Nos últimos meses, eu escrevi sobre o processo de “unbundling” do trabalho gerado pela IA, e como a proposta de valor das empresas de software precisou mudar para vender tarefa ou serviço, ao invés de apenas o software.
O SaaS mapeou o workflow e dividiu em blocos, estágios e passo a passo. Onde o pedido entra, onde o pagamento liquida, onde o dado fica guardado. O que ele não descreve bem foram as nuances e o dia a dia do trabalho real que mantém o workflow funcionando. O analista que abre o e-mail de um cliente irritado, reconhece um caso que já viu três ou quatro vezes na carreira, e leva alguns minutos pensando se reembolsa ou contesta o cliente. Nenhum campo do CRM registra essa decisão. Ela é o produto. O back-office que abre o PDF da invoice, confere se os números batem e roteia para a pessoa certa dentro de uma rede de milhares de prestadores. Esse é um trabalho chave, caro, que fica em algum lugar entre o software e o humano, executado por firmas de serviço de BPOs ou pelos próprios funcionários do cliente.
No texto, também comento que os pontos de entrada das empresas de AI Software mais usuais que tenho visto são diretamente por meio da troca da empresa de serviço por uma Service-as-Software ou substituir as camadas de processamento humano das camadas de registro com IA.
Essa é a essência dos AI-Native Services.
Depois de alguns meses e algumas de conversas, estudos, evolução de modelos e algumas reflexões, tenho bastante convicção nesse caminho de oportunidade de usar a IA para geração de valor para a sociedade e envolvidos. Então, quero compartilhar de uma forma mais clara essa tese, reforçar os fatores que estão impulsionando a sua adoção, os desafios e, principalmente, alguns frameworks práticos para avaliar e discutir quais negócios B2B estão maduros para se tornarem um AI-Native Service. O intuito é trazer embasamento, engajamento e discussão para essa tese.
Ainda estamos numa fase inicial, com pouca amostra de causa e efeito, mas já começamos a ver em algumas startups um movimento de empresas posicionando para AI Native Services.
Por que aqui, e agora?
Com a IA, começa a ser possível programar o julgamento, tornando a entrega do trabalho mais complexo algo concreto. E, no caso da contratação de serviços, o orçamento ou a linha da despesa já está lá para pagar por aquele trabalho. Já existe o willingness to pay. Isso é bem relevante, pois para grande parte dos serviços oferecidos hoje, não é preciso aprovar uma nova linha de despesa.
O exemplo mais claro para mim é o do contador. Toda empresa precisa de um, é uma linha de serviço que praticamente já nasce junto com o CNPJ. E, conforme as empresas ganham maturidade e terceirizam algumas funções, sejam operacionais ou de especialistas, trazem outros serviços que se tornam básicos para operar, como BPOs, agências de marketing, facilities etc. Na prática, boa parte da força de trabalho de uma empresa já é ou pode estar fora da folha, por meio de uma prestadora terceirizada.
Então, não é preciso vender um projeto novo dentro do cliente, e por isso o atrito de adoção é muito menor. Se o serviço é melhor, mais barato e com retorno mais claro, a probabilidade de troca é alta. O desafio passa a ser outro: vencer o switching cost e a confiança.
A Sequoia trouxe que a proporção de que para cada dólar gasto em software existem seis gastos em serviços. A distância do potencial que consigo ver, por exemplo, é que o mercado de contadores no Brasil é de R$ 85 bilhões ao ano, contando com mais de 520 mil profissionais registrados e cerca de 100 mil empresas contábeis ativas no país, e o mercado de ERP é de R$ 12,6 bilhões. Portanto, o mercado de contadores é cerca de 7x maior. O dinheiro em serviço é maior justamente porque o trabalho exigia julgamento e, até então, software não conseguia fazer julgamento. Além disso, com software fazendo julgamentos melhores no geral e mais barato, a demanda tende a crescer pelo serviço.
Existem, obviamente, desafios do Brasil que podem ser oportunidades para quem sabe jogar localmente. Para serviços em cima da camada de IA, o custo de inferência é em dólar e a receita é em real. É por isso que acredito ainda mais em um modelo de cobrança o mais próximo possível da proxy de resultado do serviço, que permite cobrar pelo trabalho, conta conciliada ou problema resolvido, sem encargos trabalhistas ou provisões de litígio trabalhista das empresas, como de serviços de atendimento, cobrança e back-office. Permite maior escala, já que empresas tradicionais de serviços precisam contratar humanos linearmente à sua receita, e do outro lado, o alinhamento contábil do preço pago por resultado.
Outro ponto é regulatório. Quais serão as “algemas” (no vocabulário do framework 3H que vou comentar adiante) que os órgãos regulatórios vão exigir desses serviços? Como vai ser o papel do profissional daquela área, o quanto ele precisa arcar e atestar com os riscos regulatórios? Por exemplo, OAB, CFC, CRECI, etc… cada uma exigindo profissional certificado assinando o entregável. Isso pode limitar o potencial da automação, mas também pode ser um moat ou uma complexidade que traz oportunidades.
Esses dois últimos pontos, como câmbio e regulatório, talvez possam ser pontos mais amplos do Brasil que tornam a tese diferente do que a gente vai ler nas mídias de tecnologia e de IA. Por isso, em algumas áreas não vai ser possível apenas replicar o que é feito ou visto lá fora. Founder que pensarem e arquitetarem com expertise setorial local devem ter vantagens para construir negócios grandes no Brasil.
Então, como decidir
Três frameworks que li nos últimos meses, que quero trazer e comentar. Eles trazem, o que considero as três perguntas cruciais na hora de racionalizar se faz sentido construir um AI-native Service para tal categoria de serviço e tal mercado.
Existem desafios que ainda categorizam serviços como AI-enabled, onde existem questões operacionais de tecnologia ou regulação que colocam a necessidade de humano no loop ainda, mas amplificam muito a produtividade da prestação do serviço. Por outro lado, se o serviço depende apenas de processamento de informação, como processamento de sinistros, emissões de apólices, revisão de notas fiscais e extratos, o potencial de automação completa é muito maior.
O primeiro framework ajuda a responder isso.
Quanto desse trabalho a IA consegue abraçar?
O primeiro é o 3H, da Delta. Esse modelo sugere que nenhum serviço vai a 100% de automação, e buscar entender as restrições ajuda a identificar o potencial de automação da categoria de serviço para melhor arquitetura da unidade de valor e de crescimento.
Essas restrições são:
Depois disso, é possível entender e comparar algumas atividades, por exemplo:
Esses são alguns exercícios generalizados nas áreas. Entendo que é preciso analisar de forma específica para cada tipo de serviço dentro de cada área (área de M&A vs. contencioso), perfil de segmento e mercado da oferta (alto vs. baixo valor agregado) e questões locais ou de nichos (como regulação, culturais etc…).
Segundo o framework, é uma análise do potencial daquela oportunidade em relação ao mercado:
Esse mercado tem um potencial muito grande (de Venture Capital)?
Depois de entender o fit da IA com o mercado do serviço, é interessante usar o framework do Patrick Salyer, VC da Mayfield. Ele sugere um scorecard com 8 perguntas.
- Tamanho de mercado: O mercado é grande o suficiente para o objetivo da empreitada (exit de venture capital)?
- Fragmentação: existe espaço para um entrante ou o setor é dominado por poucos?
- Qualidade da receita: o modelo é recorrente ou na maioria das vezes são projetos pontuais?
- Impacto do produto da IA: O produto faz o serviço ficar materialmente melhor, ou apenas mais barato ou rápido?
- Data flywheel: Cada interação melhora o serviço para o próximo cliente?
- Switching cost: Depois de implantado, é difícil sair / tirar?
- Modelo de negócio: Existe mudança estrutural e irreversível de margem bruta?
- Competitividade: Oceano vermelho ou azul, novos entrantes financiados por VC ou é um mar azul ainda?
No geral, são critérios de análise base para venture, mas é framework claro que nos ajuda a questionar e discutir. Particularmente, acredito que os itens 4 e 5 são onde vejo founders com mais dificuldade para responder ou ter clareza. Os itens 7 e 8 são chave para chegar a escala e cruzar abismos.
O próximo framework se aprofunda nos itens 4 e 7.
A IA está funcionando no serviço ou só parece que está?
Essa pergunta veio do material da Emergence Capital. Eles trazem o conceito de “a miragem de product-market fit” desse mercado, que é o crescimento de receita através do trabalho humano, e não da alavancagem da IA.
Ele traz alguns pontos de métricas para analisarmos:
- Margem bruta: é preciso que ela expanda à medida que o volume de serviços aumente, pois a IA estará fazendo mais trabalho. É preciso ser honesto com o que está no COGS, principalmente os humanos no loop da prestadora, que precisam estar na linha de custo, com custos de inferência, API, cloud etc. Aqui, como comentei, o COGS está muito atrelado ao dólar, e é importante monitorar câmbio se os custos de inferência pela IA forem muito relevantes.
- ARR/FTE: Essa é a métrica de eficiência mais clara. Em serviços de IA, ela faz parte da modelagem financeira do produto.
- A entrega do serviço: Se precisa de mais pessoas, de forma linear, conforme novas entregas surgem, isso soa como uma empresa tradicional de serviços.
- Personalização do serviço: É preciso buscar a produtização. Se cada cliente exige personalização da engenharia, não há produto ou escala.
- North-star-metric de produtização: É preciso ter clareza de uma métrica que demonstra que a IA está escalando na entrega do produto. Aqui sugerem a ‘HURT’ (Human Review Time ou Tempo de Revisão Humana), ou seja, quantos minutos de trabalho humano são necessários por documento (ou tarefa) após o processamento pela IA, sem sacrificar a qualidade. À medida que o HURT se aproxima de zero, as margens se aproximam das margens de software. É importante pensar em uma definição de métricas para isso.
Serviço é a entrega de um fluxo de trabalho de ponta a ponta. Para enxugar a complexidade de workflow, limitar escopos, é preciso ter foco no Job-to-be-done e ICP. Esse é o conceito básico de PMF, onde buscamos encontrar automações e casos de uso para workflow que possam ser replicáveis.
Os desafios de quem constrói
Agora, vamos falar um pouco de alguns desafios mapeados para empresas que estão se aventurando na tese.
É preciso comandar o workflow ou os dados
Apenas automatizar o serviço, com o custo de inteligência se reduzindo, é um jogo de preço e estratégia de baixo custo, que não faz sentido para um novo entrante jogar. Então, não adianta apenas executar o serviço sem ter um workflow ou trafegar os dados de forma proprietária. Esse é de fato onde está o diferencial para Go-To-Market, e forma de criar as vantagens competitivas.
Envolve o que escrevi sobre Model Market fit, e o que acontece com o seu negócio se o modelo ficar melhor? É uma ameaça ou uma oportunidade?
Crescer, produtizar e entregar
A empresa de AI-Native Services precisa construir três frentes ao mesmo tempo: uma máquina de vendas para crescer, na produtização para escalar e expandir margem, e na operação de entrega para manter a qualidade do serviço. É difícil investir nos três ao mesmo tempo. Por isso, talvez, a verticalização seja a melhor forma de reduzir esse dilema, com um escopo menor de workflow para produtizar e um ICP mais claro para vender
A confiança do prestador
Em serviços profissionais, a confiança sempre foi um fator muito importante. Ninguém ainda contrata uma firma de serviços pelo software ou pelos engenheiros que tem dentro de casa.
Esse é um desafio de cold start para a tese de Empresas de AI Native Services. Ter pessoas com autoridade no setor ajuda. No início, é preciso ter emprestado a credibilidade, se os founders não tiverem, contratando pessoas respeitadas na indústria ou por meio de parcerias.
O outro lado mais ousado disso é exercer a confiança assumindo a responsabilidade pelo desfecho, e se é algo que a empresa ofertante quer ter no seu modelo de negócio. É um grande risco embutido, mas pode ser uma grande vantagem competitiva profunda para a empresa que sabe fazer.
O que já vejo no Brasil
Nesses últimos meses e semanas, mapeando os setores de serviço, analisando oportunidades e conversando com fundadores, tive algumas leituras iniciais sobre o mercado local para quem está se aventurando no Brasil:
1) Alguns setores já estão avançando bem com uma proposta similar à de serviços:
- Jurídico: várias empresas já atuam, mas o caso da Enter, primeiro unicórnio de IA da América Latina, US$ 1,2 bi de valuation na Série B de R$ 500 mi liderada pela Founders Fund em maio de 2026, com ~300 mil processos por ano e R$ 50 mi de ARR reportado em 2025. Segundo seu website, a Enter mantém revisão humana no loop (lembra do framework 3H acima?).
- Pagamentos de saúde / Billing hospitalar: Recentemente, observamos movimentações de rodadas de investimentos significativas nessa área em empresas como Arvo, RIVIO, Revena, Autorizaí etc. Sem dúvida, esse é um mercado sendo transformado no Brasil.
- Contact Center: Cobrança e atendimento em instituições financeiras estão sendo transformados por IA com empresas como a Monest, Fintalk, que busca atuar na área de contact centers.
Além disso, é possível ver alguns cases surgindo em outras áreas, como a de agências de viagens, corretores de seguros etc.
2) A segunda leitura é que muitos ainda vendem só a ferramenta, e ainda não se adentrou ao serviço
- A grande maioria dos setores já usa IA como interface de relacionamento com o cliente, mas a maioria das empresas ainda não conseguiu emplacar serviços, ainda. Setores como o de corretoras imobiliárias, por exemplo, existem diversas ferramentas para o corretor gerenciar suas interações com os clientes. Do mesmo jeito, HR Techs que vendem triagem e análise de candidatos e não a contratação, como agências de recrutamento.
No geral, vejo diversos setores com oportunidade para soluções de tecnologia proverem serviços. Mercado de serviço é muito maior que o de software, e orçamento já está aí, com uma capacidade grande de penetração de empresas de tecnologia com soluções de IA. Mas é preciso de uma arquitetura diferenciada, que visa a entrega de ponta a ponta, visando um resultado ou uma expectativa de entrega do trabalho, o que não é tão usual em software atualmente.
Dito isso, é uma tese que cada vez mais ganho convicção. Se você está construindo no espaço, vou adorar conhecer e explorar como posso ajudar, ou apenas pontuar algo ou debater, só me encontrar nas redes.
Com a IA fazendo o trabalho, o serviço vira produto was originally published in DealflowBR on Medium, where people are continuing the conversation by highlighting and responding to this story.
