A DeepInfra anunciou em 4 de maio que levantou US$ 107 milhões em uma rodada Série B. O valor não é o maior do setor de infraestrutura de IA, mas a lista de investidores chama atenção.
A rodada foi liderada pela 500 Global, com participação de Nvidia Corp., Samsung Next, Supermicro, A.Capital, Felicis, Peak6, Upper90 e Georges Harik, um dos primeiros engenheiros do Google.
A Nvidia investir diretamente em uma startup independente de "nuvem de inferência" seria algo raro há poucos anos. Naquele momento, a inferência era absorvida principalmente pelas grandes nuvens. Em 2026, a Nvidia começa a colocar dinheiro em uma camada independente de infraestrutura de inferência, sinal de que essa camada já se separou como mercado próprio.
Onde a DeepInfra chegou
O CEO da DeepInfra, Nikola Borisov, resumiu a mudança na própria divulgação:
"Inference is no longer a thin layer - it's the system constraint that will define the majority of workloads."
Em termos simples, a inferência deixou de ser uma camada fina de API. Ela está virando o gargalo de sistema que definirá boa parte das próximas cargas de trabalho.
- Mais de 190 modelos de IA abertos são suportados, incluindo Llama, Qwen, DeepSeek e Mistral.
- Mais de 30% do throughput de tokens vem de cargas de agentes, isto é, autonomous agents, não chat comum.
- Oito data centers nos Estados Unidos rodam infraestrutura própria de GPU com a plataforma de inferência distribuída Nvidia Dynamo.
- A combinação de GPUs inclui Blackwell e Vera Rubin. Vera Rubin começou a produção em volume neste ano, o que torna a relação com a Nvidia difícil de ignorar.
- A empresa também afirma processar 5 trilhões de tokens por semana, ter aumentado o volume de tokens em 25 vezes desde a Série A e triplicado a receita desde o início de 2026.
O número de 30% é o mais importante. Fluxos de agentes são diferentes de chatbots. Uma única tarefa pode chamar cem ferramentas e executar dezenas de requisições de API. É uma carga sempre ativa, não algo que começa apenas quando o usuário digita uma frase. As nuvens tradicionais não foram desenhadas para esse perfil: modelos de cobrança, hipóteses de cold start e algoritmos de agendamento foram pensados para interação humana.
Por que ter GPUs próprias virou vantagem
O centro dessa rodada é simples: a DeepInfra não aluga GPUs da AWS; ela compra e opera sua própria capacidade.
Nos últimos anos, o padrão para rodar inferência de IA era alugar serviços de GPU da AWS, GCP ou Azure. O problema é que essas três empresas também vendem suas próprias APIs de modelos, com preços altos e latência de cold start. Together, Fireworks, Groq e DeepInfra cresceram juntas nos últimos dois anos porque atacaram essa distorção.
A DeepInfra diz ter alcançado uma melhora de 20 vezes na eficiência de custo. É um número que precisa de contexto, porque depende muito da comparação. Mas para equipes que rodam modelos abertos em alto volume, como produtos com milhões de usuários ativos mensais, migrar para uma nuvem de inferência especializada pode frequentemente cortar a conta em mais da metade.
Como está o mercado de nuvem de inferência
| Empresa | Característica |
|---|---|
| Together AI | Plataforma full-stack com alternativa própria ao CUDA |
| Fireworks AI | Forte ligação com o ecossistema Hugging Face |
| Groq | Chips LPU dedicados, alvo de atenção da Nvidia e da AMD |
| Cerebras | Chips wafer-scale gigantes e caminho para o mercado público |
| DeepInfra | Oito data centers próprios, mais de 190 modelos abertos e foco em agentes |
A DeepInfra não tem a avaliação mais chamativa do grupo, mas seu posicionamento é claro: infraestrutura de inferência para modelos abertos. Ela não atua como intermediária de modelos fechados nem disputa a camada de modelos. A comparação mais próxima é a Together, com uma diferença importante: a DeepInfra mantém controle mais direto do stack, da GPU ao agendamento e à API.
Agentes são a aposta real
A frase de Borisov sobre inferência como restrição de sistema não é apenas marketing.
Quando fluxos de agentes se tornam comuns, cada usuário pode disparar dezenas de inferências por minuto nos bastidores. Cursor escrevendo código, Claude Code alterando arquivos ou Agentforce da Salesforce processando chamados têm um perfil de carga muito diferente de um diálogo no estilo ChatGPT, em que o usuário pergunta uma vez e o modelo responde uma vez.
Quem conseguir manter baixa a latência p99, controlar custos e ainda oferecer retenção zero de dados nesse cenário terá vantagem para fechar contratos corporativos.
Na narrativa desta nova rodada, a DeepInfra usa "agentic workloads" com mais frequência do que antes. No próximo ano, esse mercado será menos sobre quem tem o catálogo de modelos mais amplo e mais sobre quem consegue sustentar uma infraestrutura onde milhares de agentes chamam inferência ao mesmo tempo.
A decisão da Nvidia de investir sugere que ela acredita que esse momento está realmente chegando.
Fontes: DeepInfra Closes $107M Series B to Power Production-Scale AI Inference (GlobeNewswire); Deepinfra lands $107M in funding to build out its dedicated inference cloud for open-source models (SiliconANGLE); CocoLoop; DeepInfra Raises $107M Series B to Scale Inference Infrastructure (DeepInfra Blog)