ChatGPT e Claude vão acabar com todos os trabalhos?

a16z sócio Joe Schmidt IV aponta que laboratórios de grandes modelos apenas lideram tarefas horizontais, enquanto as verdadeiras oportunidades de aplicação de IA estão em cenários verticais e fluxos de trabalho complexos.
(Resumindo: Altman retira a previsão de "IA destruirá empregos humanos": estou feliz por ter errado, será que é de coração?)
(Complemento de contexto: Google lidera investimento na plataforma de roteamento de IA OpenRouter, avaliada em 1,3 bilhões de dólares, com crescimento de 240% ao ano)

Índice deste artigo

Alternar

• Caminho de Tijolos Amarelos
• Outros lugares de Oz
• Por que outros lugares de Oz não serão ocupados pelo Mágico
• Caso na área de vendas — dicas práticas do CEO da 11x
  • Focar nos resultados
  • Investir em problemas de alta complexidade
  • Barreiras não são apenas para evitar problemas, é exatamente por isso que os clientes pagam
• Caso na área de seguros — dicas práticas do CEO da FurtherAI
• Como saber se você está em outros lugares de Oz
• Ambos podem (e irão) vencer

Empreendedores e potenciais funcionários sempre me perguntam a mesma coisa: Ainda há espaço para construir aplicações de IA? Ou a OpenAI e a Anthropic vão acabar com tudo?

Por trás dessa questão, há uma espécie de "ansiedade de IA" especial. Alguns já concluíram que, para evitar ficar na base da pirâmide para sempre, o único lugar de resistência duradoura é dentro de grandes laboratórios ou em áreas de ponta como robótica e tecnologia dura — teoricamente, qualquer coisa "fora do alcance do laboratório".

Se cada software estiver prestes a ser engolido, seja por Codex ou Claude, substituindo seu trabalho, ou por modelos futuros tornando tudo que você construiu inútil, então corra!

Escute, eu quase como todo mundo sou um defensor do AI acima de tudo, mas acho que eles acertaram só pela metade. Os laboratórios de fato estão corroendo grande parte do mapa de aplicações. Mas a "camada de aplicação" não é uma oportunidade única e homogênea. A estrutura de pensamento correta é: você está na "Estrada de Tijolos Amarelos" (Yellow Brick Road), ou em outros lugares do Oz, no mundo das fadas?

Caminho de Tijolos Amarelos é uma expressão que usamos para o caminho que os laboratórios estão trilhando, investindo recursos incríveis ali. A razão pela qual eles são mais aptos a resolver problemas de geração de código, escrita ou criação de imagens, é que esses problemas melhoram à medida que a "capacidade bruta do modelo" evolui: cada dólar investido em pré-treinamento e pós-treinamento aumenta diretamente a qualidade do produto.

Ao mesmo tempo, outros lugares de Oz estão cheios de problemas mais complexos, geralmente de domínio vertical. Essas questões não são apenas para fornecer às empresas uma "ferramenta genérica" com acesso a computadores e ferramentas padrão.

Seu valor, mais do que a capacidade bruta do modelo (embora isso ainda seja importante!), vem de uma estrutura de suporte (scaffolding) ao redor dele, que torna as saídas confiáveis, conformes às normas e prontas para uso real em setores específicos.

Estamos vendo essa situação se desenrolar agora mesmo: OpenAI e Anthropic estão comunicando ao mercado que não podem resolver tudo com um único colega de IA genérico. Já anunciaram planos de implantação em larga escala, formando empresas inteiras ao redor de configurações e personalizações de modelos para negócios. Se você acha que o próximo lançamento de modelo resolverá tudo, certamente não investiria bilhões de dólares nesses projetos.

Portanto, se seu objetivo é enriquecer desenvolvendo aplicações de IA — evite o Caminho de Tijolos Amarelos, vá para outros lugares de Oz. Aqui estão algumas lições que aprendemos, e que nossos fundadores e investidores também aprenderam, sobre o que realmente funciona.

Caminho de Tijolos Amarelos

Se você quer empreender, o Caminho de Tijolos Amarelos é a rota mais óbvia, mas também a mais perigosa. Pegue um modelo de alto desempenho, conecte com alguns conectores prontos (como Google Drive, Slack, Salesforce, Notion, GitHub), e lance uma espécie de Agente (agent) com uma camada de orquestração. É magia!

O problema é que isso é exatamente o que laboratórios fazem com Cowork e Codex. Obviamente, eles possuem o modelo em si, o que lhes dá melhor margem de lucro, controle e poder de definir preços para qualquer downstream.

Mas talvez o mais importante seja que eles também controlam a "escolha de arquitetura" que determina quais problemas seu produto resolve perfeitamente. Até agora, eles têm pensado bastante na abordagem de "modelo + chamadas de ferramenta (tool calls)", que é o que esse nível de trabalho de baixo nível na estrada de tijolos amarelos exige. Mesmo que startups consigam, em certa medida, superar Codex ou Claude Code, os laboratórios têm uma vasta rede de distribuição e a marca mais forte no campo de IA.

Se você é uma startup de aplicações de IA, copiar esse esquema, usar os mesmos conectores, sem ter sub-Agentes ou configurações profundas, e sem canais de distribuição, provavelmente está caminhando para um beco sem saída.

Outros lugares de Oz

Para startups, isso não é o fim do mundo. Existem oportunidades enormes fora do Caminho de Tijolos Amarelos, com rotas claras para conquistar clientes e resolver problemas complexos.

Essas empresas estão construindo experiências de Agentes, entrelaçando modelos em uma rede complexa de ferramentas, automações e integrações (ou seja, software). Assim, a maioria dessas startups opera em domínios verticais.

Podem focar em tarefas multi-etapas e colaboração entre múltiplos papéis, criando sub-Agentes específicos para funções e setores, algo que plataformas genéricas como Anthropic e OpenAI não conseguem fazer: coletar contexto de múltiplos sistemas e roteá-lo para diferentes pessoas que precisam aprovar em etapas distintas.

Normalmente, isso envolve sistemas legados, que exigem resultados determinísticos (sem espaço para ambiguidades), e muitas vezes estão ligados a resultados comerciais de alto valor.

Os laboratórios sabem o quanto esses problemas valem: por isso, estão criando suas próprias equipes de terceirização e estratégias de implantação técnica, além de uma série de negócios de reforço de aprendizado (RL) voltados ao mercado de alta gama.

Por que outros lugares de Oz não serão ocupados pelo Mágico

Algumas pessoas argumentam que, até agora, apostar contra modelos e laboratórios tem sido uma jogada pouco lucrativa. Eles provavelmente vão ficar mais fortes e acabar dominando o mercado de aplicações.

Claro que os laboratórios continuarão evoluindo, mas vejo que empresas em outros lugares de Oz podem se proteger de várias formas ao longo do tempo:

Flywheel de dados e aprendizado: Grande parte do que internalizam não está nos conjuntos de treinamento — são normas não escritas, padrões não documentados e a inteligência coletiva na cabeça dos profissionais. Essas informações não estão disponíveis em sites públicos. Nenhum poder de treinamento substitui estar imerso nesses fluxos de trabalho e conhecimentos reais.

Existem dois "flywheels" interligados: um é o flywheel entre clientes (quanto mais variações de um mesmo problema você encontrar, mais o padrão se reforça); o outro é o flywheel interno ao cliente (causas por trás de decisões, exceções não explicadas, regras de experiência própria, que só emergem com interação real com o sistema).

Uma empresa que faz seu Agente passar por 100 revisões de cláusulas jurídicas, 1000 ciclos de subscrição de seguros ou 10.000 campanhas de marketing, internaliza a essência do problema — algo que um novato não consegue replicar ao lançar um novo Agente. Conjuntos de avaliação, marcações de saída e classificação de casos extremos podem formar um banco de dados vertical específico, alimentando o ajuste fino (fine-tuning).

Variação e complexidade na gestão de modelos: Laboratórios já fazem roteamento — usam modelos diferentes para diferentes solicitações, com integração na camada inferior (ensembles). Mas eles não podem fazer "roteamento entre fornecedores", nem avaliar modelos concorrentes para tarefas específicas, ou usar modelos open source para fine-tuning em segmentos específicos. Empresas em outros lugares de Oz vão escolher o melhor modelo para cada tarefa.

Sempre que um novo modelo surge, ele também assume tarefas chatas — reexecutar avaliações na atualização, recalibrar prompts para casos extremos, fazer deploys sem afetar produção. Os laboratórios não fazem isso por seus clientes; apenas vendem o próximo modelo e deixam o cliente migrar por conta própria. Empresas em outros lugares de Oz absorvem esses custos de migração.

Otimização de custos: Rodar cada consulta com o modelo de ponta mais recente é o caminho mais rápido para prejuízo. As melhores aplicações roteiam entre modelos em diferentes níveis: usam modelos de ponta para tarefas mais difíceis, modelos intermediários para a maioria das tarefas rotineiras, e modelos menores ou ajustados para etapas específicas.

Os laboratórios definem preços baseados na linha de fundo: oferecendo o menor custo para uma IA utilizável mínima. Empresas em outros lugares de Oz, ao contrário, fornecem o nível de inteligência necessário para o fluxo de trabalho real ao menor custo possível — isso só funciona se você souber exatamente o que cada sub-tarefa precisa.

Governança: Ser o painel de controle (control plane) para clientes operando IA em um domínio vertical tem um valor enorme — aqui estão as permissões, auditorias, o que o Agente pode fazer e o que realmente fez.

Como eles têm controle total sobre ferramentas, fluxos de trabalho e dados acessados pelos Agentes, podem oferecer resultados confiáveis. Ainda, atuam como entidades que absorvem a complexidade regulatória final — regras de direito, HIPAA na saúde, SEC e FINRA em finanças, regulamentos estaduais de seguros, etc. O CIO quer um parceiro que declare explicitamente em contrato: "Eles estão cuidando da conformidade do Agente fornecido".

Tudo isso se resume a uma coisa: focar. Pode ser um domínio vertical (seguros, direito, contabilidade) ou uma função especializada (vendas, suporte ao cliente, finanças). Laboratórios não foram feitos para isso. Devem estar presentes em todos os lugares, atendendo a todos — e essa é a razão de estarem reforçando a "Estrada de Tijolos Amarelos". Mas esse mesmo trade-off os impede de estar em todos os lugares e ao mesmo tempo ser excelentes em algo específico. Não dá para fazer as duas coisas ao mesmo tempo.

Caso na área de vendas — dicas práticas do CEO da 11x

Como pensar na prática? Aqui estão algumas dicas do CEO da 11x, Prabhav Jain:

Focar nos resultados

A estratégia para uma empresa imune ao laboratório é partir do "resultado específico" que o cliente realmente valoriza. Para nós, é ajudar a criar mais pipeline de vendas.

Queremos que todas as atividades que realmente impulsionam o pipeline sejam end-to-end? Quebramos cada atividade em tarefas. Quais precisam de Agentes? Quais não? Quando o fluxo tem muitas etapas, entradas confusas, estados difíceis de interpretar ou restrições do mundo real, um modelo melhor sozinho não resolve. Essa parte fica com engenharia de software tradicional.

Por exemplo, nossas tarefas incluem: geração de leads baseada em sinais customizados, enriquecimento de dados, pesquisa aprofundada de contas, captura de contexto do CRM, redação de mensagens para canais específicos, agentes de qualificação de leads e sistemas de entrega de emails. Essas tarefas não são de uma só vez; requerem forte base de engenharia. Metade do fluxo de trabalho real não é passível de automação com IA — e isso não é vantagem do laboratório.

Investir em problemas de alta complexidade

Problemas complexos são onde o valor de negócio real se revela. Caso contrário, você constrói uma casca fina (thin wrapper).

Um exemplo do GTM: se uma empresa já é sua cliente, você não deveria mais contatar um contato específico dessa empresa. Mas a realidade é diferente. E se a empresa tiver dezenas de subsidiárias? E se o CRM só tiver o domínio da matriz? E se uma coluna desatualizada enviar uma mensagem fria para o diretor de receita de um cliente existente? Para resolver esse caos, é preciso um Agente dedicado, que seja feito sob medida para esse problema, não um copiloto genérico.

Barreiras não são apenas para evitar problemas, é por isso que os clientes pagam

As barreiras são subestimadas. Um cliente de serviços financeiros regulados exige garantias diferentes de um SaaS de mercado médio. Essas garantias envolvem como o Agente escreve, quem pode contatar, quais dados acessa e como suas decisões são registradas.

Diante dessas diferenças, sistemas genéricos vão falhar. Barreiras precisam ser construídas de acordo com o cenário de uso, configuradas por cliente, e continuamente auditadas. Por isso, temos engenheiros de implantação (FDE) e estrategistas de implantação técnica, que ajustam tudo às necessidades específicas de cada cliente.

Caso na área de seguros — dicas práticas do CEO da FurtherAI

Vendas é um exemplo. Seguros é outro, e reforça a mesma ideia sob outro ângulo. Veja a opinião do CEO da FurtherAI, Aman Gour:

"Quando começamos a implantar IA no setor de seguros de verdade, ouvimos uma hipótese específica: que o modelo é a inteligência, e o fluxo de trabalho é apenas a estrutura ao redor dele.

Quanto mais seguradoras com quem trabalhamos, mais percebemos que essa visão inverte a causalidade. Na área de seguros, muita inteligência está no próprio fluxo de trabalho.

Duas seguradoras podem passar por uma solicitação de apólice pelo mesmo caminho: submissão, revisão, cotação, aceitação. Mas o que diferencia essas duas é cada detalhe: quais riscos precisam ser reportados, quais sinais de perda são críticos, qual regra de apetência prevalece quando há conflito, quando é necessário assinatura manual, e como a decisão final é registrada. Essas lógicas não estão em um motor de regras limpo. Estão dispersas em SOPs, revisões gerenciais, filosofias de subscrição e anos de operação.

É por isso que estamos construindo fluxos de trabalho agentic (agentic workflows). Fluxos que garantam repetibilidade, auditabilidade e controle de custos; agentes que lidam com variações e fazem reparos quando o caminho padrão falha; humanos no loop, responsáveis por decisões de responsabilidade.

Com o tempo, o fluxo de trabalho deixa de ser apenas um script e passa a ser a memória operacional (operating memory) da seguradora. Essa é uma parte que os laboratórios têm dificuldade de alcançar. Essa compreensão só vem de rodar o fluxo na produção milhares de vezes. A primeira versão do fluxo que você lança não é sua vantagem competitiva; é o ciclo de uso na produção ao longo do tempo que constrói a barreira."

Como saber se você está em outros lugares de Oz?

• Teste de ferramentas e etapas: Quantas etapas esse trabalho exige? Você precisa construir ferramentas complexas para suportá-lo? Compare: uma busca horizontal com IA no Google Drive (ferramenta única, uma etapa, alta tolerância a falhas); versus uma revisão de cláusulas jurídicas com dezenas de etapas, cruzando múltiplas ferramentas, com resultados que precisam passar por revisão de sócios. Ambos parecem "Agentes em ação", mas só um exige um software profundo, desenvolvido ao longo de anos.

• Teste de sistema: Você está construindo um "sistema" completo para o cliente rodar seu trabalho, ou uma "ferramenta" que roda sobre o sistema que eles já têm? Sistema tem fluxo de trabalho completo — captura de dados, governança, registro de tarefas concluídas. Ferramenta apenas adiciona inteligência ao fluxo existente. Um alto valor de contrato anual (ACV) costuma indicar um sistema, pois substitui trabalho humano. Pergunte: se um laboratório lançar um produto concorrente, o cliente ainda precisará da sua ferramenta? Se sim, você está construindo um sistema.

• Teste de hedge fund / P&L: O desempenho do laboratório é avaliado por benchmarks, enquanto o de outros lugares de Oz é avaliado pelo P&L do cliente. Seus clientes não se importam com a pontuação em benchmarks — querem saber se seu Agente facilitou negociações, revisou contratos corretamente. Os melhores agentes operam como hedge funds, buscando "Alpha" — ganhos acima do mercado, medidos pelo P&L do cliente.

Ambos podem (e irão) vencer

Veremos grandes vencedores tanto no Caminho de Tijolos Amarelos quanto fora dele. As empresas de modelos continuarão vencendo, pois possuem o modelo em si e canais de distribuição de suas ferramentas genéricas.

Mas empresas em outros lugares de Oz, que dominarem sistemas de trabalho (system of work) — ou seja, a execução real do trabalho e a captura de dados gerados — terão vantagem. À medida que fluxos de trabalho mais complexos em domínios verticais amadurecem, eles se tornarão parte da experiência central do cliente. Modelos podem ser substituídos, mas sistemas de trabalho não.

A próxima geração de softwares empresariais nascerá fora do Caminho de Tijolos Amarelos.