A próxima onda de neobanks provavelmente não se parecerá em nada com bancos tradicionais. Os vencedores anteriores sempre identificaram onde os incumbentes cobravam a mais, como a SoFi com sua subscrição baseada em renda, e o Nubank com cartões sem anuidade no Brasil. Atualmente, as stablecoins tornaram a camada de depósitos tão barata que as contas por si só não são um diferencial. O que realmente importa é controlar a relação de renda. O YouTube, que já pagou mais de US$100 bilhões a criadores desde 2021, acaba de habilitar pagamentos via stablecoins.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
289 notícias encontradas
Startups de IA enfrentam guerras de preço devido à saturação do mercado, o que leva a uma precificação destrutiva. Empresas com grandes orçamentos para IA frequentemente utilizam múltiplas ferramentas, priorizando valor em vez de custo. Companhias bem-sucedidas focam na percepção de um produto premium, modelos de precificação criativos e forte integração com o cliente para evitar competir apenas por preço.
A maioria das empresas B2B possui duas camadas de funil: gerar leads e fechá-los. Ao atingirem US$ 1-3 milhões, muitas se perguntam por que o crescimento estagnou. A ColdIQ, por outro lado, adicionou duas camadas intermediárias e alcançou um ARR de US$ 7 milhões sem investimento externo. A primeira camada é de "captura", que inclui mini-ferramentas criadas com Claude Code para coletar e-mails, soluções de de-anonymization para identificar visitantes anônimos e video sales letters que realizam a venda antes de uma chamada. A segunda é de "gestão", composta por uma newsletter com 10 mil assinantes, sequências de e-mail acionadas por comportamento e mais de 150 posts no LinkedIn por mês, distribuídos por 24 contas da equipe. A estratégia demonstra que prospects que veem seu conteúdo mais de 3 vezes antes de receberem um e-mail frio convertem em uma taxa 2-3 vezes maior.
Software que apenas vende código não sobreviverá à onda da IA. Não existe moat quando qualquer pessoa pode usar a IA para recriar o software. Apenas empresas com um mercado de dois lados, um dataset proprietário, um componente de hardware ou uma camada complexa de integração com o mundo real possuem um moat real. A indústria de software está prestes a ser reordenada, e muitas empresas que parecem líderes de categoria não conseguirão se manter.
Construir uma equipe pequena e focada exige disciplina em todas as camadas. É preciso ter padrões rigorosos na contratação e trabalhar constantemente para manter o alignment. A equipe deve ser genuinamente obcecada pelos clientes e ter tolerância zero para a mediocridade na execução. Quando feito corretamente, a equipe se torna uma força que constrói produtos que se destacam.
A maioria dos aplicativos se organiza em torno de um ou dois substantivos, como 'Channel' e 'Message' no Slack, e 'Projeto' e 'Tarefa' no Linear. Estes são os 'nucleus nouns', e todos os outros substantivos são 'satélites'. Pensar nos aplicativos a partir de seus 'nucleus nouns' permite aos desenvolvedores focar na essência do que um app deve fazer. Clientes percebem quando uma empresa perde de vista seus 'nucleus nouns'. Empresas com uma compreensão sólida de seus 'nucleus nouns' podem usá-los como um diferencial, integrando-os à sua marca.
A remuneração em ações aparece da mesma forma na linha GAAP, independentemente do que aconteça com o preço da ação. A diluição, no entanto, é diferente. Quando a Amplitude era negociada a US$ 83, um pacote de US$ 250 mil custava 301 mil ações. A US$ 5,90, esse mesmo pacote custa 4,2 milhões de ações. Mesma despesa, 14 vezes a diluição. Essa matemática se torna rapidamente desfavorável à medida que os múltiplos de software continuam a se comprimir.
A Totalis se tornou a primeira empresa a receber os US$ 500 mil da YC integralmente em USDC, com a transação liquidada na Solana em três etapas, incluindo um teste de US$ 1.
O investimento pre-seed enfrenta desafios à medida que a IA reduz as barreiras para startups, inundando o mercado com novos empreendimentos.
A Corgi alcançou um crescimento rápido ao resolver o problema central dos seguros: a lentidão na subscrição e a complexidade dos fluxos de trabalho. Em vez de atuar como corretora, a empresa tornou-se a própria seguradora e utilizou IA para comprimir processos que antes levavam semanas para serem concluídos em apenas minutos. O crescimento resultou de um forte product-market fit e de uma estratégia única de construção de comunidade, com cafés, eventos e mídia, em vez de depender do marketing tradicional.
Uma observação recente de startups nativas em IA em São Francisco revelou organogramas radicalmente diferentes dos modelos tradicionais. Um único Product Manager (PM) pode ser responsável por cinco empresas, enquanto engenheiros interagem diretamente com clientes e tomam decisões de produto. Ferramentas como Claude Code substituíram Cursor na maioria dos ambientes. A descentralização das funções é notável: não-engenheiros estão desenvolvendo ferramentas de produção, gerentes de contas criam agentes Slack para automatizar uploads, e equipes de contabilidade elaboram consultas a bancos de dados via MCP. Essa nova abordagem acelera a iteração em 3 a 5 vezes, mas levanta um alerta: o risco de aprovar todas as solicitações de recursos apenas por ter a capacidade de fazê-lo.
Conversar leva tempo, e o consenso é custoso e demorado. Por isso, a comunicação é a primeira coisa a falhar quando a velocidade se torna a maior prioridade.
De cerca de 15.000 startups com investimento seed por ciclo de fundo, talvez apenas uma gere uma empresa com receita superior a US$ 10 bilhões. As pessoas que constroem essas empresas não são uma versão melhor de grandes fundadores, são uma espécie completamente diferente. Um fundador de '2 sigma' constrói um negócio de US$ 10-100 milhões. Um fundador de '3 sigma' constrói um unicórnio. Já um fundador de '4 sigma' não ajusta sua ambição à realidade, ele ajusta a própria realidade. Cada nível representa um salto de 10x, não um crescimento incremental.
Um fundador sem background técnico, que tinha apenas algumas aulas de Ciência da Computação na faculdade, passou a lançar funcionalidades em produção diariamente com ferramentas de codificação de IA, alcançando agora a posição de 1% dos melhores engenheiros em pequenas startups.
Quando uma startup alcança o ponto de precisar de um segundo produto, ela já está perfeitamente preparada para falhar em sua construção, evidenciando um desafio crítico no ciclo de vida da empresa.
Enquanto equipes de produto acumulam aprendizados a cada sprint, o marketing frequentemente recomeça do zero sempre que um novo CMO ou agência assume. O ICP (Perfil de Cliente Ideal) é reescrito, o deck de posicionamento é engavetado e meses de trabalho em mensagens desaparecem. A IA torna possível finalmente preencher essa lacuna. Com a configuração certa, um líder de marketing pode construir um sistema vivo onde o conteúdo se baseia em frameworks validados, novos contratados herdam o contexto estratégico completo desde o primeiro dia, e os aprendizados deste trimestre realmente alimentam as campanhas do próximo, em vez de serem esquecidos.
A IA agora inicia a maioria das conversas de vendas, transformando a jornada do comprador. As empresas estão reorganizando suas estratégias de go-to-market para se adaptar à influência da IA, com equipes de marketing desenvolvendo ferramentas internamente para impulsionar o crescimento. Embora a IA lide autonomamente com compras de menor valor, decisões empresariais complexas continuam a ser lideradas por humanos, exigindo que a IA seja equipada com a mesma eficácia das equipes internas.
Na última década, o progresso em IA veio de tornar um único modelo maior e alimentá-lo com mais dados. Esta publicação argumenta que o próximo salto não virá de mais escalonamento, pois os modelos atuais já são bons o suficiente. O verdadeiro gargalo é como os organizamos e coordenamos. Sistemas melhores envolvendo os modelos existentes superarão um modelo monolítico treinado em tudo, e o campo da IA está apenas começando a descobrir como isso se parece.
Construir uma feature nunca foi tão barato. Mantê-la, no entanto, continua tão caro quanto sempre foi. Cada adição torna o produto mais difícil de aprender, de manter e de evoluir, e produtos raramente falham por falta de funcionalidades. Eles falham porque acumularam muitas que ninguém teve a disciplina de remover. Quando a execução se torna barata, a resposta certa não é lançar mais, mas sim elevar o padrão para o que realmente deve permanecer no produto.
Por uma década, empresas SaaS reverteram a compensação baseada em ações no cálculo do EBITDA "ajustado", agindo como se uma diluição anual de 5-8% fosse apenas um detalhe. Os funcionários nunca se convenceram disso; eles vendem suas RSUs no dia do vesting, orçam a receita como salário e sentem a queda do valor das ações como um corte em sua remuneração. Agora, a IA está reprecificando todo o universo SaaS. Empresas que se beneficiaram dessa prática contábil enfrentam uma escolha difícil: conceder mais ações para reter talentos (resultando em diluição brutal quando o valor da ação se recuperar) ou manter a linha e ver seus profissionais partirem.