Financiamento
TL;DR
: Gimlet Labs levantou US$ 80 milhões em financiamento da Série A liderado pela Menlo Ventures para sua plataforma de inferência de IA multi-silício. Tecnologia: O software da startup divide as cargas de trabalho de IA em chips da NVIDIA, AMD, Intel e outros, alegando velocidades de inferência de 3x a 10x. Tração: Gimlet foi lançado com receitas de 8 dígitos em outubro de 2025 e desde então triplicou sua base de clientes em laboratórios de IA de ponta. Contexto do mercado: Os gastos com data centers deverão atingir quase US$ 7 trilhões até 2030, com as atuais taxas de utilização de hardware em apenas 15 a 30 por cento.
A Gimlet Labs anunciou em 23 de março que arrecadou US$ 80 milhões em financiamento Série A para software que divide cargas de trabalho de IA entre chips da NVIDIA, AMD, Intel e outros simultaneamente. A startup afirma acelerar a inferência de 3x a 10x com o mesmo custo e potência. Menlo Ventures liderou a rodada, com a participação de Factory, Eclipse Ventures, Prosperity7 e Triatomic. Liderada pelo professor adjunto de Stanford e empreendedor em série Zain Asgar, a startup chama sua plataforma de nuvem de inferência multi-silício. Em vez de restringir os clientes a um único fornecedor de chip, o software mapeia automaticamente as cargas de trabalho dos agentes para chips adequados, sem exigir que os desenvolvedores reescrevam seu código.
De acordo com Asgar, os aplicativos de IA atualmente usam hardware implantado apenas 15 a 30% do tempo, deixando centenas de bilhões de dólares em computação ociosos. Como resultado, o Gimlet foi criado para preencher essa lacuna de utilização, roteando cada fase de uma carga de trabalho de IA para qualquer processador disponível que a lide com a maior eficiência, independentemente do fornecedor.
“Outra maneira de pensar sobre isso: você está desperdiçando centenas de bilhões de dólares porque está apenas deixando recursos ociosos. Nosso objetivo era basicamente tentar descobrir como você pode fazer com que as cargas de trabalho de IA sejam 10 vezes mais eficientes do que nunca, hoje.”
Zain Asgar, CEO e cofundador da Gimlet Labs (via TechCrunch)
Como funciona a inferência multi-silício
Diferentes estágios de inferência de IA impõem diferentes demandas ao hardware. “O pré-preenchimento está vinculado à computação; a decodificação está vinculada à memória; e as chamadas de ferramentas estão vinculadas à rede”, escreveu Tim Tully, sócio da Menlo Ventures, no blog de investimentos da empresa. Uma única arquitetura de GPU não pode otimizar todos os três simultaneamente, e é por isso que os data centers atuais deixam tanta capacidade subutilizada.
Com base nesta análise, a tese de Tully é que a diversidade de hardware já existe em toda a indústria, mas o que falta é uma camada de abstração de software capaz de coordená-la. Menlo descreveu a visão de Gimlet como a construção da primeira nuvem de computação e inferência multi-silício, que implanta GPUs tradicionais junto com silício centrado em SRAM, desenvolvido especificamente para cargas de trabalho com uso intensivo de memória, extraindo valor do hardware pelo qual as operadoras já pagaram. Operações de pré-preenchimento pesadas em computação vão para GPUs, tarefas de decodificação com uso intensivo de memória são executadas em chips de alta largura de banda e chamadas de ferramentas vinculadas à rede são roteadas para aceleradores de baixa latência.
O Gimlet funciona dividindo cargas de trabalho em sistemas de múltiplas gerações e de vários fornecedores, permitindo que a inferência herde as características de desempenho e custo do melhor hardware possível para cada tarefa. (Fonte: MENLO Ventures)
Os ganhos de desempenho se estendem especificamente a modelos de fronteira muito grandes, que impõem demandas desiguais entre diferentes tipos de hardware. Ao combinar cada estágio com o silício certo, a Gimlet afirma oferecer uma melhoria de ordem de magnitude no desempenho por watt para clientes que operam em grande escala.
Os parceiros de hardware anunciados pela Gimlet incluem NVIDIA, AMD, Intel, ARM, Cerebras e d-Matrix, garantindo que a camada de orquestração funcione no silício de cada fornecedor. Enquanto isso, a d-Matrix, especializada em computação de inferência na memória para data centers, anunciou em conjunto com a Gimlet que sua pilha combinada oferece melhorias de velocidade de 10x com ganhos notáveis de eficiência de energia para cargas de trabalho de IA de ponta. Tully enquadrou a oportunidade geral em termos contundentes: “a frota multi-silício está pronta, só falta a camada de software para fazê-la funcionar”. Seu mercado-alvo são grandes laboratórios de modelos de IA e operadores de data center, em vez de desenvolvedores de aplicativos em geral.
De forma mais ampla, Asgar descreveu a abordagem como uma solução para um gargalo fundamental: a velocidade da inteligência tornou-se a restrição, e o hardware heterogêneo é o que desbloqueia o próximo salto no desempenho para casos de uso como agentes de codificação. As cargas de trabalho agênticas agravam o desafio porque encadeiam múltiplas chamadas de inferência, invocações de ferramentas e recuperações de memória em uma única sessão, criando padrões de demanda que nenhum tipo de chip pode atender com eficiência.
Detalhes de tração e financiamento
Gimlet Labs lançado com receitas de 8 dígitos em outubro de 2025, um marco incomum para uma empresa emergindo do sigilo. Nos cinco meses desde então, de acordo com o comunicado à imprensa, triplicou o número de clientes em laboratórios fronteiriços. A Gimlet agora conta com um dos três principais laboratórios de fronteira e um dos três principais hiperescaladores globais entre seus clientes, dois dos ambientes de carga de trabalho de IA de maior volume do setor.
No entanto, conseguir um laboratório de ponta e um hiperescalador de ponta dentro de cinco meses após o lançamento representa tração empresarial no nível mais alto da indústria de IA. Essas contas validam a capacidade da plataforma de operar em uma escala onde mesmo pequenos ganhos de eficiência se traduzem em centenas de milhões em economias anuais em infraestrutura.
Asgar disse que recebeu “um grande enxame de financiamento” após o lançamento em outubro. Menlo Ventures liderou a Série A, com Factory, Eclipse Ventures, Prosperity7 e Triatomic também participando, de acordo com Anúncio de financiamento da Série A da Gimlet.
De acordo com o anúncio de outubro de 2025 da empresa, Gimlet já havia levantado uma rodada inicial de US$ 12 milhões liderada por Fábrica, elevando o financiamento total para US$ 92 milhões. Gimlet emprega atualmente 30 pessoas, uma equipe enxuta para os padrões de suas ambições e perfil de cliente.
Além disso, os investidores anjos sinalizam conexões profundas com a indústria: os patrocinadores incluem Bill Coughran da Sequoia, o professor de Stanford Nick McKeown, o ex-CEO da VMware Raghu Raghuram e o CEO da Intel Lip-Bu Tan. Ter um CEO ativo da Intel entre seus patrocinadores é notável para uma empresa cuja proposta depende do roteamento de cargas de trabalho entre arquiteturas de chips concorrentes. Além disso, Prosperity7, o braço de risco da Saudi Aramco, acrescenta uma dimensão de riqueza soberana que reflete o crescente interesse do Oriente Médio em investimentos em infraestrutura de IA. Tanto um executivo de uma empresa de chips como um fundo soberano que apoia a mesma startup sublinham quão amplamente a tese do multi-silício repercute em diferentes categorias de investidores estratégicos.
A escala do problema de inferência
A convicção do investidor baseia-se na escala concreta do mercado. De acordo com a McKinsey, os gastos com data centers chegarão a quase US$ 7 trilhões até 2030, informou o TechCrunch, se a tendência atual de implantação de mais hardware continuar. De acordo com comunicado à imprensa, só em 2026 a indústria está se preparando para gastar US$ 650 bilhões em CapEx de datacenters de IA, enquanto o volume de inferência já atingiu quatrilhões de tokens por mês e ainda está crescendo.
Nessa escala de implantação de capital, os ganhos de eficiência da camada de software tornam-se desproporcionalmente valiosos em comparação com atualizações incrementais de hardware. Neste contexto, as baixas taxas de utilização de hardware que Asgar identificou representam uma ineficiência estrutural no valor de centenas de milhares de milhões de dólares, uma ineficiência que a aquisição de hardware de um único fornecedor por si só não consegue resolver. A aposta de Gimlet é que uma camada de software que unifique as frotas heterogêneas existentes possa extrair muito mais valor da infraestrutura já existente.
Sachin Katti, que anteriormente atuou como diretor de tecnologia e diretor de IA da Intel, afirma diretamente:
“A indústria está atingindo os limites da infraestrutura de IA homogênea, verticalmente integrada e de tamanho único. fontes.”
Sachin Katti, ex-diretor de tecnologia e IA da Intel (via relatório de cargas de trabalho agênticas do Gimlet)
Resta saber se o Gimlet pode cumprir suas reivindicações de desempenho de 3x a 10x em escala. ser comprovado em uma base de clientes mais ampla. No entanto, a equipe fundadora traz credenciais relevantes.
De acordo com a empresa, Asgar foi anteriormente arquiteto de GPU na NVIDIA e líder de engenharia no Google AI, o que lhe deu experiência em primeira mão no projeto e implantação das arquiteturas de silício que sua empresa agora orquestra além das fronteiras dos fornecedores. Antes da Gimlet, os cofundadores trabalharam juntos na Pixie, uma ferramenta de observabilidade Kubernetes de código aberto adquirida pela New Relic em dezembro de 2020, apenas dois meses após uma Série A de US$ 9 milhões liderada pela Benchmark.
A rápida aquisição demonstrou a capacidade da equipe de construir software de infraestrutura que grandes empresas adotam rapidamente e em escala de produção. Ao lado de Asgar, os cofundadores Michelle Nguyen, Omid Azizi e Natalie Serrino trazem profundidade de engenharia e sistemas que abrange toda a pilha de infraestrutura moderna de IA.
