Startups de Agentes de IA Estão no Moat Errado

O Problema Real dos Agentes de IA

Passei dois dias na AI Agents Conference, em NYC. Mais de 40 startups apresentaram soluções para problemas que surgiram quando agentes de IA chegaram à produção: observabilidade, governança, supervisão, engenharia de dados. Só que, para um operador experiente, o que vi foi uma fila de empresas apostando no moat errado.

Um VC palestrou e disse que sua métrica principal para avaliar startups de IA é o ARR por engenheiro. E que esse número precisa crescer. Isso ecoou nos corredores: quase todo mundo estava vendendo remédio para algo que quebrou este ano. Mas o que realmente vai sobrar em dois anos?

O velho modelo SaaS funcionava porque o software agregava engenharia cara e conhecimento de domínio. Você pagava por uma ferramenta e obtinha resultados, mas a empresa de software raramente alinhava seu lucro ao valor gerado pelo cliente. Agora, esse modelo está rachando de dois lados.

O Fato: ARR por Engenheiro e o Novo Moat

Na conferência, a maioria das startups estava vendendo soluções para problemas de produção: agentes que monitoram agentes, data lineages, camadas de governança. Mas um participante experiente notou algo: com engenharia de software se aproximando de 'custo zero' (graças a LLMs e ferramentas low-code), a barreira de entrada para replicar essas soluções despenca. O que antes exigia uma equipe de 10 engenheiros e seis meses de desenvolvimento, hoje pode ser 'vibe-coded' por uma única pessoa em uma semana.

A métrica de ARR por engenheiro reflete essa compressão. Empresas que antes se orgulhavam do tamanho do time agora se gabam de gerar mais receita com menos gente. Isso é sintoma de um mercado onde o custo de construir software despenca, mas o valor dos resultados ainda é incerto.

Como Funciona: A Economia dos Tokens

O modelo de precificação está migrando para 'token markup'. Basicamente, a startup compra tokens de modelos grandes (como GPT-4 ou Claude) e os revende com margem para o cliente final. A margem está entre 2x e 4x, porque o resultado gerado pelo agente vale mais do que o custo do token. Mas aqui está a tensão: o custo variável da inteligência (os tokens) está cada vez menor, enquanto o markup precisa cobrir despesas fixas (infraestrutura, pessoal, etc.).

Isso cria uma economia frágil. Se o preço dos tokens cair 50% (já que competição e otimização são implacáveis), a margem da startup pode evaporar. E, pior, o 'moat' baseado em acesso privilegiado a modelos é ilusório – qualquer um com uma API key pode entrar.

O Que Isso Muda na Prática

Se você trabalha com agentes de IA, precisa repensar seu diferencial. Os produtos de observabilidade e governança vendidos na conferência são, em sua maioria, commoditizáveis. O que realmente defende? Conhecimento de domínio profundo, que não pode ser extraído de um LLM genérico. E contratos de longo prazo que amarram o cliente ao seu ecossistema de dados.

Na prática, a ação imediata: reduza dependência de soluções terceiras para algo que você pode construir internamente em dias. Teste a hipótese de que seu 'moat' atual é frágil – simule uma redução de 50% no custo de tokens e veja se seu modelo de precificação ainda se sustenta. Se não, é hora de pivotar.

Tensão e Reflexão

Essa compressão de custos de engenharia é real – mas não é nova. Lembra quando ter um website próprio era um diferencial competitivo? Hoje é tabela. A diferença agora é a velocidade: o ciclo de commoditização caiu de anos para meses. A maioria das startups de agentes de IA está vendendo 'ajudas técnicas' para problemas que, daqui a dois anos, a própria plataforma (OpenAI, Anthropic, Google) resolverá nativamente. O observability de agentes? O modelo já está embutindo isso. Governança? Vira configuração no console.

Isso escala? Os custos de aquisição de cliente (CAC) estão altíssimos para soluções que resolvem problemas temporários. A dúvida real: essas startups estão criando valor duradouro ou apenas lucrando com o atrito atual da tecnologia? Minha intuição é que o 'moat' de conhecimento de domínio é o único que permanece – e ele não se vende em uma conferência.

Conclusão

O mercado de agentes de IA está em uma bolha de utilidade periférica. Enquanto todos correm para vender a muleta de hoje, esquecem que o paciente pode aprender a andar sozinho amanhã. A pergunta que ficou: você está construindo algo que resolve um problema de transição ou algo que redefine o jogo?