Um bom burn multiple para uma startup de IA fica abaixo de 1.5x

Um bom burn multiple para uma startup de IA fica abaixo de 1.5x, o que significa que a empresa queima menos de US$ 1,50 de caixa líquido para cada US$ 1,00 de nova receita recorrente anual (ARR) que adiciona. Na escala popularizada pelo investidor David Sacks, abaixo de 1x é incrível, de 1x a 1.5x é ótimo e de 1.5x a 2x ainda é bom. As startups de IA enfrentam uma versão mais severa desse teste do que as empresas de software clássicas, porque a inferência e o processamento em GPU vivem dentro do custo dos produtos vendidos, então cada dólar de crescimento consome mais caixa do que consumiria em um modelo de SaaS puro.

O que é um bom burn multiple para uma startup de IA?

Um bom burn multiple para uma startup de IA fica abaixo de 1.5x. O burn multiple mede quanto caixa líquido uma empresa queima para adicionar cada novo dólar de receita recorrente anual, calculado como o burn líquido dividido pelo novo ARR líquido no mesmo período. Uma leitura abaixo de 1x significa que o negócio está gerando mais de um dólar de novo ARR para cada dólar que queima, o que é excepcional em qualquer estágio. Entre 1x e 1.5x é ótimo, e entre 1.5x e 2x ainda é aceitável para uma empresa que está gastando de forma deliberada para crescer. Para startups nativas de IA, onde a inferência e o processamento em GPU ficam dentro do custo dos produtos vendidos e puxam a margem bruta bem abaixo dos 70 a 80 por cento que o software clássico costuma desfrutar, ficar abaixo de 1.5x é um sinal de disciplina mais forte do que o mesmo número seria para uma empresa de SaaS tradicional. Qualquer coisa acima de 2x merece um olhar atento.

Como calcular o burn multiple

A fórmula é deliberadamente simples. O burn multiple é igual ao burn líquido dividido pelo novo ARR líquido. O burn líquido é o caixa que uma empresa gastou menos o caixa que ela recebeu ao longo de um período, geralmente um trimestre ou um ano inteiro. O novo ARR líquido é o aumento da receita recorrente anual nessa mesma janela. Se uma startup queimou US$ 2 milhões em um trimestre e aumentou o ARR em US$ 1,6 milhão, seu burn multiple é 1.25x, o que fica na faixa ótima. Se ela queimou os mesmos US$ 2 milhões, mas adicionou apenas US$ 700 mil de ARR, o burn multiple salta para cerca de 2.9x, o que é um sinal de alerta.

A métrica é poderosa porque condensa crescimento e eficiência em um único número. Uma empresa pode registrar crescimento rápido e ainda parecer imprudente se estiver comprando esse crescimento a três ou quatro dólares de burn por dólar de receita. Ela também pode crescer devagar, porém de forma eficiente, e pontuar bem. É por isso que o burn multiple se tornou um atalho favorito no nível do conselho. Ele acompanha o restante da economia unitária que todo fundador deveria modelar desde o primeiro dia, e é uma das leituras iniciais mais limpas sobre se um negócio compõe ou vaza.

As faixas do burn multiple de David Sacks

O investidor David Sacks popularizou o burn multiple em um ensaio de 2020 e o combinou com uma escala que fundadores e investidores ainda usam como atalho. As faixas transformam uma razão bruta em um veredito, que é exatamente por que elas viajam tão bem entre um fundador e um conselho. O que Sacks tem registrado é a fórmula e essas cinco faixas de eficiência, não uma tabela fixa de metas por estágio.

Leia o número em relação ao estágio, porém, porque a mesma razão pode carregar um veredito diferente em pontos diferentes. Como convenção aproximada de venture, uma empresa em estágio mais inicial ainda em busca do encaixe entre produto e mercado recebe mais tolerância, e a expectativa aperta a cada rodada, tendendo a zero conforme o negócio se aproxima da lucratividade. Então um burn multiple de 1.8x não é apenas um número. É uma empresa que é oficialmente "boa", mas ainda tem espaço para apertar antes da próxima rodada.

Por que as startups de IA têm mais dificuldade para atingir um burn multiple baixo

O burn multiple foi definido em um mundo de SaaS onde o custo marginal de servir mais um cliente era próximo de zero. A IA muda essa conta. Cada prompt, cada execução de agente e cada token gerado carrega um custo real de processamento, e esse custo pertence ao custo dos produtos vendidos, não a uma linha que você pode ignorar. Os produtos agênticos deixam isso ainda mais nítido, porque uma única tarefa pode disparar muitas chamadas de modelo e queimar muito mais tokens do que uma simples resposta de chat.

O resultado é que uma empresa de IA que adiciona um dólar de ARR muitas vezes gasta materialmente mais para entregá-lo do que uma empresa de software clássica gastava, o que empurra o burn multiple para cima antes mesmo de vendas e marketing entrarem em cena. Um burn multiple crescente também encurta o runway, então a conta de processamento não é uma curiosidade contábil, é uma variável de sobrevivência. Fundadores que tratam a inferência como um custo de fundo fixo em vez de uma linha de COGS por transação tendem a descobrir o problema apenas depois que o burn multiple já derivou além de 2x, quando a correção exige renegociar preços ou rearquitetar o produto sob pressão.

Como um venture studio empurra o burn multiple para baixo

É aqui que o modelo de construção importa. Na Avante, cofundamos empresas nativas de IA para o Brasil e a América Latina, e subscrevemos a eficiência de capital no momento da construção, em vez de depois do fato. Duas alavancas movem o burn multiple a favor de um studio.

A primeira é a base de custos compartilhada. Quando engenharia, design, dados e infraestrutura de go-to-market são distribuídos por um portfólio em vez de reconstruídos dentro de cada nova empresa, o lado do burn líquido da razão começa mais baixo, então o mesmo crescimento de receita produz um multiple melhor. A segunda alavanca é o roteamento de modelos e a disciplina de inferência. Como o studio subscreve o custo dos produtos vendidos antes de um produto ser lançado, as empresas do portfólio direcionam cada carga de trabalho para o modelo mais barato que passa na barra de qualidade e se medem por custo por tarefa bem-sucedida, em vez do gasto bruto de tokens. Isso mantém a margem bruta defensável e o burn multiple honesto conforme a empresa cresce.

Um burn multiple abaixo de 1x também é o que torna realista construir uma empresa nativa de IA sem correr para um Series A, porque um negócio que adiciona mais ARR do que queima controla o próprio cronograma. A eficiência de capital deixa de ser um argumento de captação e passa a ser aquilo que compra opcionalidade.

Como é um bom burn multiple em 2026

Os benchmarks se apertaram conforme o capital ficou mais seletivo, e a direção do movimento é clara mesmo onde as medianas precisas de 2026 ainda estão se assentando. Espera-se que empresas de IA eficientes no Series A operem perto de 1x, as fortes ficam na faixa de 1x a 1.5x, e a empresa mediana está sob mais pressão do que estava na era do dinheiro barato, porque o COGS de inferência mais pesado corrói o crescimento por dólar que ela consegue mostrar. Trate o número específico do seu estágio como um alvo móvel e a faixa como a âncora.

O teste prático é direção mais nível. Se o seu burn multiple está abaixo de 1.5x e em queda, você está compondo capital e pode captar no seu próprio cronograma. Se ele está derivando acima de 2x, a pergunta honesta é se esse gasto está comprando crescimento durável ou subsidiando silenciosamente uma receita que não carrega o próprio peso.

O resumo final

Um bom burn multiple para uma startup de IA fica abaixo de 1.5x, e as melhores empresas empurram para baixo de 1x. A escala é simples, mas a economia da IA torna esse número mais difícil de conquistar, porque a inferência fica no COGS e cada unidade de crescimento custa processamento real. É por isso que a métrica recompensa a disciplina construída desde a primeira decisão de arquitetura, em vez de acoplada durante um corte de custos posterior e apressado. Meça o burn líquido contra o novo ARR líquido a cada trimestre, observe a tendência mais do que qualquer leitura isolada e trate qualquer deriva além de 2x como um chamado para questionar tanto seus preços quanto seu gasto com modelos.

Perguntas frequentes

O que é um bom burn multiple para uma startup de IA?

Um bom burn multiple para uma startup de IA fica abaixo de 1.5x, o que significa que ela queima menos de US$ 1,50 de caixa líquido para cada US$ 1,00 de novo ARR líquido que adiciona. Na escala de David Sacks, abaixo de 1x é incrível, de 1x a 1.5x é ótimo e de 1.5x a 2x é bom. As empresas de IA precisam se esforçar mais para chegar lá porque os custos de inferência e de GPU ficam dentro do custo dos produtos vendidos e reduzem a margem bruta, então qualquer coisa acima de 2x merece escrutínio.

Como se calcula um burn multiple?

Divida o burn líquido pelo novo ARR líquido no mesmo período. O burn líquido é o caixa que saiu menos o caixa que entrou, e o novo ARR líquido é o aumento da receita recorrente anual nessa janela. Por exemplo, queimar US$ 2 milhões enquanto adiciona US$ 1,6 milhão de ARR dá um burn multiple de 1.25x.

Por que o burn multiple é mais alto para startups de IA do que para SaaS?

Porque a inferência é um custo real por transação que pertence ao custo dos produtos vendidos. Cada prompt, token e execução de agente consome processamento, então cada dólar de nova receita custa mais para entregar do que no SaaS clássico. Isso empurra a razão para cima antes mesmo de o gasto com vendas e marketing ser contabilizado.

Qual burn multiple os investidores querem ver no Series A?

Os investidores geralmente querem empresas de Series A operando perto ou abaixo de 1.5x, com as mais eficientes em capital mais próximas de 1x. Uma leitura que deriva acima de 2x levanta perguntas sobre se o gasto está comprando crescimento durável ou subsidiando uma receita que não carrega o próprio peso.