Quando Construir Fica Barato, o Moat é o Critério

O ativo escasso em uma empresa AI-native não é mais a capacidade de construir. É o critério para decidir o que vale a pena construir, o que deixar de fora, e por que um cliente deveria se importar. A IA derrubou o custo de produção. Ela não produziu critério, arquitetura ou empatia com o cliente. Esses continuam escassos. E escassez é onde mora a margem.

Esse é o fio condutor da carreira de Tony Fadell. Ele entregou o iPod, ajudou a construir o iPhone e fundou a Nest, que o Google comprou por US$ 3,2 bilhões em 2014. Em uma conversa recente sobre construir na era da IA, o argumento dele foi direto. Quando todo mundo consegue produzir, o prêmio migra para quem sabe o que produzir. Nós construímos empresas AI-native no Brasil e na América Latina, e a leitura dele bate com o que vemos no campo toda semana.

Este não é um texto de nostalgia sobre uma lenda de hardware. É uma tese de trabalho sobre onde o valor se acumula quando o próprio modelo fica barato para todo mundo.

O custo de construir despencou

Comece pelo número que muda tudo. Para um modelo de desempenho equivalente, o custo de inferência cai cerca de 10x ao ano. A Andreessen Horowitz batizou isso de LLMflation e mediu. O custo de inferência de LLM caiu por um fator de 1.000 em três anos. Atingir um score MMLU de 42 custava cerca de US$ 60 por milhão de tokens com o GPT-3 em novembro de 2021. No fim de 2024, um modelo aberto chegou ao mesmo score por cerca de US$ 0,06 por milhão de tokens, segundo a [a16z](https://a16z.com/llmflation-llm-inference-cost/). A medição independente da Epoch AI coloca a queda mediana entre benchmarks em cerca de 50x ao ano, e subindo.

Leia o efeito de segunda ordem, não só o primeiro. Quando o custo de construir cai nessa velocidade, construir deixa de ser o gargalo. O recurso de IA acoplado, a caixinha de chat ao lado do produto antigo, agora está disponível para todo mundo a um preço que tende a zero. Barato de construir é a mesma frase que não defensável. Se você entrega em um fim de semana, os próximos dez times também entregam. O mesmo colapso que torna as empresas AI-native possíveis é o que torna a maioria delas descartável.

Então a pergunta interessante não é mais o que o modelo consegue fazer. É o que você decide fazer com ele, e o que você se recusa a fazer.

Critério é um teste, não um clima

A palavra de Fadell para o ativo escasso é taste. Soa subjetivo. Não é. Critério é a disciplina de saber o que deixar de fora.

O exemplo mais claro dele é o teclado do iPhone. Os dados não resolviam o debate entre um teclado físico e um virtual. Alguém teve que decidir contra a evidência daquele momento e entregar uma tela de vidro sem teclas. Produtos 1.0 que abrem categoria não podem ser totalmente validados por pesquisa com usuário, porque o usuário não consegue julgar uma experiência que nunca teve. Em uma categoria nova, o consenso mata a diferenciação. A convicção a constrói.

A IA agudiza isso, porque a IA torna adicionar algo de graça. Dá para acoplar todo recurso, toda integração, toda capacidade esperta que o modelo expõe. O trabalho difícil vira subtrair. Um produto que faz tudo é um produto que ninguém consegue descrever, e um produto que ninguém descreve não é comprado. O trabalho de verdade do fundador é decidir o que o produto não é.

Uma ressalva honesta. Critério não é a mesma coisa que ego. Critério informado é julgamento acumulado fazendo o trabalho e ficando perto do cliente. A ilusão do fundador veste a mesma roupa e pula o trabalho. O teste é se a convicção sobrevive ao contato com usuários reais, não se ela parece ousada na sala.

Venda o analgésico, não o modelo

O antídoto para a caça a recursos é começar pela dor, e só então adicionar a nova tecnologia. A pergunta nunca é o que o modelo consegue fazer. É qual dor cara, frequente e orçada agora pode ser resolvida de outro jeito porque o modelo existe.

Isso aparece com clareza em como a empresa fala. Nós usamos agentes não é uma história. Descreve a sua cadeia de suprimentos, não a vida do cliente. Nós cortamos o processamento de sinistros de dez dias para dez minutos é uma história, porque nomeia uma dor que o comprador já paga. Os produtos de IA mais fortes são vendidos em torno do trabalho humano a ser feito, não da capacidade do modelo que o move.

A pergunta de triagem que aplicamos a toda venture é simples. Isso é um analgésico, uma vitamina ou um brinquedo? Analgésicos se prendem a uma linha de orçamento e a um custo mensurável. Vitaminas são agradáveis e são as primeiras a cair numa retração. Brinquedos recebem demonstração e nunca são comprados. A IA torna brinquedos mais baratos de construir do que nunca, e é exatamente por isso que a disciplina de achar dor real e orçada importa mais do que nunca.

O produto é o sistema inteiro

Aqui está a armadilha que pega as startups de IA. Elas acreditam que o produto é o modelo mais uma interface. A carreira inteira de Fadell argumenta o contrário. O produto vencedor é a jornada inteira do cliente.

O iPod não era um tocador de música. Ele precisava do iTunes e da iTunes Music Store para virar o iPod. O iPhone precisava da App Store. A Nest precisou de um novo varejo, de uma nova experiência de instalação e de um design que fizesse um termostato valer a pena mostrar para um amigo. O objeto nunca foi o produto. O sistema ao redor era.

A lição para empresas AI-native é direta. Uma interface fina sobre o modelo de outra pessoa não é dona de nada. Qualquer um aluga o mesmo modelo ao mesmo preço em queda. A empresa que é dona do workflow, do dado, do onboarding e do resultado é dona de uma posição. A empresa que é dona só do prompt é dona de um recurso que o provedor do modelo absorve no próximo release.

Onde o moat de fato mora

Modelos viram commodity. A curva de custo garante isso. Quando todo concorrente consegue chamar o mesmo modelo ao mesmo preço em queda, o modelo não pode ser o moat. A defensibilidade migra para o que o modelo toca.

Três lugares se sustentam, e nenhum deles vem do modelo. Eles vêm do critério sobre como o modelo encontra a realidade de um cliente específico.

• Dado proprietário e efeitos de rede. Dado gerado dentro de um workflow real, que se acumula a cada uso, e que nenhum concorrente consegue comprar. O produto melhora à medida que os clientes usam, e a vantagem se amplia sozinha.
• Propriedade do workflow vertical. Uma empresa que redesenha um processo doloroso, regulado e bagunçado de ponta a ponta é mais difícil de deslocar do que um copilot horizontal que flutua sobre o trabalho de todos e não é dono de nenhum.
• Confiança. Os produtos de IA estão ficando íntimos. Copilots, assistentes, agentes que agem. Transparência, permissões, auditabilidade e controle humano deixam de ser custo de compliance e viram recursos de produto que ganham a venda. O produto mais confiável costuma vencer o mais agressivo.

Como a Avante constrói para o critério

A Avante Ventures é um venture studio que constrói empresas AI-native no Brasil e na América Latina. Nós não apostamos em um modelo. Construímos o loop ao redor dele. Toda venture é AI-native desde o dia um, com um modelo no loop central do produto e um copilot posicionado para capturar dado proprietário dentro de um workflow real. Esse é o padrão recorrente do portfólio: [flywheel copilot, dado, capital](/library/copilot-to-data-to-fund-flywheel). Construa o copilot, gere o dado, use o dado para levantar e alocar capital. Mais sobre a tese em [por que a Avante](https://avanteventures.com/why-avante).

O modelo de studio é, em si, um exercício de subtração. Resolvemos o encanamento de empresa uma vez, de forma central, o que direciona cerca de US$ 300 mil a US$ 500 mil de capital efetivo por venture para produto e tração em vez de overhead. A mesma lógica que derruba o custo de inferência 10x ao ano, aplicada à própria empresa. Faça a coisa cara uma vez e deixe cada venture nascer enxuta. Lançamos de três a quatro ventures por ano em seis estágios, Research, Partner, Build, Traction, Revenue, Compound, com US$ 500 mil a US$ 1,5 milhão alocados por venture e economia de co-founder retida.

O retorno estrutural é o histórico do modelo de studio, detalhado em [Por Que Venture Studios Superam o VC na LATAM](/library/why-venture-studios-win-latam). O modelo recompensa exatamente o que a era da IA recompensa: critério, iteração e eficiência de capital acima da velocidade bruta de construir.

Uma última ideia de Fadell, porque ela calibra a expectativa certa. Produtos que abrem categoria levam três gerações. Primeiro você faz o produto, depois conserta o produto, depois conserta o negócio. O iPod, o iPhone e a Nest não eram icônicos no lançamento. Eles conquistaram isso pela iteração. O trabalho de um studio é financiar essa capacidade de iterar, não apostar em uma versão um perfeita.

Em um mercado saturado de IA, qualquer um constrói. Poucos decidem bem. Critério não é uma virtude subjetiva. É a alavanca que transforma produção barata em empresa durável. Navegue pelo resto da [Biblioteca](https://avanteventures.com/library).