CEVIU News - CEVIU Empreendedores - 29 de abril de 2026

Por uma década, a pergunta dos compradores era: "Integra-se com Salesforce?". Agora, eles querem saber se agentes podem operar seu produto, se suas APIs são limpas e se há um conector MCP. Compradores que fazem essas perguntas estão calculando se vale a pena mantê-lo. A situação piora quando um fornecedor que eles já pagam adiciona uma versão de 60% do que você oferece, porque a IA preenche o restante o suficiente para que cortar seu contrato de US$ 80 mil deixe de parecer uma desvantagem. Contratos anuais têm escondido a frequência com que isso já está acontecendo.

Agentes de IA agora executam o trabalho real como loops de código, em vez de apenas intermediar interfaces, transformando tarefas humanas em chamadas de ferramentas e etapas de verificação. Tarefas baseadas em agentes consomem ordens de magnitude mais tokens do que um chat, pois uma única correção de bug do Claude Code pode consumir cerca de 900 mil tokens, onde quase todo o consumo se destina a replay de contexto e saída de ferramenta, em vez de código visível. Dados da METR mostram que os horizontes de tarefas autônomas estão dobrando a cada 131 dias, saltando de 4 minutos no GPT-4 para aproximadamente 12 horas no Claude Opus 4.6. Isso impulsiona a OpenAI a ultrapassar 15 bilhões de tokens por minuto, enquanto o Google registra um crescimento de 50x ano a ano no consumo de tokens.

A Chainguard agora espera que seus gerentes de engenharia estejam no percentil 50 de uso de tokens entre seus subordinados diretos. Gerentes que utilizam poucos tokens carecem do contexto necessário para gerenciar e impulsionar resultados. Por outro lado, gerentes que usam tokens em excesso precisam focar em aumentar o uso de tokens por suas equipes. Estar no meio termo significa que tanto os gestores quanto suas equipes compreendem plenamente o potencial das ferramentas que utilizam.

Uma prosa lapidada costumava exigir esforço. Hoje, qualquer fundador pode produzir um comunicado de lançamento de funcionalidade claro em dez minutos, mas a maioria deles soa como o mesmo anúncio. Faça o teste: troque o nome da sua empresa pelo de um concorrente e releia sua última publicação. Se ela ainda fizer sentido, você escreveu apenas um comunicado de imprensa genérico. Para ir além, não entregue ao modelo uma especificação de funcionalidade e peça um texto lapidado. Em vez disso, forneça o ticket do cliente, a discussão no Slack e o áudio em que você explica por que essa funcionalidade realmente importa, garantindo autenticidade e relevância.

É ingênuo supor que o Total Addressable Market (TAM) para inteligência artificial será simplesmente igual ao tamanho atual do mercado de trabalho humano global. Esta publicação propõe um novo framework para dimensionar os mercados de IA, baseado na equação econômica clássica de Preço multiplicado por Quantidade (TAM = TAM do Trabalho Humano × Fator de Compressão de Preço × Fator de Expansão de Volume).

Durante a maior parte da história do software, era possível simular produtividade entregando muito. A IA quebrou essa fachada, pois protótipos são baratos, as especificações se escrevem sozinhas, e a entrega parece a mesma, quer você esteja construindo a coisa certa ou a errada. Isso exige equipes menores de quatro ou cinco pessoas, com o PM mais próximo do trabalho, especialmente em funcionalidades de IA onde a pergunta 'isso é bom?' não pode ser respondida por uma métrica. O modelo pode construir a coisa para você, mas ainda não consegue dizer por que alguém deveria se importar.

Um cliente pediu uma funcionalidade em uma chamada. A equipe a construiu, lançou rapidamente e seguiu em frente. Ninguém realmente a utilizou. A velocidade só ajuda se você entender o problema antes de começar a construir. Analise suas últimas cinco funcionalidades lançadas e conte quantos clientes ainda estavam usando cada uma delas um mês depois.

Aquilo que você mais precisa saber geralmente são as coisas que ninguém pensou em perguntar.

Atualmente, os ganhos de mercado da IA favorecem fornecedores como a Nvidia, enquanto os benefícios mais amplos de produtividade permanecem subavaliados.

Estamos caminhando para uma estrutura de preços baseada em token e o fim das camadas de preço fixo.