Post

Software mais barato: o valor pode sair da interface e ir para a operação

Se preferir começar por um resumo, peça um TL;DR ao ChatGPT ou ao Claude .

Quando uma primeira versão fica mais fácil de reproduzir, a vantagem competitiva pode depender da combinação entre processo, domínio, dados, distribuição e operação.

Uma provocação de Christiano Milfont sobre o momento das startups conectou duas leituras recentes: Schumpeter e destruição criativa e Drucker sobre inovação como trabalho.

A pergunta que surgiu foi esta:

Se um concorrente consegue reproduzir boa parte da interface e das funcionalidades de um produto em pouco tempo, onde fica a vantagem competitiva?

Minha hipótese é que, em alguns negócios, uma parte maior do valor sairá do software isolado e irá para a operação que ele torna possível.

Isso não significa que software virou uma commodity ou que sistemas de produção ficaram baratos. Construir uma primeira versão funcional é diferente de manter arquitetura, segurança, qualidade e operação sob uso real. A sequência sobre vibe coding tratou justamente dessa distância.

O que parece ter diminuído, em determinados produtos, é o custo de experimentar uma combinação de interface, componentes prontos, APIs, cloud e código assistido por IA. Não tenho uma medida universal para essa redução. Por isso, trato o software mais barato como premissa a validar em cada caso, não como conclusão sobre toda a indústria.

Capital caro muda o teste

No Brasil, essa hipótese encontra um ambiente em que o dinheiro continua caro. Em 5 de agosto de 2026, o Copom reduziu a meta da Selic para 14% ao ano. Juros não determinam sozinhos quais startups serão financiadas, mas aumentam a importância de demonstrar retorno, eficiência e geração de caixa.

A LAVCA descreve o venture capital latino-americano em 2025 como mais seletivo: o valor investido permaneceu estável enquanto o número de negócios caiu, com cheques maiores e mais concentrados. Entre 2023 e 2025, operações de follow-on representaram 50% dos cheques de early stage.

Ao mesmo tempo, o uso de IA já participa do trabalho de uma parcela dos usuários brasileiros. Segundo a OpenAI, 35% das mensagens classificadas de contas individuais do ChatGPT no Brasil em junho de 2026 estavam relacionadas a trabalho; dentro desse grupo, 53% pediam a execução de uma tarefa ou a produção de um resultado.

Esse dado exclui contas empresariais e Codex e descreve mensagens classificadas, não produtividade obtida. Ele mostra uso, mas não prova redução de custo nem retorno para uma empresa.

O conjunto sugere um teste mais exigente:

1
2
3
4
5
6
7

capital caro
        +
ferramentas mais acessíveis para experimentar software
        +
IA presente em atividades de trabalho
        ↓
menos espaço para sustentar apenas a narrativa de que “temos um software”

Essa seta é minha interpretação. Os três fatos não demonstram, por si sós, o modelo de negócio que deve substituí-la.

De SaaS para uma operação apoiada por software

Imagine duas empresas.

A primeira vende um sistema para que o cliente execute determinado processo.

A segunda assume a execução do processo e usa software, automação e agentes de IA internamente.

Durante muito tempo, a segunda opção teria uma limitação evidente: serviços costumam crescer por meio da contratação de pessoas. Se parte relevante da operação puder ser automatizada sem aumentar erros e riscos na mesma proporção, surge algo que não é exatamente SaaS nem consultoria tradicional.

É um serviço operado por software.

O cliente compra o resultado. A tecnologia passa a ser parte do sistema de entrega, não necessariamente o produto que ele precisa aprender a operar.

Esse desenho também se conecta à hipótese de que parte do trabalho com agentes pode migrar da execução para o projeto dos sistemas que executam tarefas. A operação não elimina trabalho humano por definição. Ela pode deslocá-lo para especificação, avaliação, tratamento de exceções e responsabilidade pelas decisões.

Esse modelo só melhora a economia do negócio se algumas condições forem verdadeiras:

  • o processo é delimitado o suficiente para ser operado e medido;
  • a automação reduz trabalho sem transferir um custo maior para revisão e correção;
  • erros, exceções e responsabilidades continuam visíveis;
  • conhecimento do domínio melhora decisões que uma interface genérica não resolve;
  • receita e margem crescem sem depender da mesma proporção de trabalho humano.

Sem essas condições, trocar o rótulo de serviço por “operação aumentada por IA” não muda o negócio.

A hipótese brasileira

Talvez empresas brasileiras não precisem competir com laboratórios que treinam os maiores modelos. Podem trabalhar em outra camada: problemas operacionais locais em áreas como tributário, financeiro, saúde, logística, construção, agronegócio, indústria, contabilidade e backoffice.

Há infraestrutura digital para explorar algumas dessas oportunidades. O Banco Central registra mais de 170 milhões de pessoas físicas que já usaram o Pix e mais de 7 bilhões de transações em janeiro de 2026. Seu Relatório Integrado de 2025 informa que o Open Finance terminou aquele ano conectando 96 milhões de contas bancárias.

Esses números mostram escala de infraestrutura, não uma vantagem competitiva automática. Para uma empresa, o valor ainda depende de acesso permitido aos dados, integração confiável, conformidade, conhecimento do processo e uma forma de chegar aos clientes.

Por isso, eu procuraria a vantagem na combinação:

1
2
3
4
5
6
7

processo
+ dados aos quais a empresa pode legitimamente ter acesso
+ conhecimento do domínio
+ distribuição e relacionamento
+ integrações
+ operação
+ software e IA

Copiar uma tela é uma coisa. Reproduzir esse conjunto funcionando, com custo, qualidade e responsabilidade conhecidos, é outra.

O que eu tentaria medir

Antes de defender esse modelo, eu escolheria uma operação pequena e observaria:

  • tempo e custo por resultado entregue;
  • quantidade de intervenção humana;
  • taxa e impacto dos erros;
  • exceções que a automação não cobre;
  • tempo necessário para integrar um novo cliente;
  • retenção e disposição do cliente para pagar pelo resultado.

É a mesma lógica que uso antes do product-market fit: explicitar a hipótese, escolher o teste de menor custo e definir qual evidência permitirá continuar, alterar ou interromper.

Se esses indicadores não melhorarem, talvez o software tenha ficado mais fácil de construir sem que a operação tenha ficado melhor.

Schumpeter ajuda a enxergar o deslocamento. Drucker lembra que a oportunidade precisa virar trabalho adotável. A provocação final, por enquanto, permanece como hipótese: a próxima vantagem de algumas empresas de tecnologia pode estar menos em “temos um software” e mais em “sabemos executar esta operação, e software e IA fazem parte de como conseguimos fazê-la”.

Referências