O maior mercado de IA vertical está escondido bem diante dos nossos olhos

• Quanto mais fragmentado e operacionalmente complexo for um setor, mais ele se torna um mercado ideal para sistemas de IA vertical construírem barreiras defensáveis poderosas — algo que a maioria dos fundadores e investidores está ignorando
• A automação limpa de uma única tarefa é fácil de copiar, mas sistemas profundamente inseridos em workflows entrelaçados com regulação, integração com legados e tratamento de exceções criam uma estrutura que concorrentes, clientes e até laboratórios de IA não conseguem replicar facilmente
• Quando o tamanho do mercado é recalculado com base não no orçamento de software, mas em custos de serviços e mão de obra, mercados verticais que pareciam pequenos revelam, na prática, áreas gigantescas de gasto
• Quando o produto passa de apoiar o trabalho para substituir o próprio trabalho, a área passível de cobrança dentro do mesmo cliente pode se expandir em dezenas de vezes
• Nos próximos 5 anos, deve ficar definido qual abordagem vencerá em cada setor entre plataformas verticais especializadas por propósito, adição de IA aos SoRs existentes e construção interna de IA

---

Por que esse mercado está escondido

• As duas características que escondem os melhores mercados de IA vertical são, ao mesmo tempo, as que funcionam como sua barreira defensável
• A primeira característica é o workflow grit: ambientes de trabalho complexos, cheios de tratamento de exceções, integrações com sistemas legados, aprovações humanas, compliance e modos de falha com alto custo
  • Tarefas limpas e bem definidas são fáceis de construir, demonstrar e vender, mas no momento em que a inteligência se torna transferível, elas viram commodities
  • Trabalhos estreitos, de baixo risco e fáceis de encaixar em sistemas existentes podem ser copiados por concorrentes, construídos pelo próprio cliente ou até lançados diretamente por laboratórios de fronteira
• Workflows com alto grau de grit bloqueiam essas três ameaças ao mesmo tempo: os labs não querem lidar com a complexidade operacional, os clientes não têm capacidade técnica e os concorrentes não conseguem encurtar o caminho
• Tornar a IA utilizável em workflows com muito grit exige mais do que acesso ao modelo: é preciso estruturar dados não estruturados, integrar sistemas legados, desenhar ciclos de aprovação, definir taxas aceitáveis de erro e construir confiança em ambientes onde o custo do erro é alto
  • Esse trabalho vai se acumulando silenciosamente e forma um mapa proprietário da operação do workflow que um novo entrante não consegue copiar apenas comprando o mesmo modelo
• No início, a recompensa parece pequena, mas esse trabalho operacional difícil concede o direito de expandir para workflows adjacentes e categorias orçamentárias maiores

Casos reais: empréstimos automotivos, faturamento em saúde e logística de carga

• Salient: construiu um agente de voz com IA para ligar para tomadores de empréstimo automotivo inadimplentes. Opera sob as regulações FDCPA, TCPA e Reg F, em um ambiente no qual uma única violação pode desencadear ação regulatória
  • A IA precisa navegar por regras estaduais e federais sobrepostas, negociar pagamentos em tempo real, respeitar limites de frequência de chamadas e encaminhar para um agente humano quando necessário
  • O custo de uma ligação humana de cobrança é de $4~$12, enquanto o custo de uma ligação por IA é apenas uma fração disso
• Charta Health: automatiza a revisão de prontuários antes da cobrança, atravessando regras de seguradoras, códigos CPT e padrões de negação que variam por especialidade e região
• Em logística de carga, HappyRobot, Pallet e Augment estão construindo agentes de IA para lidar com as intermináveis ligações, e-mails e atualizações em portais necessários para coordenar transportadoras, embarcadores e armazéns
  • “Ligar para um caminhoneiro para confirmar o status do carregamento” pode não parecer algo com escala de venture, mas cada carga inclui dezenas de pontos de contato manuais, e o setor de logística gasta mais de US$ 1 trilhão por ano em custos operacionais não físicos

A segunda característica: estrutura de mercado

• Uma estrutura de mercado fragmentada entre milhares de operadores e com baixo DNA tecnológico do lado comprador
• Fornecedores horizontais de IA precisam de clientes concentrados e de alto valor para que a economia de distribuição feche, mas quando a receita está dispersa entre milhares de pequenas e médias empresas operando sistemas distintos e dados não estruturados, um player genérico não consegue justificar o esforço de GTM
• Operadoras imobiliárias, empresas de serviços de campo e clínicas ambulatoriais de reabilitação, por exemplo, não têm capacidade técnica para construir IA de produção internamente e encaram tecnologia como algo a ser comprado, não possuído
• A fragmentação cria espaço para construir, e a baixa propensão à autoconstrução amplia esse espaço, dando tempo para acumular antes de qualquer outro o contexto operacional de forma composta

Caso: mercado americano de impostos e contabilidade

• O mercado americano de impostos e contabilidade é uma indústria de US$ 145 bilhões, com uma longa cauda de cerca de 46.000 firmas de CPA, das quais 86% têm menos de 10 funcionários
  • Ao mesmo tempo, inclui as Big Four e grandes firmas nacionais
• Blue J: plataforma de pesquisa tributária baseada em IA, que já ganhou tração nos dois extremos do mercado. Hoje atende mais de 2.800 organizações, com crescimento de uso de mais de 700% ano contra ano
• A estrutura de longa cauda torna esse mercado pouco atraente para players genéricos, e o workflow grit — com sobreposição de leis tributárias, padrões factuais ambíguos e respostas dadas por especialistas colocando sua reputação em jogo — cria um ponto de entrada sustentável mesmo em um ambiente de compradores exigente

O reforço combinado da barreira defensável

• A complexidade operacional gera custos de troca (switching costs): removê-la exige recontratar equipe, reconstruir processos e abrir mão de anos de contexto acumulado do workflow
• A fragmentação não diminui com o tempo, e os compradores não ganham, de repente, DNA de engenharia
• Quando OpenAI ou Anthropic perceberem a existência do mercado, o contexto operacional e a base de distribuição do sistema vertical já terão acumulado anos de vantagem composta

TAM Goldilocks

• O motivo de a maioria dos mercados de IA vertical permanecer escondida é que o tamanho do mercado é medido de forma errada
• A abordagem padrão é tratar o gasto com software naquela categoria como TAM, mas em setores fragmentados e operacionalmente complexos, o orçamento de software costuma ser pequeno
• A métrica correta é quanto o setor gasta com o próprio trabalho: custos com equipe, prestadores terceirizados, agências e contratados para executar o serviço — ou seja, o orçamento de serviços e mão de obra
• Essa redefinição também explica por que os concorrentes mais perigosos ignoram o mercado: se você olha “IA para locação imobiliária” pelo prisma do orçamento de software, parece um nicho, sem motivo para mobilizar laboratórios de fronteira
  • Pelo prisma do orçamento de trabalho e serviços, é enorme — mas quando isso fica visível, o sistema vertical já acumulou anos de vantagem
• As condições de um TAM Goldilocks: grande o suficiente para gerar resultado de venture, mas disfarçado por uma superfície modesta de software, ignorado por causa da complexidade operacional e capaz de se expandir dramaticamente depois que a posição de sistema é estabelecida

Da assistência à substituição

• A expansão acontece quando o produto deixa de apoiar o trabalho e passa a executá-lo
• Exemplo de uma empresa de administração imobiliária: gasta $30.000 por ano em software de locação e $300.000 com a equipe de locação
  • Quando o produto começa a executar o próprio trabalho, ele deixa de vender para a linha de $30K e passa a vender para a linha de $300K
  • Ao se expandir pelo workflow e pela operação como um todo, passa a acessar um orçamento operacional total de mais de US$ 1 milhão
  • Dentro do mesmo cliente, da mesma empresa, a área passível de cobrança se expande 30 vezes

Caso: EliseAI

• EliseAI: plataforma de IA para gestão imobiliária, que começou em um mercado limitado de proptech
  • No início, partiu de uma solução de automação de locação com um único SKU, em torno de ~$50K de ACV
  • À medida que o produto passou de apoiar para substituir o trabalho de locação, ele se expandiu; depois avançou para manutenção, cobrança e visitas guiadas por IA, cobrindo todo o ciclo de vida do inquilino
  • Hoje atende 1 em cada 8 apartamentos nos EUA, e administradores e operadores imobiliários gastam mais de milhões de dólares na plataforma
  • Também entrou em saúde para atacar US$ 600 bilhões por ano em custos administrativos com o mesmo playbook
• O TAM não cresceu junto com o produto; foi o produto que revelou quão grande o TAM sempre foi

O que acontece quando você chega primeiro

• Nesse mercado, empresas de IA vertical que alcançam uma posição de sistema não estão apenas construindo grandes negócios, mas definindo como o setor inteiro vai operar na próxima década
• Anthropic e OpenAI representam uma ameaça real na camada de aplicação, mas precisam lidar ao mesmo tempo com prioridades conflitantes
  • Precisam continuar investindo no avanço da fronteira dos modelos, e a maximização de receita baseada em tokens entra em conflito de interesse com o cliente final à medida que a adoção de agentes cresce
  • Além disso, teriam de construir simultaneamente aplicações customizadas de alta qualidade para dezenas de verticais diferentes
• Na maioria dos mercados, a IA vertical especializada por propósito deve superar os labs em execução graças ao foco absoluto
• Os próximos 5 anos vão definir, em cada mercado, qual abordagem vence: plataformas especializadas por propósito que expandem um wedge de IA até virar um sistema vertical, SoRs existentes que sustentam sua posição de mercado adicionando uma IA “boa o suficiente”, ou IA interna construída sobre Anthropic/OpenAI
• A estratégia central: escolher um ponto de entrada afiado e operacionalmente complexo em um mercado que parece pequeno demais, expandir por todo o workflow para ganhar autoridade, substituir trabalho e se tornar o sistema sem o qual o cliente não consegue operar
• “Modelos vencem na demo, wedges vencem no piloto, sistemas vencem no mercado”