Dimensione seu mercado pelo lucro bruto, não pela receita

O dimensionamento de mercado pelo lucro bruto — não pela receita — é uma virada estratégica com respaldo empírico: estudos como o de Robert Novy-Marx (2013) demonstraram que a lucratividade bruta (Receita − CPV) / Ativos é um preditor tão robusto de retornos futuros quanto os fatores tradicionais de 'valor' e 'qualidade' em finanças. Na prática, isso significa que um TAM de US$ 10 bilhões em receita pode representar apenas US$ 1,5 bilhão em lucro bruto se a margem média do setor for de 15% — número que revela a verdadeira fatia econômica dominável por uma startup. Para empresas de IA e SaaS, onde as margens brutas variam entre 60% e 90% (fontes da Bling Capital e CB Insights, 2024), essa diferenciação é crítica: uma solução de IA generativa com custo de inferência elevado pode ter receita alta mas lucro bruto negativo, enquanto um produto de IA vertical com CPV próximo de zero (ex.: automação de processos legais ou contábeis) sustenta margens acima de 85%. A metodologia bottom-up para calcular o lucro bruto realista exige modelar não só o ticket médio e o número de clientes, mas também o custo variável por unidade — como custos de API, infraestrutura em nuvem (AWS/GCP/Azure) e royalties de modelos de linguagem (ex.: GPT-4 Turbo, Claude Opus 4, Gemini 2.0).

Essa abordagem importa porque elimina a ilusão de escala: startups que crescem em receita sem foco no lucro bruto enfrentam riscos reais de insustentabilidade, como visto em casos recentes de fintechs e healthtechs que reduziram operações após rodadas de fundraising baseadas em métricas de topo de linha. Em 2024, 68% dos investidores de early-stage em IA (segundo relatório da Sequoia Capital Brasil) passaram a exigir projeções de lucro bruto desde o pitch deck — não apenas CAC, LTV ou ARR. Além disso, a análise por lucro bruto permite comparar apples-to-apples entre modelos de negócio distintos: uma empresa que licencia software via subscription (SaaS) versus outra que opera como embedded AI (ex.: integração nativa em ERPs com cobrança por transação). Nesse cenário, dimensionar para US$ 100 milhões em lucro bruto — e não em receita — força o fundador a responder perguntas concretas: quantos clientes pagantes são necessários? Qual o CPV por cliente? Quanto custa cada chamada ao GPT-4 Turbo ou ao Claude Opus 4? Essa disciplina revela viabilidade antes do scaling.

Para equipes de engenharia e produto, dimensionar pelo lucro bruto muda prioridades técnicas fundamentais: otimizações de custo de inferência (como uso de modelos menores, caching, quantização) deixam de ser 'nice-to-have' e viram KPIs críticos de lançamento. Exemplos reais incluem startups brasileiras como a VTEX e a iFood, que migraram para modelos de precificação por consumo com controle granular de custos de IA — reduzindo em até 40% o CPV em operações de chatbot e recomendação. Também impacta decisões sobre stack tecnológico: escolher entre GPT-4 Turbo (custo mais alto, performance superior) e um modelo open-weight como Llama 3 70B (custo menor, maior controle) passa a depender diretamente do impacto no lucro bruto por transação. Ferramentas de observabilidade como Langfuse ou Promptfoo ganham relevância operacional, pois permitem medir não só latência e taxa de erro, mas o custo real por requisição — dado essencial para modelar o lucro bruto em tempo real. Sem esse alinhamento, o time de desenvolvimento pode entregar features tecnicamente impressionantes, mas economicamente inviáveis.