- Em inúmeros softwares verticais (por setor), o maior fator que dificulta a expansão é o caráter fechado dos sistemas de gestão existentes (ERP/SOR) e suas políticas de bloqueio à integração externa
- A maior parte dos dados críticos está presa em ERPs legados ou só permite acesso parcial, então startups emergentes de Vertical AI não conseguem se integrar aos sistemas centrais mesmo quando o cliente exige isso
- SaaS emergente baseado em AI tem uma demanda especialmente alta por integração de dados e enfrenta um novo desafio: integrar não só APIs tradicionais, mas também dados não estruturados (e-mails, fotos de campo, chamadas telefônicas etc.)
- Para resolver isso, os fundadores estão testando na prática cinco estratégias: “uso de credenciais de login”, “parcerias”, “foco em SMB”, “AI independente de ERP” e “uso de infraestrutura de AI”
- A expectativa é que frameworks padronizados de agentes de AI (como MCP) e modelos de RPA/Operator baseados em AI se tornem novas formas de integração no futuro
Software vertical e o problema de integração
- Segundo o Departamento do Trabalho dos EUA, existem mais de 1.000 setores, e em cada um deles o ERP/SOR (sistema de gestão de negócios) cumpre o papel de “centro dos dados”
- A maioria dos ERPs verticais restringe o fornecimento de APIs para integração externa ou só permite isso por meios caros e complexos
- Exemplos: Epic na saúde, Yardi no mercado imobiliário e Dentrix na odontologia bloqueiam ou permitem apenas parcialmente a integração de novos SaaS por meio de forte controle sobre os dados
- Essa estrutura, apesar de gerar insatisfação nos clientes (queda no NPS), leva a um efeito de lock-in que dificulta sair do ERP
As dificuldades de integração enfrentadas pela Vertical AI
- Mesmo os primeiros clientes frequentemente dizem: “se não integrar com o ERP, não dá para usar”
- Fornecedores legados evitam APIs públicas/integrações por concorrência ou falta de capacidade técnica
- Equipes de TI corporativas (especialmente CIOs e executivos) também desconfiam do acesso a dados por AI externa ou por SaaS emergente
O que a AI pode mudar — e seus limites
- Em comparação com SaaS tradicional, produtos baseados em AI exigem também o uso de dados não estruturados fora do ERP (e-mail, papel, fotos, conhecimento oral etc.)
- As soluções de AI acabam destacando ainda mais as dificuldades de integração de dados
- O escopo da integração se expande de “API oficial” para “caminhos informais + dados externos não estruturados”
As 5 estratégias que os fundadores estão testando na prática
1. Kludge (gambiarra / integração não oficial)
- Receber do cliente a conta de login/permissões do ERP para que o agente de AI leia e escreva dados diretamente
- Uso de atalhos como crawling automatizado e injeção direta no banco de dados
- Caso real: decisão RTMS vs PointClickCare (nos EUA, com base na lei de liberação de informações de saúde, decidindo contra EHRs que restringiam o acesso por AI)
- Vantagem: resultados rápidos
- Desvantagens: risco jurídico, compliance (HIPAA, GDPR etc.), segurança e impossibilidade de escalar no longo prazo
2. Parcerias
- Firmar parcerias oficiais com ERPs/plataformas legadas, permitindo que a AI opere em conjunto sobre o ERP
- Convencer o ERP de que “AI é tendência; faça parceria conosco, forneça os dados e compartilhe parte da receita”
- Vantagens: possibilidade de escalar mais rápido do que o próprio ERP, além de viabilizar grandes contratos
- Desvantagens: barreiras e lentidão de entrada por setor, além da possibilidade de reação/controle por parte do ERP
3. Segmentation (segmentação de mercado: foco em SMB)
- Focar em pequenas e médias empresas (SMB) e mirar ERPs mais abertos a API e mais fáceis de substituir
- No mercado SMB, o lock-in legado é mais fraco; a concorrência é intensa, mas a barreira de entrada é menor
- Atenção: o tamanho desse mercado SMB precisa ser suficiente
4. Wedge Selection (AI independente de ERP)
- Focar em Vertical AI em áreas que não exigem integração com ERP/SOR
- Ex.: AI de vendas por setor, AI para suporte ao cliente etc.
- Também é possível cobrar com base em desempenho (geração de leads, volume de tickets processados etc.)
- Uso de um modelo em que o cliente insere os dados diretamente no ERP (hand-off)
5. Uso de infraestrutura e padrões de AI
- Surgimento de frameworks padrão para integração de AI (ex.: Anthropic Model Context Protocol, MCP)
- Reduzem o custo de integrações pontuais com diferentes SaaS/APIs e permitem expansão modular
- Conceito de “usuário de computador” baseado em AI (Operator, CUA etc.): uma evolução do RPA tradicional com AI, que vai além da automação simples de cliques e passa a operar com reconhecimento de imagem e contexto
- Ex.: OpenAI ChatGPT Operator (automação de navegador baseada na web), Adept (AI RPA corporativo)
- Ainda está em estágio inicial, mas há expectativa de papel relevante para Vertical AI empresarial
Conclusão e insights
- O problema de integração com ERP/SOR na AI vertical não é apenas uma questão técnica ou de API, mas também de estrutura da indústria e estratégia de entrada no mercado
- Dependendo do cliente, do ERP, dos dados e do escopo de uso da AI, é necessário definir estratégias multicamadas e flexíveis
- No futuro, frameworks padronizados de agentes de AI e tecnologias de RPA/Operator baseadas em AI podem se consolidar como um novo modelo de integração
- A combinação e aplicação de cada estratégia (gambiarra, parceria, SMB, AI sem integração e padrões de infraestrutura) é a chave dos casos de sucesso reais
Ainda não há comentários.