O fim da era do MAU, e agora nem o MRR dá para confiar?

Olá. Hoje em dia, vivo pelo prazer de fazer newsletter.
Escrevo uma newsletter por dia, mas como postar com muita frequência não se encaixa na política do GN, quero apresentar uma newsletter que teve um pico de tráfego especialmente grande.

Pessoalmente, acho que o conteúdo é realmente muito bom, e considerei que é um tema que vale a pena pensar, então estou compartilhando.
Claro que vocês não precisam assinar, e já fico satisfeito se apenas lerem e se divertirem.

Neste texto, houve um caso recente em que audiências nos EUA revelaram o quanto métricas como usuários ativos e receita recorrente foram infladas.
Os protagonistas foram ninguém menos que OpenAI e Anthropic. Com isso, um novo indicador está ganhando força no Vale do Silício. Bem, afinal, é preciso continuar investindo. Na prática, é uma métrica que também experimentei enquanto trabalhava na Gamma. Em termos simples, trata-se de receita/produtividade por pessoa e valor de vida útil de 1 ano.

[cafedead]

• Na era da IA, há quem defenda que o ARR talvez já não seja mais uma métrica padrão confiável
• As métricas de referência do setor de tecnologia mudaram ao longo das eras
  • Era social: DAU/MAU
  • Era SaaS: ARR/MRR
  • Era da IA: levanta-se a questão de que até o ARR tradicional pode distorcer a realidade
• O ponto de partida do texto é a inconsistência nos números da Anthropic
  • Em fevereiro de 2026, a empresa destacou um ARR de US$ 14 bilhões
  • Um mês depois, em um documento apresentado ao tribunal, registrou “mais de US$ 5 bilhões em receita acumulada desde a fundação”
  • É a mesma empresa, em momentos parecidos, mas o significado dos números é bem diferente
  • O autor interpreta isso como “um sinal de que, na era da IA, o ARR não consegue mais descrever adequadamente o estado real do negócio”
• Há 3 razões pelas quais o ARR perde força no contexto de IA
  1. Cai por terra a premissa do SaaS de que o custo marginal é praticamente zero
     • Em IA, cada chamada de inferência gera custo real de GPU/cloud
     • Quanto mais se usa, maior também é o custo
  2. A diferença de custo por cliente é muito grande
     • Mesmo pagando a mesma tarifa, alguns clientes têm baixo custo e outros, custo alto
     • Olhando só para ARR, ambos parecem a mesma “boa receita”, mas a rentabilidade real é muito diferente
  3. A estabilidade da receita recorrente é mais fraca
     • O custo de migração é menor do que no SaaS, então é mais fácil trocar para outro modelo/serviço
     • O próprio “Recurring” é menos sólido do que no passado
• Por isso, o ARR de empresas de IA pode até mostrar “crescimento”, mas não mostrar bem rentabilidade, sustentabilidade e qualidade do negócio
  • O argumento é que a estrutura é parecida com o passado, quando DAU/MAU mostrava o interesse dos usuários, mas não a saúde do negócio
• O autor entende que os casos de Anthropic e OpenAI também mostram esse problema
  • Há diferenças entre o ARR divulgado e a receita acumulada real, os resultados semestrais e a velocidade de consumo de caixa
  • Ou seja, se um número “anualizado” for lido como se significasse o mesmo que desempenho anual real, pode gerar mal-entendidos
• Métricas candidatas de próxima geração para a era da IA propostas pelo autor
  1. Produtividade por dólar gasto (Productivity per Dollar Spent)
     • Não basta olhar apenas ARR por funcionário
     • É preciso ver algo como ARR / (custos de pessoal + custos de IA) para revelar a eficiência real
  2. Valor do primeiro ano (First Year Value)
     • Em vez de assumir um futuro distante como no LTV
     • a ideia é avaliar se o cliente obteve valor suficiente nos primeiros 12 meses para renovar
  3. Métricas de unit economics como lucro bruto por token
     • Mais importante do que quanto foi processado
     • é quanto se conseguiu reter ao processar
• Mensagem central
  • Na era da IA, mais importante do que o tamanho da receita é observar a estrutura do lucro bruto, a rentabilidade por cliente e o valor que sobra no primeiro ano
  • A ideia é que, mais do que o tamanho dos números, é preciso ler a estrutura por trás deles
• Também há um problema prático
  • Para enxergar corretamente essas métricas de terceira geração
  • é necessário que billing, custos de infraestrutura e sistemas financeiros estejam conectados
  • mas a maioria das empresas de IA ainda não tem infraestrutura de medição nesse nível

Resumo em uma frase
Nos negócios de IA, ficou mais difícil explicar tudo apenas com ARR como no SaaS, e daqui para frente serão mais importantes métricas que mostrem não só “quanto vendeu”, mas “quanto sobra” e “quanto consegue reter”.

[haebom]

Você organizou isso muito bem. Obrigado.