Software não está morrendo, está evoluindo

• Com a IA barateando a geração de código, o fosso competitivo de “construímos a funcionalidade primeiro” está ruindo, e softwares que só acumularam recursos estão tendo seu valor reprecificado (repriced) em tempo real
• Agora, a defesa competitiva não vem da velocidade de entrega de funcionalidades, mas de workflows de alta precisão, dados proprietários e sistemas de registro profundos, e o padrão para ser reconhecida como uma “empresa de verdade” também subiu
• Afirmações do tipo “fiz um CRM no fim de semana com Claude usando vibe coding” ignoram a diferença entre gerar código e operar serviços de missão crítica, e empresas compram confiança (trust), não código
• Agentes não substituem aplicativos; eles são embutidos dentro de aplicações verticais, e os aplicativos que possuem o modelo de dados, permissões e trilha de auditoria continuam sendo o ponto de venda e renovação
• Recentemente, US$ 285 bilhões evaporaram do valor de mercado de softwares legados, alimentando teses sobre o fim do SaaS, mas a demanda por IA ainda supera a oferta em um mercado sustentado por receita real

---

O debate sobre bolha está fazendo a pergunta errada

• Considerando a IA como um todo, não é uma bolha. A demanda continua superando a oferta, e algumas empresas do portfólio nem conseguem atender todos os clientes por falta de capacidade computacional
  • Essa demanda está ligada não apenas a número de usuários, mas a dezenas de bilhões de dólares em receita real, e bolhas não costumam se manifestar assim
• Há, no entanto, uma área específica que levanta suspeitas de bolha: robótica humanoide, onde capital está se concentrando em valuations de estágio avançado
  • Há backflips e movimentos de dança, mas ainda não existe robô fazendo trabalho economicamente valioso
  • LLMs funcionaram graças ao corpus de treinamento da internet aberta, mas a robótica não tem um corpus de dados equivalente,
    então a origem dos dados de treinamento continua sendo um problema de pesquisa sem solução clara (e cronogramas de pesquisa não combinam com cronogramas de venture capital)
• Em outras palavras, a resposta para “há uma bolha em IA?” varia por segmento, e mesmo no caso de software (SaaS), não faz sentido concluir de imediato que “acabou”; é preciso avaliar cada tese separadamente

4 teses sobre a morte do software (da pior para a melhor)

• #4: todo mundo vai fazer seu próprio software com vibe coding

  • A tese é: “por que pagar Salesforce se você pode fazer seu próprio CRM com vibe coding no fim de semana usando Claude?”
  • Gerar uma base de código e operar um serviço de missão crítica são coisas totalmente diferentes
    • Se a pessoa que fez o vibe coding sair da empresa, surge um problema de manutenção da base de código
    • Geração de código não resolve questões de conformidade SOC2 nem controle de alucinações (hallucination)
    • Também não resolve integrações com bancos SQL escritos em 1998 nem a responsabilidade por uptime quando o dashboard cai às 4 da manhã
  • Empresas compram confiança, não código; a IA facilitou a equivalência de código, mas a equivalência de confiança continua difícil

• #3: agentes como Claude e ChatGPT vão engolir os aplicativos corporativos

  • É uma tese melhor do que vibe coding, mas ainda há ceticismo sobre seu funcionamento em workflows onde o custo do erro é alto
  • Sistemas baseados em LLM são não determinísticos (non-deterministic) e vulneráveis a alucinações
    • Bugs em software tradicional são reproduzíveis; falhas de agentes se parecem mais com testes instáveis, que passam 98% das vezes e falham no momento decisivo
  • Eles servem bem para tarefas de baixo risco, como rascunho de e-mails, resumo de documentos e textos de marketing
    • Mas, se um agente omite um campo obrigatório ou registra errado o valor de um contrato e isso faz a empresa perder um negócio de seis dígitos, passa a ser necessário um sistema que imponha regras
  • Times que tentam workflows puramente com agentes acabam reconstruindo camadas de validação, etapas de aprovação, rollback e logs de auditoria
    • Somando tudo isso, no fim você reconstruiu um app SaaS em volta do agente
    • O resultado não é a substituição do aplicativo, mas a incorporação de agentes dentro de aplicações verticais
    • Modelo de dados, permissões, trilha de auditoria e relacionamento com o cliente continuam pertencendo ao aplicativo; é esse envelope que segue sendo vendido, suportado e renovado
  • Se a confiabilidade dos modelos melhorar, a tese fica mais interessante, mas ainda não estamos nesse ponto

• #2: o fim do pricing por assento vai derrubar o modelo SaaS

  • O SaaS tradicional é composto por três camadas: dados, lógica de negócio e interface; agora uma quarta camada agentic (agentic layer) está sendo adicionada
    • Se antes você vendia 50 assentos para humanos e agora dois agentes fazem o trabalho sem interface, surge um problema de poder de precificação
  • Se agentes fazem mais trabalho e o cliente recebe mais valor, isso não é um problema existencial, mas um problema de preço e empacotamento
    • Fornecedores que desenharem pricing alinhado ao valor (price to value) com modelos baseados em tokens, resultado ou uso híbrido sobreviverão
    • Fornecedores obcecados por cobrar por assento vão quebrar à medida que os clientes automatizarem esses assentos
  • Pricing puramente baseado em resultado é difícil de aplicar de forma limpa em todas as categorias, então a expectativa para os próximos anos é de domínio de modelos híbridos (uso + resultado)

• #1: com código barato, o fosso de funcionalidades desmorona

  • Essa é a tese levada mais a sério
  • O fosso de SAP, ServiceNow e Salesforce por décadas foi a força de trabalho de engenharia acumulada
    • Cada funcionalidade, integração e relatório era absorvido por bases de código que startups dificilmente conseguiam alcançar, mas a IA está comprimindo dramaticamente esse timeline
  • Se o produto é só uma camada de workflow e a defesa era “fomos os primeiros a construir”, a situação é crítica
    • Business intelligence e geração criativa de conteúdo são hoje as áreas com fossos mais rasos, justamente porque LLMs fazem muito bem esse tipo de trabalho

Onde está o fosso agora

• Três elementos de defesa

  • Workflows de alta precisão com orçamento de erro próximo de zero: infraestrutura financeira, saúde, conformidade regulatória etc.
    • Vibe coding não sobrevive a uma auditoria HIPAA nem a divergências de conciliação, e o próprio custo do erro vira o fosso
  • Loops proprietários de feedback de dados: melhoram de forma relevante com o uso do cliente e não podem ser copiados por concorrentes usando o mesmo modelo fundacional
    • O ativo não é o modelo, é o dado
  • Sistemas de registro profundos (systems of record): embutidos em operações legadas, possuem a fonte de verdade e criam alto custo de troca
    • Essas empresas não deveriam evitar a IA, mas adotá-la agressivamente, porque a camada de agentes aumenta ainda mais o valor dos dados

Estado atual da stack de IA: onde investir e onde não investir

• Dizer “investimos em IA” já é tão pouco distintivo quanto dizer “investimos em software” em 2012
• Existem quatro camadas, e elas não devem receber a mesma alocação de capital

• 1. Hardware

  • A computação continua sendo a restrição principal (binding constraint) deste ciclo
  • Empresas como a Neolabs estão esperando pedidos de compra que já deveriam ter sido atendidos há meses
  • A demanda é real, mas a oferta está travada, e os vencedores são em sua maioria empresas listadas ou já escaladas — investimento seed não muda esse resultado

• 2. Modelos

  • Modelos de fronteira não são um negócio de venture capital, mas um negócio intensivo em capital (capex)
  • O custo para treiná-los direito se aproxima do PIB de pequenos países, e OpenAI, Anthropic e Google já estão nesse jogo
  • Startups de modelos que tentam ataque frontal estão escolhendo a batalha errada
  • Só há interesse em um pequeno grupo de empresas como a Sciforium, que buscam formas diferentes por meio de novas arquiteturas, novos métodos de treino/inferência ou novo enquadramento do problema
    • Se for uma abordagem de flanqueamento lateral (outflanking) que obrigue os incumbentes a canibalizar o próprio núcleo para reagir, então passa a ser interessante

• 3. Infraestrutura

  • É aqui que a IA quebra de forma interessante as suposições do SaaS tradicional
  • O SaaS clássico era centrado em leitura (read-heavy): gravava uma linha e a consultava milhões de vezes
    • Workloads de IA invertem isso: pipelines de treinamento, memória de agentes, vector stores e harnesses de avaliação são centrados em escrita e atualização (write-heavy) e operam sobre formatos de dados para os quais o legado não foi projetado
  • Há investimento ativo nos dois lados
    • A própria camada de dados: PlanetScale, Greybeam — reconstruindo primitivas de banco de dados OLTP e OLAP para esse novo tipo de workload
    • A camada de geração de dados: Preference Model, Moody Pines, Terac — fornecendo dados limpos, estruturados e rotulados, que viram o gargalo real depois que o problema de computação é resolvido

• 4. Aplicações

  • É onde a maior parte do capital está indo agora e a camada em que o valor chega aos compradores reais
  • A IA está tornando possíveis workflows antes inacessíveis, como codificação médica, otimização de frete, revisão jurídica, motion de vendas e operações clínicas, criando uma enorme superfície de oportunidade (surface area)
  • Há competição intensa e pressão de preço, mas isso é característica de uma camada com grande demanda
  • Os vencedores serão aqueles que combinarem workflows AI-native com pelo menos um destes elementos: ambiente de alta precisão, loop proprietário de dados ou sistema de registro profundo

Para quem está fundando neste mercado

• Hardware e modelos estão praticamente fechados para novos entrantes sem vantagem estrutural
• Infraestrutura está totalmente aberta para quem internalizou que “workloads de IA não são workloads SaaS com um chatbot acoplado”
• Aplicações é onde há mais volume e onde a linha de base sobe mais rápido

• Recomendações para seed e Série A

  • Pare de dizer que o fosso é “lançar rápido” — isso agora é requisito básico
  • Mostre os dados que só você acumulou e que ninguém mais consegue obter
  • Destaque os workflows que só você absorveu e que o cliente não consegue simplesmente extrair
  • Apresente a precisão que seu sistema entrega em ambientes onde erros geram grandes perdas
  • Se sua funcionalidade está espremida entre dois grandes aplicativos, reconheça que você está em uma zona morta (dead zone)
• O software não está morrendo, mas softwares inflados com perfil de utilidade estão sendo reprecificados (repriced) em tempo real, e substituí-los é muito mais difícil do que um projeto de fim de semana feito com API de modelo — o patamar do que define uma empresa de verdade ficou mais alto