Como definir a estratégia de um produto de IA

• Miqdad Jaffer, Product Lead da OpenAI, organizou a estratégia de produtos de IA em uma estrutura de 4 etapas
• Produtos de IA não vivem apenas de adicionar recursos; sem um projeto estratégico, estão em um ambiente em que não conseguem sobreviver
• Por causa da estrutura de custos, intensificação da concorrência e expectativas dos investidores, é necessário um modelo econômico totalmente diferente do SaaS
• Empresas bem-sucedidas constroem diferenciação com base em três moats cumulativos centrais: dados, distribuição e confiança
• Para isso, ele apresenta o framework 4D (direção, diferenciação, design e distribuição) e os 2P (preço e posicionamento)
• No fim, o sucesso ou fracasso de startups de IA depende não da tecnologia, mas da execução de uma estratégia que integre viabilidade econômica, capacidade de defesa e confiança

---

• Em cada onda de evolução tecnológica, existem dois tipos de fundadores
  • Fundadores que surfam o hype e crescem, mas acabam desmoronando sob o peso dos custos
  • Fundadores que transformam a mesma onda em um moat sustentável e dominam o mercado por mais de 10 anos
• A IA não é exceção; na verdade, o preço dos erros estratégicos é muito maior e mais rápido
• Em SaaS ou mobile, ainda era possível sobreviver mesmo chegando depois, mas a IA é um mercado que não perdoa a ausência de estratégia
  • Chegg: reagiu tarde à IA, viu seu valor de mercado cair 90% e pagou um preço severo enquanto os estudantes migravam para o ChatGPT
  • Jasper: chegou a ser a principal empresa de escrita com IA, recebendo $125M em investimento e valuation de $1.2B, mas sofreu com ausência de moat real e com o desalinhamento entre um modelo de preços estilo SaaS e custos de inferência em disparada, resultando em evasão de usuários, redução de preços e perda de liderança
  • Duolingo: integrou IA de forma impositiva e extrativa, em vez de centrada na experiência do usuário, lançou um tutor de IA e reduziu equipe; como resultado, sofreu evasão de centenas de milhares de usuários e perda de 300.000 seguidores, com dano reputacional
• Esses casos não são erros isolados, mas mostram o quão perigoso é acoplar IA depois ou adotar uma abordagem sem considerar a viabilidade econômica
• Inúmeras empresas lançam IA como complemento tardio ou apenas no nível de recurso e quebram por ignorar a economia do negócio e falhar em se diferenciar
• O mercado não dá segunda chance, e respostas atrasadas levam a perdas irreversíveis
• A estratégia de “deixar para depois” funciona, no contexto da IA, como um risco fatal imediato

• Na IA, o tempo é comprimido

  • Ciclo de adoção: encurtado de anos para trimestres
  • Velocidade de comoditização: acontece em semanas, não meses, tornando vantagens centradas em recursos rapidamente irrelevantes
  • Investidores, usuários e mercado punem a hesitação com dureza, e isso se reflete imediatamente em valuation, adoção e reputação
• O conteúdo a seguir se conecta ao AI Product Strategy 101, oferecendo aos fundadores a base estratégica para não apenas sobreviver, mas dominar o mercado
• Em resumo, na IA, a estratégia é o fator central que define o sucesso ou fracasso, e só recursos não bastam

A ilusão de que “basta adicionar IA”

• Hoje, a primeira página da maioria dos pitch decks traz a frase “AI-powered”, o que chama a atenção de investidores e clientes, mas isso não garante credibilidade real
• A IA em si não é um moat: qualquer um pode acessar modelos como GPT-4o, Claude, Llama e Mistral, então a barreira de entrada é praticamente zero
• Uma estrutura que apenas chama a API da OpenAI e coloca uma UI por cima não é uma empresa, mas apenas uma demo cara que pode ser copiada da noite para o dia
• O ponto que separa vencedores e perdedores é ter ou não uma resposta para a pergunta: como você vai se diferenciar quando o concorrente tiver acesso ao mesmo modelo amanhã?
• Se a resposta for apenas “vamos construir mais rápido”, então você já perdeu o jogo

Por que a IA destrói fundadores sem estratégia

• A IA é implacável porque, diferente do SaaS, custos, concorrência e ambiente de investimento pressionam os fundadores de forma muito mais rápida e direta
  • 1. Estrutura de custos: no SaaS, depois de construído, o custo marginal por usuário tende a zero; já na IA, cada consulta, geração e inferência gera custos de tokens, GPU e hospedagem, e sem estratégia os custos crescem mais rápido que a receita
  • 2. Comoditização imediata: um recurso SaaS pode levar anos para ser copiado, mas na IA clones surgem em semanas, e as únicas defesas são moats como dados, confiança e distribuição
  • 3. Hype e concorrência: sempre que surge um novo recurso de IA, aparecem centenas de clones no Product Hunt, e alguns invadem o mercado de empresas sem estratégia
  • 4. Maturidade dos investidores: em 2021, bastava escrever “AI” no pitch deck para captar investimento; em 2025, VCs perguntam sobre estratégia de defesa após o lançamento do GPT-5 e formas de controlar custos de inferência, e sem resposta o investimento não acontece
• Portanto, o ponto central não é fazer uma demo vistosa, mas projetar o sistema com a IA no centro
  • Como manter a rentabilidade quando o uso crescer 10x
  • Como reter clientes quando os modelos ficarem mais baratos e mais poderosos
  • Como transformar canais de distribuição em efeitos compostos
  • Como construir confiança mesmo com alucinações e problemas de privacidade
• Essa diferença é exatamente o que separa empresas que morrem das que dominam o mercado
• Não vence quem apenas adiciona IA, mas quem a desenha com uma estratégia de escala, defesa e estrutura composta
• Em especial, no mercado de IA, a distância entre vencedores e perdedores se abre mais rápido do que em qualquer outra onda tecnológica
  • Quando os custos explodem, o prazo para resolver não é de anos, mas de meses
  • Quando ocorre comoditização, o prazo de reação não é de trimestres, mas de semanas
• Em conclusão, a estratégia de produto de IA não é opcional, mas o único mecanismo de sobrevivência que separa crescimento ultrarrápido de colapso

Economia da IA: a nova unit economics das startups

• A fórmula básica do SaaS era simples
  • construir o produto uma vez
  • adquirir usuários
  • ter custo marginal por usuário próximo de zero
  • e aumentar os lucros geometricamente à medida que novos clientes entram
• Graças a essa estrutura, empresas SaaS mantiveram margens altas de 70% a 80%, e até um modelo de assinatura de $29 por mês podia criar gigantes multibilionárias
• Mas a IA não segue as regras do SaaS
• Na IA, o custo marginal insiste em ser real, e os custos aumentam junto com usuários, consultas e inferências

• Por que os custos marginais funcionam de forma diferente em IA e SaaS

  • Na IA, toda consulta é uma requisição com custo
    • Ex.: uma única consulta ao ChatGPT pode custar de alguns centavos a dezenas de centavos, dependendo do modelo
    • Em escala de milhões de usuários, só manter uma camada gratuita pode consumir milhões de dólares por mês
  • No SaaS, os custos caem com a escala; na IA, porém, se a eficiência não for incorporada ao design do produto, escalar pode significar apenas aumento de custo
  • A realidade brutal é que o custo de inferência é a nova fatura da AWS; assim como startups iniciais quebraram com custo de nuvem, startups de IA hoje sangram com custos de tokens fora de controle

• Estudo de caso: Perplexity vs Midjourney vs ChatGPT

  • Perplexity: em vez de enviar toda consulta diretamente ao GPT, introduziu uma camada híbrida de busca + LLM, reduzindo drasticamente o uso de tokens
    • Como resultado, conseguiu ao mesmo tempo redução de custos, respostas mais rápidas e melhoria de UX com a adição de citações
  • Midjourney: teve sucesso em espalhar sua comunidade via Discord, mas internamente enfrentava um problema de explosão dos custos de GPU
    • Como cada imagem gerava um enorme custo computacional, usuários gratuitos eram insustentáveis, levando à adoção precoce de planos pagos agressivos
  • ChatGPT: alcançou 100 milhões de usuários em apenas 2 meses, mas quase excedeu o orçamento computacional da OpenAI
    • O plano “ChatGPT Plus” ($20/mês) não foi apenas monetização, mas um mecanismo de contenção de custos
• O padrão é claro: os fundadores que sobrevivem até a fase de escala são aqueles que projetaram a unit economics desde o início

As armadilhas ocultas do custo por token e da dependência de API

• Muitas startups iniciais de IA são apenas wrappers de API, dependentes 100% de modelos fundacionais como OpenAI e Anthropic
• No nível de protótipo isso pode funcionar, mas ao tentar crescer como empresa de verdade, essa estrutura embute riscos estruturais fatais
  • 1. Sem controle de preço: se a OpenAI aumentar o preço da API, isso leva imediatamente ao colapso das margens
  • 2. Sem controle de desempenho: se houver latência ou downtime no modelo, o serviço inteiro pode ficar paralisado
  • 3. Sem controle de diferenciação: se qualquer um puder usar a mesma API, um concorrente pode copiar o produto inteiro em um fim de semana
• Portanto, produtos de IA API-first tendem a desaparecer rapidamente, e isso não é muito diferente de confundir uma demo com uma empresa

Como modelar os custos quando o uso cresce 10x

• Um experimento simples de suposição já permite enxergar a armadilha da estrutura de custos em serviços de IA

• Cenário básico

  • Preço: US$ 29 por usuário/mês
  • Uso médio: 500 consultas por mês
  • Custo por consulta: US$ 0,002
  • Custo de inferência por usuário: US$ 1,00 por mês
  • Margem bruta: cerca de 97%, parecendo muito saudável

• Ao escalar

  • Número de usuários: 1.000 → 100.000
  • Número de consultas: 500 mil → 50 milhões/mês
  • Custo: US$ 100 mil/mês → US$ 10 milhões/ano
  • Nesse ponto, o custo de inferência passa a ser tão dominante que até a conta de nuvem da AWS parece pequena

• A armadilha e as respostas

  • Em pequena escala (1.000 usuários), as margens parecem boas, mas em grande escala (100.000 usuários) desabam rapidamente
  • Estratégias para evitar isso:
    • Batching e cache inteligentes: não regenerar repetidamente a mesma saída
    • Roteamento de modelos: tarefas simples vão para modelos baratos; só tarefas complexas usam modelos de alto desempenho
    • Construção de infraestrutura própria: treinar modelos menores especializados em um domínio específico para operar com custo mais baixo

A verdadeira matemática da rentabilidade em IA

• Hoje, a maioria das startups de IA não está gerando lucro de fato
• Na superfície, parecem estar crescendo, mas na prática estão subsidiando a adoção com capital de VC enquanto ignoram a viabilidade econômica

• Três estratégias de diferenciação dos vencedores

  • 1. Estratégia de precificação
    • O plano gratuito serve apenas como isca
    • Introduzir rapidamente planos pagos e alinhar custo e receita com precificação baseada em uso
    • Exemplo: a Midjourney bloqueou a geração gratuita de imagens porque a estrutura matemática de custos havia quebrado
  • 2. Incorporar a curva de custos ao design do produto
    • Perplexity: estrutura busca + LLM para reduzir o uso de tokens → transformar economia de custo em moat
    • Grammarly: fine-tuning progressivo para reduzir o custo de correção com o passar do tempo
    • Canva: posiciona recursos de IA como elementos auxiliares, e não centrais, minimizando a carga de custos
  • 3. Diversificação de dependências
    • Distribuir o roteamento entre vários provedores de modelos (OpenAI, Anthropic, Cohere, Mistral)
    • Quando possível, treinar internamente modelos especializados por domínio para operar com custo menor
    • À medida que a escala cresce, migrar para infraestrutura própria para ganhar controle sobre os custos

• Quando a unit economics é ignorada

  • Crescimento e sucesso são confundidos, e quanto maior a escala, maior o prejuízo
  • No fim, as margens ficam negativas e a paciência dos investidores se esgota

• Quando a unit economics é projetada desde o início

  • À medida que o uso aumenta, os custos caem por meio de cache, roteamento e eficiência de infraestrutura
  • Os concorrentes não conseguem acompanhar na guerra de preços por causa da própria estrutura de custos
  • O crescimento deixa de ser mero hype e passa a se acumular como um moat real
• Essa é justamente a diferença central entre uma empresa que não passa de uma demo e uma empresa que define uma década

Framework 4D para estratégia de produto de IA: The 4D Framework for AI Product Strategy

• Empresas de IA fracassam não por falta de ideias, mas por falta de estratégia
• Mais especificamente, o problema é uma estratégia incapaz de suportar escala, comoditização e pressão de custos
• Com base em sua experiência de construir, escalar e fazer exit de empresas de IA, além de observar inúmeros casos de sucesso e fracasso de fundadores, o autor criou o framework 4D para validar todas as decisões de produto
• Ele funciona como um mapa de sobrevivência, e tocar uma empresa sem essa lente é como gerir de olhos vendados
• Neste documento, é apresentado o framework 4D básico; no processo de coorte, é tratada uma versão aprofundada com casos concretos

• Os quatro elementos do framework 4D

  • 1. Direction (direção) → escolher um moat que se acumula com o tempo
  • 2. Differentiation (diferenciação) → uma estratégia defensiva capaz de sobreviver mesmo quando funcionalidades viram commodity
  • 3. Design (projeto) → construir uma arquitetura de produto que equilibre adoção pelo usuário e eficiência de custos
  • 4. Deployment (implantação) → uma operação escalável sem destruir o P&L (demonstrativo de lucros e perdas)

1. Direção: escolher um moat que realmente se acumula

• Recursos de IA são temporários, mas o moat é permanente
• Colocar um wrapper fino em cima do GPT-5 é algo que qualquer um pode copiar amanhã, mas o mercado não recompensa esse tipo de abordagem
• O que o mercado valoriza é se o produto tem uma estrutura que fica cada vez mais forte à medida que o número de usuários cresce
• Portanto, Direction é a questão de o fundador escolher de forma intencional em qual moat cumulativo (compounding moat) vai se concentrar e defender

• (a) Moat de dados: Data Moat

  • Em IA, o moat mais duradouro e defensável é o dado proprietário
  • Se o produto consegue acumular dados únicos e estruturados a cada uso, isso se torna um ativo que o concorrente não consegue imitar nem comprar
  • Exemplo: Duolingo
    • Em vez de simplesmente adicionar recursos de IA, usa os dados de aprendizado dos alunos acumulados ao longo de anos (dificuldade por questão, efeito das correções, tendências de aprendizagem por região e demografia) para ajustar os modelos com precisão
    • Esse dataset é um ativo que novos concorrentes não conseguem alcançar, por mais capital que invistam
  • O moat de dados cria um efeito flywheel que fica mais forte com o tempo
    • Novos usuários → mais dados → modelos mais inteligentes, baratos e personalizados → melhor experiência do usuário → mais usuários

• (b) Moat de distribuição: Distribution Moat

  • Distribuição sempre foi um elemento importante do negócio, mas em IA ela é tudo
  • Exemplo: Notion
    • Como já está profundamente incorporado ao fluxo de trabalho de dezenas de milhões de usuários, quando adiciona recursos de IA acontece uma adoção imediata sem custo extra de marketing
  • Exemplo: Canva
    • Em vez de empacotar a geração de imagens por IA como um recurso separado, integra isso de forma natural ao processo de design e fortalece a experiência do usuário
  • Sem um moat de distribuição, a startup acaba sendo forçada a competir de forma fragmentada com modelos generalistas como ChatGPT e Gemini

• (c) Moat de confiança: Trust Moat

  • O moat mais subestimado, mas importante, em IA é a confiança
  • Os usuários não querem apenas uma IA poderosa, mas uma IA previsível, segura e confiável
  • Exemplo: Anthropic
    • Em vez de competir apenas pelo tamanho do modelo, conquistou clientes corporativos com o posicionamento de empresa obcecada por segurança e alinhamento (alignment)
  • Exemplo: contratos enterprise da OpenAI
    • Muitas empresas poderiam criar seus próprios modelos ou comprar alternativas mais baratas, mas ainda assim escolhem a OpenAI e pagam milhões de dólares por causa de governança, compliance e confiabilidade
  • Leva tempo para construir confiança, mas, uma vez estabelecida, ela se torna um moat muito mais forte do que funcionalidades
    • Uma única alucinação (hallucination) ou incidente de segurança pode destruir a confiança, mas estabilidade contínua cria um forte efeito de lock-in

• Conclusão

  • Se o fundador não escolher explicitamente a direção (Direction), o mercado escolherá por ele
  • Mas a direção escolhida pelo mercado é quase sempre a comoditização (commoditization), e isso se torna a causa da morte da startup

2. Diferenciação (Differentiation): sobreviver em meio à comoditização (Commoditization)

• A realidade dura é que, se o produto for apenas “fazer X com IA”, ele acabará sendo engolido por empresas de modelos fundacionais como a OpenAI
• Essas empresas estão expandindo horizontalmente funcionalidades em documentos, planilhas, e-mail, imagens e áudio com velocidade esmagadora
• Portanto, diferenciação não é simplesmente dizer “adicionamos IA”, mas construir uma defesa contra a comoditização inevitável
• A pergunta essencial é: mesmo que OpenAI ou Anthropic ofereçam o mesmo recurso de graça ou em bundle, por que o cliente ainda escolheria a nossa solução?

• Perguntas que você deve fazer a si mesmo

  • Nosso produto resolve um modo de falha específico dos modelos fundacionais melhor do que qualquer outro?
  • Quando um modelo generalista é lento demais, caro demais ou genérico demais e acaba sendo exagerado para o problema, oferecemos uma alternativa mais rápida, mais barata e mais especializada?
  • Nosso workflow, UX e integrações fazem o cliente continuar usando nosso produto mesmo que funcionalidades copiadas apareçam em outro lugar?

• Estudos de caso

  • Perplexity AI
    • Qualquer LLM pode responder perguntas, mas a Perplexity se diferencia ao oferecer um workflow baseado em busca, fontes e citações
    • Isso não era apenas um recurso, mas uma wedge de posicionamento como “busca em IA confiável”
  • Runway AI
    • Em vez de perseguir a geração generalista de vídeo, concentrou-se profundamente em um público específico: criadores, editores e cineastas
    • Seu diferencial não era “gerar vídeo”, mas a identidade de “ferramenta de produção de nível profissional”
• Diferenciação não significa simplesmente adicionar mais funcionalidades
• Significa ocupar um caso de uso específico como o padrão de mercado (default), para que o cliente não abandone nossa solução mesmo que outra empresa consiga copiar a tecnologia

3. Design: equilibrar adoção (Adoption) e eficiência de custos (Cost Efficiency)

• O cemitério onde a maioria das startups de IA quebra está justamente na etapa de design
• Muitas empresas criam “demos uau” que viralizam por uma semana no Twitter, mas não conseguem adoção contínua e têm sua viabilidade econômica destruída pela explosão dos custos de inferência
• Em IA, bom design significa equilibrar adoção de usuários (User Adoption) com uma estrutura de custos sustentável (Cost Structure)

• Princípios de adoção: Adoption Principles

  • Eliminar fricção: não exija prompt engineering do usuário; é preciso traduzir comportamentos naturais em saídas de IA
    • Ex.: o Grammarly não faz o usuário digitar “Rewrite this in a formal tone”; ele oferece isso com um único botão
  • Encontrar o usuário onde ele já trabalha: inserir IA em workflows existentes, como fazem Notion, Canva e Figma, aumenta a taxa de adoção em 10x
  • Inteligência mínima viável (Minimum Viable Intelligence): em vez de mirar nível AGI desde o começo, é preciso focar em resolver completamente um único problema
    • Ex.: a Perplexity cresceu focando em “IA + respostas confiáveis”, sem tentar resolver tudo

• Princípios de eficiência de custos: Cost Efficiency Principles

  • Roteamento de modelos: não envie toda query para o GPT-5; use modelos baratos em 80% das tarefas e deixe o modelo de alto desempenho só para o restante
  • Cache: se 1.000 pessoas fizerem a mesma pergunta, não pague 1.000 vezes; economize com cache
  • Otimização de prompts: como todo token gera custo, é preciso projetar prompts concisos e eficientes
  • Batching: sempre que possível, agrupe vários pedidos em uma única chamada de inferência

• Por que isso importa

  • Os fundadores que vencem são aqueles que projetam uma estrutura em que o custo por usuário cai à medida que o número de usuários cresce
  • Os demais acabam como empresas em nível de demo, que apenas queimam caixa e entram em colapso ao tentar escalar

4. Implantação: escalar sem explodir os custos

• Escalar é o chefão final das startups de IA
• É nesta etapa que a empresa dá o salto para virar unicórnio ou desmorona sob o peso dos custos
• O paradoxo da IA é que ela pode crescer mais rápido do que qualquer outra tecnologia, mas ao mesmo tempo também corre o maior risco de ver os custos superarem a receita e piorarem
• Por isso, em Deployment, o ponto central é construir um sistema que proteja o P&L ao mesmo tempo em que escala

• Estratégia de preços: Pricing Strategy

  • Desde o início, migrar para um modelo de precificação por uso ou híbrido
  • Conectar diretamente o valor pago pelo cliente ao valor percebido
  • Não prometer recursos de IA ilimitados, pois isso leva diretamente ao colapso da margem

• Estratégia de infraestrutura: Infrastructure Strategy

  • Usar uma abordagem multimodelo para não ficar dependente de um único fornecedor
    • Fazer roteamento inteligente entre OpenAI, Anthropic, Mistral e modelos open source
    • Aproveitar a concorrência entre fornecedores para conseguir condições mais vantajosas
  • Quando a escala crescer, treinar modelos especializados por domínio para obter desempenho mais rápido e barato do que APIs de uso geral
  • Construir um sistema de avaliação (eval system) para monitorar em larga escala problemas de qualidade, precisão, latência e alucinação

• Estratégia de equipe: Team Strategy

  • Em vez de contratar apenas engenheiros de ML, é preciso garantir engenheiros de produto que entendam os trade-offs entre UX, velocidade e custo de GPU
  • O talento mais valioso pode ser aquele que sabe dizer “NÃO” para demos chamativas que parecem impressionantes no palco, mas na prática destroem a margem por serem bombas de custo

A lente 4D para fundadores: The Founder’s 4D Lens

• Toda decisão tomada por um fundador de IA precisa obrigatoriamente passar por esta lente 4D
  • 1. Direction: estamos construindo um moat defensável ou apenas mais um wrapper?
  • 2. Differentiation: isso ainda faria sentido se a OpenAI lançasse a mesma funcionalidade amanhã?
  • 3. Design: a economia melhora à medida que novos usuários entram, ou piora?
  • 4. Deployment: conseguimos escalar 10x sem colapso de margem?
• Se não for possível responder “sim” a qualquer uma dessas quatro perguntas, o que você está construindo agora não é uma empresa (company), mas apenas um recurso (feature)
• Recursos acabam morrendo, mas uma empresa com estratégia sobrevive por muito mais tempo

2P: preço e posicionamento de produtos de IA : Pricing and Positioning AI Products

• Muitos fundadores tratam a precificação como uma consideração posterior e dizem: “vamos decidir isso depois de encontrar o PMF”
• Isso pode funcionar em SaaS, mas em IA é fatal
• Em IA, preço não é apenas um modelo de receita; é uma estratégia central para controlar custos, desenhar o comportamento do usuário e construir um moat

• Por que é preciso enxergar preço como alavanca estratégica

  • Em SaaS, era possível começar com preços baixos e absorver os custos de AWS, compensando isso depois com escala
  • Mas em IA, o custo marginal continua existindo até o fim
    • Cada consulta gera custo de tokens, GPU, latência e inferência
    • Portanto, preço é uma estratégia de sobrevivência econômica

• Os quatro elementos controlados pelo preço

  • Escolha do perfil de cliente: usuários leves vs. enterprise de alto valor
  • Comportamento de uso: economia de consultas vs. abuso excessivo
  • Momento do break-even: no 1º mês após o lançamento vs. depois de 3 anos
  • Sinalização para o mercado: premium vs. utilitário genérico, para especialistas vs. para consumidores

Os 4 arquétipos de precificação em IA (Archetypes)

• 1. Cobrança por uso (tokens, consultas, compute) : Usage-Based Pricing (Tokens, Queries, Compute)

  • Como funciona: cobrar diretamente do cliente pelo volume de tokens, consultas e minutos de GPU consumidos
  • Indicado para: APIs, produtos de infraestrutura e ferramentas enterprise em que o consumo é previsível e diretamente ligado ao valor de negócio
  • Exemplos:
    • OpenAI API — cobrança por 1.000 tokens, com transparência nas tarifas por modelo
    • ElevenLabs — cobrança por minuto de áudio gerado
  • Vantagens: alinhamento transparente entre custo e receita; não é preciso subsidiar usuários pesados, o que facilita gerar confiança
  • Desvantagens: o usuário pode sentir ansiedade de medição (meter anxiety) e hesitar em experimentar ou adotar em escala; no mercado consumidor, isso também pode parecer menos acessível

• 2. Cobrança por resultado (pagar pelo resultado) : Outcome-Based Pricing (Pay for Results, Not Usage)

  • Como funciona: em vez de cobrar por tokens ou minutos, cobrar pelo resultado real (ex.: geração de leads, detecção de fraude, conversão etc.)
  • Indicado para: produtos enterprise em que o resultado pode ser monetizado como KPI (vendas, marketing, detecção de fraude, compliance)
  • Exemplos:
    • Plataforma de vendas com IA — cobrança por reunião válida
    • Sistema de detecção de fraude — cobrança por fraude bloqueada
  • Vantagens: o cliente só paga quando há valor → possibilita um posicionamento premium do tipo “se você tiver sucesso, nós também teremos”
  • Desvantagens: difícil de aplicar em apps de consumo ou criativos, onde o resultado é ambíguo; além disso, a empresa de IA precisa assumir o risco, aumentando a complexidade operacional

• 3. Cobrança por assento (por usuário/mês) : Seat-Based Pricing (Per User, Per Month)

  • Como funciona: modelo tradicional de SaaS, com taxa fixa mensal ou anual por usuário
  • Indicado para: produtos de IA profundamente integrados a fluxos de trabalho de colaboração em equipe e produtividade
  • Exemplos:
    • Jasper AI (início) — adotou um modelo SaaS baseado em assentos
    • Notion AI — incluiu recursos de IA nos planos SaaS já existentes
  • Vantagens: familiar e previsível para compradores corporativos; também passa aos investidores um sinal estável de “enterprise SaaS + IA”
  • Desvantagens: quando a variação de uso é grande, alguns usuários podem consumir demais e a empresa acaba arcando com o custo, gerando desalinhamento entre receita e custo

• 4. Cobrança híbrida (mistura de uso + assinatura) : Hybrid Pricing (Mix of Usage + Subscription)

  • Como funciona: combina uma assinatura base com cobrança ou limites adicionais conforme o uso
  • Indicado para: mercado consumidor e prosumer ou produtos com grande variação de uso, permitindo atender segmentos diferentes
  • Exemplos:
    • MidJourney — assinatura mensal de US$ 10 a US$ 60, com limite de minutos de GPU
    • ChatGPT Plus — taxa fixa de US$ 20/mês, enquanto contratos enterprise usam cobrança por uso
  • Vantagens: atende à lógica mental da assinatura e, ao mesmo tempo, oferece mecanismos contra abuso; também permite escalar de usuários individuais até grandes empresas
  • Desvantagens: aumento da complexidade → risco de confusão nos planos e, se os limites forem mal definidos, perda de receita ou insatisfação do cliente

Estudo de caso: sucesso, fracasso e colapso

• 1. OpenAI API → o sucesso do modelo baseado em uso

  • Preço claro por unidade de token, diretamente vinculado ao volume de computação
  • Estrutura transparente, escalável e amigável para empresas
  • Posicionamento: “Somos os trilhos da IA”
  • Resultado: conquista de um modelo de receita previsível em que custos e receitas escalam juntos
    • Não houve adoção no mercado consumidor, mas alcançou uma posição dominante em infraestrutura

• 2. MidJourney → cobrança híbrida com guardrails

  • Camadas de assinatura mensal de US$ 10 a US$ 60, com limites máximos por minuto de GPU
  • Assim que os custos de GPU dispararam, interrompeu imediatamente o teste gratuito
  • Posicionamento: “Criação acessível a qualquer pessoa, mas o uso é pago”
  • Resultado: adoção explosiva entre consumidores e, ao mesmo tempo, sucesso no controle de custos

• 3. Jasper → cobrança por assento sem guardrails

  • Adotou uma estrutura de preços que parecia SaaS, de US$ 59 a US$ 499 por mês por assento
  • Problema: o uso de inferência disparou, mas o modelo de preços não correspondia aos custos
  • Problema ainda maior: com a chegada do ChatGPT, a diferenciação desapareceu
  • Falha de posicionamento: apresentou a narrativa de “SaaS com IA embutida”, mas, sem moat, era apenas uma camada intermediária
  • Resultado: de US$ 125M de ARR por ano para estagnação do crescimento e colapso da valuation

Playbook para fundadores: como escolher a precificação e o posicionamento

Perguntas-chave que você deve fazer a si mesmo:

• 1. Qual é o nosso moat? (dados, distribuição, confiança)
  • A precificação deve necessariamente reforçar esse moat
  • Foco em dados → cobrança baseada em uso é a mais adequada (alinhada ao posicionamento de infraestrutura)
  • Foco em confiança → cobrança baseada em performance é a mais adequada (“se o cliente tiver sucesso, nós teremos sucesso”)
  • Foco em distribuição → cobrança híbrida é a mais adequada (garante adoção no consumidor e depois monetiza usuários profissionais)
• 2. Que comportamento queremos incentivar?
  • Adoção leve → preço fixo (flat pricing)
  • Uso eficiente → cobrança baseada em uso
  • Usuários com alto ROI → cobrança baseada em performance
• 3. Que narrativa estamos transmitindo ao mercado?
  • Infraestrutura → baseada em uso
  • Parceiro → baseada em performance
  • SaaS → por assento
  • Democratizador (Democratizer) → modelo híbrido

Erros de posicionamento que fundadores de IA cometem: Positioning Mistakes AI Founders Make

• Muitos fundadores ficam obcecados com modelo, funcionalidade e infraestrutura, mas o verdadeiro campo de batalha é o posicionamento
• Posicionamento diz respeito a como o mercado percebe o produto; é a história que fica na cabeça do cliente
• Em um mercado de IA em que a tecnologia se comoditiza da noite para o dia, a narrativa pode ser a única vantagem sustentável
• Mesmo assim, a maioria dos fundadores entende isso errado ou simplesmente ignora

• 1. Imitar SaaS

  • Muitas startups de IA imitam preguiçosamente o posicionamento de SaaS:
    • “Plano por assento”
    • “Ferramenta de workflow Enterprise SaaS”
    • “Salesforce com IA”
  • Problema: você não está construindo SaaS
    • SaaS = custo marginal zero, quanto maior a escala, melhor
    • IA = toda inferência gera custo real
  • Alternativa: posicione-se como AI native e reflita, em preço e mensagem, que você entende a economia própria da IA, não a do SaaS

• 2. Esconder custos

  • Cobranças-surpresa são uma das coisas que mais destroem a confiança
  • Muitos fundadores tentam esconder os custos com assinatura fixa e uso ilimitado, mas o resultado é:
    • abuso por parte dos usuários → explosão dos custos de GPU
    • desconfiança generalizada quando o preço muda
  • Problema de posicionamento: venderam a ideia de uma “IA mágica e ilimitada”, mas a realidade do negócio não consegue sustentar isso
  • Alternativa: transparência é confiança
    • OpenAI: divulga claramente o preço por token → posicionamento previsível de infraestrutura
    • MidJourney: define limites de minutos de GPU → passa a ser vista como ferramenta premium, não brinquedo

• 3. Sinais confusos

  • Um problema sutil, mas fatal, é o desalinhamento entre história e modelo de preços
    • Baseado em uso, mas com marketing para consumidor → o usuário esperava um “app divertido”, mas recebeu uma “fatura da AWS”
    • Assinatura fixa, mas com explosão dos custos de inferência → investidores se decepcionam ao ver as margens desmoronando
  • Alternativa: alinhar preço e narrativa
    • Baseado em uso → posicionamento como infraestrutura/trilhos
    • Baseado em assinatura → produto para consumidor e prosumer (com limites claros)
    • Baseado em performance → parceiro de ROI

• 4. Ausência de história

  • O erro mais silencioso, mas fatal, é não ter uma história
  • Preço e funcionalidade por si só não bastam; é preciso uma história que investidores, imprensa e usuários consigam repetir em uma frase
  • Exemplos:
    • “Somos a AWS da IA jurídica” → gera credibilidade imediata
    • “Somos o Canva do vídeo com IA” → história de consumo clara e viral
    • “Não somos uma ferramenta, somos um parceiro de crescimento — cobramos por performance” → confiança centrada em resultado
  • Alternativa: escreva a história primeiro, antes de montar o pitch deck
    • defina a “categoria mental” à qual você pertencerá (infraestrutura, ferramenta, parceiro, democratizador)
    • e estruture precificação, packaging e estratégia de GTM para fluírem a partir disso

Erros que matam startups de IA

• A verdade dura é que a maioria das startups de IA não morre por causa da concorrência, mas desaba por causa dos próprios pontos cegos estratégicos
• Elas queimam milhões de dólares e perdem o mercado inteiro ou entram em colapso esmagadas pelos custos não porque a tecnologia não funciona, mas porque a estratégia está ausente ou errada

• 1. Correr atrás de funcionalidades vs. construir um moat

  • Fundadores frequentemente querem mostrar funcionalidades chamativas: “nossa IA escreve blogs, cria imagens, resume PDFs”
  • O problema é que funcionalidades podem ser copiadas, mas moats não
  • Os fundadores que sobrevivem são os que perguntam não “o que a IA pode fazer hoje?”, mas “qual é o ativo acumulativo defensável que a IA oferece?”

• 2. Fé cega em APIs e colapso de margem

  • Muitas startups de IA em estágio inicial simplesmente fazem um wrapper em torno de modelos como OpenAI e Anthropic
  • Isso é útil na fase de protótipo, mas fatal na escala
  • Caso real: um app de assistente de IA criado por um fundador conseguiu 50 mil usuários em 3 meses
    • Porém, a conta da API da OpenAI chegou a $120,000 por mês, enquanto a receita era menos de $10K
    • As margens colapsaram da noite para o dia, investidores saíram, e a startup desapareceu em 6 meses

• 3. Precificação errada

  • Uma armadilha comum para fundadores de SaaS é oferecer funcionalidades de IA como um adicional gratuito dentro do plano existente
  • Com 100 usuários não parece haver problema, mas ao escalar para 10 mil, o uso cresce exponencialmente enquanto a receita permanece a mesma
  • Exemplo: um fundador de B2B incluiu uma funcionalidade de relatórios com IA em uma licença de $99/mês,
    • mas, quando 20% do uso passou a ser de queries de IA, isso gerou custos de milhares de dólares por cliente
    • Ele teve de mudar a estrutura de preços às pressas, o que provocou uma grave crise de churn

• 4. Ignorar avaliação e confiança

  • Em SaaS, é possível lançar rápido e corrigir depois, mas em IA, uma única hallucination pode destruir a confiança para sempre
  • Caso real: a ferramenta de onboarding com IA de um fundador de fintech gerou recomendações regulatórias falsas e as enviou a clientes → perda de confiança, cancelamento de contratos
  • Outro app de IA para consumidores foi lançado sem sistema de avaliação e, depois que um tweet revelando viés apareceu, a adoção desabou da noite para o dia
  • Sistemas de avaliação (Evals) não são opcionais; são essenciais como QA, rede de segurança e moat de confiança

• 5. A ilusão de que “a escala resolve a economia”

  • A ilusão mais fatal é acreditar que “as margens estão apertadas agora, mas quando a escala crescer os custos vão se ajustar”
  • Em SaaS, as margens melhoram conforme a escala cresce, mas em IA, na verdade os custos pioram quanto maior a escala
  • Exemplo: um fundador que levantou $20M impulsionou o crescimento com uso gratuito,
    • mas, com 100 mil usuários, os custos mensais de compute passaram de $1M
    • quando chegou a 200 mil usuários, a empresa faliu
• O ponto em comum é que todos pensaram: “vamos resolver isso depois”
• Mas o mercado de IA não permite esse luxo

Um framework simples para evitar esses erros

• Só alertas não bastam → é preciso um playbook para reduzir cada risco

• 1. Correr atrás de funcionalidades → construir um moat

  • Pergunta: o que se acumula (compound) à medida que novos usuários entram?
  • Construa: loops de dados proprietários, lock-in forte de workflow, confiança de marca
  • Framework: conecte toda ideia de funcionalidade a um moat de dados, distribuição ou confiança; se não se encaixar, retire da prioridade

• 2. Fé cega em APIs → estratégia de API

  • No início, avance rápido com APIs, mas no longo prazo faça a transição para uma infraestrutura híbrida
  • Use roteamento multimodelo: 80% nos modelos baratos, e use LLM apenas nos edge cases
  • Aproveite o data exhaust gerado no uso para fazer fine-tuning de modelos menores e de baixo custo
  • Defina um gatilho: “se o custo de API passar de 20% da receita, começamos a investir em infraestrutura própria”

• 3. Adicional gratuito → precificação alinhada

  • A precificação deve estar sempre ligada ao uso ou ao valor entregue
  • Se estiver incluída em um bundle de SaaS, defina obrigatoriamente limites de uso
  • Acompanhe semanalmente o “custo de IA por usuário” → se passar de 30% do preço do plano, é sinal de risco
  • Conte essa história desde o início: “IA é uma funcionalidade premium com custo real” → honestidade gera confiança

• 4. Ignorar avaliação → moat de confiança

  • Antes de escalar, construa um pipeline de avaliação para medir acurácia, viés e latência
  • Defina limiares: “se a acurácia for menor que 90%, não lançamos”
  • Comunique confiança: divulgue métricas de confiabilidade e use posicionamento de segurança como a Anthropic
  • Treine a equipe: QA de IA não é opcional, é obrigatório

• 5. Ilusão de que “a escala é a solução” → disciplina de escala

  • Antes do lançamento, calcule obrigatoriamente o custo do modelo em escalas 10x e 100x
  • Stress test: se, com 10x mais usuários, o P&L quebra, então o PMF ainda não foi alcançado
  • Escale apenas os fatores que contribuem para melhorar a margem (caching, infraestrutura, roteamento)
  • Escala amplifica erros, então primeiro é preciso consertar a unit economics

Playbook do fundador: como tornar a estratégia de IA executável

• Muitas discussões sobre estratégia de IA são impressionantes, mas faltam diretrizes práticas que possam ser realmente aplicadas
• Fundadores costumam concordar em painéis e podcasts, mas, no fim, ficam sem saber o que de fato mudar diante do roadmap
• Este playbook não trata de teoria, e sim de cinco movimentos de execução que podem ser usados agora mesmo
• Essa é a disciplina que separa um simples demo de um negócio de verdade

• 1. Como fazer stress test da economia unitária de IA

  • Erro comum: modelo financeiro ajustado apenas à escala atual (ex.: 1.000 usuários) → colapso na expansão de longo prazo
  • Diferentemente de SaaS, em IA o custo também aumenta quando o número de usuários cresce → a economia pode piorar à medida que a escala aumenta
  • Solução: construir um modelo de stress test antes do lançamento
    • Estimar o número médio de queries por usuário por mês
    • Multiplicar pelo custo por query (tokens, GPU, latência) para calcular o custo total
    • Comparar isso com a receita por usuário
  • Fazer simulações de expansão de 10x e 100x → a maioria das startups quebra nesta etapa
  • Definir critérios: se o custo passar de 20% da receita, há risco; em 40~50%, é desastre → aplicar previamente design de caching, batching e model routing

• 2. Como escrever um PRD de IA que reflita custo e adoção

  • Um PRD tradicional não passa de uma lista de desejos de funcionalidades → em IA, ele precisa refletir a estrutura de custos e a sustentabilidade da adoção
  • Duas seções que devem ser adicionadas a todo PRD de IA:
    • 1. Análise de custo: calcular o custo mensal de operar a funcionalidade por usuário e verificar se é possível reduzi-lo com modelos mais baratos e caching
    • 2. Análise de adoção: avaliar se a funcionalidade é apenas curiosidade pontual ou se se incorpora ao workflow diário
  • Se você não consegue responder isso, não aprove a funcionalidade → IA não é SaaS, e toda decisão envolve economia e trade-offs estratégicos

• 3. Como checar diferenciação diante da comoditização

  • O pesadelo do fundador: dois meses após o lançamento, OpenAI/Anthropic oferecem a mesma funcionalidade de graça no ChatGPT
  • Solução: teste de pressão de diferenciação (OpenAI Test) → “Se a OpenAI lançasse amanhã a mesma funcionalidade, ainda poderíamos existir?”
  • Fazer uma auditoria de diferenciação a cada trimestre
    • Identificar o que os foundation models não conseguem fazer e onde vencemos
    • Verificar áreas em que LLMs genéricos falham (dados do setor, compliance, expertise de domínio)
    • Examinar elementos sticky como integrações, UX e sinais de confiança
  • Se não houver um ponto defensável, fazer pivot imediatamente para construir dados, lock-in de workflow e marca de confiança

• 4. Como apresentar a estratégia de IA para investidores

  • Realidade: investidores já não se impressionam com um simples “AI-powered X for Y”
  • As 4 perguntas que o investidor faz:
    • 1. Qual é o nosso moat? (dados, distribuição ou confiança acumulam com a escala?)
    • 2. O que acontece com a economia unitária em uma expansão de 10x?
    • 3. Como sobrevivemos à comoditização? Se o GPT lançar amanhã a mesma funcionalidade, resistimos?
    • 4. Qual é a nossa narrativa de posicionamento? (ex.: a AWS da IA jurídica, o Canva da IA de vídeo, parceiro baseado em performance etc.)
  • Apresente também o modelo de precificação como parte da narrativa:
    • “A precificação baseada em uso alinha custo e valor, então a margem melhora à medida que a escala cresce” → isso não é apenas preço, é posicionamento

• 5. Como contratar liderança de produto para IA

  • Liderança de produto em IA é fundamentalmente diferente de um PM de SaaS
  • É preciso conseguir conectar três mundos ao mesmo tempo:
    • Estratégia de produto: pensamento sobre moat, loops de adoção e posicionamento
    • Economia: modelagem de custo de token, trade-offs de GPU e estratégia de caching
    • Mentalidade de IA: entender o comportamento do modelo, os pontos de falha e o design de sistemas de avaliação
  • Os melhores talentos muitas vezes são perfis híbridos (engenheiros que lançaram produtos, PMs que gerenciaram projetos de infraestrutura)
  • Eles precisam conseguir discutir estratégia de preços com o CEO e, ao mesmo tempo, depurar pipelines de avaliação com engenheiros
  • Contratação errada:
    • PM que vê IA como “só mais uma funcionalidade” → vazamento de custos
    • Engenheiro obcecado apenas com performance do modelo e que ignora adoção e custo → produz demos que ninguém usa
  • Contratação certa: talento que enxerga IA como um sistema que conecta tecnologia, negócio e psicologia do usuário

• Resumo: a disciplina de transformar em execução

  • Fazer stress test da economia unitária para evitar colapso na expansão
  • Incluir análise de custo e adoção no PRD para refletir a viabilidade econômica desde o início
  • Preparar-se para a comoditização com auditorias trimestrais de diferenciação
  • Apresentar estratégia, não funcionalidade, aos investidores
  • Contratar liderança que cubra produto, infraestrutura e economia
• Os fundadores que vencem não são os que têm as funcionalidades mais vistosas, mas os que têm a disciplina de operar a empresa como um sistema

Por que este é o momento decisivo para fundadores

• Em toda geração tecnológica houve vencedores e perdedores — foi assim com a internet, SaaS e mobile
• Mas IA não é apenas a próxima onda → é a transformação mais rápida, mais brutal e menos indulgente de todas
• O mercado já está lotado
  • Centenas de apps “com IA” são lançados toda semana
  • Investidores estão sobrecarregados com incontáveis pitch decks
  • Clientes estão confusos com excesso de opções
  • Funcionalidades viram commodity em poucas semanas
  • APIs ficam mais baratas, mais rápidas e mais acessíveis a cada mês
• Paradoxalmente, embora o mercado esteja cheio, estratégia de verdade é rara
• A maioria dos fundadores:
  • está obcecada em fazer demos
  • depende de wrappers de API
  • ignora a economia
  • precifica mal as funcionalidades
  • aposta na esperança de que “a escala vai resolver o problema”
• Mas em IA, uma estratégia errada consome dinheiro mais rápido do que em qualquer outra onda
  • Em SaaS, era possível sobreviver por anos mesmo com economia unitária ruim
  • Em IA, um único mês de custos de inferência descontrolados já pode afundar a empresa
  • Em SaaS, dava para sobreviver com uma funcionalidade
  • Em IA, a comoditização pode tornar uma “funcionalidade única” irrelevante da noite para o dia
• Os fundadores que dominarem agora a estratégia de produto de IA vão comandar a próxima década
• Eles vão:
  • construir moats em vez de correr atrás de funcionalidades
  • transformar preço em posicionamento em vez de esconder custos
  • usar economia validada por stress test em vez de modelos baseados em esperança
  • conquistar confiança com sistemas de avaliação (evals) em vez de apostar a confiança do usuário
  • tratar IA como um sistema, não como um brinquedo
• A distância entre vencedores e perdedores vai se abrir mais rápido do que nunca
  • E, uma vez aberta, não vai se fechar de novo

• Conclusão

  • Este é exatamente o momento de dominar a estratégia
  • Os fundadores que aprenderem estratégia neste momento serão lembrados por muito tempo no mercado; os que não aprenderem serão esquecidos
  • Há apenas uma pergunta: de que lado você vai ficar?

[hybridego]

É um texto muito bom.

[namojo]

Texto fortemente recomendado~!

Mesmo quando a IA é construída com um modelo open source, há a "mágica" de o custo marginal continuar aumentando

[sh102201]

Ótimo texto.