- Texto do fundador da Butter, adquirida pela GrubMarket, reunindo 5 anos de experiência desde 2020
Parte 1: o que não fazer
Ponto de partida: a pandemia e a oportunidade de transformação digital
- Durante a pandemia de 2020, a Butter foi fundada ao enxergar o potencial de transformação digital no setor de alimentos.
- Problemas identificados:
- Os chefs ainda preferiam métodos tradicionais, com pedidos escritos à mão e feitos por telefone/SMS
- Os atacadistas dependiam de tecnologias antigas (ERP dos anos 1990, controle de estoque em Excel, pagamento por cheque em papel)
- Só o lançamento dos pedidos dos clientes consumia 6 horas por dia
- Plano de solução:
- Digitalizar os fluxos de trabalho centrais com um ERP all-in-one baseado em nuvem, capaz de capturar o fluxo principal e atuar como “sistema de registro”
- Integrar serviços financeiros como pagamentos, crédito e folha salarial para maximizar o valor por cliente (ACV)
- Introduzir um processo de comunicação fluido para chefs e atacadistas, criando efeitos de rede de plataforma com um app de pedidos no estilo DoorDash
((influenciado pela Choco, outro app de pedidos que ascendeu rapidamente ao status de unicórnio)
Mas fracassou
- Parecia um acerto óbvio (
no-brainer), mas estávamos completamente errados
Armadilha 1: complexidade técnica e customização excessiva
- Achávamos que construir um ERP seria simples, mas na prática os requisitos diferentes de cada cliente consumiram os recursos de desenvolvimento
- Ex.: atalhos de teclado, layout de telas de entrada de dados, formatos específicos de fatura
- Resultado: o produto se deformou em uma solução dependente de customizações e sem escalabilidade
Armadilha 2: ciclo de vendas longo
- Migrar um sistema ERP é complexo e exige o aval de muitos departamentos:
- As empresas clientes resistiam à mudança mesmo com os incômodos do sistema atual
- Nas épocas mais movimentadas dos restaurantes, as oportunidades de venda eram limitadas
- Resultado: baixa taxa de fechamento (algo entre 20% e 30% da meta)
Armadilha 3: baixa disposição para pagar e ciclo longo até ativar receita
- A maior parte dos clientes operava com margens baixas (cerca de 5%):
- Para clientes que pagavam US$ 80 por mês no QuickBooks, um upgrade para ERP era pesado demais
- Receitas adicionais de fintech e do app de pedidos também levavam muito tempo para se materializar
Armadilha 4: experimentação demais
- Na fase inicial, tentamos ao mesmo tempo vários modelos de receita e efeitos de rede:
- Expandimos demais as frentes antes de garantir um único caso de sucesso
- Resultado: burnout da equipe e baixa velocidade de iteração
Lições aprendidas da forma mais dura
- Houve muitos momentos de orgulho operando a Butter:
- Acordar às 2 da manhã e dormir no armazém para garantir onboardings bem-sucedidos
- Construir um software complexo, mas intuitivo, que os clientes adoravam
- Desenvolver guias de implantação de forma sistemática
- Mas falhamos em construir um negócio de venture escalável
- Lição 1. Não basear a ideia apenas em hipóteses de alto nível:
- É preciso conversar diretamente com o pessoal do armazém, do campo e do back office para obter insights reais
- Conversar com o objetivo de “buscar a verdade”, e não de confirmar ideias pré-existentes
- Lição 2. Elementos necessários para construir um produto bem-sucedido:
- Conquistar usuários que entendam profundamente o problema:
- Ninguém troca de sistema se a dor de permanecer no estado atual não for maior que o atrito da mudança
- Às vezes bastam alguns catalisadores para que a mudança aconteça
- Capacidade real de pagamento:
- Se o cliente não tem folga financeira para arcar com a solução, o valor entregue não sustenta a receita da empresa
- Uma experiência de produto 10x melhor que a atual:
- Quanto mais tradicional for o cliente, mais dramática precisa ser a melhoria
- É preciso atacar as razões pelas quais o cliente manteve o método antigo por tanto tempo
- A importância da simplicidade:
- O produto inicial precisa ser simples e fácil de adotar
- Ex.: em vez de vender um bidê japonês super sofisticado, focar em resolver um problema básico de encanamento
- Lição 3. Modelo de negócios e condições para sucesso em SaaS:
- Tamanho do contrato e ciclo de vendas (velocidade de fechamento) precisam estar equilibrados.
- “The Difficulty Ratio”, de David Sacks:
- Dá para combinar ACV alto com baixa velocidade de fechamento, ou o contrário
- Mas ACV baixo e velocidade de fechamento lenta elevam muito a chance de fracasso
- No caso da Butter:
- Apesar das receitas adicionais, a empresa estava na faixa de baixa velocidade de fechamento e baixo ACV
- Em especial, a velocidade era muito baixa até o ciclo completo de ativação de receita
Considerações finais
- Olhando para trás, subestimamos a complexidade de construir SaaS vertical em um setor dependente de práticas tradicionais e tecnologia obsoleta
- Só uma solução digital não bastava para induzir adoção
- Em vez disso, era preciso oferecer uma melhoria radical em relação ao jeito atual,
- e comunicar isso de uma forma que o cliente entendesse.
- Se a solução não parecer imediatamente adequada, o cliente continuará com o método antigo e familiar
- Lição: a chave do sucesso está em respeitar o fluxo de trabalho existente enquanto se prova valor real
Ponto de partida: o choque com os métodos tradicionais
- Tentativa inicial:
- Desenvolvimento de uma ferramenta para modernizar o processo de lançamento de pedidos dos atacadistas via e-commerce
- Problema:
- Os chefs ainda preferiam métodos tradicionais (telefone, SMS) e não se adaptavam facilmente a sistemas digitais
- O novo sistema não entregava valor suficiente para substituir completamente o método existente
- Ouvindo os clientes:
- Foram feitas entrevistas com vários perfis: usuários ativos, usuários que desistiram e opositores do app
- Concluiu-se que pedir pelo app não era uma experiência 10x melhor que telefone/SMS/e-mail:
- Faltava visibilidade em tempo real da disponibilidade dos produtos e do status da entrega
- Entendendo a dificuldade dos atacadistas:
- Os atacadistas ainda sofriam com horas de lançamento manual de pedidos
- Ideia de adotar IA:
- Grandes modelos de linguagem (LLMs) eram adequados para lidar com dados não estruturados
- A IA podia automatizar tarefas complexas
- Como cerca de 80% dos dados do mundo são não estruturados, viu-se aí uma possível mudança de paradigma
- Mudança de estratégia:
- Não forçar fornecedores e operadores a migrar totalmente para um fluxo digital
- Em vez disso, desenvolver ferramentas baseadas em IA (como o AI Order Assistant da Butter) que complementassem o processo atual:
- Projetadas para se integrar naturalmente ao fluxo de trabalho existente.
- Posicionadas como uma solução prática para modernizar o setor de distribuição de alimentos, tecnologicamente atrasado.
A virada para IA: implementação prática, não só promessa
- A chave para o sucesso com IA:
- Não basta um produto “mais elegante”, e sim um produto que de fato conclua o trabalho do usuário
- AI Order Assistant:
- Projetado para que chefs e atacadistas não precisem mudar seu processo atual
- Integra-se naturalmente ao fluxo de trabalho existente
- Gestão de pedidos com processamento de linguagem natural:
- Um processo simplificado por IA capaz de lidar com comandos de voz ou mensagens de texto
- Oferecido como ferramenta complementar (
add-on), e não como substituição total do sistema:
- Permite adoção rápida
- Evita os problemas complexos da tradicional “transformação digital”
- Processo de onboarding do cliente:
- Dados de e-mail e caixa postal de voz eram conectados ao ERP e convertidos em dados estruturados de pedido de compra
- As preferências do chef (ex.: “2 caixas de camarão”) eram armazenadas no sistema digital:
- A IA entendia corretamente as variações do produto usando padrões históricos de pedido e guias de compra.
- Ex.: distinguir entre “4-6 Tiger Shrimp Frozen” e “16-20 EZ Peel Shrimp”
- Incorporando feedback do usuário:
- Não se esperava 100% de precisão do modelo de IA:
- Entrevistas extensas de UX mostraram como permitir que o usuário corrigisse a saída da IA
- O sistema foi desenhado para permitir todas as operações via teclado, usando os atalhos do ERP
- Resultado:
- O tempo de processamento de pedidos caiu mais de 96%
- A equipe de back office pôde migrar para tarefas de maior valor agregado (controle de qualidade, gestão de relacionamento com clientes)
- Expansão para o GrubAssist:
- Após a aquisição pela GrubMarket, o AI Order Assistant evoluiu para o GrubAssist
- Passou a oferecer business intelligence e analytics em linguagem natural sobre o sistema ERP existente.
- Integrando-se sem atrito ao fluxo de trabalho já existente no setor de alimentos
- Integrar-se ao fluxo de trabalho existente é a chave para o sucesso da IA. A aplicação precisa ser fácil, sem exigir uma transição complexa.
Lições aprendidas no desenvolvimento de produtos com LLM
- Projetar considerando as limitações técnicas:
- LLMs são poderosos, mas ainda têm limites em confiabilidade e velocidade.
- Um design eficaz pode compensar essas limitações:
- Ex.: restaurantes/varejistas processam pedidos na manhã seguinte, então é possível sacrificar velocidade com processamento em segundo plano e escolher modelos com maior capacidade de raciocínio.
- Priorize velocidade e deixe a perfeição para depois:
- No início, não vale a pena ficar preso à busca do “modelo perfeito”.
- Use técnicas simples para entrar no mercado (como RAG):
- Quando se fornece o contexto adequado, métodos simples podem funcionar muito bem.
- À medida que os modelos base evoluem, o próprio produto de IA também melhora automaticamente.
- Acerte o básico com firmeza:
- Ofereça um ambiente flexível de experimentação:
- Uma arquitetura modular facilita trocar modelos ou funcionalidades e iterar rápido.
- Também é necessário integrar um sistema de feedback dentro do produto que seja claro e mensurável.
- A interface decide o sucesso ou fracasso do produto:
- Mesmo com um modelo “perfeito”, o produto deve partir da premissa de que 20% do trabalho ainda exigirá validação humana.
- Simplifique a interação e torne-a intuitiva para manter o engajamento do usuário:
- Fortalecer o processo de validação pelo usuário ajuda a coletar dados valiosos para melhorar o produto.
- Captura de conhecimento não estruturado:
- Em setores tradicionais, informações importantes muitas vezes não estão digitalizadas e dependem da memória das pessoas.
- Ex.: se as preferências do cliente estão só na cabeça do vendedor Joey, é preciso criar uma interface capaz de capturá-las.
- Esses insights fortalecem a diferenciação do modelo e geram uma vantagem contínua de dados.
- Melhorar a precisão com ciclos de feedback:
- Só engenharia não basta:
- É preciso oferecer um meio fluido de coletar feedback do usuário diretamente no produto.
- Combinar esse feedback com o mecanismo de ajuste permite gerar saídas mais precisas e contextualmente relevantes.
É importante cooperar com os sistemas existentes
- Desafios reais:
- Por melhor que seja a solução de IA, ela não adianta se não se integrar aos sistemas ERP legados
- Tentar substituir sistemas legados dificulta a colaboração
- Estratégia de integração:
- No caso da Butter, era necessário integrar ao ERP por meios como EDI (intercâmbio eletrônico de dados) ou troca de arquivos via SFTP
- Sistemas legados estão profundamente enraizados, o que torna a persuasão e o desenho de arquitetura mais complexos
- Estratégia vencedora:
- Oferecer um complemento (
add-on) que melhore o produto existente:
- Permite ao cliente manter a infraestrutura atual enquanto aproveita os benefícios da IA
- Reforça a rede já existente e destaca que a IA gera efeitos positivos tanto para o negócio quanto para os provedores de infraestrutura
- Senso de urgência:
- O conhecimento em IA está se espalhando rapidamente, e até provedores tradicionais antes lentos já estão adotando IA
- Executar rápido e colaborar com os players existentes:
- É preciso responder ao mercado com a estratégia certa e uma abordagem diferenciada
- Alerta sobre novas abordagens de software:
- Novos produtos no modelo “integrate and surround”:
- Construir de forma totalmente autossuficiente uma área específica do negócio (ex.: vendas de campo)
- Alterar de forma favorável a estrutura de custos/receitas
- É importante entender essa tendência e escolher os parceiros adequados
- Lição central
Coopere com os sistemas existentes e entregue benefícios e melhorias claros sem exigir uma troca total de sistema
- Mostre valor com um complemento de baixo risco e alto retorno, induzindo adoção rápida
Insights para o futuro
- O ponto de encontro entre setores tradicionais e IA:
- Setores tradicionais, antes dependentes de dados não estruturados como registros manuscritos ou áudio, agora podem acessar soluções tecnológicas modernas por meio de LLMs (grandes modelos de linguagem)
- O Vertical SaaS está se tornando uma alternativa cada vez mais realista nesses setores
- Há a tentação de aplicar IA em tudo, mas é preciso cautela
- A chave do sucesso com IA:
- O fator decisivo não é a tecnologia em si, mas sim o Product-Market Fit
- Os avanços da IA abrem possibilidades, mas os princípios básicos de desenvolvimento de produto não mudam:
- Tudo começa por entender claramente o usuário e suas necessidades
- A tecnologia vem depois
- Principais lições:
- A IA é mais eficaz quando se integra bem aos processos existentes
- Não tente virar tudo de cabeça para baixo; projete para se encaixar naturalmente
- Pergunta:
- “Quem vai aproveitar essa oportunidade primeiro?”
- Quem agir antes que o tempo passe sairá vencedor
Ainda não há comentários.