Mês: Maio 2026

Publicado em

Value Investing no Mundo da IA

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.

A Evolução do Framework

Li recentemente uma ótima carta do gestor americano Christopher Tsai, da Tsai Capital, que traça a evolução do Value Investing em quatro eras. Ele descreve a evolução da seguinte forma:

  • 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.

Os intangíveis

A Sparkline Capital lançou recentemente um paper sobre o selloff de software, e traz uma resposta interessante, e de forma empírica, para minha pergunta e a questão dos intangíveis.

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.

Publicado em

Reflexões sobre O que é e Para que servem os “frameworks”

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.

Mas o corrimão te protege do risco, isso é bom para não cair, mas se quiser tentar fazer algo mais arriscado ou mais veloz, como em um Parkour, você não deve usar o corrimão como recomendado.

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.

“O confronto com a ambiguidade, não a orientação para o planejamento, é um grande ativo no early-stage. “

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.

Publicado em

Seis perguntas para a construção do PMF na era da IA

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.

Para relembrar, o ponto de partida mais simples e claro que conheço, sobre desenvolvimento de produto, são os 4 grandes riscos de produto do Marty Cagan:

  • Valor: Os clientes vão comprar ou querer usar isso?
  • Usabilidade: Os clientes vão conseguir ou saber usar isso?
  • Viabilidade: Conseguimos construir o que é preciso com os recursos (tempo, habilidade e tecnologia) que temos?
  • Viabilidade do Negócio: Isso gera rentabilidade para o negócio?

Outro que gosto muito é o da Sequoia:

  • 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.

Eu tenho escrito bastante sobre como a transformação de mercado com IA tem embaralhado o mercado, e gerado diversos questionamentos sobre o futuro das empresas de software. O ponto é que, na ótica do PMF, os elementos de uma unidade atômica estão em transformação rápida e simultânea, e isso enfraquece o PMF de quem não está prestando atenção.

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.

Nosso cliente ainda é humano ou já é agente?

Is Software Losing Its Head? – a16z

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.

Rethinking SaaS metrics for AI – Growth Unhinged

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:

  1. Obsessão pelo cliente, mesmo quando construir parece mais produtivo do que conversar.
  2. Disciplina do processo tradicional de discovery, sem terceirizar julgamento para IA.
  3. Honestidade e agilidade intelectual para questionar os próprios princípios de produto e GTM.
  4. Curiosidade agressiva para incorporar novas ferramentas e direção estratégica.
  5. 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.

Publicado em

Monthly Recap de Abril/26 | Conversas abertas / notas de campo

Esse texto foi inicialmente enviado na edição Monthly Recap – Abril/26 da newsletter da DealflowBR.

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.