Building One of AI’s Fastest-Growing Companies | Mati Staniszewski, ElevenLabs

Mati Staniszewski é cofundador e CEO da ElevenLabs, empresa de inteligência artificial aplicada a áudio e voz fundada em 2022 ao lado de Piotr Dąbkowski. Em conversa com David Senra, Staniszewski detalha como sua trajetória na Palantir e a experiência de Piotr no Google moldaram a estrutura operacional, a estratégia de produto e a filosofia de pesquisa da ElevenLabs, que opera como um laboratório de modelos de fronteira integrado a uma plataforma unificada de comunicação para empresas e criadores.

Origem, Fundação e Foco em Áudio

Fundação em 2022: A ElevenLabs foi lançada antes da explosão do ChatGPT, em um momento de mercado em que o ecossistema de tecnologia estava amplamente focado em cripto e metaverso, permitindo à equipe trabalhar em inteligência artificial sem o ruído competitivo inicial.
Antecedentes dos fundadores:
- Mati Staniszewski: Formação em matemática; atuou na BlackRock desenvolvendo modelos de risco e, posteriormente, na Palantir, construindo modelos de otimização aplicados à produção (distribuição de vacinas pelo National Health Service [NHS] britânico durante a pandemia de COVID-19 e otimização energética em plataformas no Mar do Norte).
- Piotr Dąbkowski: Cofundador e amigo há mais de 15 anos; atuou no Google trabalhando em modelos de texto para o Knowledge Graph e, anteriormente, em pesquisa acadêmica com modelos visuais.
Frustração original com dublagem na Polônia: O gatilho para o negócio foi a tradição do mercado audiovisual polonês, onde filmes estrangeiros inteiros são narrados por um único dublador (voz monotônica e sem emoção, tanto para personagens masculinos quanto femininos). Ao revisitarem esse problema em 2021, perceberam a oportunidade de quebrar barreiras linguísticas preservando emoção, entonação e timbre original.
Adaptação às necessidades dos criadores: O plano inicial previa uma ferramenta de dublagem completa em três etapas (transcrição, tradução e regeneração de fala). Contudo, a pesquisa disponível na época (inclusive da NVIDIA e repositórios de código aberto) era instável e robótica. Ao consultarem criadores de conteúdo, os fundadores descobriram que a urgência estava em narração direta de roteiros, correção de linhas de áudio em pós-produção e sobreposição de voz sintética de alta fidelidade. A empresa priorizou, então, cruzar o limiar de qualidade natural em text-to-speech (TTS) em 2022 antes de voltar a fechar o ciclo completo de dublagem.

Pesquisa de Fronteira e Estratégia Competitiva

Analogia com a Honda: David Senra traça um paralelo com Soichiro Honda, que definia a Honda como um laboratório focado exclusivamente em motores. Staniszewski valida a analogia: na pesquisa, a ElevenLabs concentra-se unicamente em áudio (modelos de fala, transcrição, localização e orquestração). A empresa só entra em um mercado se o áudio for o gargalo principal e a sua tecnologia proprietária puder oferecer vantagem decisiva.
Decisão sobre vídeo e avatares: Há dois anos, a ElevenLabs evitou desenvolver modelos de avatares com sincronização labial do zero (text-to-video), reconhecendo que a limitação de qualidade estava no vídeo e não no áudio. A estratégia adotada é integrar-se a modelos abertos de vídeo existentes, atuando onde o componente de áudio gera diferenciação real sobre ativos já existentes.
Ecosistema e Voice Marketplace: Como salvaguarda competitiva de longo prazo frente aos grandes laboratórios de IA (hyperscalers), a ElevenLabs construiu um marketplace com mais de 20.000 vozes autenticadas. Usuários e atores de voz monetizam a propriedade de sua voz sintetizada a cada execução na plataforma (como no caso do aplicativo Eleven Reader, onde o dublador de vozes populares, como a voz "George", recebe royalties pelo consumo).

Modelo de Negócios e Implementação Corporativa

Três camadas estruturais: Pesquisa de fronteira $\rightarrow$ Plataforma de comunicação unificada $\rightarrow$ Aplicações e agentes.
Caso de Uso: Deutsche Telekom:
- Marketing: Criação de podcasts automatizados e leitura de resumos diários no aplicativo Magenta.
- Atendimento e Call Center: Agentes de voz com baixa latência integrados aos sistemas legados de CRM e infraestrutura de telefonia (Twilio/SIP Trunking) para suporte a faturamento e dúvidas.
- Operações de rede: Agente embarcado na rede da operadora permitindo que assinantes T-Mobile convidem a IA para traduzir chamadas em tempo real ou agendar compromissos.
Forward Deployed Engineers (FDEs):
- Prática herdada da Palantir: engenheiros que trabalham fisicamente no cliente (por exemplo, na sede da Deutsche Telekom em Bonn) entendendo o fluxo de atendimento, desenhando integrações e validando casos de uso com dados reais.
- Diferenciação estrutural: Na ElevenLabs, os FDEs são alocados diretamente dentro da equipe de Produto, e não em Vendas/Go-To-Market. Sua missão é dupla: resolver o problema do parceiro e abstrair os aprendizados para que se tornem ferramentas genéricas e reutilizáveis no produto principal, acelerando o ciclo de P&D.
Setores em crescimento acelerado: O maior volume de receita atual vem de agentes de conversação e ferramentas criativas. FinTechs (Revolut, Klarna, PagBank, Customers Bank nos EUA) são o setor de adoção mais rápida, seguidas por operadoras de telecomunicações, saúde (como no governo da Polônia para triagem e agendamento de consultas) e varejo/e-commerce.

Gestão Organizacional e IA Nativa

Estrutura organizacional horizontal: Ausência de cargos formais rígidos (no titles), permitindo que a "melhor ideia vença". A organização possui no máximo quatro a cinco camadas hierárquicas entre a base técnica e a liderança executiva.
Amplitude de comando e transparência: Gerentes costumam ter cerca de 10 subordinados diretos. O modelo se sustenta em transparência radical, com documentação acessível a toda a empresa e ferramentas de IA que resumem dados e fluxos de trabalho, permitindo uma gestão proativa em vez de reativa.
Equipes pequenas com engenheiros embarcados: Times de menos de 10 pessoas com alta autonomia. Funções corporativas tradicionalmente não técnicas (Recrutamento, Operações, Jurídico) possuem engenheiros dedicados internos para automatizar tarefas e elevar o uso de IA na operação.
Engenharia de Receita e AISDR: Implementação de agentes de voz nativos no site da empresa para qualificação de leads comerciais (AISDR). Staniszewski relata que prospects que conversam por voz com o agente deixam consideravelmente mais detalhes e informações de negócio do que em formulários tradicionais de preenchimento manual.

Arte, Autenticidade e Aplicações Humanitárias

Gosto e Imperfeição na IA: A busca por uma voz sintética excessivamente polida produzia resultados artificiais. Staniszewski observa que a introdução de hesitações, pausas, respirações e interjeições ("ums", "ahs") elevou drasticamente a aceitação dos agentes de voz, tornando-os perceptivelmente humanos.
Tecnologia para ampliação humana:
- Reconstituição vocal para mais de 10.000 pessoas que perderam a voz por doenças como Esclerose Lateral Amiotrófica (ELA) ou câncer de garganta (permitindo recitar votos de casamento ou retornar a palanques públicos, como uma congressista e um músico em turnê no Reino Unido).
- Caso Tim Green: O ex-jogador da NFL e escritor, diagnosticado com ELA, lançou um podcast utilizando sua voz clonada pela ElevenLabs e venceu um prêmio Emmy em 2024, gerando grande conscientização para o projeto de acessibilidade.

Independência, Visão de Longo Prazo e Interface de Voz

Recusa de aquisições: A ElevenLabs recebeu de 3 a 4 propostas formais de aquisição de grande porte (a última em junho de 2023), mas todas foram recusadas. Staniszewski e seu cofundador, aos 31 anos, defendem que a oportunidade de construir uma empresa independente que defina a camada de comunicação da IA é única na vida e não negociável por dinheiro.
Voz como interface primordial da computação: Staniszewski argumenta que nas últimas décadas a humanidade precisou aprender as linguagens e interfaces dos computadores (teclados, telas, código). Com o avanço dos modelos de inteligência geral, a voz se tornará o principal mecanismo de entrada e saída por ser a interface humana mais natural, integrando compreensão lógica (IQ) e inteligência emocional (EQ).
Uso pragmático de eventos de negócios: Staniszewski participa de duas a três conferências por trimestre, utilizando-as estritamente como ferramentas de tração comercial, pré-agendando reuniões individuais com clientes e parceiros para fechar integrações, em vez de participar passivamente da programação social.