Etiqueta: AI

Publicado em

Estratégias de produto em IA: desafios, PMF e o poder das plataformas

Nesta semana, eu escrevi um novo post na Astella sobre as estratégias de produto em IA e o cenários de batalhas nesse ambiente. Combinei algumas ideias do que tenho estudado e conversado com founders, além do report sobre os impactos da IA.

No texto, falo sobre estratégia de produto, diferenciação e a ameaça que vem da infraestrutura e das plataformas.
Sobre a ameaça das plataformas (LLMs), li recentemente este texto de um ex-funcionário da OpenAI, que mostra como funciona a empresa por dentro. Apesar da percepção de flop do GPT-5, a OpenAI está desenvolvendo muitas coisas ao mesmo tempo, com recursos abundantes. Isso reflete muito da cultura e da forma como essas empresas operam — liderando o ciclo de IA no Vale do Silício.

Lendo o relato, fica clara a velocidade e a inovação, com um viés para executar e construir, com diversos squads e teses desenvolvidas em paralelo, às vezes até competindo entre si. Parece haver milhares de startups pre-seed dentro da OpenAI, aguardando um comitê de investimento do round seed.
O texto traz muitas referências e informações interessantes, como o CODEX (feature para desenvolvedores da OpenAI), criado em apenas 7 semanas. Além disso, mostra o stack de tecnologia usado pela empresa.

Embora hoje seja mais fácil para todos desenvolver código ou aplicações, esse ciclo mostra como será difícil competir. Mas conto alguns caminhos no meu post na Astella.

Discussões interessantes sobre PMF em IA

A Bessemer lançou um report sobre o Estado das Empresas de IA, estabelecendo um novo benchmark para o arquétipo de crescimento das empresas no ciclo da IA, com as “Supernovas” e as “Shooting Stars”.

Esse slide mostra alguns dados dessas empresas:

“Se o T2D3 (triplica, triplica, dobra, dobra, dobra) definiu a era do SaaS, então o Q2T3 (quadruple, quadruple, triple, triple, triple) reflete melhor a trajetória de cinco anos que estamos observando nas AI Shooting Stars atuais. Essas startups crescem significativamente mais rápido do que o SaaS tradicional, mas ainda operam mais próximas dos benchmarks de SaaS do que das explosivas AI Supernovas.”

O artigo é bem completo e traz informações relevantes de direcionamento estratégico para founders nesta nova era. Recomendo reservar um tempo para leitura.

Ainda não consigo identificar uma empresa que seja uma Supernova em nossa região. Essas empresas geralmente são globais, oferecem infraestruturas/plataformas (como Anthropic e OpenAI) e possuem GTM bottom-up, voltado para desenvolvedores e perfis tech-savvy que já usam IA no dia a dia. Porém, acredito bastante que podemos ver Shooting Stars em áreas como Vertical SaaS e Enterprise SaaS saindo do Brasil.

Hoje, a realidade do early-stage no Brasil se assemelha mais ao cenário descrito neste post do CEO/Cofounder da ChartMogul. Isso condiz muito bem com o que temos observado: quando o PMF acontece, ele tende a ser cada vez mais explosivo. Já vi empresas irem de 0 a R$ 100k em poucos meses, mas ainda é um desafio enorme para a maioria.

Como mostra o gráfico abaixo, nos últimos anos a proporção de outliers que atingem US$ 0–1M de ARR em até seis meses vem aumentando. Porém, dentro de dois anos, menos empresas conseguem atravessar as barreiras de US$ 100k ou US$ 500k de ARR.

Também em modelo de negócios, a dinâmica da unidade de crescimento muda. A margem bruta foi um tema bastante comentado no universo de IA e VC nas últimas semanas.

Vi investidores destacarem isso sobre soluções de agentes de IA: “Pela primeira vez na história do SaaS, o custo marginal de adicionar um novo usuário não é quase zero.” Esse é um desafio do Business Model Product-fit. A captura de valor deve superar o custo de entrega e, de preferência, ganhar escala ao longo do crescimento da base de clientes. O relatório da Bessemer que mencionei acima também ressalta esse ponto, mostrando como algumas empresas que estão crescendo muito rápido apresentam margem bruta negativa.

Com forte adoção dos usuários, os modelos de receita têm se mostrado insustentáveis para algumas soluções. Este texto explica o desafio da Cursor com precificação e margem. Isso pode fazer parte de uma estratégia da empresa para dominar o ponto de controle dos desenvolvedores e depois expandir para outras plataformas. Porém, esse se tornou um cenário competitivo, com soluções de LLMs como Claude Code e CODEX da OpenAI oferecendo alternativas similares. Abordei um pouco desse desafio no ambiente competitivo atual no post mencionado acima.

Indo mais a fundo na cadeia de valor da IA, este tweet mostra, de forma sarcástica, os desafios dessa indústria, que ainda está em fase de investimentos e queima de caixa, financiada por Venture Capital. Enquanto isso, os avanços e custos de processamento precisam chegar a patamares sustentáveis para viabilizar os modelos de negócios dessas empresas. O autor do tweet sugere alguns caminhos.

Publicado em

Report de Sobre Impacto em Construção de Startup – Parte 1) Pessoas

Recentemente, lançamos um report de uma pesquisa que conduzi por meio de entrevistas com especialistas, uma pesquisa quantitativa (cujos resultados estão ao final do report) e, como um playbook lover, uma pesquisa bibliográfica. Esse report surgiu do meu interesse em aprofundar e aprender através de padrões observados no que os líderes – CEOs, CTOs e especialistas de mercado – estão vendo e fazendo em IA nas startups.

Assim, a proposta do report não é discutir a tecnologia de IA em si, mas sim como ela está afetando os processos e as discussões estratégicas na construção de empresas de alto crescimento.

Vou compartilhar aqui alguns slides e destaques da apresentação:

Primeiramente, ainda estamos no início do ciclo da IA. A evolução comercial das tecnologias ocorre em camadas: da infraestrutura, passando por plataformas, até chegar à aplicação. Atualmente, apenas a NVIDIA e a OpenAI demonstram captura de valor ou construção de barreiras que perpetuem a sua criação e captura de valor.

Na camada de aplicação, ainda não conseguimos enxergar categorias estabelecidas ou dominadas. Historicamente, é justamente nesse espaço que, em ciclos anteriores, se gerou o maior valor. No Brasil, tende-se a aproveitar as infraestruturas tecnológicas globais e a alavancar a alta base de usuários/consumidores de soluções digitais para construir grandes negócios em aplicação.

Estamos, então, começando uma série para descrever esse cenário:

Diferentemente da internet, da cloud e do mobile, que conectaram todos, virtualizando soluções em todos os lugares, a IA representa uma revolução do trabalho, atuando como uma camada que permeia todos os processos de uma organização. Diante disso, a grande maioria dos respondentes (60%) já percebe um aumento de eficiência com o uso da IA.

Entre as áreas impactadas, o maior efeito atual da IA ocorre no desenvolvimento de produto.

Há poucos anos, a área de desenvolvimento e engenharia era considerada o gargalo. Hoje, com a aceleração do desenvolvimento de código, alguns líderes começam a perceber que o gargalo se deslocou para o time de produto. Essa nova forma de lidar com tecnologia está transformando a gestão das empresas:

A gestão de pessoas está evoluindo para um perfil mais orientado à gestão de dados e ops.

Com isso, são exigidos novos conjuntos de habilidades. Algumas das competências destacadas pelos especialistas foram:

  • Hardskills: Conhecimentos fundamentais em IA – como prompt engineering, RAGs e criação de agentes – estão se tornando o novo “pacote Office” dos perfis profissionais.
  • Softskills:
    • Mindset de execução: Com os LLMs, todos já iniciam sabendo 80% da tarefa ou desafio. Não há motivo para não começar e executar.
    • Pensamento crítico: Os modelos são capazes de quase tudo. É essencial saber avaliar os resultados e ajustar o modelo para criar algo único.
    • Habilidade com incerteza: Os modelos de IA não estão corretos 100% das vezes. É preciso lidar com a incerteza e manter a curiosidade.

A IA está se tornando o novo padrão. Contratar pessoas está se tornando secundário. Diversas empresas anunciaram que estão adotando uma abordagem AI-first, como Shopify e Duolingo. Já é possível observar empresas com alta eficiência de headcount limitando o aumento do quadro de colaboradores e priorizando soluções baseadas em IA, automação e agentes.

Isso reforça ainda mais a importância da métrica de Receita por Colaborador. Segundo a pesquisa, as empresas que se consideram nativas de IA demonstram maior eficiência por colaborador.

Um dado curioso: se, por um lado, a IA empodera generalistas e profissionais com conhecimento específico de processos e mercados, permitindo que desenvolvam produtos relevantes sem profundo conhecimento técnico, por outro, as empresas nativas de IA possuem proporcionalmente mais engenheiros em suas equipes. Isso, na minha visão, reflete uma mentalidade de empresa de engenheiros, tanto no desejo de criar soluções com profundidade e diferenciação tecnológica quanto na comparação com empresas não nativas de IA, que tendem a manter estruturas mais robustas em áreas como vendas e suporte.

Publicado em

Notas sobre o Ciclo de AI

Há muita coisa mudando, muito rápido, e talvez esse post envelheça rápido e mal. Toda essa velocidade cria até uma certa ansiedade, um FOMO, mas, de forma mais fria, me leva a pensar que estamos no início da curva de adoção e de expectativas sobre AI.

Usando o framework de revoluções tecnológicas da Carlota Perez (que adoro), é possível descrever um racional de início de ciclo:

  • ainda estamos na era da informação, em uma fase de montagem do novo ciclo de AI,
  • com o big bang sendo o lançamento do ChatGPT em público em 2022
  • empresas de infraestrutura e servidores de ciclos anteriores se tornando cada vez mais acessíveis para plataformas, LLM e aplicações
  • valuation de AI com prêmio relevantemente maior que SaaS tradicionais

Esses são alguns sinais. Com isso, fico pensando o que podemos esperar daqui para frente com o que já estamos vivendo.

Então, o que deve mudar e o que não deve mudar com AI?

Inteligência Artificial é uma inovação que atua de dentro para fora nas organizações. Diferente da internet, que conectou todo mundo, ou do Cloud que virtualizou tudo, AI é um layer horizontal, que atua em todas as diferentes áreas e processos da empresa (produto, desenvolvimento, vendas etc.), habilitando e redefinindo a entrega de valor, ao levar inteligência para o core.

Mas estamos em uma fase inicial do ciclo, com muita incerteza e novidades a cada novo dia. Portanto, algumas mudanças no playbook de construção de startups já dá para cravar que serão permanentes, outras ainda acho arriscado apostar. Então, vou descrever algumas das minhas primeiras ideias do que eu acho que muda e o que não muda para construção de Startups e o mundo de VC, hoje:

O que parece estar mudando:

AI na gestão de Pessoas:

(i) skillset de talentos da empresa passa por ferramentas de AI. Conhecimento de LLMs, por exemplo, é tipo o “conhecimento do pacote office” nos perfis de vaga que temos visto há 20 anos.

(ii) Eficiência de headcount: as melhores empresas estão crescendo rápido com uma escala muito maior em relação ao número de pessoas.

Produtividade humana em áreas como GTM e desenvolvimento de produto:

Por exemplo, em vendas, recentemente, escrevi no Astella Matrix o texto “Revisitando a eficiência da máquina de vendas na era de AI”. Tem sido interessante acompanhar a crescente ferramentalização dos processos de vendas com IA, surgindo novas funções ou processos como GTM-Engineer e AI-Led Growth. Isso tem gerado mais velocidade de experimentação e eficiência na construção de máquinas de vendas, e acredito que vai fazer parte de um movimento de automação e produtização de vendas que vinha acontecendo, com PLG.

Esses são processos que tenho visto com mais clareza de empresas de early-stage a scaleups que implementaram e ganharam eficiência e velocidade.

O que não mudará no curto prazo:

“Quando a pesquisa vira commodity, a convicção é ouro”

A principal coisa que não muda em Startups é a necessidade de convicção e o insight único para construir algo incrível, e essa não é possível terceirizar para AI. Startups se tornam vencedoras por fazerem apostas contrárias, com o benefício da assimetria de informações. Já a IA se baseia em dados históricos e padrões. Então, para temas complexos, ainda veremos os insights e decisões dos fundadores serem o diferencial.

Value Investing e os fundamentos de valor de um negócio

Outra coisa que não deve mudar são os investidores focados em Value Investing e os fundamentos de valor de uma empresa. Investidores de valor (value investors) continuarão avaliando um negócio da mesma forma, que pode se resumir pela sua capacidade de gerar caixa e a durabilidade do negócio com crescimento no futuro. Os pilares fundamentais de valor de um negócio continuam sendo os mesmos, como vantagem competitiva duradoura ou unfair advantages, alocação eficiente de capital e margens do negócio. Isso está atrelado ao meu ponto do parágrafo anterior – de convicção e insights únicos dos fundadores.

Setores Rápidos e Setores Lentos

Por fim, eu li o estudo AI 2027, que traz um tom alarmante sobre os caminhos da AI e superinteligência em governos, provocando tensões geopolíticas ou potenciais guerras. Sendo honesto, não descarto este cenário em 4-6 anos, mas é importante lembrar que existem alguns “Setores Lentos” que são chave para economia e sociedade, mas que funcionam há 100 anos da mesma forma, como, por exemplo, o setor de saúde, educação, gestão pública etc… Alguns desses setores continuam longe de ser transformados digitalmente. A verdade é que esses setores são influenciados por burocratas, políticos e lobistas, que dificilmente deixarão as coisas acelerarem bastante ou simplesmente terão entraves em tomada de decisão de próximos passos para transformação. O contrário parece verdadeiro: os Setores Velozes, que vendem produtos e soluções para consumidores tech-savvy (software, gagdets, enterprise software, apps etc…) já apresentam ganhos elevados de produtividade e uma melhor proposta de valor. Por exemplo, hoje, estamos vendo o uso exponencial de AI principalmente nas camadas mais profundas como infraestrutura (como NVIDIA) e plataformas (como LLMs), e nas aplicações, principalmente, soluções usadas por tech-savvy e early-adopters de tecnologia.