Mercor chega a US$ 10 bilhões contratando especialistas para ensinar IA a fazer trabalho de escritório

A Mercor, de São Francisco, construiu seu negócio sobre um paradoxo: a empresa contrata profissionais qualificados para ensinar a IA a fazer o próprio trabalho deles. Com essa abordagem, a startup, fundada por empreendedores que largaram a faculdade, chegou a uma avaliação de US$ 10 bilhões e virou um player de destaque na corrida pela automação do trabalho de escritório.

Como funciona a abordagem

Para automatizar tarefas de colarinho branco, não basta dar ao modelo acesso à internet, a documentos e à correspondência corporativa. São necessários exemplos reais de como os especialistas tomam decisões, definem prioridades, corrigem erros e levam uma tarefa até o resultado.

Nesse esquema, a Mercor atua como ponte entre humano e máquina: a empresa paga trabalhadores altamente qualificados para transmitir habilidades práticas que antes ficavam dentro da profissão e quase não eram formalizadas.

Na prática, a startup transforma a expertise humana em um circuito de treinamento para a IA. Se um modelo precisa fazer trabalho de escritório em processos reais, e não em demonstrações, ele precisa não só de respostas corretas, mas também da lógica de ação correta. Por isso, o valor aqui não está no "treinamento de rede neural" abstrato, mas na coleta em massa de padrões profissionais de qualidade: como analisar uma tarefa, quais exceções notar, onde rechecar conclusões e como formatar o resultado para que ele seja utilizável na empresa. Essa camada de conhecimento pode ser escalada, atualizada e retreinada com novos casos.

Por que a Mercor decolou

Para os investidores, esse modelo parece claro e escalável. A Mercor não vende só mais um assistente de IA, mas opera em um nível mais caro e ambicioso: tenta transformar o trabalho especializado em um sistema repetível para automatizar funções de colarinho branco.

A história dos fundadores também aumenta o interesse: a startup foi criada por ex-estudantes que abandonaram a faculdade e, em pouco tempo, levaram a empresa a uma avaliação de US$ 10 bilhões. Nesse mercado, isso é lido como um sinal: a demanda por automatizar o trabalho intelectual já é grande o bastante para justificar apostas enormes. Na prática, a Mercor não vende a promessa de um futuro distante, mas a infraestrutura para acelerá-lo já.

• O acesso a profissionais vira matéria-prima para treinar modelos
• Cenários reais de trabalho podem virar dados, e dados viram produto
• O foco em tarefas de escritório abre um mercado maior que o dos chatbots de massa
• Quanto mais fielmente a IA copia a expertise de um especialista, mais visível é o efeito econômico para o negócio

Quem isso preocupa

O ponto mais incômodo da história é que as pessoas, na prática, ajudam a criar ferramentas que, com o tempo, podem reduzir a demanda por suas próprias habilidades. Para o empregador, isso parece racional: primeiro pagar um especialista para transmitir conhecimento e depois usar o modelo onde antes era preciso uma pessoa.

Para os próprios especialistas, o quadro é mais complexo. Por ora, esses projetos geram renda e demanda por competências, mas ao mesmo tempo empurram o mercado para que parte do trabalho intelectual se torne padronizada, mensurável e, portanto, mais fácil de automatizar.

Ainda assim, nem todo trabalho de escritório vai desaparecer com a mesma rapidez. Onde são necessários responsabilidade, contexto, confiança do cliente, negociação ou decisões fora do padrão, o humano mantém uma posição forte. Mas as partes rotineiras do trabalho de colarinho branco — preparação de materiais-padrão, análise inicial, estruturação de informações, operações repetitivas dentro dos processos — são cada vez mais vistas como área adequada para a IA. A Mercor aposta justamente nessa camada de transição entre o especialista humano e a máquina que aprende a reproduzir suas ações úteis.

O que isso significa

A Mercor mostra para onde se desloca o centro da corrida da IA: das demonstrações vistosas para a captura sistemática de conhecimento profissional. Se essa abordagem funcionar em escala, o principal ativo não serão os modelos em si, mas o acesso a pessoas capazes de transformar seu trabalho em um conjunto de decisões, regras e ações compreensível para a IA.