Onde Mora o Moat Quando o Modelo Vira Commodity

O modelo de fundação deixou de ser moat no instante em que a inferência começou a cair 10x ao ano. Quando a capacidade central vira utilidade que qualquer concorrente aluga de vários fornecedores, a defensibilidade precisa morar onde a curva de preço não alcança. Esse lugar é o efeito de rede de dados, o dado proprietário e o process power em IA vertical.

Este é um playbook sobre onde a vantagem durável realmente fica depois que o modelo vira commodity. A versão curta. O modelo é o motor alugado. O moat é aquilo a que o motor está preso. Na Avante Ventures construímos para a segunda coisa, porque a primeira já não é algo que se possa possuir.

O modelo é alugado, então o moat se desloca

O modelo virou commodity porque a inferência barateou mais rápido do que quase qualquer tecnologia da história. Segundo a a16z, para um LLM de desempenho equivalente o custo cai 10x a cada ano, um fator de 1.000 em três anos. A qualidade nível GPT-3 saiu de US$ 60 por milhão de tokens no fim de 2021 para cerca de US$ 0,06. Rastreadores independentes da Epoch AI confirmam a direção, com algumas tarefas caindo 40x ao ano.

Uma queda de 10x ao ano, disponível para todos, é a definição de utilidade. Então a pergunta estratégica já não é qual modelo você usa. É o que se acumula ao redor do modelo que um concorrente com o mesmo modelo e mais dinheiro não consegue replicar até o próximo trimestre. Três mecanismos passam nesse teste. Leia em ordem de durabilidade, e veja como eles se conectam em /why-avante.

Dado proprietário: um estoque que decai

Um dataset proprietário obtido uma única vez é um estoque, e estoque decai. A correção mais afiada ao hype do dado como moat continua sendo o texto da a16z The Empty Promise of Data Moats, que argumenta que em geral não existe efeito de rede inerente em simplesmente ter mais dado. Pior, o dado bate em retornos decrescentes. No exemplo deles, de um chatbot de suporte, passados cerca de 40% de cobertura das perguntas o custo de adicionar dado único sobe enquanto o valor de cada novo registro cai.

O dado só é defensível sob condições apertadas. O acesso precisa ser genuinamente exclusivo, ou a precisão em um domínio de alto risco precisa alimentar um loop de uso e feedback. Um dataset que um rival também pode comprar ou raspar é linha de custo, não moat. Ter uma pilha de dados é largada na frente. O moat é o que mantém a pilha crescendo mais rápido do que qualquer um consegue copiar.

Efeitos de rede de dados: o fluxo que compõe

O efeito de rede de dados é o tipo durável porque é um fluxo, não um estoque. O uso de cada cliente melhora o produto para o próximo cliente, então o ativo se reabastece mais rápido do que decai. A NFX, no seu Network Effects Manual, trata os efeitos de rede como o mecanismo central de defensibilidade e credita a eles a maior parte do valor criado por empresas de tecnologia.

A ressalva importa, e é onde a maioria dos fundadores se engana. O loop só conta quando mais uso melhora o produto de forma mensurável numa dimensão que o cliente valoriza, e quando um concorrente começando do zero não consegue igualar essa melhora. Escala sozinha não faz isso. Um loop de feedback faz.

• Escala, nao moat. Um novo entrante com o mesmo modelo e mais capital replica sua posicao de dado em um trimestre.
• Fluxo de verdade. Seu produto fica estruturalmente melhor quanto mais tempo roda, porque o uso alimenta um ativo que rivais nao compram.
• O teste. Se um concorrente bem financiado nao alcanca sua posicao de dado ate o proximo trimestre, voce tem efeito de rede, nao so escala.

Process power e lock-in de workflow

Process power é o moat que compõe dentro de workflows regulados. O 7 Powers de Hamilton Helmer define Process Power como excelência operacional mais histerese, a resistência que mantém um processo difícil de copiar mesmo quando seus resultados estão à vista. Ele anda junto com os Switching Costs, que surgem quando um cliente valoriza compatibilidade entre compras repetidas de uma mesma empresa ao longo do tempo.

Quando um produto de IA vira o sistema de registro de um processo regulado, sair significa revalidar uma trilha de compliance, retreinar equipe e reintegrar sistemas adjacentes. O custo de sair é o moat. É por isso que a IA vertical vence a IA horizontal. Um assistente genérico não tem workflow para ancorar. Um produto vertical que vive dentro de um processo licenciado, auditado e denso em regulação ancora fundo e permanece.

Mapeando isso nos 7 Powers

O framework de Helmer é útil aqui justamente porque força honestidade sobre qual poder você de fato tem. O modelo não é nenhum deles. É um insumo que todo rival compartilha. Os moats duráveis de IA mapeiam em três dos sete poderes, e a evidência de 2025 confirma.

Segundo a Insignia Ventures, a IA tornou o construir mais fácil e o defender exponencialmente mais difícil, com software chegando a US$ 1 milhão de ARR mais rápido do que nunca. Os estudos de caso de mercados emergentes deles caem nos mesmos três poderes. Uma plataforma de carros usados compõe um data flywheel a partir de mais de 160 pontos de dado por veículo. Um credor combina um ERP proprietário com financiamento e segura 3% de inadimplência contra 20 a 30% do setor numa retração. Um banco digital transforma uma licença regulatória escassa em distribuição que rival nenhum iguala.

• Network Economies. O efeito de rede de dados, onde cada usuario melhora o produto para o proximo.
• Process Power. Excelencia operacional mais histerese, o lock-in de workflow de um sistema de registro.
• Cornered Resource. Uma licenca escassa ou um feed de dados exclusivo que um concorrente nao aluga nem raspa.
• Switching Costs. O custo de revalidacao, retreinamento e reintegracao de sair de um workflow regulado.

Os anti-moats: wrappers e dado comprável

Saber o que não é moat é metade do playbook. Um wrapper fino sobre uma API pública aluga a capacidade que todo concorrente aluga, adiciona um prompt e não é dono de nenhum dado que compõe. Nenhum dos poderes de Helmer se aplica a ele. Um dataset proprietário que um rival pode comprar ou raspar é uma linha de custo vestida de moat.

Os outros modos de falha são mais silenciosos. Escala de dado é confundida com efeito de rede de dados, quando mais linhas sem um loop dirigido por uso é apenas um estoque que decai. Dependência de modelo se disfarça de estratégia, até uma queda de 10x ao ano e a disponibilidade multi-fornecedor apagarem isso. E um dataset limpo sem canal para ser implantado perde para um dataset pior que já vive dentro de um workflow que clientes usam todo dia.

Como a Avante engenheira o moat

A Avante Ventures é um venture studio que constrói empresas AI-native no Brasil e na América Latina. O método é um flywheel copilot, dado, capital. Construir um copilot de IA para fazer trabalho real dentro de uma vertical, capturar o dado proprietário que o trabalho gera, e usar esse ativo de dado para captar e implantar capital. O copilot é a cunha. O efeito de rede de dados é o moat. O capital é a composição.

O studio implanta US$ 500K-1.5M por venture em um sistema de seis estágios, com dados da GSSN mostrando IRR de studio de ~50% contra ~19% do VC tradicional, cerca de 2.5x, um benchmark do modelo de studio e não uma afirmação sobre o retorno próprio da Avante. As mecânicas operacionais completas estão em como a economia de parceiro operacional funciona.

A razão de isso funcionar na América Latina é estrutural. Serviços respondem por cerca de 70% do PIB brasileiro com baixa penetração de software, exatamente a superfície onde um produto vertical pode virar o sistema de registro. Junte isso a operadores de domínio que carregam mais de 10 anos de cicatriz de mercado brasileiro, e o dado compõe em lugares que concorrentes não alcançam. Workflows de ativos judiciais, como precatórios e claims, e scoring de risco em seguros são fluxos, não estoques. O modelo vai continuar ficando mais barato. O moat é tudo o que você constrói para que isso deixe de importar. Veja como operamos em /principles.