Recebi uma pergunta no X sobre como encontrar investidores. Respondi rápido por lá, mas vou aproveitar para deixar mais claro por aqui.
Eu vejo que as quatro formas de encontrar investidores para abrir conexão e construir o seu pipeline com investidores são:
a) Sua rede: Primeiro, vasculharia o próprio Linkedin, X, CRMs tentando encontrar tanto investidores VC, anjos, como founders e executivos que possam abrir portas ou até serem anjos. São pessoas que você já interagiu ou se conectou em algum momento. Mapearia essas pessoas dentro de diferentes “tiers”, como, por exemplo:
1) Aliados e FFF(amigos e familiares próximos): Pessoas que genuinamente gostam de você, têm uma relação ótima, e que além de avaliar a sua oportunidade, podem abrir outras portas e falar bem de você nos bastidores.
2) Colaboradores: Pessoas que já colaboraram no passado, ou atualmente, que podem te ajudar.
3) Contatos frios: Alguma vez se conectaram. Eventualmente, a porta está aberta.
b) Por introdução (warm intros): Eu já falei bastante sobre a importância da introdução em VC. Recomendo a leitura deste meu texto para entender como buscar e priorizar na busca com introdução.
c) Inbound: criar conteúdo que chame a atenção e gere leads de investidores para conhecer.
Não esquecer do básico, coisas como: cadastros em Crunchbase e fontes de dados para ferramentas de VCs. Atualizar o Linkedin e deixar claro (usar “stealth” atrai curiosos). Atualizar o website.
Depois é criar uma campanha mais avançada de criação de conteúdo e geração de atenção do mercado investidor. Seja thought leadership, eventos etc… Eu pergunto: “Qual é o ativo de informação que só você, operando neste espaço, pode produzir para gerar valor a investidores?”
d) Cold outreachs: Essa é a forma mais difícil, mas é possível. VCs recebem milhares dessas, aleatórias. Algumas listas de investidores que eu costumo recomendar:
Agora, alguns comentários adicionais, aproveitando o assunto:
Temos que lembrar que fundraising é uma atividade chave do CEO/cofounder e, por isso, se realmente quer levar a empresa para a trilha de VC, terá que levantar rodada a cada uma dúzia de meses. E, portanto, como CEO, você deve ter em sua agenda de conversas, e de nutrir esses investidores.
Digo isso porque existe uma boa diferença entre “onde acho investidores” e “como construo o pipeline de conversas que vai me sustentar pelos próximos anos”. Isso, e a necessidade de protagonismo e capacidade do CEO/Cofounder em relação à jornada de venture capital de sua startups, são as principal críticas em trazer um advisor que para abrir conexões com VC no começo. O CEO/cofounder deve estar a frente e liderar esse processo.
Pensando mais a fundo aqui, o sucesso de uma captação é uma equação de status social vezes número de investidores contatados. O status é a nível de fluidez com que você entra para dentro do dealflow do investidor (alguns fatores, momentum, FOMO, força da tese, histórico dos founders etc…). O número o topo de funil, é uma questão de “numbers game”, como um funil de vendas. É preciso de um grande topo de funil para converter até fechamento.
Na minha lista, os meios a) e o b) de encontrar investidores geram resultados mais rápidos, mas precisam de statussocial ou de redes amplas de relacionamento para funcionar.
Então, no geral, o ideal é começar o quanto antes a construir essa rede de investidores, criando conexões genuínas e honestas com investidores que gostaria de ter no seu pipeline e captable no futuro.
Sobre valuation em rodada anjo e pré-tração
Nos últimos meses, tenho olhado rodadas de investimento anjo e conversado com vários destes tipos de investidores. Algumas dessas trocas falam sobre valuation neste momento de primeira rodada, e o que pode ajudar founders a entender e como definir.
Isso que estou comentando vale para uma startup em rodada inicial, em pré-tração, quando está testando protótipo ou POCs com poucos clientes, e buscando o capital para construir o produto e ir ao mercado.
A verdade é que não existe muita evidência explícita ou informação simétrica sobre o valor da empresa nesse momento. Como VC ou anjo super early stage, que constrói um portfólio baseado em lei de potência, você só compra uma opção de participar ou assento em uma empresa que, baseado em pouca evidência, espera que dê certo.
Na minha visão, o que diferencia se o valuation é $1mn, $2mn, $3mn ou $5 milhões nesse momento inicial, tem a ver com o risco e retorno que o investidor está assumindo ali.
Um fator importante, antes de listar a perspectiva do investidor, tem a ver com o montante de capital que quer levantar e a diluição de captable. Nesse momento, benchmarks dizem algo em torno de 10%-15% de diluição para cofundadores. Esses fatores também implicam no perfil de investidor que está buscando para essa primeira rodada.
Alguns fatores que podem ajudar a entender valuation:
A capacidade e evidências do founder de materializar o capital, ou uma história de demonstração de alocação do capital investido e entrega. Um caso usual do mercado sobre isso, por exemplo, é que um time de cofounder de segunda viagem na jornada de VC tende a reduzir esse risco de execução pois sabem gerencia, alocar e captar Venture Capital.
As chances de o time cofundador conseguir levantar uma boa rodada subsequente, maior, com bons investidores em menos de uma dúzia de meses. (Esse ponto tem muito a ver com meus comentários finais da nota de campo acima “Sobre como encontrar investidores”)
Momentum. Demonstrar crescimento e tração de uso e receita do MVP, que demonstra que estará facilmente em um patamar de receita amplo.
Tese e potencial da oportunidade (entre categoria, mercado/TAM e tendências). Nesta tese, é possível criar uma empresa de enterprise value de R$ 200mn (small cap VC / early-exits ou de U$2bn (VC track)? Ambos são possíveis e geram retorno. É só saber qual jogo estamos jogando.
…
Um ponto importante para entender é que o preço do valuation é geralmente dado pelo mercado. Não quero dizer necessariamente que você deve esperar o mercado te dar o preço do valuation da sua rodada, mas que o preço que você define, junto com o seu fundraising, vai dizer sobre quão desafiador ou não vai ser levantar a rodada. Isso porque, o investidor só vai saber se o valuation inicial foi bom daqui a 18 meses ou na próxima captação.
Então, esses pontos levantados acima resumem bem o que é um bom investimento anjo. A oportunidade ideal de um investimento anjo é a que combina esses fatores. Se o time de cofundadores tem a capacidade de construir o Capital como Vantagem, isso aumenta muito a chance de serem os vencedores daquela categoria.
Tenho notado ao longo do tempo que a dificuldade em anjo, pre-seed e seed é normal, e diz muito sobre a resiliência e velocidade de aprendizado e construção de capacidades do founder. Até o Jeff Bezos comenta que levantar o seu Seed foi a fase mais difícil que ele passou na Amazon.
Estudar sobre Value Investing sempre foi um prazer para mim, dada a clareza desse conceito. O que tem me provocado recentemente foi o movimento de grandes value investors se aproximando de ativos que não são triviais para vocabulários e frameworks de value investors tradicionais. Por exemplo:
O IPO da SpaceX promete ser um dos maiores da história.
Os AI labs como OpenAI e Anthropic valem trilhões no mercado privado.
E, do outro lado, o que o mercado está chamando de SaaSpocalypse, em que uma leva de empresas de software que começava a fazer sentido nos modelos tradicionais de valuation caiu 30%, 50%, 70% enquanto o mercado amplo continuou subindo.
Penso em Value Investing menos como um método criado há muito tempo e mais como uma ciência de entender e encontrar o valor de um ativo. Nesse sentido, fico constantemente refletindo sobre como aterrissar essa busca de valor no mundo do VC, ou pelo menos no universo de investimento em tecnologia que estamos acompanhando.
Não é fácil de digerir ou traduzir as ideias, mas alguns fatores começam a fazer sentido e vou tentar descrever algumas coisas que tenho lido, aprendido e refletido.
Value Investing 1.0: O clássico Benjamin Graham, surgido na grande depressão americana. Comprar ativos abaixo do valor de liquidação ou contábil. Funcionou em um mundo de ativos tangíveis, e com liquidações forçadas como na grande depressão.
Value Investing 2.0: Escola de Buffett e Munger, onde se busca negócios de qualidade a preço justo. O foco começa a migrar para moats duráveis, fluxo de caixa descontado projetado para o futuro, e a famosa frase de que “é melhor comprar uma empresa maravilhosa a um preço razoável do que uma empresa razoável a um preço barato”. Ainda muito relevante em vários setores.
Value Investing 3.0: É a era das plataformas e ecossistemas, ou o que temos vivido nos últimos anos com empresas como Amazon e Google, que reinvestem suas margens de forma para construir infraestruturas digitais com efeitos de rede poderosos. O valor real está no valor terminal value ou na perpetuidade. O autor descreve, usando frases de outros investidores como: “the medium is the moat.” O ecossistema construído é o diferencial, não o produto em si.
Value Investing 4.0, ainda emergente, é o estágio em que a inteligência em si se torna o ativo central, junto com o investimento em infraestrutura do 3.0. Os AI labs são o exemplo mais próximo, onde existem anos de perdas massivas, capital enorme, construindo a infraestrutura antes de qualquer produto existir. O retorno, se vier, é exponencial e remodela indústrias inteiras.
O autor, Chris Tsai, e suas taxas base, estimam que a taxa de sucesso nesse estágio seja da ordem de 1 a 5%, contra 60 a 70% do estágio 1.0. O que quer dizer que a progressão está diretamente no horizonte de criação de valor. À medida que se alonga o prazo do retorno, a correlação de risco e retorno aumenta, ou as tentativas que dão certo encolhem e as que dão certo ficam maiores.
Vale um caveat importante aqui. Os fundamentos clássicos do Value Investing, como, por exemplo, reversão à média, margem de segurança e análise de múltiplos, não pararam de funcionar. Pelo contrário, como o autor coloca, são os métodos mais certeiros para o sucesso, quando aplicados nos ativos certos. Digo isso, para falar que empresas de software que sofreram quedas de 50% ou 70% na SaaSpocalypse carregam, em muitos casos, crescimento estável, margens saudáveis e múltiplos que precificam destruição de modelo de negócio que ainda não aconteceu, junto com o clima de medo da disrupção. Isso é uma oportunidade clássica do investimento de valor, atuar no comprar medo mal precificado, com margem de segurança, esperando a reversão à média dos múltiplos.
O que mudou é que esse raciocínio não alcança ou não é possível se posicionar nos ativos mais transformadores do momento, os que estão construindo infraestrutura de inteligência do zero. Para esses, é preciso uma lente diferente, e é aí que entram os intangíveis.
Se olharmos a evolução, a partir dos 2.0, começamos a ver aspectos novos de valor, como propriedade intelectual, moats e ecossistemas, assim como expectativa de futuro, entre outros. E aí que entendo que está a discussão de Value Investing do futuro, que não é clara para todo mundo porque exige profundidade de entendimento, mais risco e (a diferente) visão de futuro.
Isso é mais natural para o dia a dia do Venture Capital, que segue a lei de potência e visões geralmente não consensuais. Mas a minha questão é como medir ou avaliar o valor de ativos que não existe P/L, fluxo de caixa e às vezes nem mesmo receita. Ou, como acessar o potencial futuro de ecossistemas ou infraestruturas de inteligência.
Olhando para ondas históricas de disrupção tecnológica desde os anos 90, o relatório mostra que investidores que usaram métricas tradicionais de valor, como P/L, P/VPA e EV/S, sistematicamente compraram value traps e venderam os verdadeiros disruptores. O fator que de fato funcionou em setores expostos à disrupção foi o intangível, que descreve como um conjunto de ativos que as métricas convencionais não capturam.
São quatro pilares de valor intangível e moats:
Propriedade intelectual. Arquitetura de plataforma, datasets proprietários, algoritmos e modelos de IA, lógica de negócio acumulada ao longo de anos de operação.
Brand equity. Reputação de fornecedor confiável, status de padrão de fato em uma categoria, credencial regulatória, relacionamentos de longo prazo com clientes.
Capital humano. Julgamento de produto e engenharia, expertise profunda no workflow do cliente, know-how de implementação e customer success, cultura organizacional adaptativa.
Efeitos de rede. Ecossistema de profissionais treinados, desenvolvedores e aplicações de terceiros; loops de feedback de dados; switching costs a partir de sistemas de registro embarcados, workflows integrados e personalizações.
Interessante que o que mais gera valor, então, não é exatamente a inovação das empresas, mas como você entrega, empacota ou distribui. Ou seja, de acordo com o estudo, os lucros muitas vezes não vão para quem criou a inovação, mas para quem possui os ativos complementares ao redor dela. Isso é geralmente o que cada empresa tem de real ativo de valor, e que às vezes esquecem disso.
Gostei de como descrevem os exemplos de Walmart e New York Times que, diferente de Blockbuster e RadioShack, resistiram à disrupção do modelo. Basicamente, eles se voltaram aos seus ativos intangíveis e moats como aposta.
O Walmart não tentou competir com a Amazon em logística de última milha ou infraestrutura de cloud. O Walmart abraçou o e-commerce sem abrir mão da sua vantagem real: décadas de relacionamento com fornecedores, capilaridade física que nenhum concorrente consegue replicar rapidamente, e uma marca com altíssima confiança entre consumidores de renda média americana.
O NYT não tentou virar uma plataforma de mídia social. O NYT investiu no que o distinguia: jornalismo de qualidade, brand equity construído ao longo de mais de um século, e uma base de assinantes com disposição a pagar por conteúdo verificado em um ambiente de desinformação crescente.
A lição não é que incumbentes sempre sobrevivem. A maioria não sobrevive. A lição é que as empresas que conseguem atravessar ondas de disrupção são aquelas que identificam com clareza onde está o seu ativo insubstituível, e dobram a aposta nele, ao invés de diluir energia tentando competir no terreno do disruptor.
Enxergar esses ativos não é trivial. Não aparecem no deck. Talvez apareçam na boa diligência ou intuição dos especialistas. Por isso, investir nesse novo contexto de IA exige mais conhecimento, mais paciência, maior tolerância à incerteza e disposição para correr mais risco. As taxas base de sucesso encolhem à medida que o modelo de negócio fica mais complexo. Mas os retornos estão mostrando onde o valor está sendo criado nos ativos que o mercado não sabe medir. Essa assimetria é onde está a verdadeira magia da IA para os investidores.
Frameworks são corrimãos, e corrimãos não foram feitos para quem quer voar.
Eu sou fã de frameworks e playbooks. Nos últimos anos, tenho construído diversos, como, por exemplo, na edição mais recente da DealflowBR, falei bastante sobre o meu Playbook de Product-Market Fit ou, nos links recomendados, compartilhei o Playbook do Claude para PMF. No dia a dia, uso frameworks para avaliar oportunidades, mapear mercados, estruturar processos. São ferramentas que escalam o conselho e reduzem o custo de reaprender o que outros já aprenderam.
Mas, sendo honesto, eu mudei minha percepção sobre o uso de frameworks quando o objetivo é algo realmente grande.
Para explicar o que é um framework e sua utilidade no dia a dia, a melhor analogia que conheço é a do corrimão de uma escada. Segurar o corrimão reduz o risco de cair. Você segue um caminho testado, mais seguro, evitando os desníveis, para chegar do outro lado sem problema. Frameworks funcionam assim, sintetizando longas experiências e testes em uma estrutura que você pode usar, sem passar anos aprendendo. Reduzem o custo cognitivo. E, para quem desenvolve, escalam a transmissão de um conselho ou treinamento.
Em 2016, Kenneth Stanley e Joel Lehman escreveram Why Greatness Cannot Be Planned, um livro que me provocou bastante, e que compartilhei na edição de livros de 2025. O argumento central é direto e confrontou com minha visão até então de frameworks e playbooks no early-stage. Seguir objetivos fixos é um péssimo método para chegar a lugares realmente novos. O progresso em inovação acontece saltando de uma ideia interessante para outra, colecionando stepping stones que, isolados, não se parecem com nada grandioso, mas que juntos levam a algo que ninguém havia imaginado.
O exemplo mais claro é a NVIDIA. Nos anos 90, o objetivo era fazer jogos de tiro parecerem mais realistas. Ninguém estava tentando construir a infraestrutura para inteligência artificial. Mas a matemática necessária para renderizar gráficos 3D, multiplicação de matrizes em paralelo, acabou sendo exatamente a matemática necessária para treinar redes neurais profundas. Não havia playbook para isso. Havia curiosidade, e um mercado estranho que ainda não fazia sentido.
No ambiente de VC, onde devemos buscar retornos assimétricos e oportunidades que serão outliers em dez anos, olhando para trás. Queremos encontrar a oportunidade perfeita, mas o que mais tem são anomalias, imperfeições e arbitragens. Às vezes é difícil encontrar uma explicação, e é preciso estimular o desacordo.
Frameworks são ótimas ferramentas para reduzir risco e complexidade em processos conhecidos. Se você quer descer a escada sem cair, segure o corrimão. Mas quando o prêmio está em território desconhecido, o corrimão te prende ao caminho que outros já percorreram. E caminho já percorrido, por definição, não leva a lugar nenhum novo.
Se você quer construir algo realmente diferente, uma empresa com posicionamento único, um processo que gera vantagem competitiva genuína, um produto que não existia antes, você não pode depender de playbooks ou frameworks como bússola principal. Eles vão te levar a algum lugar. Só não será um lugar novo.
A distinção que tenho tentado praticar é usar playbooks para o que já foi descoberto ou para ganhar contexto rapidamente. Mas é preciso usar a sua curiosidade, intuição e autenticidade para buscar o que ainda não tem nome. O Playbook de PMF que compartilhei não é um destino. É uma linguagem compartilhada para um ponto de partida. As unfair advantages estão em playbooks proprietários, com os ingredientes do seu contexto, do seu mercado, da sua intuição acumulada.
Nunca foi tão fácil criar um produto que ninguém quer. Como tecno-otimistas, ficamos constantemente ludibriados pela sua capacidade de fazer coisas, mas quase nunca sabemos se estamos criando o produto certo ou se alguém realmente vai querer. Nesses momentos, enxergo no ambiente dos builders e empreendedores que estamos pensando e discutindo muito as possibilidades da tecnologia, e reduzimos os questionamentos básicos de PMF.
Qual é o Right To Exist da minha empresa? (Oportunidade vs vantagem única)
Alguém realmente precisa disso? (Insight de founders vs Customer Discovery)
Meu produto propõe mudança de hábitos ou comportamentos?
Os clientes vão pagar o suficiente por isso para construir um negócio? (Playbook de Vendas vs. Willingness To Pay)
Os dois frameworks acima são bons, mas não vão até algo que tenho visto cada vez mais decidir o jogo de quem vence na escala: a distribuição. A pergunta “Como vou distribuir isso em escala?” raramente entra nos playbooks de early-stage, e acho que isso é uma falta grande.
Essas revoluções tecnológicas nos fazem mergulhar nas potencialidades e possibilidades da próxima onda de soluções, expandindo casos de uso e mudando hábitos dos consumidores e usuários. Mas vejo que founders esperam que apenas o insight (ou segredo) do produto seja capaz de fazer uma empresa ter um grande sucesso. Na verdade, isso é importante, mas não é suficiente. Um dos erros mais comuns é encontrar o fit do produto, e despejar investimento em um GTM sem eficiência ou diferencial.
A IA está reescrevendo a Unidade Atômica de Crescimento
Esta é uma evolução do Playbook que publiquei em 2022, refinada por centenas de conversas com founders desde então. Tenho entendido que o modelo mental segue funcionando, mas o que mudou é a velocidade com que IA está reescrevendo cada elemento da unidade de crescimento.
O fundamento básico de uma Startup é que ela tem como objetivo primário solucionar um problema, e entregar de uma forma melhor e escalável – sem isso, não faz sentido existir ou então não é uma startup. Então, PMF é o termo que representa os sinais que ‘faz sentido’. E por isso é, antes de qualquer outra coisa, o primeiro grande desafio de uma startup.
Porém, os sinais de PMF não te dizem o que construir. Isso depende de outros elementos e da visão dos founders.
Ainda acredito que o modelo mental da unidade atômica de crescimento nos ajuda a responder essas perguntas acima, e pensar a construção e arquitetura do PMF, GTM-fit e uma empresa escalável.
Essa unidade se forma pelo encaixe de quatro elementos: um Mercado/ICP bem definido, um Produto que resolve uma dor real, uma Máquina de Vendas eficiente, e um Ticket Médio/Modelo de Negócio sustentável.
A chave está em como você encaixa esses elementos entre si.
Abaixo, organizo algumas perguntas que tenho discutido com CEOs e founders, que podem ajudar a se questionarem, e a como arquitetar a unidade de crescimento para os novos caminhos:
No processo de descoberta de cliente, até onde a IA ajuda ou atrapalha o founder?
Criar produto e features ficou muito mais rápido, mas o discovery ainda é difícil, vejo alguns comportamentos e desafios que tornam o processo mais difícil:
Como construir ficou absurdamente mais rápido, é fácil querer evitar ou delegar a parte dolorosa do trabalho, que é vender e interagir com clientes. Cada minuto no código parece mais produtivo do que uma conversa focada e de um feedback difícil com um cliente.
Na hora de analisar os dados, founders estão tentando terceirizar o julgamento sobre PMF para IA. Entendo que funciona bem para organizar e estruturar os dados, e até ajudar a pensar, mas o diferencial está em como interpretá-los e, principalmente, na capacidade de julgá-los a partir de uma perspectiva única, só o founder consegue fazer.
Do lado do comprador, com novos produtos criados a cada instante, existe muito barulho. O comprador ou cliente ainda é o ser humano, e este ainda leva tempo para pesquisar, se educar, escolher ou decidir.
Então, o customer discovery não pode ser completamente automatizado para construir algo realmente diferente e grandioso. É preciso a empatia do humano, conexões e insights do founder para saber o que construir. Encontrar os encaixes de problema com solução, com mercado, com produto, exige foco obsessivo e iteração com o usuário ou cliente. Não é sobre encontrar a próxima feature para construir, mas sim identificar a combinação e encaixe de problema, solução, mercado e produto (PMF) e canal que cria escala superior.
Iterando, as ações dos usuários tendem a dizer mais sobre as suas respostas faladas. É necessário ter um senso mais profundo na hora de conversar com os clientes e um segundo nível de pensamento para analisar. Geralmente, as pessoas são mais honestas nas suas ações do que nas suas falas. É necessário entender as suas emoções e confusões, principalmente quando precisamos entender e mapear a tarefa e o trabalho com os insights do founder é onde está a alquimia do que construir. Esse mapeamento e julgamento a IA não faz.
Uma startup é a manifestação de um insight do founder, sem isso não acho possível criar algo muito grande de forma intencional. Seria uma aposta no escuro ou uma decisão tomada a partir de insights medianos. Para construir algo único, é preciso estar fora do consenso, ter apostas contrárias.
O roadmap das LLMs está a nosso favor ou contra?
PMF nunca foi binário (sobre se existe ou não existe), sempre um espectro de força. Porém, a barra da força do PMF tem subido com os LLMs. A Anthropic e OpenAI, principalmente, a cada semana estão avançando com os seus modelos e lançando novas soluções. Isso cria uma alta expectativa dos clientes e um desafio para as startups se diferenciarem.
Se eu pudesse acompanhar apenas uma única métrica de produto hoje, seria o churn. É a métrica mais crítica e reveladora de quem está sobrevivendo aos ruídos (curiosidade, com o fato de os clientes não saberem o que querem ou o que é melhor para eles ainda) e à guerra das novas soluções de IA (apps de vibe coding, LLMs etc.).
Cada release de Anthropic ou OpenAI, a água sobe e afunda soluções que pareciam funcionar seis meses atrás. A pergunta para entender se a startup corre risco é: quando o modelo (LLM) melhora, a sua solução fica melhor junto, ou afunda e vira commodity?
Recomendo se aprofundar no que está chamando de Model/Market Fit(o encaixe entre as capacidades do modelo que você usa e a necessidade do mercado que serve) e Agent Harness (o arcabouço que captura valor além do prompt com contexto, memória, ferramentas, fluxo etc.). Muitas soluções, que eram wrappers simples de GPT-3.5, que faziam resumo, tradução ou geração simples, não avançaram pois o GPT-4, por exemplo, ficou barato e o ChatGPT virou onipresente e multifuncional. Já produtos como Cursor, Granola ou Perplexity ficaram melhores com modelos melhores, porque construíram em torno de workflow, memória e contexto, não em torno de uma capacidade pontual do modelo.
Qual é o melhor ponto de entrada(wedge) e ponto de controle para essa solução?
Dentro do elemento de oferta e produto, com a IA, a entrega de valor vem mudando, e isso muda o sucesso do cliente depois do PMF.
Serviço é o ponto de entrada. Remodelar e implementar uma nova unidade de trabalho é a forma de dominar o ponto de controle.
Já tratei desse argumento em AI-Native Services. O wedge da maioria das soluções AI-native hoje é vender o trabalho executado, não o software para um time interno operar, como, por exemplo, a triagem de crédito, atendimento, conciliação, revisão de contrato, prospecção. Oferta de serviço é onde o cliente compra o trabalho desempenhado e paga pelo resultado, com SLA e responsabilidade, não uma ferramenta. Mas o serviço é só wedge. O objetivo é produtizar a nova unidade de trabalho com IA e, assim, ser o novo ponto de controle.
Quando a IA passa a executar a tarefa de forma confiável, ela entra no workflow, virando parte dele. Nesse momento, é possível entender se existe o potencial de se tornar um ponto de controle. “Se a solução desaparece, o workflow do cliente quebra?”. Dominar os pontos de controle de um fluxo de trabalho é onde os feedback loops de IA se estabelecem e alimentam o flywheel do produto e do moat. É aí que o produto deixa de ser útil e passa a ser inevitável.
E aí muda o papel do que vejo como a primeira contratação pós-PMF. Na minha visão, alocar Customer Success é o primeiro passo para defender a retenção e garantir que clientes estão tendo sucesso. Funciona em software de autosserviço, em que o cliente extrai valor sozinho da interface. Em AI-native, e em soluções B2B, o papel equivalente é o Forward Deployed Engineer(FDE). É quem garante a implementação do caso de uso, o sucesso da execução das tarefas do agente e o aprendizado capturado pelo produto. Na verdade, muda pouco em relação ao que vimos de Professional Services ou CS, mas agora com uma profundidade maior. Mas como a a16z coloca no seu post sobre FDE e a Palantir (empresa exemplo de uso de FDE), tem uma armadilha aqui. O FDE não pode virar o mecanismo de entrega permanente, e sim um caminho para a plataforma reutilizável.
Estamos pensando em algum insight ou diferencial de distribuição?
Essa é uma questão que afeta Product-Channel Fit e Máquina de Vendas. Recentemente, tenho me deparado com uma provocação que resume bem algo que tenho pensado nos últimos meses:
“Agora que IA está tornando mais fácil construir software, podemos admitir que a parte difícil de startups sempre foi retenção e descobrir distribuição?”
Estamos nessa fase do mercado, admirando a mágica do produto solucionar a distribuição, mas isso tem a ver com o hype e deveremos sair dela em breve. Dito isso, a distribuição vai voltar a ser o principal ponto para o sucesso das empresas, em geral.
Na venda de Software B2B, os canais tradicionais parecem colapsados, e realmente saturados. Segundo o Clouded Judgement do Jamin Ball, o CAC payback mediano de SaaS público hoje está em 57 meses. Quase cinco anos para recuperar o custo de aquisição.
Vale comparar com as três ondas anteriores: a internet criou SEO e email marketing, por exemplo; o browser destravou ads pagos em escala; o mobile abriu app stores e push notifications. Cada onda anterior trouxe um canal de distribuição novo, quase grátis no começo, antes do CAC inflacionar. A onda da IA, até agora, não trouxe. Uma hipótese é que LLMs e agentes acabem virando o canal, com o discovery via ChatGPT, integração via MCP, recomendação via agente de compras. Mas isso ainda não está claro, e tem a ver com o produto, principalmente.
Enquanto isso, vejo a marca e os humanos ainda como fundamentais na geração de leads e negócios. A oferta da confiança (trust) ainda está nos seres humanos. Alavancar em sinais humanos como marcas pessoais, comunidades e referrals é muito valioso.
Em relação ao elemento de Mercado e ICP, hoje, toda solução nova já nasce em cima de agentes: eles vão atrás da informação e entregam o job to be done. Aos poucos, viram o próprio caminho entre o humano e o resultado final, como quando ajudam a fechar um negócio.
No limite, agentes deixam de ser ferramenta e passam a ser quem compra e opera. A nova persona do seu produto não é humana, e isso muda tudo, do discovery ao churn.
O sinal de PMF muda junto e passa a ser o agente conseguir descobrir o produto, escolher, aprender, usar e executar tarefas sozinho, com consistência e risco baixo. É como uma jornada de cliente, mas diferente, para agentes, em que métricas diferentes, como retenção, começam a ser medidas por coisas como agent success rate, autonomy score e taxa de falhas em workflows agênticos.
A arquitetura muda completamente, e passa a ser um arcabouço (harness). Então, nessa virada, UI/UX também muda. Quem vende produto B2B vai precisar expor APIs, MCPs, SDKs e protocolos consumíveis por agentes. Documentação deixa de ser página de suporte e vira interface de produto. O que diferencia são as decisões de produto e a forma que amarra os diversos pontos críticos da experiência dos agentes de IA, como APIs, Contexto, Skills, Memória etc…
Qual a dinâmica do modelo com a cobrança por resultado ou uso?
Por fim, no elemento de Modelo de Negócio, onde tudo se materializa, como métricas, precificação e margem. Elas empacotam todas as questões acima em algo que aparece na DRE, e é onde o PMF da era IA traz diferença estrutural do modelo SaaS clássico.
Com a mudança de precificação baseada no resultado, e não em tokens utilizados, vai precisar de definições e atribuições claras, e auditáveis, do resultado. Além disso, cada entrega vai depender da assertividade da tentativa de gerar o resultado. Isso afeta as margens e o risco para os dois lados do negócio. Isso já pode ser visto no case da Intercom, ou da Sierra.
Do lado do comprador, ainda é difícil entender a questão de orçamento, previsibilidade e compras para esse modelo. Para o outro lado, transfere o risco para o vendedor. Se a entrega do valor não for robusta ou direta, sem um empacotamento claro, cada venda terá grande negociação, e pode aumentar o ciclo de vendas de negociação ou mesmo de interesse.
…
Voltando ao nosso ponto de partida, o Product-Market fit é um termo agnóstico quanto à tecnologia, portanto para startups sempre foi (e sempre vai ser) sobre o encaixe de entregar valor superior a um cliente com uma dor latente. Por outro lado, a velocidade com que os elementos que compõem a unidade de crescimento de uma startup evoluem atualmente, torna a busca do PMF mais dinâmica e profunda nesse momento.
O processo básico de descoberta do cliente não mudou radicalmente, porque é um processo fundamental. As informações que sustentam uma boa decisão de produto, também não. Não é possível pular essa camada, se quer construir algo grande, e para isso é preciso ser diferente, com insights únicos.
O que muda é a camada abaixo: mercado (ICP, personas e agentes), produto (arquitetura, LLMs), distribuição (plataformas e processos automatizados saturados), e modelo (entrega de resultado). A unidade de crescimento ficou mais dinâmica e em transformação ao mesmo tempo. É preciso reconstruí-la para um mundo AI-first.
Cinco coisas que mudaram muito pouco para a busca de PMF:
Obsessão pelo cliente, mesmo quando construir parece mais produtivo do que conversar.
Disciplina do processo tradicional de discovery, sem terceirizar julgamento para IA.
Honestidade e agilidade intelectual para questionar os próprios princípios de produto e GTM.
Curiosidade agressiva para incorporar novas ferramentas e direção estratégica.
Julgamento/Taste: O que te faz diferente.
As perguntas acima são algumas que acredito que precisam ser trabalhadas exaustivamente pelos cofounders na busca da melhor unidade de crescimento e escala de uma empresa.
Essas são notas que tirei de conversas com founders ao longo do mês. São conselhos que repeti ou consolidei em calls ou mensagens, e que vale consolidar aqui. Não são teses fechadas, são padrões que tenho observado. Tome com a moderação de sempre.
Sobre envios de updates para investidores
O hábito de mandar investor update regularmente é uma discussão interessante. No geral, eu gosto de quem manda, principalmente quando é intencional e tem algo relevante para dizer. Tenho buscado evitar dizer apenas “mande updates recorrentemente”.
Enviar todo mês updates pode parecer ruído se não tem um intuito. O que eu tenho sugerido:
O problema mais comum de enviar periodicamente é quando você para de enviar. Geralmente, porque não foi um mês bom, ou são tantas questões estratégicas que não faz sentido apenas compartilhar aquelas métricas que já não mostram a direção estratégica, ou o template de update não captura essas questões, entre outras questões. Depois de uma consistência de update, sumir por meses alguns viram um sinal no mínimo estranho.
A função real do update é menos transparência e mais consistência narrativa. O founder usa o update para revisar em tempo real a história que está sendo construída, e não a história que vai ser fabricada na próxima rodada. Muitos investidores olham os updates como forma de diligência de como foram as coisas quando você não está vendendo. Os updates devem contar a narrativa e execução de forma honesta.
Penso que duas ou três linhas diretas e personalizadas (baseadas na relação e catchups de assuntos), com métricas relevantes, com um ask(se necessário) ou objetivo claro daquele update. Não precisa ser elaborado, mas autêntico já é o suficiente.
Invertendo o processo de warm intros
Essa ideia me fez até atualizar o meu texto sobre introduções para investidores. É um ponto sutil dentro do assunto, mas que me trouxe bastante clareza.
Warm intro ainda é uma boa forma de chegar aos investidores, mas existe uma forma de arquitetar para se tornar mais natural e escalável.
O melhor caminho, que tenho recomendado, é inverter a lógica. Em vez de pedir intro para VCs diretamente, peça para alguns dos seus contatos, outros founders e gente do mercado de VC com boa rede, falar de você para investidores específicos. Algo como: “Você conhece o “nome do founder”? Ele está construindo algo interessante pra “mercado/setor”, e deve captar em breve.” Isso de uma forma autêntica, natural e com bom entusiasmo.
Quando seu parceiro fala de você, ele está entregando ao investidor exatamente o que investidor mais quer, acesso e conexão a um deal antes da maioria. Ou, se mais pessoas falarem dessa, você vira o ativo, não um suplicante. Isso pode mudar o tom da primeira conversa por completo.
É preciso fazer com coordenação e em volume, e deixe o efeito e a psicologia de rede sociais fazer o resto.
Asking money vs asking advice
Tenho conversado com alguns founders sobre os dois formatos de approach para uma primeira reunião com VCs, e como cada um abre a porta e direciona a atenção de uma maneira diferente.
O primeiro é asking money – o tradicional “estamos fundraising, vamos conversar?”. Para alguns funciona, mas eu apostaria que não para a maioria. Você chega vendendo a empresa e a oportunidade de uma forma mais direta, e o objetivo é passar pelo filtro convencional de primeira reunião avaliativa do VC. Nesse caso, algumas coisas que ele vai questionar são as de sempre (ajustadas pela filosofia de investimento de cada um), como por exemplo:
O objetivo é passar do primeiro filtro e gerar interesse (excitação) para a próxima conversa. Funciona quando você tem momentum e tese fortes: números crescendo, narrativa clara, urgência real. Pedir dinheiro de cara é possível e às vezes é o caminho mais limpo.
O segundo é asking advice. Aqui o filtro é mais a ‘vibe’ da pessoa e da troca, e não a oportunidade diretamente. Essa ‘vibe’ que o investidor está medindo tem a ver com curiosidade, honestidade intelectual, coachability, learning agility, likeability. A pergunta dele é: “Essa é uma pessoa com quem eu quero passar mais tempo?”.
É preciso ser autêntico e se abrir para a relação. Quando o founder sai do pitch mode para pedir conselho ou escutar de verdade, ele abre o kimono. Vejo que vários investidores gostam disso. Quando conseguem enxergar a verdade do negócio, eles se engajam mais e se sentem mais seguros com aquela relação.
Existe aquela máxima de “peça dinheiro e vai ter conselho, peça conselho e vai ter dinheiro” é real, mas é mais complexo que isso. Na prática, dá para planejar de uma forma estratégica para construir as relações e desenvolver tratos de founders fundraiser: como se conectar e nutrir a relação de forma humana, e ao longo do processo o founder entregar momentum, senso de urgência e tese para fechar pelo lado de captação. Os dois modos têm seus benefícios e juntos são mais poderosos.
Acho que o objetivo do founder é que, seja qual for o approach, (e para o investidor é encontrar alguém que) passe pelos dois filtros.
A nova proposta de valor das empresas de IA não é vender software para gerir tarefas. É entregar o trabalho em si. O ponto de controle, que costumávamos discutir no software, tende a se mover do workflow para a própria unidade de trabalho. Esse é o ângulo que quero desenvolver aqui, olhando especificamente para os wedges que vejo as empresas de IA usando para entrar e remodelar mercados hoje, e seus desafios, com a entrega de serviço como a oferta.
A Sequoia publicou recentemente um texto chamado Services as the New Software que coloca a oportunidade de forma clara, e a diferença entre inteligência e julgamento, e copilotos e pilotos automáticos. A geração anterior de software automatizou inteligência, ou seja, executar regras e seguir passos. A geração atual começa a automatizar julgamento, que é decidir o que fazer, interpretar contexto, coordenar exceções.
E isso muda o que é um TAM interessante. Me ressoa sobre o debate do TAM do Uber outra vez. Não era sobre disruptar o mercado de táxi, mas sim uma nova forma como as pessoas se locomovem nas cidades, que muda comportamentos, que pode até estimular ou facilitar encontros presenciais, por exemplo. É um pouco do Paradoxo de Jevons, onde ganhos de eficiência em um recurso tendem a aumentar o consumo total desse recurso, não a reduzi-lo. Com a IA, a produtividade aumenta e as pessoas não irão usar o tempo para parar e relaxar. Elas vão querer produzir mais ainda.
Unit of work, não workflow
Já escrevi sobre o unbundling que a IA está produzindo e sobre a diferença entre mapear o fluxo de trabalho e mapear o trabalho em si. Isso é chave para encontrar o ponto de entrada.
O SaaS mapeava o workflow. Onde o pedido entra, onde o pagamento liquida, onde o dado é guardado. As empresas de software tradicionais tem esses diagramas de produto que, claramente, descrevem essas etapas, módulos.
Em software vertical, falamos bastante dos control points, que são os lugares do sistema onde o workflow se concentra e as pessoas se encontram para trabalhar juntas. O conceito de control point é interessante como forma de definir uma área importante do workflow para se dominar, e assim se tornar uma solução crítica para o dia a dia do usuário.
Nesses fluxos, o que o SaaS até então nunca descreveu bem foi o trabalho real que mantém esses workflows funcionando. O gerente lê um e-mail de cliente irritado e decide se reembolsa ou contesta. O back-office abre um PDF de invoice, verifica se os números batem, e roteia para a pessoa certa. O analista que lê cinquenta contratos antes do deal fechar. A operadora que atende três canais ao mesmo tempo para resolver uma exceção. Isso tudo é interpretação, coordenação, escalonamento e limpeza, antes do registro no software para deixar o status e a gestão atualizada.
Esse trabalho sempre existiu. Sempre foi caro. E sempre ficou em algum lugar entre o SaaS e o humano, executado por empresas de serviço, BPOs, ou pelos próprios funcionários do cliente.
É aqui que a IA entra com mais clareza hoje. O mapa do negócio precisa descer um nível abaixo do workflow e alcançar a unidade de trabalho real. Quem consegue identificar, entregar, e reorganizar a coordenação em torno dessa unidade de trabalho tem a oportunidade de ser o ponto de trabalho e permanecer no stack do cliente.
Os wedges de ofertas de IA em B2B que estou enxergando
Eu também já escrevi um pouco sobre o que é a importância de um wedge para a estratégia de negócios de startups. Um wedge(o ‘calço’ ou a ‘cunha’) é uma escolha estratégica de ponto de entrada, diferente de PMF e diferente de GTM completo. É a aposta inicial que destrava velocidade e gera os insumos e sinais de alta qualidade que vão informar ou alavancar a estratégia real depois. Com IA, pensando nesses wedges e nas unidades de trabalho, para empresas de soluções B2B, eu vejo algumas formas de entrar.
As duas mais claras, não são mutuamente exclusivas, mas têm defensibilidades diferentes:
A primeira é exercer o serviço diretamente. A empresa não vende software para quem executa a tarefa. Vende o próprio serviço. Análise de crédito, triagem de documentos, atendimento de primeiro nível, conciliação, revisão de contrato, prospecção, cobrança. Tudo isso tradicionalmente foi feito por empresas de serviços, BPOs, ou por times internos do cliente. O que observo é que empresas que antes vendiam software para esse nicho, deixando a execução com o cliente ou com um integrador, agora estão entregando a execução direto. A IA permite que façam isso com margem, e quem domina o unit of work ganha uma posição muito mais forte do que quem dominava o workflow ao redor dele.
A segunda é colocar uma camada de IA como uma camada de processamento ou workflow sobre o system of record. O SaaS continua lá, e os dados, como o saldo, o cliente, o pedido, ainda é registrados lá dentro. Mas o que a IA pode criar nessa camada, tem duas oportunidades:
1) executar a camada de trabalho repetitivo, que era só digitação e transcrição, e baixo julgamento. Pessoas que recebem a informação em um canal e reintroduziam no sistema. Esse é o wedge mais óbvio, com o resultado claro e visível, mas, por isso mesmo, o mais concorrido. Incumbentes de SaaS já estão buscando absorver essa camada. Aqui o serviço tem que ser rápido o suficiente para comandar aquele ponto de trabalho e a relação com o cliente.
O 2) é o Process Ledger, e é provavelmente a mais interessante e a menos óbvia. Jamie Tomalin escreveu sobre isso recentemente, pegando uma ideia do Bret Taylor, da Sierra. Os systems of record atuais registram estado, como o saldo, o cliente, o pedido. Não registram processo, que é a sequência de decisões, a cadeia de raciocínio, o audit trail de uma ação autônoma. Quando um agente toma uma decisão relevante e com consequências, alguém vai precisar auditá-la. Regulador vai exigir. Cliente vai exigir. O próprio modelo seguinte vai precisar desse dado para aprender. Para verticais que precisam de um domínio específico, pode se tornar um moat interessante no futuro.
Vale dizer que transformar oferta de software em oferta de serviço está longe de ser simples. Vender serviço significa estar na frente do cliente como um prestador, com responsabilidade pelo resultado, em uma negociação com componente relacional forte para lidar com exceção, retrabalho, SLA, multa. Empresas prestadoras de serviços de pessoas, por exemplo, tem esse frameworks estabelecidos. É um modelo operacional diferente, que exige músculo de venda, jurídico e atendimento que startup de software raramente tem. E é por isso que parte do budget de trabalho vai ser capturada pelas próprias firmas de serviço incumbentes, agora armadas com tecnologia muito melhor. O software pode servir como suporte a esses humanos dessas firmas de serviços que estão executando os projetos e trabalhos. Não por acaso, a OpenAI vem contratando grandes consultorias como canal para penetrar o Codex/Frontier em grandes empresas.
Empresas de serviço que já têm o relacionamento, o framework de responsabilidade e a operação de prestação montada têm vantagem real para empilhar IA em cima e capturar mais do trabalho. A startup de IA que escolhe esse wedge não disputa só contra SaaS tradicionais que estão criando seus agentes, disputa também contra as próprias empresas de serviços, agora armadas com IA.
Esse artigo da Verticalist traz um overview geral e bom playbook. Diferente do framework da Sequoia de Autopilot/Copilot, existem trabalhos que vão exigir por um longo tempo o human-in-the-loop, seja pelo grau de risco e responsabilização da tarefa ou por questões regulatória. Por exemplo, existem documentos que precisam ser “assinados” por profissionais certificados, como contadores, auditores e outros. Uma empresa de software não vai ser uma empresa de serviços contábeis. Ela vai ser uma empresa de contabilidade powered by AI, e sem dúvida o contador dessa empresa de software será muito mais eficiente que um contador trabalhando sem essas ferramentas.
Então, transformar oferta de software em serviço não é óbvio em todos os casos. Mas uma coisa que começo a enxergar é que, para tarefas mundanas, repetitivas ou sem muito risco de responsabilidade, a expectativa dos compradores de software é que o trabalho seja feito quase como mágica, com poucos toques ou cliques.
É preciso ter em mente que isso é apenas uma forma de entrada. O grande ganho está nas automações, expansão de margem, expansão da oferta, plataforma e escala do modelo. Trocar a área do budget ou expandir TAM perdendo margem ou escalabilidade não faz sentido para negócios de venture. É preciso criar diferencial de dados, automatizar o workflow, expandir a oferta e, ultimamente, transformar a unidade de trabalho em uma oferta inevitável e escalável. Sem preservar esses atributos de margem, escala e composição que tornam software um modelo interessante para venture, o que se cria é apenas uma versão mais cara de uma empresa de serviços.
1) Perguntei a um GP, de um dos principais fundos Seed do Brasil, dado o cenário mundial de concentração dos VCs, “como vencer sendo um fundo do Brasil, investindo somente na região, ante fundos maiores e globais, com grandes marcas e grandes cheques?”.
A resposta trouxe uma visão interessante, que corrobora com o que tenho visto. Os dois pontos que ele colocou foram:
A proximidade humana e cultural com o founder é uma vantagem que esses grandes fundos não conseguem replicar aqui. Na era de AI, o investimento muitas vezes é para formalizar o relacionamento, não porque o founder precisa do dinheiro, mas porque você tem convicção nele. Vai ser necessário investir na obsessão dele e em sua capacidade de entregar.
Entendimento e profundidade cultural e de mercado é uma barreira real. Fundos early-stage de fora, sem um sênior latino no time localmente, têm um “missão bem crua”. Ele precisa sinalizar a aposta local e construir reputação e acesso, geralmente, se apoiando em outros gestores daqui.
Meus comentários:
O ponto 1 é algo que tem ficado na minha cabeça. O momento de oportunidades de IA tem criado muito ruído e confusão. Toda oportunidade tem um deck bem polido, um produto novo de IA e toda a narrativa de uma nova era em transformação. É confuso, mas no momento em que a oportunidade fica clara, já é tarde demais. O que os melhores founders mais buscam do investidor é a convicção. Então, como investidor, é preciso ter convicção mais cedo e investir quando a incerteza é alta. E para ter essa convicção cedo, o foco da análise precisa migrar do “O quê” o founder está construindo para o “Por quê” ele está construindo. O produto pode ser replicado, o deck gerado pela IA, mas a obsessão do founder pelo problema, a sua motivação real, não pode. Isso é cada vez mais o sinal que separa os deals que importam.
2) O clima de valuation no Brasil:
Tenho visto dois padrões para precificação de rodadas anjo/pre-seed, bem dispares no mercado.
Usando como referência de métricas de valuations de rodadas de SAFE Pre-seed do relatório da Carta, alguns founders estão conseguindo levantar rodadas em montantes e valuation próximos ou acima das medianas globais. Do outro lado, vejo founders com dificuldade de fechar a rodada esperada, ou fechando com valuations próximos ou abaixo do lower quartile.
Alguns padrões:
Para as empresas acima da mediana, alguns fatores que tenho discutido e notado para essas oportunidades:
São founders e founding team com teses de IA e com a IA na cultura e na operação (desenvolvimento, velocidade e foco).
A velocidade e o momentum são chave aqui. Adoção de clientes, lançamento de produtos e features e crescimento de métricas que representam o PMF.
Os investidores desse tipo de rodada geralmente têm alta convicção, principalmente no time e na tese, e, a partir disso, um fator importante é ter clareza sobre a probabilidade desse time levantar uma rodada subsequente. Geralmente, esses founders, além de velocidade, têm bom network e acesso a bons recursos (VC, talentos e redes de conexão), seja porque já construíram a rede no passado como founders, ou como (co-)investidor de VCs.
Em resumo, velocidade para gerar momentum, bom networking com VC e uma boa tese criam um sistema de FOMO que retroalimenta a demanda e valor pela oportunidade.
Para as empresas abaixo da mediana, eu vejo que:
Geralmente são empresas boas, mas que estão em teses menos quentes, ou menos requisitadas pelos VCs.
Quando a tese não ressoa ‘quente’, gera a incerteza ao investidor em relação ao potencial de mercado e potencial de expansão de múltiplo. A conversa de fundraising fica travada ou entra em uma discussão de valuation.
A velocidade de crescimento não acompanha a expectativa que o mercado está vendo em IA. O caminho natural acaba sendo rodadas menores para gerar tração e provar a tese antes de buscar um round maior.
Meus comentários:
No fim, o preço é dado pelo mercado. A minha visão é que, nesses dois mundos, não há necessariamente uma empresa melhor que a outra, mas sim perfis de risco diferentes. O estágio anjo/pre-seed é o de maior upside e de maior incerteza. Como mencionei no ponto anterior acima, é preciso ter convicção para entrar cedo nos investimentos que se tornarão mais quentes.
O fato (ou a crença) de existir um “cap” (ou teto) de ganho para alguns tipos de oportunidades no Brasil faz com que cada oportunidade tenha seu preço.
A gente vem de um passado recente de grande fricção. Dos sprints quinzenais para lançar uma feature, por exemplo, para um momento atual em que se cria e coloca produtos em operação em poucas horas e quase sem custo. Ao mesmo tempo que é muito fácil fazer, é muito fácil perder tempo com um slop que não vai ter retenção ou distribuição mínima que garanta a continuidade ou perenidade de um negócio.
Diante disso, uma pergunta básica que tenho me feito (e muitos investidores) é: ”Como identifico produtos que ficam mais insubstituíveis quanto mais tempo eles permanecem existindo?”. O que é um produto com uma oferta que vai durar anos sendo atrativo? Como não ser atropelado por Clawdbots da vida?
Essa névoa entre a transição de ciclos tecnológicos, e do seu embaralhamento do que é de fato profundo, permanente, ruído ou hypes, a palavra moat é um tema que vale revisar nesse cenário.
Como podemos olhar para isso em empresas early-stage?
Se existe moat no early-stage, ele está na incerteza
Uma vantagem competitiva que as startups early-stage têm, mas que é circunstancial, é a velocidade. A startup, por ser enxuta e focada em apenas um problema, consegue iterar, aprender e distribuir mais rápido do que qualquer incumbente ou empresas que têm menos foco. Essa velocidade não é o moat em si, mas é o que constrói o castelo ao redor do qual o moat será cavado depois.
Então, quando penso em moats para startups early-stage, a resposta direta é que não existe algo que proteja ela, pois ela de fato ainda não tem o que ser protegido. Na verdade, a única coisa que protege uma startup early-stage é o seu próprio risco, ou a incerteza. A incerteza tira do campo de batalha empresas que temem por sua sobrevivência. Por exemplo, empresas mais estabelecidas, e que estão buscando a estabilidade, irão buscar capturar valor em lugares mais seguros ou espaços mais certos, onde há mais certeza em como gerar valor, e não arriscar em algo que pode ser catastrófico para o negócio.
Há uma analogia que gosto bastante, e que referenciei no passado, sobre a importância da velocidade para atravessar momentos de vulnerabilidade:
O fato é que em lugares de alto risco de sobrevivência, onde as condições são severas, como o Polo Sul, onde o frio é severo, o ar rarefeito, e sem recursos de abastecimento, há um alto risco de morte. E essas são coisas conhecidas pelos exploradores (os known unknowns). Existem diversas outros riscos desconhecidos (unknown unknowns). Além da alta incerteza, os impactos podem ser imperdoáveis. Portanto, nesses cenários, ir rápido é uma forma de reduzir o risco.“
O problema é que essa proteção é temporária. No momento em que a incerteza diminui e a tese começa a se provar, uma janela de vulnerabilidade competitiva se abre. Quem tinha inteligência sobre aquele mercado vai entrar. É nesse momento que a startup precisa ter velocidade suficiente para construir vantagens competitivas reais, de mercado ou de capital, antes que os incumbentes ou concorrentes bem financiados cheguem.
A incerteza protege no começo. Depois, é responsabilidade do founder substituí-la por estrutura.
Intenção e direção para construir as vantagens competitivas
Criar código ficou barato. Mas licenças regulatórias, ativos físicos, complexidade logística, presença local, por exemplo, ainda levam anos para ser construídos. É exatamente nesses lugares onde os moats ainda vivem. O desenvolvimento de produto acelerou, mas para construir um forte posicionamento competitivo leva tempo.
Isso torna o julgamento estratégico mais importante do que nunca. É preciso saber em qual direção executar.
Recentemente, ouvi o podcast da 20VC com Gokul Rajaram, que ele traz um leque ou taxonomia de oito moats que ele está vendo hoje em IA:
Dados (Data moat): A posse de dados verdadeiramente proprietários aos quais ninguém mais tem acesso. Geralmente, são informações comportamentais difíceis de se recriar. Ele menciona o exemplo da funcionalidade “Discover” do Spotify, que utiliza uma década de comportamento de escuta de centenas de milhões de usuários para fazer recomendações precisas.
Fluxo de Trabalho (Workflow moat): Representa o quão profundamente o produto está integrado nas operações diárias e na movimentação financeira de uma empresa cliente. Uma ferramenta superficial é fraca, mas sistemas como um ERP (ex: SAP), que efetivamente rodam o negócio, geram uma dependência estrutural fortíssima e são difíceis de serem substituídos.
Regulatório (Regulatory moat): Baseia-se em licenças governamentais, exigências de capital e contratos de aquisição de longo prazo. Ele cita o caso da Coinbase, que passou anos acumulando licenças de transmissão de dinheiro estado por estado, tornando a conformidade regulatória uma barreira de entrada quase intransponível para novos competidores.
Distribuição (Distribution moat): Consiste em ter uma distribuição proprietária ou exclusiva. Rajaram exemplifica com a Intuit (QuickBooks), que treinou toda uma rede de contadores (CPAs) para usarem exclusivamente seu software, similar ao que tenho falado da Omie. Essa propriedade de canal de distribuição atua como um escudo protetor contra opções teoricamente mais modernas.
Ecossistema (Ecosystem moat): Ocorre quando a empresa constrói uma plataforma sobre a qual muitos terceiros desenvolvem aplicações e dependem do seu sistema. Ele menciona a Shopify é um excelente exemplo: um concorrente pode até copiar o código básico de e-commerce, mas não pode clonar os milhares de desenvolvedores terceirizados que fornecem aplicativos extras cruciais integrados à rotina de seus lojistas.
Rede (Network moat): Relaciona-se com a densidade e liquidez de um marketplace, como o DoorDash, ou Ifood aqui no Brasil. Enquanto uma IA poderia facilmente gerar um código para encomendar comida, ela não consegue replicar instantaneamente o acesso à rede de restaurantes parceiros, a densidade de entregadores e o histórico de reputação construído ao longo do tempo.
Infraestrutura Física (Physical infrastructure): Envolve coordenar “átomos” no mundo físico. Sempre que uma empresa tem ativos físicos (equipamentos, rotas, terminais físicos), ela constrói um grau de defesa que é muito difícil de ser digitalmente substituído ou eliminado por inovações em software.
Escala (Scale moat): Atingido quando a empresa possui um volume de operações tão grande que seus custos de produção se tornam baixos demais para serem replicados de forma viável. Exemplos incluem a Amazon com sua imensa capacidade de infraestrutura e a TSMC na fabricação de semicondutores.
O Gokul sugere que apenas um ou dois desses moats, hoje, não são suficientes para tornar uma empresa durável. Empresas que conseguem criar quatro deles, ou mais, no seu modelo de negócio estarão protegidas, para o cenário avassalador e acelerado da IA. E isso leva tempo para desenvolvê-las, portanto, as decisões estratégicas hoje são chave para que direção seguir.
Um método mais estruturado de análise de moats, é o da Ciridae, empresa que promove transformação de IA para empresas investidas por capital privado. Eles criaram um estudo super interessante, bem amplo e profundo, que avalia a durabilidade do portfólio das principais gestoras de private equity do mundo.
Desenvolveram uma metodologia chamada AI Score, que mede em uma escala o quanto as empresas estão estruturalmente suscetíveis e protegidas à disrupção da IA. O método é interessante, principalmente para entender a ótica de investidores e mercado de capitais diante desses moats. O AI score computa quais empresas têm aspectos fortes de Durabilidade, frente ao cenário de IA – “Quão resiliente é a posição de mercado da empresa contra a disrupção por IA?” – e de Oportunidade – “Qual o potencial de salto de patamar via IA ainda não capturado por este negócio?“
Esse método busca avaliar a durabilidade, medindo a robustez daquele mercado-alvo da empresa e do seu papel na cadeia de valor frente às mudanças induzidas pela IA, em cinco grandes blocos:
Substituibilidade de Mercado: Em que medida a IA consegue replicar o resultado que o mercado paga (ajustado por qualidade) reduzindo o Willingness To Pay?
O teste do “faça você mesmo”: O cliente consegue 80% desse resultado apenas com prompts diretos a uma ferramenta de IA? Se sim, o score é abaixo da mediana. Se o resultado exige presença física, construção ou entrega presencial (acima de mediana)
Migração de Profit Pool: A IA desloca a captura de valor desta camada de mercado para camadas adjacentes: plataformas, detentores de dados, sistemas de registro, distribuidores, agregadores nativos de IA?
O teste do CLTV em 5 anos: Daqui a 5 anos, os clientes da empresa ainda pagarão para ela, ou pagarão para uma plataforma ou agregador que absorveu essa função? Se a resposta for “a plataforma”, abaixo da mediana.
Barreira de Entrada: Quão difícil é para um competidor nativo de IA entrar neste mercado? Considere barreiras regulatórias, certificações de segurança, requisitos de capex e barreiras de confiança.
O teste da startup de IA: Uma startup de IA bem financiada conseguiria replicar este negócio em 2 anos? Se sim, abaixo da mediana. Como no exemplo do Gokul nesse texto, conte as camadas de proteção.
Exposição à Desintermediação: Agentes ou plataformas de IA conseguem contornar o papel da empresa — como broker, coordenador ou camada manual intermediária — conectando clientes diretamente aos resultados?
O teste do agente de IA: Se um agente de IA pudesse reservar, organizar ou coordenar em nome do cliente final, a empresa ainda estaria no fluxo? Se o agente consegue ignorar a empresa completamente, menor que a mediana.
Switching costs: Uma vez que o cliente está usando esta empresa, quão difícil é sair? Considere integração ao fluxo de trabalho, lock-in de dados, custos de retreinamento e dependências de ecossistema.
O teste de troca: Se um concorrente lançasse amanhã com IA superior, quanto tempo levaria para os clientes migrarem? Menos de 6 meses = menor que a mediana. Mais de 2 anos = maior que a mediana. Dados proprietários como lock-in pertencem aqui; dados como ativo de inteligência de domínio pertencem a uma oportunidade ou vantagem competitiva, e não proteção.
Ok, e aí?
Hoje, quando olho para decks de investimento, vejo a tradicional estrutura (problema, solução, mercado, time etc…) que busca endereçar todos os pontos, mas hoje é muito importante articular a construção do moat. Geralmente, isso se dá a partir de uma boa estratégia, que alimenta o flywheel da empresa. O flywheel gera vantagem competitiva, e a vantagem competitiva, sustentada no tempo, cria o moat.
Tenho sugerido que founders criem um slide específico para isso, ao descrever a arquitetura dos loops que sustentam a estratégia. Qual é o flywheel? O que se torna mais difícil de replicar a cada ciclo? Quais moats estão sendo construídos em paralelo?
No fim do dia, eu vejo que um moat só é comprovado a partir de:
Competitive win-rate: Quantos deals ganha
Pricing Power(Porter): o poder de comandar preços e expandir margem bruta ao longo do tempo. E,
Alto ROIC (Retorno sobre o Capital Investido)
À prova de ataques: Se um incumbente ou uma startup altamente financiada é atacada e permanece, ela tem um moat.
A ironia do momento atual é que nunca foi tão fácil construir um produto e nunca tão difícil construir um negócio. A velocidade resolve o primeiro. A intenção e a arquitetura da estratégia, direção e tempo resolvem o segundo, com a narrativa. Moat é o resultado de grandes apostas feitas cedo, cujos efeitos só aparecem tarde.
Na edição de hoje, trago uma edição que não comento há tempos por aqui, mas que sempre acompanho com curiosidade. Em uma passada pelos earnings calls de empresas abertas de tecnologia brasileiras, vi que IA já ocupa slides de resultados e virou um dos principais tópicos estratégicos nas discussões com analistas.
A partir disso, fiz uma pesquisa para entender o que essas empresas abertas da América Latina estão desenvolvendo e falando sobre IA. Usei IA para pesquisar, mas eu mesmo analisei resultados, comentários e escrevi os destaques aqui. Muito do que aparece nos calls não é novidade para quem navega em tecnologia no dia a dia, vários pontos eu já descrevi no “Playbook de Impactos da IA” e no meu blog. Mas o exercício é valioso para captar a linguagem e o direcionamento estratégico dos gestores, algo conectado ao que tenho escrito sobre posicionamento para o mercado financeiro aqui e aqui. Essas empresas são as principais consolidadoras da região, e entender seus movimentos estratégicos importa.
O que empresas da LATAM estão falando sobre IA nas Earnings Calls:
De acordo com o último call de resultados (do último trimestre de 2025), se formos levantar os cinco pontos de destaque, que mais se repetiram sobre adoção de IA nessas empresas, eles são:
Customer support e atendimento são os ganhos mais claros e óbvios com IA, hoje em dia. Praticamente todas mencionaram ganhos nessas áreas. VTEX ganhou 3pp de margem bruta só com isso, Meli resolve 87% das interações sem humano, Locaweb fala em 55% de ganho de produtividade.
Compra por outcome, não por assento. A TOTVS está chamando de TaaS (Task as a Service), Globant menciona que quer cobrar por resultado, e que até as áreas de compras estão começando a aceitar precificação atrelada a tokens/entrega. Essa, para mim, é a principal pilar da tese do SaaSpocalypse.
Dado proprietário e complexidade local como moat. Em linha com o que venho comentando aqui. MELI aposta em first-party data para construir seu comércio agêntico, Nubank defende que operação de crédito é protegida pela intensidade de capital e regulação, TOTVS traz que ERP para PME brasileira é complexo demais para ser substituído por vibe coding.
Dilema de investimento vs. margem no curto prazo. Meli perdeu ~5pp de margem, Nubank foi direto sobre expansão de despesas com IA em “talento, P&D e GPUs”, e a VTEX está vendo ciclos de venda mais longos porque clientes enterprise estão em modo “wait and see” antes de alocar budget.
Comércio agêntico e o risco de desintermediação. Esse foi o tema dominante e, principalmente, de preocupações dos analistas em seus questionamentos. Apareceu no Meli e na VTEX, e foi comentada pelo time da Locaweb. A preocupação é com LLMs e agentes terceiros capturando a intermediação e a jornada do cliente antes da plataforma. Ambas responderam apostando em construir seus próprios agentes.
A partir daqui, tem os meus destaques dos earnings calls das empresas, nesta ordem: Mercado Livre, VTEX, Locaweb, TOTVS, Globant, Nubank, Stone e XP. Algumas outras que eu tinha curiosidade ainda não haviam divulgado resultados e, para outras, ou não tive curiosidade ou não encontrei pontos relevantes.
Alguns pontos interessantes de falas dos calls (a tradução foi feita livremente por mim):
Ecommerce:
MercadoLivre (Ariel Szarfsztejn, Martin de Los Santos, Osvaldo Giménez)
No call do Mercado Livre, os executivos destacaram alguns resultados mais concretos de IA.
“Em todo o nosso ecossistema, estamos vendo evidências claras de que nossos investimentos em inteligência artificial estão acelerando a receita”.
Em Publicidade e Ads, me pareceu onde realmente estão conseguindo resultados ao arbitrar de forma inteligente os bidding – publicidade teve crescimento forte de 67% a.a.:
“Na publicidade, a IA está alimentando nossos algoritmos de lances (bidding), e as ferramentas automatizadas de campanha estão gerando melhores retornos para os vendedores”.
Eficiência de vendas e CS, um ganho claro em praticamente todas empresas, e no Meli não foi diferente:
“A IA também está transformando a eficácia de nossa força de vendas em adquirência. No Brasil, essas ferramentas ajudaram a identificar comerciantes de alto valor mais rapidamente, resultando em maior TPV [Volume Total de Pagamentos] por comerciante e períodos de retorno (payback) mais curtos”.
“Nosso assistente de IA do Mercado Pago está resolvendo 87% das interações sem a necessidade de suporte humano. Milhões de usuários já adotam essa ferramenta conversacional para gerenciar seu cartão de crédito, fazer transferências e entender suas ofertas de crédito”
“Temos um assistente de vendedores rodando hoje em nossa plataforma, basicamente 20% do nosso GMV é de alguma forma assessorado pelo nosso assistente. Está se mostrando muito bem-sucedido em ajudar os vendedores a melhorar seus anúncios, reduzir seus tempos de entrega para obter melhor reputação em nossa plataforma…”.
Mas a grande temática de IA que dominou parte dos slides e perguntas do call do Mercado Livre foi o Agentic Commerce. Um ponto levantado em perguntas foi em relação ao risco dos LLM e agentes terceiros realizar a intermediação e o controle da jornada dos clientes. Para combater isso, a estratégia e investimento do Mercado Livre focam em construir o seu próprio ecossistema de “Comércio Agêntico”, alavancando os dados primários (first-party data) que agentes externos não possuem.
Sobre o impacto da IA na monetização de anuncios e como a empresa enxerga o risco de a IA mover a descoberta para fora da Plataforma: “Eu esperava que você pudesse compartilhar alguns de seus pensamentos… sobre como você pensa a respeito dos riscos e como está se preparando para alguns desses riscos de a monetização de anúncios subir mais no funil”.
“Acho que ainda é um pouco cedo no jogo, mas não achamos que resolver uma parte da cadeia de valor [a busca] mudará as regras do jogo, o que significa que ainda achamos que a chave é fornecer a melhor experiência de ponta a ponta para o nosso cliente”. Ele concluiu: “A parte em que estamos colocando a maior parte de nossos esforços é no desenvolvimento de nossa própria experiência agêntica dentro do Mercado Livre. Achamos e estamos convencidos de que temos os dados proprietários (first-party data) para criar o melhor mecanismo de busca, recomendação e descoberta…”
Sobre a pressão e preocupação de analistas sobre os diferentes sistemas agênticos, com diferentes modelos de negócios, e como o Mercado Livre pode driblar ou se proteger: “Sabemos também que existe uma tecnologia hoje que pode melhorar drasticamente o processo de descoberta de produtos. E, por essa razão, estamos colocando todos os nossos esforços e alocando muitos engenheiros na construção de nossos próprios agentes e nosso próprio assistente de compras dentro do Mercado Livre. É cedo para saber o que acontecerá com outros assistentes de compras. Eu entendo o seu ponto de que isso pode apresentar um risco… Mas estamos confiantes de que estamos jogando esta partida a partir de uma posição de força, pois temos o relacionamento com os consumidores. Temos uma marca que a América Latina adora. Temos informações e dados sobre compras passadas que nos permitem oferecer a eles um ótimo assistente de compras. E estamos apostando e colocando nossos esforços naquilo que podemos controlar…”.
Também em Fintech, no Mercado Pago, os agentes podem começar a oferecer personalização para os clientes: “Até agora, estivemos lidando principalmente com essas interações iniciadas por usuários… ainda não começamos a usar o agente para vendas cruzadas (cross-sell), mas é algo que começaremos a fazer. Como você está em uma conversa, pode, por exemplo, dizer ao consumidor que ele tem uma oferta de crédito… O sistema se tornará mais proativo. E, além das vendas cruzadas, ele também se tornará mais proativo em termos de atuar como um banqueiro pessoal. Então, ajudando você a, não sei, alocar seu portfólio ou fazendo recomendações sobre qual tipo de crédito é melhor para você”.
Outro ponto, que foi corriqueiro foram as discussão de CAPEX, margens e retorno da eficiência. Em razão de alguns investimentos, a margem da Meli cairam cerca de 5%, no qual os executivos argumentando que são investimento em IA, mas que os beneficios virão em um prazo mais longo em crescimento de GMV e receita.
Em seguida, trago a VTEX, que fica na intersecção de enterprise e ecommerce. O mercado para venda de IA para enterprise ainda estão analisando as apostas que farão, por isso, para VTEX as incertezas – ou, talvez, melhor, a falta de certeza – do ambiente corporativo em relação aos investimentos estão afetando a velocidade de fechamento de novos negócios na VTEX:
“ciclos de decisão mais longos à medida que as empresas reavaliam suas prioridades em um cenário de IA em rápida evolução”. Ele complementou que “a combinação de rápida inovação em IA com aplicações de comércio tangíveis limitadas até agora pode alongar o ciclo de vendas”.
Mariano Gomide de Faria (Co-CEO) detalhou esse cenário de, segundo ele, “Wait and See”: “O principal motor é o que chamamos de efeito ‘esperar para ver’ da IA. Há uma enorme quantidade de discussões sobre como a IA vai remodelar os softwares. Quando as empresas estão tomando uma decisão de infraestrutura para 5 a 10 anos com altos custos de troca, elas querem clareza. As decisões estão sendo adiadas, os ciclos de vendas estão se alongando”.
Do lado dos ganhos que estão vendo, o tema de CS e suporte parece que já é mainstream:
Quando perguntado sobre o que IA tinha a ver com os ganhos de margem bruta: “Ganhamos cerca de 3 pontos percentuais na margem bruta de assinatura neste trimestre, de 78,8% para 81,8%, e isso é basicamente todo impulsionado por IA… Ao automatizar o suporte usando ferramentas de IA, conseguimos ganhar, você sabe, 3 pontos percentuais de margem, e isso é sustentável daqui para frente”.
“Com a plataforma Agentic CX da VTEX, já implementamos clientes que economizaram 80% nos custos de atendimento ao cliente. Isso é IA para nós. A IA é um meio para entregar o resultado que nossos clientes precisam”
Segundo os executivos a VTEX quer se tornar uma Plataforma “AI-First”:
“Estamos redesenhando a VTEX com uma abordagem ‘AI-first’”. “Estamos evoluindo a VTEX de uma plataforma que impulsiona o comércio para uma empresa de múltiplos produtos, uma plataforma ‘AI-first’ que cada vez mais o automatiza e orquestra…A aposta em IA da VTEX é bastante grande. Está em todos os nossos produtos e soluções”.
Perguntado sobre o risco dos LLM e se o comercio agêntico beneficiará plataformas D2C:
Eles comentaram que acredita que a VTEX está bem posicionada para oferecer soluções em razão de requisitos de conformidade e segurança. O CEO adicionou que modelos como da OpenAI fragmentarão ainda mais o controle do tráfego da internet, e “quando a camada de tráfego se fragmenta, o backbone (espinha dorsal) para uma operação multicanal aumenta de valor”.
E disseram que o assunto de IA agêntica já “é um tópico de primeira linha em qualquer RFP (Request for Proposal) hoje”.
Locaweb (Rafael Chamas, Andre Kubota, Igor de Araujo Franco, Alessandro Gil, Williams)
Na Locaweb também tiveram ganhos claros, mas buscaram ser pragmáticos evitando falar de métricas de vaidade:
“Tivemos ganhos de produtividade de 55% no quarto trimestre. Obviamente, a adoção antecipada dessas soluções que alavancam IA no co-desenvolvimento tem sido muito frutífera”.
“A aplicação de IA, no nosso caso, considerará como os clientes realmente se beneficiarão, e não apenas o que chamo de métricas de vaidade… Não estamos criando a camada agêntica porque é legal ou porque todo mundo está fazendo, mas sim porque realmente entendemos que… trazer essas funcionalidades acelera a operação”
Achei um bom ponto como ele coloca que tipo de ferramentas estão mais sucetíveis a disrupação da IA:
“Acredito que a disrupção virá na interface de produtos mais autônomos (standalone) que não estão integrados à jornada… A mesma base que sustentará a teoria da disrupção para alguns produtos que não podemos integrar muito bem… é a base que sustentará a oportunidade que temos de enriquecer essas mesmas jornadas com serviços que integram IA generativa”
Sobre a Infraestrutura e Nuvem da Locaweb Cloud que estão lançando para PME:
“Encontramos as condições ideais para lançar isso agora e fazê-lo, estando muito bem preparados para qualquer execução por parte do cliente em termos de LLM ou agentes de IA ou ‘vibe coding’ para serem integrados e executados dentro desta solução. O momento não poderia ser mais perfeito.”
TOTVS (Dennis Herszkowicz)
A TOTVS trouxe discussões sobre os temas de SaaSpocalypse e a direção para um modelo de negócio baseado em outcome (resultados ou uso), o que eles estão chamando de TaaS (Task as a Service), como evolução do modelo de subscrição do SaaS.
Sobre a morte do SaaS, o CEO da TOTVS foi direto falando da complexidade operacional como uma barreira relevante (com a qual eu tendo a concordar):
“Gostaria de abordar a discussão de que a ‘Gen AI vai matar o software’, que se intensificou nas últimas semanas. Isso me lembrou […] quando falamos sobre o ‘boato de morte’, o relato deliberado da morte de alguém que mais tarde se prova falso. Acreditamos que a frase bem-humorada de Mark Twain: ‘O relato da minha morte foi um exagero’, se aplica perfeitamente aqui.”
“Primeiro, nem todo software é igual. Um ERP é muito mais do que um aplicativo SaaS. Os perfis de clientes também diferem. Existem grandes empresas, PMEs e pequenos negócios.”
“Em geral, observamos o seguinte. Número 1: quanto mais crítico e/ou complexo o software, mais lento é o ritmo de adoção de qualquer nova tecnologia, incluindo IA. Número 2: a adoção dentro das PMEs também é mais lenta.”
“O software de gestão está entre os mais críticos e complexos, e a TOTVS está focada no segmento de PMEs brasileiras. Ainda mais importante, o nível de precisão exigido, os riscos envolvidos em caso de erros e inúmeros outros fatores, tornam a ideia de substituir sistemas de gestão por aplicativos criados pelos próprios usuários em clientes PMEs altamente questionável.”
Os ganhos de eficiência começam a ficar claros com aumento de receita com uma necessidade menor de headcount:
“A inteligência artificial já impacta nossas operações diárias, contribuindo diretamente para a linha de fundo (bottom line) através de ganhos de produtividade interna. A melhor métrica para medir isso é a receita líquida por FTE [funcionário equivalente em tempo integral]… onde registramos um crescimento de mais de 11% no ano fiscal de 2025 versus 2024”
Também, começam a ver uma aceleração de Receitas Recorrentes via TaaS: “A monetização primária vem do TaaS, Task as a Service… os chamados habilitadores de TaaS já estão gerando receitas recorrentes significativas com taxas de crescimento aceleradas. Essas receitas representaram mais de 17% do total em 2025, expandindo 35% versus 2024”
E sobre a redução de tempo de implementação. Ao responder sobre serviços, a gestão revelou que a IA já reduziu o atrito e o tempo (TCO) para novos clientes. “Costumávamos gastar 1.000 horas em um projeto padrão. Hoje, gastamos pouco mais de 500 horas, e claro, é uma das áreas em que mais temos trabalhado. Testamos, implementamos IA e, naturalmente, ela funciona na área de serviços”__
O CEO da TOTVS falou também sobre a expansão do TAM de Software em razão da IA e a redução dos custos, e, segundo ele, esse é um dos motivos do programa de recompra de ações:
“A IA reduzirá os custos de desenvolvimento de software e códigos… Para nós, quando esses custos diminuem, significa que o TCO [Custo Total de Propriedade] para o cliente também diminuirá, toda vez que o TCO cai para um cliente em tecnologia… a atividade será intensificada, ganhará participação e mercado endereçável. É nisso que acreditamos… Anunciamos o maior programa de recompra que já fizemos, provando que acreditamos nesta visão, de que a IA aumenta nosso mercado endereçável”
Globant (Martín Migoya, Diego Tartara, Juan Urthiague, Fernando Matzkin, Arturo Langa)
A Globant é uma empresa Argentina de serviços profissionais e soluções de tecnologia que ajuda grandes empresas globais a construir e transformar suas infraestruturas por meio de engenharia de software e transformação digital. Se os maiores ganhos de software estão em reduzir headcount de engenharia de software, eles estão bastante ameaçados. Mas foi o que mais mostrou coragem de falar sobre “destruir o próprio negócio“ e traz insights de compra de IA pelas grandes empresas.
Sobre a necessidade de reestruturar o modelo de empresas de Professional Services: “A indústria de serviços profissionais está sendo reestruturada neste exato momento. As empresas que possuem a orquestração, a expertise de domínio e o talento para supervisionar a IA em escala definirão o que virá a seguir. […] e estamos determinados a construir o que acreditamos ser a empresa definidora de serviços de tecnologia nativa em IA da próxima década.”
Sobre cobrar por resultados, ao invés de assentos SaaS: “Não estou em posição de impedir a canibalização. Então eu quero que essa transformação aconteça. E isso nos coloca do lado certo, o que significa que, à medida que a IA crescer, continuaremos crescendo”.
Mas ainda está difícil convencer a área de compras: “Esse tem sido um dos nossos maiores desafios. No entanto, à medida que a ideia ganha força na indústria… as equipes de compras estão ficando mais relaxadas… a área de compras adora… sempre que você pode atrelar qualquer ativo que está sendo produzido à quantidade de tokens, e entender essa correlação como o que você está pagando, é muito melhor do que dizer que consumimos x horas para fazer não sei o quê”.
O Nubank, como esperado, comentou bastante sobre IA.
Falaram do Modelo Proprietário de análise de crédito “nuFormer” e dos Ganhos Práticos: “Em IA e expansão global, nosso modelo fundacional ‘nuFormer’ agora está em produção para tomada de decisão de crédito no Brasil e em testes em casos de uso adicionais. A IA já está melhorando a subscrição, a conversão e a qualidade do serviço — com o PIX com IA ultrapassando 10 milhões de usuários ativos mensais”
Sobre como veem a disrupção de IA, oportunidades e desafios para o Nubank:
“Qualquer modelo de negócio que dependa simplesmente de mover bytes do ponto A ao ponto B, onde você é efetivamente um corretor, tende a ser atingido mais rapidamente porque uma das coisas que a tecnologia faz é remover muito desse atrito… negócios em serviços financeiros que estão simplesmente movendo dinheiro de um ponto para outro terão um risco maior de disrupção potencial”
“Nós sempre acreditamos que o crédito, especificamente a receita de crédito, é na verdade o tipo de receita mais sustentável em serviços financeiros por causa da intensidade de capital, da natureza regulatória, do aspecto do balanço patrimonial e da propriedade dos dados, onde a IA desempenha um papel e, em última análise, permite que você tome uma decisão melhor”
“Quando você pensa no fato de que 95% dos lucros de serviços financeiros do mundo ainda estão concentrados em bancos incumbentes que ainda têm estruturas de custo significativamente maiores, significa que estamos muito bem posicionados para aproveitar a IA como um habilitador tecnológico para receita e custo e, em última análise, ser um dos vencedores nesta mudança tecnológica”
Sobre o plano de longo prazo da companhia de investir alto em IA, analistas perguntaram sobre a pressão nos custos, e o CFO foi bem claro em três palavras:
“talento, P&D e GPUs”
Stone (Mateus Scherer)
Apesar da Stone não ser mais considerada uma empresa primariamente de tecnologia, tem um take bom. A Stone tem passado por um período de pressão do mercado – eles anunciaram recentemente uma redução no quadro, argumentando a busca de eficiência, que também foi interpretada pelo uso de IA. Mas no call de resultados se mostraram bem diretos e pragmáticos sobre apostas em inovação e PoCs – que parece que é um pouco o clima de inovação corporativa que o mundo vem passando depois da pandemia.
“O padrão que vemos com mais frequência é o que começamos a chamar de ‘febre de POC’: dezenas de pilotos, cada um pequeno o suficiente para falhar invisivelmente, cada um pequeno demais para importar… Nós escolhemos um caminho diferente”. A crença da Stone é de que “o valor composto de muitas pequenas eficiências, implementadas de forma confiável, superará os projetos espetaculares que nunca saem do laboratório”
XP (Thiago Maffra, Victor Mansur, Andre Parize)
A XP, que sempre foi um entusiasta do modelo do assessor, tem um discurso de que a IA não vai disruptar essas pessoas, mas deverá dar superpoderes a elas.
“Não acreditamos ou não gostamos da ideia de ter um cliente de BRL 1 milhão ou BRL 10 milhões passando apenas por uma IA. Isso não ajuda. Isso não acontece porque este é um negócio de confiança. As pessoas gostam de falar com pessoas quando estão falando sobre suas vidas, seus sonhos.”.
“Temos diferentes agentes de IA aqui para ajudar o assessor a ter mais relacionamento com os clientes, para tirar a carga operacional do assessor… Estamos muito animados com os resultados que estamos obtendo da IA na empresa, mas, novamente, não se trata de substituir o ser humano ou o assessor humano. Trata-se de potencializar o assessor.”.
Ufa, é isso. Para tentar conectar com outras ideias e tirar algo disso tudo, eu tenho esses dois grandes pontos.
Trazendo para o mundo de Startups e VC early-stage
Essas empresas não são de IA, mas são umas das principais da América Latina. Para elas, os moats estão nos dados proprietários, complexidade regulatória e distribuição local que a IA sozinha não replica. Isso reforça que, para startups brasileiras, a IA é um acelerador, não necessariamente um substituto. Ela comprime o tempo de construção de produto, mas o que protege o negócio continua sendo a capacidade de navegar a complexidade local e construir distribuição. Achei interessante o termo de TCO(Total Cost of Ownership), que é todo custo de adoção (tempo, implantação, customização, infra, treinamento etc..) que uma empresa tem ao adotar tecnologia. Uma oportunidade nesse âmbito para founders está em usar IA para atacar o TCO e a implementação nas diversas camadas onde os incumbentes ainda são lentos.
Para quem investe em tech no Brasil, o takeaway é que estamos entrando em um período de compressão de margens antes da expansão. As empresas estão investindo pesado em IA com retorno ainda incerto no curto prazo, o que abre duas janelas: para startups que vendem eficiência comprovada (não PoCs), o timing é bom. E para investidores, vale acompanhar de perto quais dessas empresas abertas vão se tornar consolidadoras de pequenas soluções, comprando pequenas startups verticais de IA que podem ser embutidas e não conseguem construir internamente.
Para quem gosta de Teoria da Agregação, do Ben Thompson, que revolucionou a forma como entendemos negócios na internet (quem não conhece, recomendo ler antes de mais nada): essas novas referências e discussões estão muito interessantes.
Primeiro, recapitulando. A Teoria da Agregação diz que o valor é agregado para a entidade que controla a relação com o usuário. Em negócios digitais, essa relação é assegurada graças não só ao software, mas também à confiança, integração, responsabilidade etc.
Muita coisa tem sido discutida e clarificada sobre IA recentemente, o que ela é e o que está mudando. Dois materiais que vale escutar/ler:
O texto do Nicolas Bustamante fala sobre como os LLMs estão absorvendo as camadas de UX e discovery dos agregadores, e como os dados de oferta devem virar apenas APIs/dados, sem interação direta com as marcas ou com a fonte da informação.
Nessa evolução da teoria, o poder ficará com os LLM, que controlam a interface, e com os proprietários dos dados. Por isso, acredito que é preciso construir produtos com APIs robustas e informações claras a partir de hoje.
…
Já na conversa do Ben Evans com o Ben Thompson, ele traz pontos interessantes dessa teoria com um ângulo questionador para o mercado de SaaS Enterprise, falando bastante sobre a Salesforce como exemplo. Eles mencionam que um agregador força seus suppliers, ou as ofertas de IA, a serem inputs modulares. Colocam mais discussão nesse ponto de “ser apenas uma API”.
Dá para entender que vai além de simplesmente ter um melhor UX. “Para uma grande corporação, não é o mais relevante se a solução roda em Anthropic, OpenAI ou Google, assim como se o servidor é AWS ou GCP. Esse é um problema da empresa de software.”
O que importa é toda a responsabilidade do serviço e da entrega. Por isso, em Enterprise, essas empresas de software ainda são agregadoras de trust, suporte e segurança.
Por fim, vejo que, onde os dois conteúdos convergem, para empresas de software que fazem agregação (e não são plataformas LLM), o maior valor está no contexto dos dados e na propriedade dos dados, e não no modelo em si.
Faça como mais de 6.000 investidores e founders e se inscreva na Newsletter para não perder os insights 👇
