- O mercado de aplicações de IA se divide pela complexidade do problema e pela dificuldade de adoção, mas a vantagem competitiva duradoura acaba dependendo dos dados acumulados durante o uso
- Produtos fáceis de adotar podem criar um flywheel de dados com uso em grande escala e feedback rápido, mas também são fáceis de substituir e ficam expostos à competição de capital e dados com os fornecedores de modelos
- Produtos enterprise difíceis de adotar aprendem os sistemas e a forma de trabalho dos clientes, acumulando um moat de dados por empresa que dificulta para produtos posteriores reproduzirem a mesma especialização
- Agentes de código evoluíram rapidamente com base em dados de aceitação e rejeição de sugestões que ocorrem dezenas ou centenas de vezes por dia, enquanto a área de geração de slides, com poucos sinais de validação detalhados, melhora mais devagar
- Nos próximos 12~24 meses, podem surgir vencedores em mercados como SRE e operações de segurança, onde tanto a adoção quanto a solução são difíceis; porém, o período de avaliação e implementação é longo, e a falta de dados e sinais de validação pode reduzir a taxa de sucesso
Mercado de IA dividido por complexidade e dificuldade de adoção
- Mesmo com talento suficiente, capital e modelos melhores, o desempenho dos agentes de IA varia muito entre áreas
- Eles lidam com precisão com prospecção de leads de vendas e solicitações de suporte ao cliente, mas não conseguem gerar slides de alta qualidade de forma consistente
- A lógica de que primeiro se resolvem os problemas mais fáceis, por si só, não explica por que os agentes de código, em uma área complexa, evoluíram mais rápido
- O avanço dos agentes de código é resultado de que a adoção fácil levou à coleta de dados em grande escala
- Desenvolvedores podiam migrar para o Cursor em cerca de 5 minutos, sem aprovação adicional
- Os dados de uso criaram um flywheel que melhorou a experiência do produto, e hoje toda a equipe dos autores usa o Cursor Composer para geração de código
- O mercado se divide em quatro áreas, conforme a dificuldade de resolver o problema e de adotar a solução
- Adoção fácil e solução fácil
- Adoção fácil, mas solução difícil
- Adoção difícil, mas solução fácil
- Adoção difícil e solução difícil
- Produtos fáceis de adotar conseguem muitos dados, mas também são fáceis de substituir
- Produtos difíceis de adotar, depois de se estabelecerem dentro da empresa, aprendem sua forma de trabalhar e garantem um moat de dados difícil de substituir
Mercados em que adoção e solução são fáceis
- A busca para consumidores com respostas personalizadas já era um caso previsível de uso de IA desde 2023, e se expandiu amplamente de buscas de conhecimento geral até conselhos médicos
- Além dos fornecedores de modelos-base, novos entrantes como Perplexity e You.com também entraram nesse mercado
- A barreira de entrada parece baixa, mas na prática está mais para uma armadilha de valor
- Se uma startup consegue implementar isso com facilidade, laboratórios de modelos de fronteira provavelmente já construíram algo assim ou podem fazê-lo com ainda mais facilidade
- Quanto mais claro o caso de uso, mais o uso se concentra em aplicativos de chat já existentes
- OpenAI, Google e Anthropic podem coletar milhões de dados de uso e melhorar seus modelos nessa área
- ChatGPT Health é um exemplo dessa expansão
- Fornecedores de modelos podem subsidiar custos e aprender rapidamente novas áreas de aplicação com uma base massiva de usuários, o que torna provável que novos entrantes sejam pressionados para fora
- A lealdade do usuário também é baixa, e as pessoas usam vários agentes de chat em paralelo conforme o objetivo; diferentemente do mercado de busca na web, os concorrentes disputam em posições relativamente parecidas
- Se surgir uma marca dominante, é provável que seja um fornecedor de modelos
Mercados em que a adoção é fácil, mas a solução é difícil
- Programação é um problema complexo, mas desde o início foi fácil ter adoção individual
- Já em 2023 era possível perceber valor apenas colando trechos de código no ChatGPT
- A qualidade inicial era limitada, mas o Cursor simplificou ainda mais esse processo
- Como engenheiros podem escolher diretamente sua IDE, a mudança de IntelliJ ou VSCode para Cursor também não era tão pesada
- O trabalho de programação oferece ciclos de feedback rápidos e detalhados
- Desenvolvedores podem gerar código dezenas ou centenas de vezes por dia
- Cada aceitação ou rejeição de uma sugestão adiciona dados de treino que podem ser usados em melhorias futuras do modelo
- Esse flywheel de dados tornou possível a rápida melhora na qualidade dos modelos
- Mercados complexos sem ciclos detalhados de feedback, como geração de slides, melhoram muito mais devagar
- Resolver problemas difíceis exige grande investimento em uso de tokens e talentos técnicos, podendo no fim exigir até treino de modelos e reinforcement learning (RL)
- Os dados obtidos pela adoção fácil sustentam esse investimento mais profundo, mas laboratórios de modelos de fronteira também veem agentes de produtividade amplamente usados como parte de seu próprio território
- Eles já competem intensamente no mercado de agentes de código
- Também podem lançar mais ferramentas de produtividade de escritório além dos editores de documentos existentes
- É alta a chance de uma disputa de capital em larga escala, tornando difícil para empresas pequenas competir sem investimento massivo
- O lock-in do produto ainda é baixo
- É possível usar vários agentes de código ao mesmo tempo
- Se surgir uma aplicação que crie slides melhores, o usuário pode migrar facilmente
- Configurações específicas de empresa, como Cursor rules ou templates de marca, podem aumentar o lock-in, mas interoperabilidade ou um padrão único também podem facilitar a migração
Mercados em que a adoção é difícil, mas a solução é fácil
- Foi a área de adoção mais ativa de IA enterprise nos últimos 2 anos, incluindo casos em que LLMs executam playbooks como devoluções de e-commerce ou redefinição de senha
- Classificar a solução como fácil não significa que o produto não tenha profundidade
- Como as empresas buscavam resultados imediatos com IA e começaram pelos problemas mais claros, a receita dos líderes desse mercado cresceu rapidamente
- Há dois diferenciais nesse mercado
- Agentes que lidam com tickets de suporte ao cliente ou solicitações de help desk de TI não podem ser escolhidos por indivíduos; é necessária uma decisão em nível organizacional com participação do comitê de compras
- Mesmo quando o caso de uso é relativamente simples, a integração com sistemas enterprise antigos é difícil e trabalhosa, e equipes capazes de lidar com sistemas legados saem muito na frente
- No processo de integração enterprise, forma-se um moat de dados por cliente
- Os dados dos agentes são difíceis de generalizar entre vários clientes, e as empresas também tendem pouco a permitir seu uso no treinamento de modelos
- Em vez disso, o produto pode aprender como cada cliente realmente trabalha
- O conhecimento acumulado melhora o produto como um todo e ao mesmo tempo aumenta o lock-in por cliente, dificultando que agentes posteriores reproduzam a mesma especialização
- Investidores tratam as grandes startups desse mercado como incumbentes de fato
- Ainda há espaço para inovação de produto, mas não está claro por que uma startup pequena competiria com Sierra ou Decagon
- Também não está claro se o capital levantado por elas está concentrado em go-to-market (GTM) ou na criação de moats técnicos, como modelos especializados em código
- Se o capital for usado apenas em go-to-market, as startups talvez precisem depender de competição por custo
Mercados em que adoção e solução são difíceis
- Workflows complexos de engenharia e operações, como SRE e operações de segurança, recebem relativamente menos atenção entre as quatro áreas
- O valor potencial é grande porque podem resolver tarefas que humanos executam por horas ou dias, mas como os workflows variam de empresa para empresa, a avaliação e a implementação são muito mais difíceis
- O produto da RunLLM foca nessa área, e espera-se que a próxima etapa de crescimento apareça aqui
- Há três razões para acreditar em crescimento rápido nos próximos anos
- Modelos de raciocínio passaram a conseguir planejar tarefas complexas e lidar com soluções em múltiplas etapas
- Boa parte da resolução do problema acontece na construção e configuração de workflows fora da IA, e esse processo fica mais rápido e fácil à medida que agentes de código evoluem
- As empresas já estão atacando ativamente os problemas fáceis, então, ao buscar os desafios restantes, acabam migrando para problemas mais difíceis
- O moat de dados nessa área é o mais complexo e também tem alto valor potencial
- Ao acumular especialização sobre o workflow de uma empresa, fica muito difícil para outro produto reproduzi-la
- Trocar de produto passa a ser parecido com demitir um engenheiro experiente e substituí-lo por um iniciante
- Também existe oportunidade de acumular especialização em competências centrais específicas, como um agente de SRE especializado em AWS
- Há menos dados do que em agentes de código, e também é mais difícil validar resultados, então o ciclo de melhoria é muito mais lento
- Existem empresas que levantaram grandes quantias, mas é difícil dizer que estejam tão solidamente estabelecidas quanto as líderes do mercado em que a solução é fácil e a adoção é difícil; a competição de longo prazo continua em aberto
Fronteiras em mudança e o papel da UX
- As fronteiras entre as quatro áreas não são fixas, e tanto a complexidade do problema quanto a dificuldade de adoção podem mudar
- As capacidades dos modelos melhoraram muito a cada poucos meses, mas recentemente há sinais de estagnação nas melhorias dos modelos, o que reduz relativamente o foco no eixo da complexidade
- A maior possibilidade de mudança está na experiência do usuário (UX)
- A UX de aplicações de IA ainda é uma área pouco explorada
- Novos paradigmas de UX podem mudar a forma como os usuários adotam produtos
- O Claude Code para web é um exemplo: ele oferece um agente de código no navegador, tornando-o acessível também para usuários que acham IDE ou terminal algo intimidador
Próximos 12~24 meses
- Nos próximos 12~24 meses, espera-se que surjam vencedores em mercados onde tanto a adoção quanto a solução são difíceis
- É bem provável que isso não ocorra de forma tão fluida quanto o crescimento de Sierra e Decagon
- Os ciclos de avaliação serão mais longos
- A implementação será mais complexa
- A taxa geral de sucesso também pode ser menor
- Se as empresas melhorarem seus processos e elevarem o desempenho dos modelos com os dados acumulados, poderão gerar uma receita enorme nessa área
Ainda não há comentários.