Tenho solicitado aos founders alguns materiais básicos ao longo do processo, materiais básicos ao longo do processo, material que, na minha visão, o founder já deveria ter pronto. Esses dados, além de um material de pitch deck, representam mais de 80% das informações que preciso para tomar decisão. Se quiser velocidade e tração para o processo, é importante ter em mãos documentos para mostrar com dados:
O que representa a tração comercial ou de produto que você está comentando? Pode ser uma dashboard comercial como visualização de funil, planilha comercial, métricas de vendas. Em caso de pré-product market fit, demonstre o uso do produto e evidências de que já está gerando resultado. Análises de cohort são o ideal nesse momento.
Qual é a expectativa de uso dos recursos da rodada e qual o estado da empresa ao final desse estágio? Plano de negócios com a expectativa de queima de caixa mensal, alocação e contratação de recursos e equipe, runway, milestones, e premissas e modelagem do crescimento da receita. Já comentei em outros posts de como vejo a gestão de caixa (aqui e aqui) e como pode ajudar a desenhar.
Qual o diferencial e features do produto? Demo do produto ou uma licença de uso/teste do produto.
Isso deveria estar pronto antes de sair ao mercado, para o founder controlar e cadenciar o processo. Ao longo das reuniões, e à medida que avança, ir compartilhando os materiais. Meu ponto, no fim, é que é preciso responder a essas perguntas com base sólida para poder avançar com o investidor, e se não tiver clareza e prova do que está falando, dificilmente virá a convicção do investidor.
Quando fazer cold call para investidores funciona
Founders que não têm um network relevante precisam expandir se querem entrar na trilha de VC, pois, como comento bastante aqui: 1) uma rodada de VC é como um processo de vendas e pipeline, é preciso encher o funil para converter um percentual muito baixo e 2) a pessoa no papel de CEO/cofundador precisará prever e executar pelo menos 3 a 4 rodadas de investimento para fazer sentido na trilha.
Dito isso, o cold call pode funcionar para essa abertura de network, mas é muito difícil para captação diretamente, em si. Portanto, o momento que mais funciona, por exemplo, é para abrir o relacionamento e se conhecerem. Ganchos de uma mensagem fria de abertura de contato podem funcionar quando, por exemplo, o investidor estiver em algum evento em que você vai estar, ou você estiver visitando a cidade do investidor para tomar um café ou, mesmo, após levantar a sua rodada pensando em abrir o relacionamento para uma próxima. Seja autêntico e honesto com o tempo de todos.
É importante entender que para construir relacionamento exige tempo, e ter em mente que o seu network construído de VC deve contemplar a conexão com quem decide para ser efetivo. Quem você se conecta importa muito. Analistas e associates são ótimos, geralmente muito talentosos, às vezes podem ter insights para trocar, mas, para construção de network para próximas rodadas, é preciso entender a influência deles dentro do processo e perante os sócios da gestora. É preciso entender se ele está de fato interessado e comprado, e irá levar para os sócios, ou se é só uma reunião de screening.
Como modelar o GTM para atacar IA e serviços
Meu último post sobre AI Native Services gerou diversas boas conversas sobre a modelagem desse negócio. O centro das discussões era em como pensar por onde começar para abraçar a oferta e o mercado de Serviços. Interessante que surgiram nas conversas vários ângulos de modelagem de negócio e estratégicos. Alguns ângulos que surgiram:
Virar uma empresa de serviço: Aqui é a forma mais simples. É ofertar o serviço e entregar a tarefa final esperada, a partir da sua empresa, rodando dentro da sua esteira e workflow mais eficiente e com diferenciais competitivos trazidos pela IA (mais rápido, barato, melhor ROI, etc…).
Vender o workflow de IA para quem opera o serviço: Vender o sistema de agentes inteligentes ou de ação para empresas de serviço tradicionais serem AI-enabled ou AI-powered.
Rollups de empresas do setor: Comprar empresas de serviço, com sua base de clientes, e reestruturar para uma empresa de serviços AI-First, acelerando o crescimento e margens.
Embutir o workflow da prestação de serviço em negócios adjacentes ou em plataformas: Acoplar o serviço em canais e soluções de parceiros estratégicos, em que seu serviço não seja o core deste parceiro.
Essa nota é exploratória e ainda não tem nenhum fechamento, mas pode trazer alguns caminhos novos para quem não pensou.
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 empresas 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 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 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 de 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.
Em resumo: o custo marginal quase zero do SaaS acabou. A inferência torna o COGS variável e comprime a margem bruta. Restam duas alavancas: otimizar a infraestrutura e cobrar por resultado. A receita de IA não terá a qualidade da do SaaS, e tudo bem. Desde que seja aposta consciente, não vazamento de custos, vale aceitar margem menor para construir o que dura.
Em 2024, escrevi um post “Sobre Margem Bruta trazendo a ideia de que a margem bruta é o principal indicador da captura de valor da entrega do produto, e é o centro da eficiência do modelo de negócio. Por isso, o LTV(lifetime value) de um cliente deve ser calculado sobre o lucro bruto, não sobre a receita. Agora, a física por trás desse indicador está mudando e afeta todo o DRE.
O fim do custo marginal zero do SaaS
O SaaS clássico ‘foi’ um modelo excelente porque tinha custo marginal próximo de zero. Uma vez construído o produto, atender mais um usuário não custava quase nada, basicamente apenas alguns custos de hospedagem. Era daí que vinha a margem de 80% a 90% que o mercado se acostumou a tratar como padrão do SaaS. Maravilhoso.
Agora, com modelos de negócios baseados em IA, isso muda. A cada interação do usuário com a IA, o modelo roda e consome tokens, tempo de GPU e chamadas de API. O treino do modelo é um custo de capital único, mas a inferência é uma despesa operacional contínua, e ela representa de 80% a 90% desse custo.
O que está acontecendo é que o preço por token dos modelos de fundação caiu, cerca de mil vezes em três anos. Mas o consumo disparou e tende a disparar ainda mais, por exemplo, com os fluxos agênticos cada vez mais complexos sendo criados a todo instante. É o Paradoxo de Jevons aplicado ao software sobre o qual tenho comentado, que ficou mais barato por unidade e mais caro no total.
Então, o COGS em empresas AI-first de Software virou na sua maioria variável, escala com o uso e muda a natureza do modelo de negócio.
Ainda não está claro qual patamar cravar como benchmark de margem bruta de uma empresa AI-first, e os dados agregados explicam por quê. Isso porque diversas placas tectônicas abaixo do software (energia, data centers, infraestruturas, Foundation Models) estão se movendo todo dia, e rapidamente, além de muita otimização sendo possível.
Vale o contraponto que o relatório Beyond Benchmarks 2026 da Emergence (que compartilho como leituras interessantes abaixo, também), com P&Ls de mais de 10 mil empresas, mostra que a margem bruta mediana não caiu, mas ela subiu de 3 a 5 pontos entre 2023 e 2025, terminando entre 68% e 72%. Primeiro, o relatório é de empresas AI-Native. Nas palavras deles, “the data does not fully support [inference eating margins] yet”. O “yet”(ou “ainda” em português) é a palavra que reforça o ponto que não está claro.
Isso também pode acontecer porque sabemos que muitas empresas early-stage costumam ser subsidiadas com créditos de nuvem (AWS, GCP, Azure, OCI), e agora compute (basicamente NVIDIA, ou até consórcios com VCs e outras big techs). Essa arbitragem de créditos acaba e as empresas precisam confrontar com os reais custos de infraestrutura (que também tende a comoditizar no longo prazo).
Com isso, as apostas estratégicas de médio e longo prazo precisam ser pensadas dos dois lados: o do modelo de receita e o da infraestrutura de IA. É isso que vai redefinir a margem bruta, o fluxo de caixa e, por fim, os valuations. Sabendo que isso vai mudar, é preciso abraçar essa mudança e buscar a captura de valor em outras alavancas, como aumento de TAM, NRR(Net Revenue Rate), redução de CAC com maior adoção e conversão de clientes, como exemplos.
O que o mercado de capitais está questionando e os CFOs estão respondendo
Eu gosto de ouvir o que o mercado de capitais e as grandes empresas de tecnologia estão perguntando e respondendo, nesse caso sobre margem bruta, para buscar uma pista do que pode ser o futuro de empresas de software que usam ou vendem IA. Algumas coisas que capturei de interessante (em tradução livre):
ServiceNow
Na conferência da ServiceNow, a analista Gabriela Borges (Goldman Sachs) questionou diretamente a CFO sobre a pressão na margem de lucro bruto: “Quanto do tailwind na margem bruta proveniente de custos de inferência de LLM e chamadas de API é temporário versus estrutural?”.
Resposta da CFO: “A maior parte disso é, na verdade, nosso foco muito estratégico em mudar mais para hyperscalers que têm margens brutas ligeiramente mais baixas neste estágio do jogo […] estamos compensando qualquer vento contrário abaixo da linha com eficiências.” Ela garantiu ainda que a empresa manterá um “aumento contínuo de margem na linha de base (bottom line), tanto de uma perspectiva de margem operacional quanto de fluxo de caixa livre.”
Snowflake
Na teleconferência da Snowflake, o analista Matt Hedberg (RBC) notou que as margens brutas da empresa caíram cerca de um ponto no ano e perguntou: “Com todos os investimentos que vocês estão fazendo, vocês sentem que a casa dos 70% médios é um lugar estável para as margens brutas, especialmente olhando para daqui a alguns anos?”.
A resposta do CFO da Snowflake, Brian Robbins, confirma a pressão da IA na margem, mas sinaliza que pretende compensá-la com eficiências no negócio principal: “Nós lançamos muitos produtos novos de IA. O perfil de margem para eles neste momento não é tão alto quanto o negócio principal. Estamos compensando isso encontrando mais eficiências no negócio principal. […] Faremos o que for certo para impulsionar o crescimento e equilibraremos isso em toda a linha, no nível da margem operacional.”
Datadog
Na Datadog, que é uma plataforma de observabilidade, o analista Howard Ma (Guggenheim) levantou um ponto interessante sobre heavy users e mercado de empresas nativas de IA: “Os grandes clientes nativos de IA são significativamente diluidores para a margem bruta? E ao pensar no guidance inicial de margem para 2026, quanto disso reflete uma margem bruta potencialmente menor ligada a esses clientes versus investimentos incrementais?
A resposta do CFO da Datadog, David Obstler, negou que as cargas de IA representem um dreno desproporcional por si só: “Em uma média ponderada, eles não são. Como sempre dissemos, para clientes maiores, não se trata de ser nativo de IA ou não nativo de IA, tem a ver com o tamanho do cliente. Temos uma base de clientes altamente diversificada. […] E há investimentos contínuos e consistentes em nossa margem bruta, incluindo data centers e o desenvolvimento da plataforma. Portanto, eu diria que é mais ou menos o que vimos nos últimos anos, não sendo realmente afetado por [serem clientes] nativos de IA ou não.”
…
Os três dizem, no fundo, a mesma frase que a margem cai em cima(na margem bruta), mas buscam segurar embaixo(no bottom line). A questão é se isso é eficiência de verdade ou apenas reclassificação entre linhas de custo.
COGS: Entre a eficiência e a reclassificação
O maior degrau de margem é, de fato, a inferência e as chamadas de API, algo entre 4% e 9% da receita. Porém, o que me parece menos olhado são outros custos, que antes eram considerados apenas despesa, mas que agora são custo direto e obrigatório para produzir valor.
Além das chamadas de API de LLMs e custos de inferência, tem os bancos de dados vetoriais, de 1% a 3% da receita, que são a infraestrutura de contexto e recuperação cada vez mais relevante. Também são esperados custos de observabilidade, de 0,5% a 1,5%, porque uma carga de IA gera de cinco a dez vezes mais volume de rastreamento que um software comum, e sem isso você não sabe o que o modelo está fazendo nem por que quebrou. E tem a engenharia de avaliação, de 1% a 3%, os times que existem porque os modelos de fundação mudam toda semana e o produto degrada sem manutenção contínua. Historicamente, isso seria classificado como P&D discricionário, mas não é mais.
Para sobreviver a essa compressão, na parte de COGS, é preciso repensar a arquitetura e engenharia do produto. As empresas estão sendo forçadas a fazer duas coisas em paralelo. A primeira é otimizar a infraestrutura, usando roteamento, caching e direcionando para modelos menores, proprietários e mais baratos para as tarefas simples, e reservando os modelos de fronteira para o que de fato exige, além de usar hardware mais baratos.
Para empresas de software, o redirecionamento e modelos proprietários são onde pode estar uma vantagem competitiva. O resto, hoje, me parece mais simples de replicar ou está mais disponível no mercado.
Se vender software de IA é atrelado a inferência, segunda coisa é sobre como precificar.
O que está mudando na receita das empresas AI-first
A segunda alavanca é reestruturar o modelo de negócio. Dado esse cenário de custos, as duas formas mais claras de precificar hoje são em relação ao custo (cost-based) ou ao valor (value/outcome-based). Nenhuma das duas é ainda a forma mais usual de comprar software, mas a que mais alinha cliente e fornecedor parece ser cobrar atrelado a um resultado. O cliente paga um pedaço do ROI que recebe, e o fornecedor desatrela a entrega de valor do custo variável linear, ganhando margem.
Mas existem diversos desafios evidentes, como definir claramente o que é o resultado esperado e garantir que de fato ele vai gerar valor para o cliente.
Outro desafio, que pode se juntar a esse anterior, é que conselhos e CFOs tradicionalmente buscam previsibilidade orçamentária. O CEO da ServiceNow relatou um caso emblemático em que a plataforma substituiu um sistema de CRM legado e gerou uma economia brutal de US$ 682 milhões para o cliente. Nesse caso, se o fornecedor pedisse uma porcentagem desse “resultado”, a fatura seria estratosférica. O próprio CEO contou que ofereceu cobrar uma porcentagem dos US$ 682 milhões economizados, e foi o cliente que recuou, dizendo preferir a previsibilidade da cobrança por assentos. Não será trivial, e os compradores deverão resistir. Ou seja, se a IA for boa demais, os compradores, principalmente as empresas maiores, vão exigir o modelo fixo para reter todo o excedente de valor para si. Para mim, isso é o verdadeiro pricing power de SaaS hoje em dia. Acredito que será um cabo de guerra nas negociações corporativas, em breve.
Esse assunto deve fazer parte da discussão de todo processo de GTM e design organizacional. O outcome-based pricing muda drasticamente a forma tradicional de como os Executivos de Contas(AEs) de Software são tradicionalmente comissionados. Se a receita depende do sucesso contínuo da IA, como o vendedor dimensiona um negócio no momento da assinatura? Como ele ganha comissão sobre algo que só vai gerar faturamento ao longo dos meses e que depende da assertividade do produto? Isso transfere o peso da receita de vendas para as equipes de Customer Success ou para os Forward Deployment Engineers, e exige uma reestruturação organizacional de toda a empresa.
Como olhar para a Margem Bruta
A saída que vejo é em um caminho pragmático. O consumo de tokens tem emergido como a unidade que o usuário entende para orçar e enxergar a troca de valor, e isso ajuda. Cobrar por proxies de resultado, como volume de conversas ou ticket resolvido, costuma ser mais limpo do que cobrar por resultado puro, cuja atribuição é cara e arriscada. Modelos híbridos, com base fixa mais consumo, equilibram os dois lados. Eu tenho tido mais perguntas que respostas ultimamente.
No fim, a qualidade da receita de produtos de IA não será como a do SaaS, e tudo bem. Acredito que, neste momento, as empresas precisam abraçar uma margem menor para avançar em mercados e construir o que de fato dura e protege o negócio lá na frente, como loops de dados, posicionamento e relação de longo prazo com o cliente. É o que as AI Supernovas estão fazendo, e já vimos a mesma estratégia em outros modelos, aceitar margem baixa para acelerar escala e efeitos de rede. Só é crucial existir essa vantagem competitiva no médio e longo prazo. Porque essa vantagem competitiva existe de verdade no médio e longo prazo. Porque margem baixa, como escrevi em 2024, continua sendo uma aposta legítima. Desde que você saiba, e consiga provar, que é uma aposta, e não uma espécie de vazamento. Isso realmente tem valor.
Em fevereiro de 2026, o software perdeu US$ 1 tri em poucas semanas. A tese do momento virou “IA vai matar o SaaS”. E vimos Hedge funds shorteando, múltiplos no piso histórico.
Tive a honra de ser convidado pela Anjos do Brasil para falar desse “SaaSpocalypse” e discutirmos: – Qual é a fundamentação dessa narrativa? Muita coisa está mudando, e algumas são exageradas. Eu trouxe uma análise usando o framework dos 5T’s (TAM, Tech, Team, Terms e Trenches). – O que devemos levar em conta como investidores do Brasil? O jogo está diferente, mas ainda a complexidade operacional, regulação e distribuição proprietária local do Brasil são grandes oportunidades… – O que podemos aprender com o SaaSpocalypse? Para uma melhor avaliação em empresas de software, sempre foi sobre crescimento, e, agora, como está posicionada para IA.
Em resumo: A IA reescreve ao mesmo tempo os quatro elementos da unidade de crescimento (mercado, produto, distribuição e modelo) e enfraquece o PMF de quem não está prestando atenção. O que não muda: discovery e o julgamento único do founder. O que muda: vender o trabalho executado em vez da ferramenta, o cliente que vira agente, a cobrança por resultado e a distribuição que volta a ser o gargalo que a IA ainda não resolveu.
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.
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.
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.
Neste momento, várias temáticas estão remodelando o mercado de VC globalmente, e discutindo uma remodelação da classe de ativo: Agentes de IA no processo de investimento, a concentração dos investimentos em Mega fundos, o SaaSpocalipse, as Plataformas de LLM / ClaudeCode / OpenClaw, fatores macro e geopolíticos atuais etc… Além de sobrecarregado de tantas ideias, me questiono como um investidor de VC no Brasil navega isso com as oportunidades locais. E, o meu lado otimista vê o jogo do VC no Brasil com características próprias, com ainda grandes oportunidades para quem está aqui.
Acho importante começar estabelecendo que a principal característica que vejo do cenário global de VC é a da Lei de Potência extrema e polarização do capital, onde:
Megafund estão absorvendo a maior parte do capital de VC, investindo 33% do capital em 1% dos deals.
Do outro lado, as rodadas abaixo da mediana captam apenas 7% do total.
O cenário ficou polarizado com, de um lado, os kingmakers colocando bilhões em empresas desde o início para garantir escala a qualquer custo. Do outro, o jogo tradicional do VC.
Dada essa análise, trazendo para a realidade daqui, então, provavelmente eu e você estamos no jogo dos outros 99% dos deals (com os 2/3 restantes do capital global). Nesse jogo dos 99%, a grande maioria está falando ainda de deals em Software e IA, que estão enfrentando e executando todo desembaralhar de workflows através de vibecoding e as plataformas LLM. Isso tem levantado questões como: onde estão os verdadeiros moats e vantagens competitivas que vão durar?
Dentro desse cenário, eu ainda acredito que no Brasil ainda há um jogo local para se jogar. Um lugar com grandes mercados e grandes oportunidades inexploradas aqui. Esse tweet(recortado) do Balaji escreve algumas coisas que ainda são importantes na Era de IA, e vejo o aspecto de visão dos fundadores locais, e os de negócios como aspectos geográficos, de comunidade(ou rede e ecossistemas), a escassez, a fisicalidade e a resiliência da região ainda criam arbitragens:
Se pensarmos em empresas que cresceram muito aqui na última década, apesar de terem bons times de tecnologia e produto, a capacidade de código nunca foi a principal vantagem, e sim alguns aspectos como:
Rede de Distribuição proprietária (Omie, Nuvemshop, Flash etc…)
Integração e Complexidade Operacional local (Loggi, Kavak, etc…)
Compliance e Regulação local (QITech, Dock, Kanastra etc…)
Sistemas com Vantagem de Dados Proprietários (Unico, Cloudwalk etc…)
Acredito que a dinâmica, conhecimento e presença local serão ainda relevantes, principalmente da minha perspectiva como VC em early-stage.
E a IA?
IA é a tecnologia. Ela se tornou a arma. E a categoria de Agentes de IA é o campo de batalha onde se disputa quem vai entregar mais valor, mais experiência e maior personalização para o cliente final, na atual expectativa e demanda dos clientes por essa tecnologia. E esse campo de batalha ainda tem muito espaço.
Às vezes a gente esquece que vivemos em uma ‘bolha de tech’, e por isso parece que a adoção de IA já está saturada. De fato, é overwhelming ver milhares de notícias de novos modelos, novos agentes, rodadas bilionárias, conteúdo sobre – e gerado por – IA – mas não é bem assim. A economia real ainda está distante.
Por exemplo, a metade do consumo de agentes de IA hoje é só em uma categoria (de acordo com Claude Code e API da Anthropic). A própria Anthropic descreve o momento como “early days of agent adoption”. Desenvolvedores de software foram os primeiros a construir e usar ferramentas agentic em escala. Todos os outros setores estão apenas começando a testar.
E é justamente aí que entra a oportunidade para a região. O Brasil, e a América Latina de forma mais ampla, têm uma competência comprovada em criar plataformas e infraestrutura que atendem setores específicos e aplicações verticais, sejam B2B ou B2C. Soluções SMBs, marketplaces verticais, fintechs, agrotechs, healthtechs etc… A presença local é uma vantagem real. Conhecer a regulação, os processos operacionais, as idiossincrasias do mercado. Acho que não vai ser fácil replicar isso de fora. É onde acredito que há mais espaço e onde continuaremos a ver novas empresas surgindo.
A adoção de IA começa a tracionar por aqui, mas o uso em escala, principalmente no mercado empresarial brasileiro, está longe. Como nas revoluções tecnológicass, para chegarmos a uma maturidade, o direcionamento do budget precisa vir depois da comprovação da produtividade. O budget hoje, na grande maioria, é em atividades experimentais, lideradas por Diretores, e não CEO e Conselho. Não há linhas de investimento sustentadas, exceto a de novas experimentações ou pilotos.
Algumas dessas empresas mencionadas acima são os Gorillas da região, que construíram seus castelos e fortalezas e ainda têm um bom exército, e de fato estão bem posicionados. Mas os novos entrantes e novas soluções estão sendo criadas a partir de empresas nativas e otimizadas por IA, remodelando a unidade de trabalho com sistemas de ação.
Dito tudo isso, eu acho que no Brasil ainda há uma oportunidade de atacar os gargalos locais e criar os seus data models, construção de estratégias com benefício e efeito de rede dentro de verticais, que são grandes, mas ainda pouco exploradas, penetrando com soluções que começam a transformar os workflows e a ganhar eficiência e produtividade.
Faça como mais de 6.000 investidores e founders e se inscreva na Newsletter para não perder os insights 👇
