Modal levanta US$ 750 milhões com avaliação de US$ 15,75 bilhões e chega a US$ 1 bilhão de run rate

A Modal, plataforma para executar cargas de trabalho de IA, levantou US$ 750 milhões em uma rodada Series D, com avaliação de US$ 15,75 bilhões post-money. A Accel liderou a rodada. Junto com o anúncio, a empresa afirmou que superou US$ 1 bilhão de annualized run rate: desde a Series C se passaram cinco meses, período em que o uso triplicou, e o crescimento ano a ano foi de mais de 15 vezes. Uma conta simples: a avaliação equivale a cerca de 15,75 vezes o ritmo anual atual de receita. Para uma empresa de infraestrutura com esse crescimento, o número não parece exagerado.

A Kleiner Perkins também participa da rodada. Todos os investidores atuais aportaram de novo: Menlo Ventures, General Catalyst, Redpoint, Lux Capital, Amplify Partners e Bain Capital Ventures. A equipe da Modal tem hoje mais de 200 pessoas em Nova York, São Francisco e Estocolmo.

O que exatamente gera receita

O primeiro produto da Modal foi o Functions: você escreve o código e a plataforma o executa. Ele foi usado para geração de imagens com modelos de difusão, geração de música no Suno, inferência com SGLang e vLLM e treinamento de modelos. Mas o principal motor de crescimento recente é o Sandboxes. O produto foi lançado em 2023, quando ficou claro que muita gente passava a gerar código com LLMs e que esse código precisava ser executado em algum lugar de forma isolada. Hoje ele tem US$ 300 milhões de run rate. A empresa já executou quase 3 bilhões de sandboxes, e o sistema escala até um milhão rodando simultaneamente.

A lista de clientes mostra a variedade de cargas. A DoorDash leva aplicativos internos do experimento à produção. Cognition, Ramp, Linear e Hebbia constroem agentes em segundo plano. A Runway gera vídeo em diferentes regiões. Physical Intelligence, Generalist AI e 1X treinam robôs. Chai Discovery e Achira trabalham no desenvolvimento de medicamentos, e cientistas rodam cálculos na mesma plataforma por meio do Claude Science. À parte, o fundador cita o Jev, da TypeSafe AI: nos três primeiros dias, o produto processou 1 trilhão de tokens na Modal.

Por que reescrever a stack

O argumento do fundador da Modal é este: cada mudança tecnológica cria suas próprias ferramentas. A nuvem trouxe Docker, Kubernetes e Terraform. Com a IA, os pontos de atrito são outros: GPUs são escassas, os modelos são grandes e carregam devagar, e o código escrito por LLMs precisa ser executado de forma isolada. Dá para montar tudo isso na stack antiga, mas o resultado, nas palavras do autor, é "YAML hell" e "GPU procurement purgatory".

Por isso, a Modal abandonou a maior parte das soluções existentes e escreveu do zero o sistema de arquivos, o container runtime, o scheduler e a camada de rede. Por baixo disso há um pool de capacidade de mais de 20 nuvens.

Principais números do anúncio:

• Series D: US$ 750 milhões, avaliação de US$ 15,75 bilhões post-money, rodada liderada pela Accel.
• Annualized run rate: mais de US$ 1 bilhão.
• Crescimento: o uso triplicou em cinco meses, e a receita cresceu mais de 15 vezes em um ano.
• Sandboxes: US$ 300 milhões de run rate, cerca de 3 bilhões de sandboxes executadas, até 1 milhão em paralelo.
• Pool de capacidade: 20+ nuvens.
• Equipe: 200+ pessoas.

O que vem por aí nos produtos

O treinamento multinó já está no ar: um único decorator sobe um cluster com conexão RDMA completa, sem exigir compromisso de reserva de capacidade. A empresa avança para cima na stack e prepara um conjunto de produtos para RL e pós-treinamento. Na parte de inferência, surgiram os Modal servers, para servidores HTTP, e funções para servir LLMs, como o Endpoint Candidates. No Sandboxes, as máquinas virtuais agora estão em disponibilidade geral.

O que as equipes devem considerar

O run rate é uma estimativa da própria empresa e não passou por verificação independente. Ainda assim, a direção é clara: a execução de código gerado está virando uma camada própria de infraestrutura, e não uma função secundária do orquestrador. Equipes que constroem agentes ou pipelines de RL devem comparar o custo de manter uma sandbox própria em Kubernetes com o de um serviço pronto, avaliar como a plataforma se comporta em picos de carga (o caso do Jev, com 1 trilhão de tokens em três dias, é uma boa referência) e planejar com antecedência a portabilidade do código.

A questão da dependência de fornecedor continua em aberto enquanto as APIs de sandbox e os decorators não se tornarem padrão.