O ChatGPT e o Claude vão acabar com todos os trabalhos?

a16z sócio Joe Schmidt IV apontou que os laboratórios de grandes modelos irão liderar tarefas horizontais, enquanto as verdadeiras oportunidades de aplicação de IA estão em cenários verticais e fluxos de trabalho complexos.
（Contexto anterior: Altman retira a previsão de "IA destruirá empregos humanos": estou feliz por estar errado, será que é de coração mesmo?）
（Complemento de background: Google investe na plataforma de roteamento de IA OpenRouter, avaliada em 1,3 bilhões de dólares, crescendo 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
  • Atacar 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 têm me perguntado uma 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 que "não possa ser feita no laboratório".

Se cada software estiver prestes a ser engolido, seja por Codex ou Claude, ou por modelos futuros que tornem tudo que você construiu desnecessário, então corra!

Olha, eu quase como todo mundo sou um defensor do AI acima de tudo, mas acho que eles estão certos 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 mundo de Oz?

Caminho de Tijolos Amarelos é uma metáfora para o caminho que os laboratórios estão trilhando, com recursos incríveis. 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. Esses problemas não são apenas para fornecer às empresas uma "ferramenta genérica" com ferramentas padrão e acesso ao computador.

Seu valor, mais do que a capacidade bruta do modelo (embora isso ainda seja importante!), vem da estrutura de suporte (scaffolding) ao redor dele, que torna a saída confiável, compatível e operacional em setores específicos.

Estamos vendo essa situação acontecer ao vivo: OpenAI e Anthropic estão comunicando ao mercado que não podem resolver tudo com um colega de IA universal. 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 resolve tudo, certamente não investiria bilhões nesses projetos.

Portanto, se seu objetivo é enriquecer desenvolvendo aplicações de IA — evite o Caminho de Tijolos Amarelos, e vá explorar 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 vai 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 camada de agentes (agents) ou orchestradores. É magia!

O problema é que isso é exatamente o que os 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 precificação sobre qualquer fornecedor downstream.

Mas talvez o mais importante seja que eles também controlam a "estrutura de decisão" que determina quais problemas seu produto resolve de forma ideal. Até agora, eles têm pensado bastante na combinação de "modelo + chamadas de ferramenta (tool calls)", que é o que esse nível de trabalho de baixo nível no Caminho de Tijolos Amarelos exige. Mesmo que startups consigam superar Codex ou Claude Code em algum aspecto, 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 padrão, usar os mesmos conectores, sem ter agentes subsidiários, configurações profundas ou 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 gigantes além 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 por padrão.

Podem focar em tarefas multi-etapas e colaboração multi-roles, criando sub-agentes (sub-agents) específicos para funções e setores, algo que plataformas genéricas como Anthropic e OpenAI não conseguem fazer: coletar contexto entre sistemas diferentes, e roteá-lo para múltiplos responsáveis por aprovações em diferentes fases.

Normalmente, envolvem sistemas legados, que exigem resultados determinísticos (sem espaço para ambiguidades), e frequentemente estão ligados a resultados comerciais de alto valor.

Os laboratórios sabem o quanto esses problemas são valiosos: por isso, estão criando suas próprias equipes de terceirização de configurações, e uma vasta gama de negócios de reforço de aprendizado (RL) voltados ao mercado premium.

Por que outros lugares de Oz não serão ocupados pelo Mágico

Algumas pessoas argumentam que, até agora, apostar contra os modelos e laboratórios tem sido uma jogada pouco lucrativa. Eles provavelmente vão ficar mais fortes, e acabarão engolindo o mercado atendido por aplicações.

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

Flywheel de dados e aprendizado: Grande parte do que você internaliza não está nos conjuntos de treinamento — são normas não escritas, padrões não documentados, e a inteligência coletiva que existe 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" empilhados: um é o flywheel entre clientes (quando você vê mais variações de um mesmo problema, o padrão se fortalece exponencialmente); o outro é o flywheel interno ao cliente (as razões por trás de decisões específicas, exceções não ditas, e as regras de experiência da própria empresa, que só emergem com interação real com o sistema).

Uma empresa que faz seu agente passar por 100 revisões de cláusulas legais, 1000 ciclos de avaliação de seguros ou 10.000 campanhas de marketing SDR, internaliza a essência do problema — algo que um novato não consegue replicar ao lançar um novo agente. Conjuntos de avaliação, rotulagem de saídas e classificação de casos extremos podem formar um flywheel de dados específico de domínio, alimentando o ajuste fino (fine-tuning).

Variação e complexidade na gestão de modelos: Os laboratórios já fazem roteamento — usando diferentes modelos para diferentes solicitações, integrando em camadas (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 de outros lugares de Oz escolhem o melhor modelo para cada tarefa.

Sempre que um novo modelo surge, ele também assume tarefas chatas — reavaliar após atualizações, recalibrar prompts para casos extremos, fazer deploy sem afetar produção. Os laboratórios não fazem isso por você; apenas vendem o próximo modelo, e você que se vira para migrar. Empresas de Oz fazem esse custo de migração parte do jogo.

Otimização de custos: Rodar cada consulta com o último modelo de ponta é a rota para prejuízo. As melhores aplicações roteiam entre modelos: usam modelos de ponta para tarefas difíceis, modelos intermediários para tarefas comuns, e modelos menores ou ajustados para tarefas específicas.

Os laboratórios precificam pelo mínimo de inteligência acessível: X dólares por uso. Empresas de Oz, ao contrário, oferecem a inteligência específica que a workflow realmente precisa, ao menor custo possível. Só funciona se você souber exatamente o que cada sub-tarefa exige.

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

Por terem controle total sobre ferramentas, fluxos de trabalho e dados acessados pelos agentes, podem oferecer resultados determinísticos. São também a entidade que absorve a complexidade regulatória final — regras de leis, HIPAA na saúde, SEC e FINRA em finanças, regulamentos estaduais de seguros, etc. O CIO quer um parceiro que declare explicitamente no contrato: "Estamos cuidando da conformidade do agente fornecido".

Tudo isso se resume a uma coisa: foco. Pode ser um domínio vertical (seguros, jurídico, contabilidade), ou uma função aprofundada (vendas, suporte ao cliente, finanças). Os laboratórios não foram feitos para isso. Devem estar em todos os lugares, atendendo a todos — e essa é a razão de estarem reforçando a construção do Caminho 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 ter as duas coisas.

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 aos laboratórios é partir do resultado 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? Que tarefas precisam de agentes, e quais não? Quando o fluxo de trabalho 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, sistema de entrega de emails. Nenhuma dessas tarefas é de uma só vez; requer engenharia robusta. Metade do fluxo de trabalho real não é agentic — e essa parte não tem vantagem de laboratório.

Atacar problemas de alta complexidade

Problemas complexos são onde o valor de negócio real se revela. Caso contrário, você acaba construindo 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 cold pitch para o diretor de receita de um cliente existente? Para entender essa confusão, é preciso um agente dedicado, que seja específico para esse problema, e 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 ele pode contatar, que dados pode acessar, e como cada decisão é registrada.

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

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

Vendas é um exemplo. Seguros é outro, e reforça a mesma ideia. 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 só a estrutura ao redor dele.

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

Duas seguradoras podem passar uma solicitação de apólice pelo mesmo caminho: submissão, revisão, cotação, aceitação. Mas o que diferencia essas seguradoras está nos detalhes: 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. Elas estão dispersas em SOPs, revisões gerenciais, filosofias de subscrição e anos de operação.

É por isso que estamos construindo fluxos de trabalho agentic. 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 só um script, e passa a ser a memória operacional 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. O que você lança no primeiro dia não é uma barreira — é o uso contínuo que cria o ciclo fechado."

Como saber se você está em outros lugares de Oz?

• Teste de ferramentas e passos: Quantos passos essa tarefa exige? Você precisa construir quão complexas ferramentas para suportá-la? Compare: uma busca horizontal com IA no Google Drive (uma ferramenta, um passo, alta tolerância a falhas); versus uma revisão de cláusulas legais com múltiplos passos, cruzando vários sistemas, 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 dados, governança, registros de tarefas concluídas. Ferramenta só adiciona inteligência ao fluxo existente. Um alto valor de ACV indica um sistema, pois substitui mão de obra real. Pergunte: se um laboratório lançar um produto concorrente, o cliente ainda precisará da sua ferramenta? Se sim, você construiu 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 no benchmark, mas se seu agente facilitou negociações, ou revisou contratos corretamente. Os melhores agentes operam como hedge funds: buscando "Alpha" que gere retorno acima do mercado, medido pelo P&L do cliente.

Ambos podem (e irão) vencer

Veremos grandes vencedores tanto na Estrada de Tijolos Amarelos quanto fora dela. As empresas de modelos continuarão vencendo, pois possuem o modelo em si e canais de distribuição de suas ferramentas genéricas.

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

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