Runable capta US$ 21 milhões e aposta no "amadurecimento" do negócio: agente de IA passa do lançamento de projetos à sua promoção

20 setembro 202627 visualizações

A startup de Bengaluru captou financiamento liderado pela Susquehanna Venture Capital e pela Nexus Venture Partners com uma avaliação de US$ 65 milhões — o dinheiro será usado para que o agente não apenas monte sites e aplicativos sob demanda, mas também traga clientes: veicule anúncios, gerencie redes sociais, cuide de SEO e da otimização para aparecer nos resultados de chatbots de IA. Nos últimos três meses, os usuários processaram mais de um trilhão de tokens pela plataforma, e cerca de dois terços desse volume vieram de clientes pagantes.

Runable capta US$ 21 milhões e aposta no "amadurecimento" do negócio: agente de IA passa do lançamento de projetos à sua promoção

Negócio: US$ 21 milhões, avaliação de US$ 65 milhões

A startup de Bengaluru Runable levantou US$ 21 milhões em uma rodada Série A. A rodada foi co-liderada pela Susquehanna Venture Capital e pela Nexus Venture Partners, com a participação de fundos que já estavam no capital — Together Fund e Array VC. Trata-se de financiamento primário puramente em equity: não há instrumentos de dívida no negócio, e a avaliação da empresa após o investimento chegou a US$ 65 milhões. Os detalhes foram compartilhados pelo cofundador e CEO Umesh Kumar — em conversa com o TechCrunch (matéria de Jagmeet Singh, 26 de agosto de 2026).

A empresa é bem jovem: fundada em 2025, sede em Bengaluru, equipe inteira de 15 pessoas. O produto é voltado para pequenos negócios, ou seja, pessoas que não têm departamento de desenvolvimento, nem equipe de marketing, nem tempo para lidar com construtores de sites.

De scraper de navegador a agente universal

Não começou como um construtor de landing pages. Kumar e o cofundador Saksham Sarda construíram um produto de infraestrutura — uma tecnologia de navegador que permitia coletar dados da web em massa. O pivô aconteceu naturalmente: os fundadores notaram que os usuários pediam algo completamente diferente a um agente de navegador — montar uma apresentação, fazer um site, preparar conteúdo. Assim, o desenvolvimento de infraestrutura se transformou em um agente universal.

O efeito econômico foi rápido. Os pagamentos foram lançados em março e, apenas três semanas depois, a Runable atingiu um run rate anual de US$ 2 milhões. Para um projeto que até ontem vendia tecnologia, e não resultado, é uma mudança de trajetória bastante acentuada — e, a julgar pela nova rodada, os investidores acreditaram que ela é sustentável.

De "fazer" para "promover"

Hoje o agente é capaz de criar sites, aplicativos, apresentações e outros conteúdos a partir de um pedido em linguagem natural. Ele também assume parte da infraestrutura básica: deploy, analytics. Mas a principal aposta da nova rodada não é o lançamento, e sim o crescimento.

A empresa está expandindo o agente na direção da chamada parte "grow" do negócio: lançamento de campanhas publicitárias, gestão de redes sociais, SEO e — o mais interessante — otimização da presença do negócio nas respostas de chatbots de IA. A ideia é que o dono de um pequeno negócio não precise montar peça por peça o site, o analytics, as contas de anúncios e as ferramentas de marketing, mas simplesmente peça para trazer um determinado número de clientes.

A lógica de Kumar pode ser resumida a uma pergunta simples: se um empreendedor paga dez mil dólares a uma agência para gerenciar anúncios no Google, não seria possível obter o mesmo resultado mais barato? É exatamente nessa interseção que a Runable quer lucrar. Ele mesmo formula a posição de forma mais dura: o dono do negócio não precisa de uma ferramenta para escrever código, mas de um resultado mensurável.

Público e métricas

Segundo Kumar, a Runable tem cerca de 1,7 milhão de usuários registrados. Os maiores mercados são Estados Unidos, Reino Unido e Japão, sendo que a frente japonesa cresce tão rápido que já no próximo mês pode se tornar líder junto com a americana. Há usuários também no Brasil, mas a empresa está deliberadamente deslocando o foco para os três primeiros mercados.

Já o que fica de fora: Kumar se recusou a divulgar a receita atual e o número de clientes pagantes. Entre os números indiretos, ele citou outro dado — nos últimos 90 dias, os usuários consumiram mais de 1 trilhão de tokens, e cerca de 60–70% desse volume veio de clientes pagantes. Isso já diz mais sobre o produto do que o número de cadastros: as pessoas não estão apenas testando o agente, mas rodando tarefas reais por meio dele.

Economia: margem negativa e aposta na inferência barata

Essa intensidade de uso custa dinheiro. Kumar admite abertamente: a margem bruta da Runable atualmente é negativa, inclusive porque a startup subsidia o funcionamento da IA para seus clientes. É a clássica história de produtos agênticos em crescimento — há receita, mas ela ainda não cobre a conta da inferência.

A aposta aqui é em duas coisas. Primeira: a empresa trabalha com um conjunto de modelos de terceiros e, em paralelo, desenvolve o próprio, para reduzir a dependência de preços alheios. Segunda: o barateamento da inferência ao longo do tempo. Kumar estima o potencial de melhoria da economia como uma redução de custo de quase dez vezes, mantendo a mesma qualidade de respostas.

Concorrência: gigantes e plataformas de coding

O mercado em que a Runable entrou está cada vez mais apertado. Nele entram os gigantes de modelos — Anthropic e OpenAI —, e ao lado atuam plataformas de desenvolvimento: Cursor, Lovable e Replit. Qualquer uma delas pode adicionar funções agênticas, e então a vantagem dos players de nicho começará a se diluir.

O principal desafio, na prática, é exatamente esse: se destacar diante de empresas cujos modelos você mesmo usa. O argumento de Kumar não é o modelo, mas o volume de trabalho ao redor dele. A Runable assume a infraestrutura, o analytics e a distribuição, para que o usuário não precise colar cinco serviços em um único processo. O modelo em si deixa de ser o produto — o produto passa a ser a tarefa concluída.

Para quem a Runable não é concorrente

Kumar não tenta superar os agentes de coding no próprio jogo deles — e fala isso abertamente. Para um desenvolvedor que trabalha com arquivos locais e passa a maior parte do tempo escrevendo código, é mais provável que OpenAI Codex ou Anthropic Claude Code sejam mais adequados. É outro cenário de uso e outro usuário.

O público-alvo da Runable são donos de pequenos negócios não técnicos, para quem importa não o processo, mas o negócio funcionando no final. Kumar aponta como concorrentes mais próximos os agentes universais Manus e Genspark — ou seja, produtos da mesma categoria, e não ferramentas de desenvolvedor.

Teste do TechCrunch: o que o agente fez e onde tropeçou

Os jornalistas fizeram um teste prático com o agente: um negócio fictício de assinatura de café, com a tarefa de montar e fazer o deploy de um site, configurar o analytics e trazer os primeiros 100 visitantes com um orçamento de anúncios de US$ 25. A Runable criou o site e preparou a campanha publicitária, mas não a lançou: primeiro, segundo ele, é preciso conectar uma conta de anúncios.

Um teste semelhante com o Cursor esbarrou em parte das mesmas limitações — a campanha foi preparada, mas foram necessários acesso à conta de anúncios e um método de pagamento, e para a hospedagem contínua do site foi preciso um serviço de terceiros. A diferença é que a Runable fechou mais infraestrutura dentro da própria plataforma. Mas a conta de anúncios externa ainda foi necessária antes que o orçamento pudesse ser gasto.

A empresa reagiu a essa observação: a possibilidade de lançar anúncios sem conectar contas de clientes atualmente funciona para anúncios no ChatGPT. A startup tem parcerias que garantem isso, mas se recusou a nomear os parceiros, descrevendo a relação como uma "cunha suave" — uma forma de entrar na tarefa pelo lado onde a barreira é menor.

O que isso significa

A rodada de US$ 21 milhões com avaliação de US$ 65 milhões é uma aposta não em "mais um construtor de sites", mas na mudança do ponto de entrada do produto. Se antes o pequeno negócio comprava ferramentas e montava um processo a partir delas, agora a Runable propõe comprar o resultado: não o site, não a campanha, não o relatório, mas os clientes.

O ponto fraco desse modelo é visível a olho nu — a economia. Margem bruta negativa com 1 trilhão de tokens consumidos significa que o crescimento ainda é pago pelos investidores, e não pelos clientes. A segunda vulnerabilidade é a dependência de modelos alheios e de plataformas de anúncios alheias, cada uma das quais tem suas próprias ambições agênticas. Vencerá quem transformar mais rápido o subsídio em margem e provar que leva a tarefa até o fim, e não até a metade do caminho.

Perguntas mais frequentes

Materiais semelhantes

Todos os materiais
A confirmação de candidatos é mais cara do que a sua geração: iscas contra a busca de vulnerabilidades por LLM
Notícias

A confirmação de candidatos é mais cara do que a sua geração: iscas contra a busca de vulnerabilidades por LLM

O trabalho analisa a assimetria de custos na busca agentiva por defeitos: gerar variantes é barato, mas confirmá-las por meio de análise de alcançabilidade, execução e PoC exige a maior parte do orçamento; por isso, a verificação pode tornar-se um alvo de defesa por si só. O RedHerring proposto — iscas adaptadas ao repositório, com certificado selado — reduziu, com custos iguais, o número de vulnerabilidades reais encontradas em 38,7–60,4% em 33 projetos do OSS-Fuzz; mesmo após alertar o agente, a redução manteve-se em 37,2%.

9 novembro 2026
Verificação de alucinações em LLMs com uma representação SQL das fontes, sem ajuste fino
Notícias

Verificação de alucinações em LLMs com uma representação SQL das fontes, sem ajuste fino

Este trabalho avalia se uma LLM consegue recorrer a uma competência simbólica básica — construir uma base de dados SQL a partir de documentos de origem — para fundamentar as respostas nas fontes sem supervisão na deteção de alucinações. No RAGTruth e no DiaHalu, este pipeline neuro-simbólico revela-se mais preciso do que a previsão direta e comparável aos métodos mais avançados, sem exigir afinação específica ao domínio.

9 novembro 2026
MathAdv: o que esconde a precisão final das provas geradas por máquina
Notícias

MathAdv: o que esconde a precisão final das provas geradas por máquina

Um conjunto de tarefas de diagnóstico em 13 áreas da matemática de nível universitário e de pós-graduação avalia sistemas de demonstração automática em Lean 4 não só pelo resultado final, mas também pelo domínio da matéria, pela qualidade do raciocínio informal e pela robustez perante reformulações das condições. A análise por componente mostra que traduzir um problema para uma forma formal continua a ser o principal obstáculo, e que o sucesso depende muito da área da matemática e da forma como o problema é formulado.

9 novembro 2026
Runable capta US$ 21 milhões e aposta no "amadurecimento" do negócio: agente de IA passa do lançamento de projetos à sua promoção