Inside fal’s $1.65B Series E & F Led by Sequoia & Bessemer

Burkay Gür (cofundador e CEO) e Gorkem Yurtseven (cofundador e CTO) são os criadores da fal, plataforma de infraestrutura de computação em nuvem focada em modelos de mídia generativa (imagem, vídeo, áudio e 3D). Em conversa com Molly O'Shea no podcast Sourcery, gravada no restaurante Dalida em San Francisco, os fundadores detalham a evolução da empresa após a captação combinada de US$ 1,65 bilhão nas rodadas Series E (liderada pela Sequoia Capital) e Series F (liderada pela Bessemer Venture Partners), explicando a tese de negócios que sustenta a empresa, a economia do hardware de IA e a estrutura operacional interna.

Os 3 Product-Market Fits da IA e a Demanda por Mídia Generativa

Burkay Gür argumenta que, no estágio atual do mercado de inteligência artificial, existem apenas três áreas com verdadeiro Product-Market Fit (PMF):

Busca e Chatbots de Consumo: representados pelo ChatGPT, Google Gemini e Perplexity;
Agentes de Código (Coding Agents): onde desenvolvedores individuais chegam a gastar entre US$ 10.000 e US$ 20.000 por mês em subscrições de modelos para acelerar o desenvolvimento de software;
Mídia Generativa: o único outro segmento com padrão de gasto individual comparável. Profissionais em estúdios de cinema, publicidade ou agências nativas de IA passam o dia gerando variações de vídeo e imagem, acumulando faturas mensais de US$ 10.000 a US$ 20.000 por assento.

Segundo Gür, a receita da fal reflete essa intensidade de uso. Inicialmente, a plataforma era dominada por modelos de imagem. Quando o vídeo emergiu, a receita de vídeo saltou de 0% para cerca de 70% do faturamento da empresa, levando os fundadores a acreditarem momentaneamente que modelos de imagem estariam obsoletos por demandarem pouca computação. Contudo, o surgimento de modelos de edição de imagem revitalizou o setor: criadores passaram a usar edição de imagem para desenhar quadros-chave (keyframes) e modelos de vídeo apenas para interpolar o movimento entre eles. Atualmente, o faturamento da fal divide-se exatamente em 50% imagem e 50% vídeo.

A Dinâmica de Preços de Vídeo e o Mercado Publicitário

Ao longo de 2024, modelos como Kling e MiniMax precificavam a geração de vídeos em cerca de US$ 0,30 a US$ 0,40 por clipe de 5 segundos. Quando o Google lançou o Veo 2, o custo saltou para cerca de US$ 5,00 por vídeo de 5 segundos — um aumento de mais de 10 vezes.

Elasticidade e Demanda Infinita: Contrariando o receio de que o preço inviabilizaria o uso, a demanda explodiu. O salto na fidelidade visual desbloqueou casos de uso comerciais e corporativos que antes descartavam IA devido a artefatos visuais.
Equação de Custo Exponencial: Gerar vídeos mais longos ou em maior resolução não escala linearmente. O mecanismo de atenção durante o tempo de inferência (inference time) e a contagem de pixels crescem exponencialmente com a resolução e duração. Enquanto os melhores modelos atuais geram de 10 a 12 segundos (com novas versões alcançando 30 segundos), a meta de vídeo contínuo em alta definição e tempo real exigirá ordens de magnitude a mais de computação.
Publicidade Automatizada (UGC Ads): Gür e Yurtseven apontam que anúncios no estilo UGC (User-Generated Content) para plataformas como TikTok e Instagram são o caso de uso comercial mais imediato. Comerciais eficazes não dependem de uma tomada contínua de 60 segundos, mas de cortes rápidos de 3 a 5 segundos. A tese da fal é que sistemas automatizados com aprendizado por reforço (reinforcement learning) gerarão centenas de variações de ganchos (hooks), miniaturas e ângulos, ajustando a distribuição em tempo real com base nos dados de conversão.

Origem da fal e o Pivot para Mídia Generativa

Fundada em 2021, a fal nasceu com uma tese inspirada em empresas como Snowflake e Databricks: grandes empresas de infraestrutura de dados constroem valor ao controlar a camada de computação elástica. A ideia inicial era criar a infraestrutura de computação em nuvem para pipelines de Python e Machine Learning tradicional. Após um ano de operação, a empresa registrava faturamento zero.

Com o lançamento do DALL-E, Stable Diffusion e ChatGPT, e a posterior liberação do Llama pela Meta, os fundadores enfrentaram uma encruzilhada estratégica:

Evitar a Guerra de Preços em LLMs: Vários provedores de inferência de modelos de linguagem estavam vendendo tokens a margens negativas. Com uma equipe de apenas 5 a 6 pessoas e recursos limitados, a fal decidiu não entrar nessa disputa predatória.
Foco em Imagem e Otimização de Inferência: A fal redirecionou seus motores de execução em Python para acelerar a inferência de modelos de difusão de imagem em GPUs, reduzindo a latência drasticamente. A resposta dos desenvolvedores gerou tração imediata de receita.
Criação do Termo "Generative Media": Percebendo que o perfil de comprador e a natureza das cargas de trabalho de mídia diferiam totalmente de texto/LLMs, a empresa adotou o termo Generative Media cerca de três anos atrás.

Estrutura Organizacional: "Super ICs" e Hierarquia Rasa

Com cerca de 150 funcionários, a fal opera com uma estrutura que possui no máximo dois níveis de reporte hierárquico do topo à base, sem gerentes de engenharia tradicionais.

Definição de "Super IC" (Super Individual Contributor): Líderes técnicos de altíssimo nível que mantêm atuação prática no código (hands-on) e, ao mesmo tempo, guiam equipes de 5 a 10 engenheiros. As equipes se formam organicamente ao redor dessas lideranças magnéticas.
Engenheiros com Autonomia de Negócio (Agency): Devido à velocidade de substituição de modelos de IA pelos clientes, a fal exige que engenheiros de software tomem decisões de produto e negócios diretamente em contato com os clientes, algo incomum em big techs.
Alavancagem via Coding Agents: Yurtseven estima que a equipe de engenharia da fal é 3 a 4 vezes mais rápida graças ao uso intensivo de agentes de código e LLMs internamente, operando com um quarto do contingente que seria necessário na era pré-IA.
Cultura de Contratação: Inspirada na experiência de Burkay na Coinbase em 2016 (onde candidatos faziam um teste técnico sobre cripto no Reddit para filtrar entusiastas genuínos), a fal busca fanáticos por mídia generativa. O processo de seleção utiliza "venda reversa" (reverse selling), alertando sobre períodos de pressão intensa (60 a 80 horas semanais em momentos críticos), ao mesmo tempo em que preserva finais de semana para descanso e busca pessoas com baixa vaidade (humility).

O Gargalo de Computação e o Papel no Ecossistema

Burkay e Gorkem explicam que a fal atua como o elo intermediário entre os laboratórios que desenvolvem modelos (model providers) e as aplicações/estúdios que os consomem.

Escassez de GPUs: Laboratórios muitas vezes não conseguem levantar capacidade de GPU suficiente para sustentar picos de inferência durante o lançamento de novos modelos. A fal se antecipa, alocando capacidade computacional própria para garantir a infraestrutura de lançamento.
O Caso do OpenAI Sora: A fal chegou a hospedar o modelo Sora experimentalmente, observando demanda quase infinita antes que a OpenAI descontinuasse a prévia temporariamente devido à escassez interna de capacidade computacional para seus outros serviços.
Abundância de Dados de Vídeo: Ao contrário dos LLMs, que enfrentam limites na disponibilidade de dados textuais de alta qualidade na internet, o treinamento de modelos de vídeo dispõe de um volume virtualmente infinito de dados brutos. O principal gargalo reside na filtragem e curadoria de vídeos de alto interesse para treino físico e espacial.

Modelos Open Source vs. Closed Source e o Impacto em Hollywood

Open Source como Estratégia de Mercado: Para empresas que ficam ligeiramente atrás dos líderes de fronteira, abrir o código e os pesos do modelo converteu-se na ferramenta de marketing mais eficaz para atrair a comunidade de desenvolvedores.
Requisitos de Estúdios e Privacidade: Grandes estúdios de cinema exigem modelos abertos para poder aplicar fine-tuning, acoplar adaptadores LoRA (para manter consistência de iluminação e figurinos) e injetar propriedade intelectual proprietária (personagens e roteiros não lançados) sem risco de vazamento de dados via APIs externas públicas.
Impacto Real em Hollywood: Burkay desmistifica o alarme de que a IA já transformou a produção de Hollywood. Embora a receita vinda de estúdios tenha crescido nos últimos seis meses na fal, o impacto em mão de obra e substituição de produção tradicional até o momento foi nulo, travado principalmente por barreiras jurídicas, regulatórias e de licenciamento.

Previsões, Inspirações e "Hot Takes"

O "Momento Toy Story" da IA: Gür projeta que, nos próximos 12 meses, surgirá o primeiro conteúdo evergreen/atemporal feito com IA — um curta-metragem ou animação cujo apelo não decorra apenas do choque com a capacidade técnica da ferramenta, mas sim da qualidade narrativa duradoura, similar ao marco de Toy Story (1995) para a computação gráfica 3D.
World Models e Games: Yurtseven destaca a transição para World Models (modelos de mundo interativos em 3D com estados persistentes de memória espacial) como a provável quarta categoria com PMF em IA, permitindo a geração de jogos em tempo real a partir de prompts, com alto consumo contínuo de GPUs.
Origem do Nome fal: Duplo sentido — representa as iniciais de Features and Labels (conceitos fundamentais de machine learning) e a palavra turca fal, que significa a leitura da sorte na borra do café turco.
Figuras Inspiradoras: Jack Dorsey (fundador do Twitter e Block/Square) pela amplitude e capacidade de execução; Ali Ghodsi (CEO da Databricks) pela constante reinvenção estratégica da empresa.
A Tese das Margens na Camada de Aplicação: Burkay rebate a visão de consenso do mercado de capital de risco de que a camada de aplicação reteria a maior parte das margens de lucro. Na prática, a camada de aplicação enfrenta comoditização severa, altos custos de aquisição de clientes (marketing) e margens próximas a zero. O verdadeiro poder de precificação e margem sustentável pertence a quem opera e otimiza a camada de computação (compute path).