Deccan AI capta US$ 25 milhões no mercado de rotulagem de dados com foco em especialistas na Índia

Deccan AI fechou uma rodada de financiamento de $25 milhões, se posicionando como um player sistêmico no mercado de rotulação de dados para treinamento de modelos de IA. A empresa é um concorrente direto da Mercor — uma das principais plataformas no segmento de talent para treinamento de IA — e constrói sua vantagem competitiva em um modelo organizacional fundamentalmente diferente: não um marketplace distribuído de freelancers, mas equipes gerenciadas de especialistas concentrados na Índia. O mercado em que Deccan AI opera está passando por um crescimento explosivo, mas sofre com um problema sistêmico.

A demanda por serviços de treinamento de modelos de IA está crescendo a cada trimestre: os maiores laboratórios — OpenAI, Anthropic, Google DeepMind, Meta AI — aumentam continuamente os volumes de anotações RLHF, formação de conjuntos de treinamento, red-teaming e avaliação de segurança dos modelos. De acordo com várias previsões de agências analíticas, até 2028 o tamanho do mercado de dados de treinamento de IA excederá $10 bilhões. Ao mesmo tempo, a indústria sofre cronicamente de um problema de qualidade: a grande maioria dos fornecedores trabalha através de plataformas de crowdsourcing com controle mínimo, o que sistematicamente leva a baixa qualidade de anotações, resultados inconsistentes e, como consequência, degradação da qualidade dos modelos treinados.

É exatamente aqui que Deccan AI enxerga seu ponto de crescimento. Diferentemente dos concorrentes que agregam freelancers de dezenas de países através de uma plataforma única, a startup constrói equipes gerenciadas diretamente na Índia. Os funcionários passam por treinamento especializado conforme os requisitos de clientes específicos, trabalham em um ambiente estruturado com controle de qualidade em múltiplos níveis, e os processos operacionais podem ser padronizados de uma forma que é impossível com terceirização descentralizada.

Esse modelo permite garantir uniformidade de resultados em escala — um requisito fundamental para grandes laboratórios de IA que não podem se permitir variabilidade nos dados de treinamento. A escolha da Índia como hub operacional não é acidental nem nova, mas Deccan AI tem argumentos específicos a seu favor. O país conta com uma das maiores concentrações mundiais de profissionais tecnicamente qualificados — são produzidos anualmente mais de um milhão de graduados em engenharia e IT.

O nível de proficiência em inglês é significativamente superior ao de outras regiões populares de terceirização, o que é crítico para trabalhar com dados textuais. Os custos de mão de obra permanecem uma ordem de magnitude inferior aos mercados ocidentais. Scale AI, Surge AI e vários outros líderes do setor seguem o mesmo caminho, mas a maioria deles aposta em escala através de um agregador de plataforma.

Deccan AI conscientemente escolhe menor escala, mas maior qualidade e previsibilidade. O ambiente competitivo está se tornando cada vez mais intenso. Mercor está se expandindo agressivamente além da contratação de engenheiros em direção ao treinamento de IA.

Provedores tradicionais — Appen, Lionbridge, Telus International — estão ativamente reorientando seus portfólios para as necessidades de IA generativa. Os próprios grandes laboratórios estão investindo em suas próprias equipes internas de anotadores, buscando reduzir a dependência de parceiros externos. Nessa dinâmica competitiva, Deccan AI terá que constantemente provar que um modelo premium com equipes gerenciadas entrega ROI real em comparação com plataformas de crowdsourcing baratas.

Os $25 milhões captados permitirão à empresa acelerar a contratação de especialistas na Índia, expandir sua base de clientes entre laboratórios de IA e startups tecnológicas, e investir em suas próprias ferramentas de controle de qualidade, automação de workflow e análise de produtividade das equipes. Essa rodada se encaixa em uma tendência de investimento mais ampla: o capital de risco está se movendo cada vez mais para a camada de infraestrutura da indústria de IA — não para os próprios modelos de fronteira, mas para o que garante seu funcionamento confiável. Dados de treinamento de alta qualidade, anotadores RLHF e avaliadores humanos estão se tornando um recurso estrategicamente escasso em torno do qual está se desenrolando competição crescente.

O crowdsourcing descentralizado com demanda por qualidade sistêmica não consegue atender. Uma equipe gerenciada, estruturada e geograficamente concentrada consegue.