O fim dos wrappers de IA: estratégia de verticalização para startups em estágio inicial

• Com o desaparecimento da vantagem temporária dos wrappers de IA que adicionavam uma única função a modelos de base, startups em estágio inicial estão migrando para negócios verticalmente integrados que controlam todo o workflow e a cadeia de valor
• A primeira estratégia é combinar conhecimento de domínio e orquestração de tarefas para produzir resultados no campo industrial difíceis de obter apenas com a inteligência bruta dos modelos de base
• A segunda estratégia não se limita a vender software de IA para empresas existentes, mas reconstrói vendas, análise e operações com foco em automação, melhorando também a experiência do cliente
• A terceira estratégia é garantir um sistema de registro que integre dados industriais fragmentados e depois expandi-lo para um sistema de ação que também assume a execução de tarefas e a tomada de decisões
• Grandes empresas incumbentes podem colaborar diretamente com laboratórios de frontier AI, mas enfrentam restrições de custo, compartilhamento de conhecimento proprietário e interesses organizacionais; startups AI-native podem construir defensabilidade por meio da verticalização, concentrando-se em go-to-market e experiência do cliente

---

A ascensão e queda dos wrappers de IA de função única

• Após o surgimento do ChatGPT, fundadores passaram a criar produtos que combinavam modelos com tarefas individuais antes feitas por pessoas, como copywriting, atendimento ao cliente, pesquisa jurídica e vendas, cobrando assinatura ou por tarefa
• A Jasper levantou US$ 125 milhões em 2022 com valuation de US$ 1,5 bilhão, mas em menos de um ano reduziu sua projeção de ARR para 2023 em pelo menos 30%, fez demissões, e seus dois cofundadores deixaram a empresa
  • Depois disso, redefiniu sua visão como um “sistema operacional de marketing”
• Empresas que criaram ferramentas de tarefa única partiram da premissa de que as capacidades dos modelos de base permaneceriam em níveis semelhantes, mas essa premissa ruiu quando laboratórios de frontier AI passaram a transformar os próprios modelos em produtos
  • A Anthropic oferece diretamente ferramentas como Claude Code e Claude Design, que dois anos atrás teriam sido classificadas como wrappers
  • Segundo números divulgados, a receita anualizada da Anthropic passou de US$ 14 bilhões em janeiro para mais de US$ 47 bilhões em maio, com a demanda corporativa impulsionando o crescimento
• “AI for X”, voltado a uma tarefa específica, estava mais para uma vantagem temporária do que para uma estratégia de produto sustentável
  • Agentes de uso geral sem efeitos de rede ou especialização em uma vertical também podem se tornar “wrappers 2.0”

As empresas que sobreviveram controlam o serviço inteiro

• Empresas que geram resultados começam não colocando uma ferramenta de IA sobre um modelo, mas usando a IA como mecanismo de entrega de serviço e controlando todo o workflow necessário para o serviço
• A EvenUp começou não com IA jurídica ampla, mas em uma área estreita e especializada: danos pessoais
  • Mais de 2.000 escritórios de advocacia usam a plataforma, e 20% dos 100 maiores escritórios de danos pessoais dos EUA são clientes
  • O ARR dobrou em relação ao ano anterior e, em outubro de 2025, a empresa levantou US$ 150 milhões em uma Series E com valuation acima de US$ 2 bilhões
  • O valuation mais que dobrou em menos de um ano
• Further AI em seguros e Blitzy no desenvolvimento de software corporativo adotam a mesma abordagem
• A competitividade não nasce apenas de modelo, dados ou experiência do usuário isoladamente
  • Todo o workflow, conhecimento de domínio, dados acumulados em cada caso ou codebase, e a capacidade de entrar e vender em indústrias complexas precisam funcionar juntos
• Antes, a própria inteligência era vista como o que se vendia e o wrapper como uma estrutura auxiliar; agora, a fábrica inteira é o produto, incluindo workflow, dados e pipeline de vendas

Abordagem 1: controlar workflows complexos além da inteligência bruta

• Blitzy é uma plataforma de IA que desenvolve software sob medida para empresas Fortune 500 e recentemente levantou US$ 200 milhões com valuation de US$ 1,4 bilhão
• O mercado de software corporativo tinha duas opções
  • Criar ferramentas como Cursor ou Codex e vendê-las para grandes equipes terceirizadas de desenvolvimento
  • Transformar IA em serviço e vendê-la diretamente às empresas, eliminando a necessidade das equipes terceirizadas em si
• A Blitzy escolheu a segunda via
  • Em 2024, havia a visão de que os modelos da OpenAI ou da Claude resolveriam todos os problemas, dificultando a competição para startups
  • Em ambientes corporativos reais, um grafo de conhecimento da codebase inteira da empresa, a capacidade de dividir trabalhos em unidades menores e uma camada de orquestração que chama o modelo mais adequado para cada tarefa produzem resultados melhores do que produtos de laboratórios de frontier AI
• Com um sistema que entende o contexto ao redor da codebase, registrou SWE-Bench Pro 66,5% e chegou ao 1º lugar
• Mesmo que a inteligência bruta resolva gargalos centrais de engenharia e sistemas, ainda é necessário operacionalizá-la para que funcione no campo industrial; a integração vertical de todo o workflow cumpre esse papel

Abordagem 2: redesenhar negócios existentes em torno da automação

• A Tomo não vende software de IA para empresas de hipoteca; ela reconfigura em torno da IA o próprio processo de análise de crédito e obtenção de hipoteca
• Ao aplicar automação em vendas, análise e operações, eleva a produtividade por agente de crédito acima da concorrência e repassa isso aos consumidores na forma de taxas melhores
  • Atualmente, 77% dos compradores de imóveis recebem taxas melhores na Tomo do que em provedores tradicionais
  • Percentual de compradores que receberam taxas melhores: {p:77}
• Redesenhar uma indústria do zero pode levar a uma experiência do cliente melhor do que inserir software em workflows existentes
• Pequenas melhorias de software podem ter impacto limitado dentro de sistemas que não foram projetados originalmente para essa tecnologia
  • Em vez de convencer organizações existentes a mudar workflows, é possível reconstruir o negócio diretamente e usar esses recursos para melhorar a experiência do cliente
• Empresas incumbentes têm probabilidade muito baixa de adotar esse caminho, pois teriam de destruir o próprio modelo de negócios e a própria organização
• Na era do SaaS, a estratégia de inserir software em workflows existentes funcionou bem, mas a IA permite reconstruir indústrias tradicionais em torno da automação e focar na experiência do cliente em vez da adoção interna

Abordagem 3: expandir de sistema de registro para sistema de ação

• A Seso construiu um sistema de registro de RH para o setor agrícola dos EUA
• O processo de vistos H-2A, que sustenta uma parte significativa da força de trabalho agrícola nos EUA, estava disperso entre escritórios de advocacia, produtos do Microsoft Office e documentos em papel
  • A Seso unificou isso em um banco de dados central, ajudando fazendas a gerenciar trabalhadores sazonais como se fossem funcionários de uma empresa comum
• Após a adoção de IA, deixou de ser um simples “arquivo digital” e se transformou em sistema de ação
  • A plataforma foi reorganizada para gerenciar a logística dos funcionários, gerar insights de negócio e até tomar decisões relacionadas à mão de obra
• Empresas que garantem um sistema de registro podem, com base nas informações acumuladas, expandir para sistemas que executam trabalhos reais
• Exemplos que aplicam a mesma abordagem incluem Rec no setor de recreação e Veras no setor de cuidados de longa duração

Competição entre empresas incumbentes e serviços AI-native

• Empresas incumbentes, como grandes escritórios de advocacia, podem internalizar a automação colaborando diretamente com laboratórios de frontier AI, sem entregar conhecimento especializado interno a concorrentes AI-native
  • A Freshfields fez uma parceria com a Anthropic para desenvolver ferramentas personalizadas
• Essa estratégia está disponível principalmente para empresas de grande porte, como Big Law ou grandes instituições financeiras; mesmo para elas, o custo de colaboração com laboratórios de frontier AI pode ser alto demais
  • Como mostram os casos da Uber e da Microsoft, os custos de tokens de LLM estão crescendo, além dos custos de engenheiros de IA caros
• Para que a colaboração funcione, incumbentes da indústria precisam relaxar a postura de ocultar conhecimento proprietário cujo valor de longo prazo pode ser limitado, e laboratórios de frontier AI não devem exercer poder de precificação de forma excessiva
• Mesmo com um acordo, automação é apenas uma entre várias funções desempenhadas por empresas incumbentes, não o foco do negócio principal
• Serviços AI-native podem reduzir relativamente a dependência de laboratórios de frontier AI e se concentrar em go-to-market (GTM) e melhoria da experiência do cliente
• Mesmo que empresas tradicionais de hipoteca colaborem com laboratórios de frontier AI, a Tomo mantém uma opção mais barata e simples para o cliente
  • Essa opção entra em conflito direto com os interesses das incumbentes, portanto pode não eliminar a concorrência, mas limita seu alcance

Verticalização para a era da AGI

• A próxima geração de startups deve desenhar seus negócios em torno da pergunta: “como controlar todas as partes da cadeia de valor?”
• Pensamento vertical é uma das formas de defensabilidade que podem se manter durante a transição para a AGI
  • Mesmo que a inteligência bruta viabilize novas inovações, o processo de aplicá-la às operações reais e entregá-la aos clientes continuará necessário
• Fundadores que desde o início controlam uma indústria inteira e seus workflows podem construir uma posição sustentável mesmo na era dos hyperscalers de IA
• Em áreas como bio e deep tech, onde a execução em si é altamente especializada, a capacidade de execução especializada continua sendo uma barreira de entrada

[opula]

Concordo com a visão geral de que a verticalização é uma linha de defesa. Mas acho que o eixo que separa se algo é ou não um “wrapper” não é tanto a espessura das funcionalidades, e sim se, por baixo, vai se acumulando algo que o modelo não consegue carregar. As três estratégias do texto (possuir o workflow, redesenhar com foco em automação ou expandir o sistema de registro para um sistema de ação) acabaram me parecendo, no fundo, uma discussão sobre criar estado e dados que se acumulam fora do modelo.

Eu também já criei algo que, à primeira vista, parecia mais próximo de um wrapper fino, mas o que sobreviveu não foram as funcionalidades em si: foram as partes que possuíam o estado e os dados específicos do usuário, além de uma camada que calculava e memorizava de forma determinística para que o modelo não oscilasse a cada conversa. Quanto melhores ficam os modelos de fronteira, maior se torna o valor dessas duas coisas.

Acrescentando um ponto: o texto usa principalmente verticais enterprise (B2B) como exemplo, mas acho que a mesma lógica vale para produtos pessoais. Um LLM puro só vê informações públicas e não lembra do meu estado, então controlar o sistema de registros pessoais por si só acaba virando um fosso defensivo. Só que, na terceira estratégia, no trecho em que o sistema de registro passa para a ação (delegação de decisões), a confiança parece depender também de essas decisões serem reproduzíveis e verificáveis.