CADDi chega a 1,2 bilhão de dólares resolvendo o problema que ninguém havia digitalizado bem
Há um problema que qualquer diretor de operações da indústria manufatureira reconhece imediatamente: sua empresa compra a mesma peça, de fornecedores diferentes, a preços diferentes, sem saber que já a comprou antes. Não porque os engenheiros sejam descuidados. Mas porque o conhecimento sobre o que foi comprado, por que aquele fornecedor foi escolhido e quais defeitos aquela peça teve vive em arquivos CAD dispersos, em sistemas ERP que não se comunicam entre si e, sobretudo, na cabeça de um engenheiro com trinta anos de experiência que se aposenta no próximo trimestre.
A CADDi, uma startup com sede em Tóquio e Chicago, identificou esse ponto de ruptura há oito anos e construiu software para atacá-lo. Esta semana, a empresa fechou uma rodada Série D de 114 milhões de dólares que a avalia em 1,2 bilhão de dólares, mais do dobro dos 470 milhões reportados em março de 2025. O total acumulado de financiamento chega a 234 milhões de dólares.
O que torna este caso interessante não é o número em si. É a pergunta de fundo que esse número responde: em que momento exato uma empresa de software para manufatura deixa de ser um nicho e se torna infraestrutura?
O conhecimento que não está em nenhum servidor
O ponto de partida da CADDi foi honestamente modesto. Seu primeiro produto, o CADDi Drawer, fazia uma única coisa: ingeria plantas técnicas e pesquisava na base de dados do cliente se já existia uma peça igual ou semelhante. A proposta era concreta: antes de solicitar uma nova cotação, o sistema mostrava se a peça já estava em estoque, qual fornecedor a havia fabricado e qual havia sido sua taxa de defeitos.
Esse nível de especificidade não é trivial. Resolvê-lo exige que o software entenda desenhos técnicos e arquivos CAD, não texto. E aí reside a diferença técnica que Yushiro Kato, fundador e CEO da empresa, apontou diretamente: "Nunca vi ninguém usar modelos de linguagem para fazer revisões de design, porque eles não entendem plantas nem arquivos CAD." A CADDi usa um modelo de IA próprio para dados de produto como desenhos e arquivos CAD, e modelos de linguagem de propósito geral apenas para documentos e planilhas. A distinção importa porque marca o limite entre um chatbot com contexto manufatureiro e um sistema capaz de ler a geometria de uma peça.
O que a empresa construiu a partir desse produto inicial é o que justifica a avaliação atual. O catálogo agora inclui o CADDi Explorer, que substitui o Drawer original, e o CADDi Agent, um agente de IA que auxilia na tomada de decisões sobre padronização de peças e na avaliação de como uma mudança de design impacta o desempenho e a segurança. A isso se somam seis produtos de fluxo de trabalho voltados a tarefas específicas, entre eles o CADDi Design Review, que detecta erros potenciais em novas plantas comparando-as com problemas históricos de peças semelhantes.
A arquitetura do conjunto forma o que a CADDi chama de "plataforma de dados de IA para manufatura": um sistema que integra arquivos CAD, ERP e até sistemas de recursos humanos, e estrutura essas informações para que tanto pessoas quanto agentes de IA possam utilizá-las operacionalmente. A ambição é ser a camada de inteligência sobre a qual se tomam decisões de design, compras, qualidade e execução — não um módulo adicional do ERP.
Kato sustenta que mais de 80% do conhecimento sobre os processos de manufatura nunca é registrado em nenhum sistema. Ele vive na memória dos trabalhadores experientes. Quando essa pessoa vai embora, o conhecimento vai junto. Isso não é uma hipótese filosófica: é uma fricção operacional que se mede em redesenhos desnecessários, em ciclos de prototipagem que se repetem por problemas já resolvidos há uma década e em fornecedores selecionados sem informação sobre seu histórico real de qualidade.
O que a lista de investidores indica sobre o mercado em disputa
A composição do grupo que participou da Série D merece mais atenção do que o número total. Oito investidores, novos e existentes, se somaram: Moore Strategic Ventures, Coreline Ventures, Woven Capital (o fundo de crescimento da Toyota), Salesforce Ventures, HR Tech Fund (o braço de investimento corporativo da Recruit Holdings no Japão), além dos já existentes Atomico, Globis Capital Partners e os fundos JPS Growth geridos por uma subsidiária do Japan Post Bank.
A Woven Capital, o fundo da Toyota, não investe em tecnologia genérica. Investe em apostas que afetam diretamente a cadeia de produção automotiva. Sua participação em uma empresa que promete reduzir os ciclos de revisão de design e capturar o conhecimento tácito de engenheiros veteranos não é uma aposta financeira passiva; é um sinal de que um fabricante de automóveis com décadas de processos sedimentados enxerga na CADDi uma ferramenta capaz de modificar sua velocidade de desenvolvimento de produto.
A Salesforce Ventures, por sua vez, enquadra o investimento com precisão: a manufatura é um dos maiores setores que ainda não possui uma plataforma de IA que defina a categoria. Essa afirmação tem consequências estratégicas claras. Significa que há espaço para que alguém ocupe a posição que a Salesforce ocupa em vendas, ou a SAP em gestão empresarial, mas no nível de inteligência sobre dados de engenharia manufatureira. Quem ocupar essa posição primeiro terá vantagens de retenção muito difíceis de reverter, porque os dados históricos de design e qualidade que se acumulam na plataforma se tornam ativos próprios do cliente vinculados ao sistema.
Isso coloca em cena um cenário de captura progressiva. Não por cláusulas contratuais, mas porque migrar para outro sistema significa perder o histórico estruturado de revisões, fornecedores, defeitos e decisões de design que a CADDi foi acumulando. Para um fabricante automotivo que carrega essas informações há dez anos, o custo de troca não é o preço de uma licença; é a perda de memória institucional digitalizada.
O crescimento de mais do dobro ano a ano em vendas, combinado com presença em 22 países e mais da metade dos 100 maiores fabricantes do Japão entre os clientes, sugere que a empresa já passou a fase de validação inicial em seu mercado doméstico. A questão agora é se consegue replicar essa penetração na América do Norte, onde a concorrência pelo orçamento tecnológico dos fabricantes é mais fragmentada e o poder dos ERPs incumbentes, mais consolidado.
O gargalo físico como tese de investimento
Kato tem uma forma de enquadrar o problema que se revela mais útil do que a maioria dos discursos de startup. Ele o chama de "o gargalo físico". A ideia é direta: a IA pode gerar teorias, designs e análises a uma velocidade sem precedentes, mas se o processo de levar um produto do desenho à produção em série continuar levando quatro anos, o ganho de velocidade cognitiva se dilui contra a fricção do mundo físico.
Um automóvel típico passa por aproximadamente 20 ciclos de revisão de design entre o planejamento e a chegada ao mercado. Muitos desses ciclos existem porque os problemas não são detectados até o protótipo físico. A CADDi aposta que, se for possível conduzir mais dessas etapas em paralelo e detectar erros antes por meio do conhecimento acumulado de engenheiros veteranos, o ciclo total se comprime. Seu objetivo declarado é reduzir esse processo de quatro anos para quatro ou cinco meses até 2035, o que implicaria uma aceleração de dez vezes na inovação física.
Esse número pode soar ambicioso a ponto de ser irrelevante para uma análise de curto prazo. Mas sua função estratégica é outra: define o espaço de valor que a CADDi está reivindicando perante seus clientes, investidores e potenciais concorrentes. Não é uma empresa que otimiza uma etapa do processo. É uma empresa que afirma ser capaz de mudar a velocidade com que o mundo físico responde à inteligência digital.
A credibilidade dessa tese depende de algo que Kato reconheceu sem rodeios como o obstáculo mais difícil: a gestão da mudança. Convencer um engenheiro com vinte anos de experiência a registrar seu critério em um sistema, ou a mudar a forma como conduz revisões de design, não se resolve com uma boa interface. Por isso a CADDi emprega mais de 100 pessoas de sucesso do cliente, mais do que sua força de vendas, e começou a contratar engenheiros alocados em campo que trabalham dentro das organizações clientes para garantir que a adoção se traduza em impacto mensurável. O produto vende; a adoção operacional se instala.
Essa decisão de investir mais em retenção e adoção do que em aquisição reflete um modelo de negócio que aposta no aumento do valor por cliente ao longo do tempo. Cada nova planta carregada, cada decisão de fornecedor registrada e cada revisão de design documentada torna o sistema mais útil para aquele cliente específico. A acumulação de dados próprios é a forma mais tangível de diferenciação que uma plataforma desse tipo pode construir, e também é a razão pela qual o crescimento do quadro de funcionários de 600 para 900 pessoas em menos de dois anos se concentra nesse tipo de perfil.
A manufatura não se captura de fora; se captura por dentro
O dinheiro da Série D tem destinos declarados: expansão do catálogo de produtos, construção de modelos de IA específicos para arquivos CAD em 3D e plantas 2D, expansão global com foco na América do Norte e contratação de pessoal. Esses quatro vetores são consistentes entre si. Aprimorar os modelos de IA proprietários amplia a vantagem técnica sobre concorrentes que dependem de modelos de linguagem gerais. Expandir-se na América do Norte antes que um concorrente bem capitalizado ocupe esse espaço reduz o custo de aquisição futuro. Contratar mais profissionais de sucesso do cliente garante que a expansão não gere churn por adoção malsucedida.
O que não aparece nessa lista — e vale notar — é qualquer menção à redução de custos operacionais ou à automação do próprio processo de implementação. Isso diz algo sobre o estado atual do negócio: ainda é intensivo em talento humano no lado da entrega, o que é coerente com a dificuldade que Kato reconheceu para a gestão da mudança. A empresa ainda não encontrou, ou não decidiu apostar em, uma forma de escalar a adoção sem escalar o time de implementação na mesma proporção.
Esse é o ponto de tensão mais interessante na trajetória que a CADDi tem pela frente. Se conseguir codificar conhecimento suficiente sobre como a implementação bem-sucedida funciona em diferentes tipos de fabricantes, poderá reduzir essa dependência de talento próprio. Se não conseguir, o crescimento terá um teto operacional definido por quantas pessoas consegue contratar e reter em sucesso do cliente, e não pela demanda do mercado.
A avaliação de 1,2 bilhão de dólares desconta que esse problema será resolvido. Os dados atuais de crescimento e penetração sugerem que a empresa tem tempo e capital suficientes para trabalhar nisso antes que se torne um problema estrutural. Mas essa margem não é indefinida, e a expansão na América do Norte — onde os ciclos de venda empresarial são mais longos e a concorrência por orçamento, mais intensa — a estreita. A CADDi já demonstrou que o problema que resolve é real e que os fabricantes pagam para resolvê-lo. O que vem a seguir exige escalar sem que a complexidade de implementação cresça no mesmo ritmo que o número de clientes.
