A startup americana de inteligência artificial Aaru promete antecipar as decisões dos consumidores com grande precisão e com muito mais antecedência do que as tradicionais pesquisas de mercado. Para demonstrar a eficiência de seu modelo preditivo a potenciais clientes, os executivos da empresa recorrem a uma estratégia em que o modelo adivinha informações que o próprio cliente já tem em mãos.
A Aaru surgiu em 2024. À época, seus dois principais fundadores mal haviam saídos da adolescência, com 19 e 18 anos, enquanto o terceiro fundador e CTO tinha 15 anos. Segundo um perfil publicado pelo Wall Street Journal, o pai precisou assinar a documentação para o registro da companhia, uma vez que o garoto ainda não tinha a idade mínima exigida. Avaliada em US$ 1 bilhão em uma rodada de investimentos no final do ano passado, a Aaru segue a tendência de empresas de tecnologia que buscam personalizar informações e análises de acordo com as especificidades de cada cliente, entregando resultados mais precisos do que os oferecidos pelos LLMs de uso geral.
Clientes globais e simulações
Com sede hoje em Tribeca, a Aaru já conquistou clientes como Coca-Cola, McDonald’s, Comcast e Omnicom Group, além da consultoria EY, que decidiu se aliar a ela. A EY testou o modelo da startup reproduzindo uma pesquisa global que ouviu 3.600 high net worth individuals, obtendo resultados mais precisos e concluídos em menos tempo. Em vez de recorrer a pesquisas qualitativas com focus groups, a Aaru simula as reações de públicos específicos criando pessoas fictícias por meio de milhares de agentes de AI que reproduzem o comportamento humano.
Cameron Fink, o CEO da Aaru, e Ned Koh, o presidente, ficaram amigos na Lake Forest Academy, em Illinois. Ambos ingressaram na universidade – Fink em Dartmouth, Koh em Harvard – mas decidiram concentrar os esforços na criação do negócio antes de começarem as aulas. O nome Aaru vem da denominação dada ao Paraíso na mitologia egípcia. Segundo a Vanity Fair, eles tiveram a ideia durante um período sabático e captaram US$ 7,5 milhões para iniciar o negócio, recrutando depois John Kessler, então com 15 anos, como CTO e cofundador.
Origens e evolução dos modelos
Cameron é filho de Nicholas Fink, o CEO da Constellation Brands. O pai afirma que não foi consultado sobre os projetos e que o filho nunca lhe pediu dinheiro. Inicialmente, a startup investiu em modelos para antecipar resultados eleitorais, chegando perto do resultado efetivo, mas a empresa errou em 2024 ao prever a vitória de Kamala Harris contra Donald Trump. A Aaru usou o episódio como aprendizado e mudou de rumo para prever o comportamento de consumidores após sugestão de David Burwick, ex-CEO da Boston Beer e um dos primeiros investidores da startup.
Segundo o PitchBook, o cap table reúne 16 nomes, incluindo Redpoint Ventures, Comcast NBCUniversal Lift Labs, General Catalyst e Accenture Ventures. A Aaru busca antecipar tendências de mercado, identificar categorias de produtos atraentes para determinados segmentos e avaliar mudanças de hábitos diante de cenários como variações de preços.
“O que fazemos é prever o comportamento humano. Ajudamos a entender a composição de qualquer população ao redor do mundo e as decisões que ela toma – em quais campanhas de marketing as pessoas vão clicar ou quais linhas de metrô vão utilizar,” disse Cam Fink em entrevista a um podcast da Goldman Sachs.
Segundo Fink, os LLMs sozinhos não conseguem compreender o comportamento humano com a profundidade necessária. Ned Koh afirmou no mesmo podcast que o segredo do rápido crescimento da Aaru é ajudar clientes a tomar decisões em menos tempo e com maior precisão.
De acordo com Fink, os modelos utilizam três grandes grupos de dados: informações públicas, bases de dados adquiridas e informações proprietárias obtidas por parceria. “Praticamente todos os economistas – tanto os que trabalham com ciência comportamental quanto os de outras áreas afins – sempre sonharam em construir um modelo fundamentado em resultados,” afirmou Koh. “O objetivo é eliminar a maior quantidade possível de vieses. A ‘mágica’ não está nos dados em si, mas na capacidade de nosso modelo processar elementos que, isoladamente, seriam inúteis.”
