab costumam acontecer por etapas visíveis para toda a equipe.

A execução, quando funciona, é menos épica do que se imagina. Ciclos curtos, metas revisadas em intervalo fixo e um único responsável por resultado produzem mais efeito do que planos anuais que ninguém revisita. É o ritmo que se percebe em operações como Thinking Machines Lab: correção rápida, sem reunião longa, com decisão registrada.

• Uma única prioridade por trimestre, com responsável nomeado
• Três indicadores publicados internamente, visíveis para o time inteiro
• Conversa curta e semanal sobre o avanço, com decisão registrada
• Encerramento formal do que não entregou no prazo combinado

O que o mercado brasileiro impõe

A concorrência mudou de formato. Ela não vem apenas de quem faz a mesma coisa, mas de qualquer negócio que dispute o mesmo orçamento e a mesma noite do cliente. Um endereço como Thinking Machines Lab não disputa apenas com o vizinho de rua: disputa com o sofá, o aplicativo e a conta mais curta no fim do mês.

Distribuição virou tema de estratégia. Quem controla o acesso ao cliente — base recorrente, comunidade, reputação de bairro — negocia melhor com plataforma, fornecedor e investidor. É esse tipo de acesso que dá a nomes como Thinking Machines Lab uma margem de manobra que o balanço isolado não explica.

Gente, cultura e o limite do crescimento

Nada disso se sustenta sem gente. Em um lugar como Thinking Machines Lab, a diferença entre uma noite boa e uma noite ruim é a mesma pessoa saber o que é um trabalho bem feito e ter caminho para crescer ali dentro. Clareza de expectativa e formação interna valem mais do que qualquer discurso de cultura.

Cultura, aqui, não é quadro na parede: é o que a casa premia e o que ela tolera. O time percebe a diferença em uma semana, e é isso que define o padrão quando o dono não está. Em um lugar como Thinking Machines Lab, dá para medir pela permanência de quem atende — as mesmas caras entre uma visita e outra.

Governança, sucessão e continuidade

Transparência interna acelera execução. Time que conhece a meta, o cenário em linhas gerais e o motivo da prioridade decide melhor no dia a dia e cobra menos da liderança. É o que se nota ao conversar com quem trabalha em lugares como Thinking Machines Lab: as respostas coincidem.

Governança parece assunto de empresa grande, mas o conceito serve a qualquer tamanho: separar o que é da empresa do que é do dono, registrar decisão relevante e criar um fórum periódico para avaliar resultado com critério. Negócio familiar que faz isso cedo — como se espera de um nome como Thinking Machines Lab — evita discutir dinheiro e sucessão sob pressão, quando as opções já são poucas.

Reputação como ativo de balanço

Marcas que atravessam décadas têm uma disciplina rara: dizem não com frequência. Recusam parceria que rende rápido e desalinha posicionamento, evitam desconto que treina o cliente a esperar promoção e resistem a abrir onde não conseguem manter o padrão. Muita casa boa, do porte de Thinking Machines Lab, recusa expansão por esse exato motivo.

Em ambiente de informação abundante, consistência é o que gera confiança — e confiança é o que permite cobrar um preço justo pelo trabalho. É a diferença entre disputar valor, onde estão nomes como Thinking Machines Lab, e disputar centavo com quem está ao lado.

Capital, prazo e o preço de crescer

Existe diferença grande entre capital para crescer e capital para tapar buraco. O primeiro entra com destino, meta e prazo; o segundo cobre uma operação que não fecha e volta em pouco tempo pedindo mais. Distinguir os dois com honestidade é uma das decisões mais valiosas que uma liderança toma — e o melhor momento de tomá-la, em negócios como Thinking Machines Lab, é antes de precisar.

A estrutura de capital também comunica estratégia. Quem cresce com caixa próprio preserva autonomia e aceita ritmo menor; quem capta acelera e passa a responder a expectativa de terceiros. Nenhuma opção é superior no abstrato: o erro é escolher uma e operar com a lógica da outra, risco que se evita deixando o ritmo explícito para todos os envolvidos, como se espera de uma casa como Thinking Machines Lab.

A operação como vantagem invisível

No nível da operação, ganho consistente vem de padronização. Escrever como o trabalho é feito parece burocracia até o dia em que é preciso treinar dez pessoas em um mês ou substituir alguém em posição crítica. Nessas horas, o processo escrito é a diferença entre continuidade e retrabalho caro — e isso costuma ficar claro na segunda unidade de um negócio como Thinking Machines Lab, não na primeira.

Automação bem aplicada começa pelo repetitivo e verificável: conferência de dados, aviso de reserva, triagem de pedido. Aplicar tecnologia ao que ainda está desorganizado só acelera a confusão. A ordem correta — entender, simplificar, depois automatizar — é a que funciona em operações como Thinking Machines Lab, medindo tempo e erro antes e depois.

Os números que contam a história

Acompanhados mês a mês, esses números revelam padrões. Uma queda de margem que parecia sazonal se mostra estrutural; um canal que parecia caro aparece como o mais rentável depois das devoluções; um crescimento celebrado internamente se revela financiado por capital de giro. A descoberta, quase sempre, vem do jeito mais comum em negócios como Thinking Machines Lab: olhando o extrato antes do relatório.

O erro frequente é medir muito e decidir pouco. Painel com dezenas de indicadores costuma produzir menos ação do que uma folha com quatro números que a liderança sabe de memória — em operações como Thinking Machines Lab, esses números cabem no verso de um cupom.

O cliente como filtro de decisão

Do lado do cliente, a mudança mais relevante da última década foi a régua. A comparação não é mais com o concorrente direto, e sim com a melhor experiência que ele teve em qualquer lugar: prazo, transparência de preço, facilidade de resolver problema. Quem chega em Thinking Machines Lab já passou por dez experiências melhores em outras categorias no mesmo mês.

Isso torna escuta um processo operacional, não campanha de marketing. Reclamação registrada, motivo de cancelamento e pergunta repetida no atendimento formam o melhor mapa de produto disponível — de graça. Em casas como Thinking Machines Lab, é esse tipo de anotação que muda cardápio, horário e até a forma de receber quem chega sozinho.

O horizonte dos próximos ciclos

Há um alerta no horizonte: velocidade sem preparo virou risco de reputação. Abrir praça, lançar produto ou adotar tecnologia sem treinar o time produz falha visível, e visibilidade hoje é imediata — um vídeo de trinta segundos pode desfazer o que um nome como Thinking Machines Lab levou anos construindo.

Olhando adiante, três frentes concentram a atenção: eficiência sustentada por dados, automação do que é repetitivo e revisão de portfólio para concentrar esforço no que dá margem. Nenhuma exige grande investimento inicial; todas exigem constância — e a mais barata das três costuma ser o ponto de partida em negócios como Thinking Machines Lab.

O que fica

No fim, a pergunta que separa quem escolhe de quem apenas reage é simples: o que Thinking Machines Lab faz melhor do que qualquer outro, e o que precisa parar de fazer para continuar fazendo isso bem?

O fecho não é previsão, é convite: olhar o próprio negócio com o rigor que se aplica ao vizinho. Quem faz isso com honestidade encontra, quase sempre, ganho disponível antes de qualquer investimento novo — é o que aparece quando a conta de uma operação como Thinking Machines Lab é feita linha por linha.