Serviços são o novo software: a tese da Sequoia explicada

Serviços são o novo software: a tese da Sequoia explicada
US$ 6em serviços para cada dólar gasto em software
49,7 %das chamadas de ferramentas dos agentes são de engenharia de software
10setores analisados no mapa de oportunidades
340 milcontadores a menos nos EUA em cinco anos
Serviços são o novo software: a tese da Sequoia sobre copilotos e pilotos automáticos
Eu também explico isso neste vídeo de onze minutos, no meu canal Articulator PT.

A tese: venda o trabalho, não a ferramentalink

Todo fundador que constrói uma ferramenta de IA se faz a mesma pergunta: o que acontece quando a próxima versão do Claude transformar o meu produto numa simples função? Para Bek, ele tem razão em se preocupar. Se você vende a ferramenta, está numa corrida contra o modelo.

Mas se você vende o trabalho, a corrida se inverte: cada melhoria do modelo deixa o seu serviço mais rápido, mais barato e mais difícil de igualar. O exemplo do artigo deixa isso claro. Uma empresa pode gastar US$ 10 mil por ano com o QuickBooks, o seu programa de contabilidade, e US$ 120 mil com o contador que fecha as contas. A próxima empresa lendária não vai vender o programa: vai fechar as contas.

Duas barras de custo anual: US$ 10.000 do programa de contabilidade, riscado, contra US$ 120.000 do contador, com a legenda «Vai fazer o trabalho».
O orçamento está no trabalho, não na ferramenta.

Inteligência contra critériolink

Para saber que trabalho a IA já consegue fazer, Bek separa duas coisas que no original ele chama de intelligence e judgement, e que eu traduzi como inteligência e critério:

  • Inteligência: o trabalho que segue regras, mesmo que complexas. Transformar uma especificação em código, testar e depurar são regras.
  • Critério: o que exige experiência, bom gosto e um instinto construído com anos de prática. Decidir qual função construir depois, se vale aceitar dívida técnica ou quando lançar algo antes de estar pronto.
Tela dividida: escrever código igual a inteligência, em ciano, e o que construir depois igual a critério, em laranja.
Escrever código é sobretudo inteligência; saber o que construir, critério.

A engenharia de software é sobretudo trabalho de inteligência, e por isso saiu na frente. Um ano atrás, a maioria dos usuários do Cursor usava a IA como um autocompletar; hoje, os agentes iniciam mais tarefas do que as pessoas. O artigo diz que a engenharia de software fica com «mais da metade» do uso de ferramentas de IA; o próprio gráfico mostra 49,7 % das chamadas de ferramentas dos agentes, e nenhuma outra categoria chega a 10 %.

Gráfico de barras: engenharia de software com 49,7 % das chamadas de ferramentas e as demais categorias abaixo de uma linha vermelha de 10 %.
O gráfico do artigo: quase metade, contra menos de 10 % de qualquer outra categoria.

A conclusão de Bek: a IA cruzou o limiar em que consegue fazer sozinha quase todo o trabalho de inteligência e deixar o critério para as pessoas. A programação chegou primeiro, mas isso vai chegar a todas as profissões.

Copilotos e pilotos automáticoslink

Daí sai a distinção central do artigo: um copiloto vende a ferramenta; um piloto automático vende o trabalho.

À esquerda, o manche de um avião: o copiloto vende a ferramenta. À direita, um avião: o piloto automático vende o trabalho.
A ferramenta para o profissional, ou o resultado para o cliente final.
Copiloto

Coloca a IA nas mãos de um profissional, que decide o que fazer com ela e responde pelo resultado. A Harvey vende para escritórios de advocacia; a Rogo, para bancos de investimento. Era o mais sensato enquanto os modelos ainda desenvolviam inteligência e critério.

Piloto automático

Vende o resultado diretamente para quem precisa dele. A Crosby vende o acordo de confidencialidade para a empresa, não para o escritório externo; a WithCoverage vende o seguro para o diretor financeiro, não para o corretor.

O segredo está no dinheiro: em qualquer profissão, o orçamento do trabalho é muito maior do que o das ferramentas, e o piloto automático fica com ele desde o primeiro dia. Quanto mais trabalho de inteligência houver num setor, mais cedo os pilotos automáticos vão vencer.

Uma barra pequena de orçamento em ferramentas ao lado de uma enorme de orçamento do trabalho, capturada por um avião desde o dia 1, e um controle deslizante de trabalho de inteligência que antecipa a vitória.
Quanto mais inteligência no setor, mais cedo vence o piloto automático.

A convergêncialink

O critério de hoje será a inteligência de amanhã. À medida que esses sistemas acumulam dados próprios sobre como é um bom critério na sua área, a fronteira se move. Copilotos e pilotos automáticos vão acabar convergindo, e em várias categorias essa passagem já começou.

Um espectro de critério a inteligência cuja fronteira se desloca para o critério à medida que entram dados próprios.
Com dados próprios, a fronteira se move em direção ao critério.

Por isso o ponto de partida importa: ele decide onde um piloto automático pode ganhar clientes hoje, e onde começa a acumular os dados que, com o tempo, vão deixá-lo cuidar também do critério.

A estratégia: começar pelo terceirizadolink

Para cada dólar gasto em software, seis são gastos em serviços. O mercado total de um piloto automático é todo o gasto com mão de obra de uma categoria, interno e terceirizado. Mas o lugar certo para começar é onde a terceirização já existe, porque uma tarefa já terceirizada te diz três coisas:

1. Já é feita fora

A empresa já aceita que outra pessoa faça esse trabalho.

2. Existe orçamento

Há uma linha de orçamento que pode ser substituída sem atrito.

3. Compra-se um resultado

O comprador já paga pelo resultado, não pelas horas.

E a diferença prática é enorme: trocar um contrato de terceirização por um fornecedor nativo de IA é uma troca de fornecedor; substituir a equipe é uma reorganização.

À esquerda, um fornecedor nativo de IA substitui o contrato de terceirização com um visto verde; à direita, um organograma sacudido com um X vermelho: reorganização.
Trocar de fornecedor é fácil; reorganizar a equipe, não.

A estratégia fica assim: comece pela tarefa terceirizada com muito trabalho de inteligência, domine a distribuição e, à medida que a IA ganha vantagem, avance para o trabalho interno e de critério. O terceirizado é a porta de entrada; o interno, o grande mercado de longo prazo.

Os três passos da estratégia ao lado de um mapa de dois eixos: o ponto de partida no canto superior direito como porta de entrada e o mapa inteiro como mercado de longo prazo.
Comece no canto superior direito e cresça rumo ao critério.

O exemplo é a Crosby, que começou pelos acordos de confidencialidade: uma tarefa bem definida, sobretudo de inteligência, que quase todas as empresas já mandam para advogados externos. O orçamento existe, o escopo é claro, o retorno é imediato e a troca não tem atrito.

O mapa de oportunidadeslink

Bek coloca cada setor de serviços em dois eixos, de critério a inteligência e de trabalho interno a terceirizado, com o seu gasto com mão de obra. Ele mesmo apresenta isso como um mapa ilustrativo:

  • Território do piloto automático (terceirizado e de inteligência): corretagem de seguros, serviços de TI gerenciados, folha de pagamento, regulação de sinistros, contabilidade, faturamento de saúde, hipotecas, consultoria tributária, jurídico transacional…
  • A próxima onda (inteligência ainda feita dentro da empresa): suprimentos e compras, back-office de farmácia, administração médica e de fundos.
  • Território do copiloto (terceirizado, mas de critério): consultoria de gestão, design, busca de executivos, relações públicas.
  • A observar (interno e de critério): recrutamento, publicidade, corretagem de fretes, ensaios clínicos, cibersegurança…
O mapa de dois eixos com seus quatro quadrantes: piloto automático, próxima onda, copiloto e a observar, cada um com seus setores e seu gasto.
Os quatro quadrantes do mapa do artigo.

Setor por setorlink

O artigo percorre dez setores. Os números são gasto com mão de obra:

Corretagem de seguros · US$ 140-200 bi

O maior do território do piloto automático. As apólices comerciais padrão são muito homogêneas: o corretor compara seguradoras e preenche formulários. São dezenas de milhares de pequenos corretores, então ninguém controla o cliente. WithCoverage e Harper.

Contabilidade e auditoria · US$ 50-80 bi

Só o terceirizado nos EUA. Perderam-se cerca de 340 mil contadores em cinco anos enquanto a demanda crescia, e 75 % dos contadores certificados estão perto de se aposentar. A Rillet constrói o ERP nativo de IA; a Basis começou como copiloto.

Faturamento de saúde · US$ 50-80 bi

Parece critério, mas faturar é quase inteligência pura: traduzir notas clínicas em cerca de 70 mil códigos CID-10. A terceirização já está madura e é paga por resultado. A Anterior é a mais avançada.

Regulação de sinistros · US$ 50-80 bi

Do outro lado da apólice: interpretar a apólice contra tabelas de danos e fixar reservas com tábuas atuariais. Os peritos se aposentam sem substitutos. Pace e Strala.

Consultoria tributária · US$ 30-35 bi

A licença é uma barreira regulatória, mas 80-90 % do trabalho é inteligência, e cada nova jurisdição aumenta o fosso de dados. TaxGPT, Skalar e Ravical.

Jurídico transacional · US$ 20-25 bi

Contratos, acordos de confidencialidade e documentos regulatórios, tão padronizados que a qualidade pode ser verificada. A Harvey avança rumo ao piloto automático; a Crosby e a Lawhive já nasceram assim.

Serviços de TI gerenciados · +US$ 100 bi

Atualizações, monitoramento, cadastro de usuários e alertas que se repetem em milhares de ambientes idênticos. Ninguém vende ainda «a sua TI funciona» direto para a empresa. Edra e Serval.

Suprimentos e compras · +US$ 200 bi

Quase todas as grandes empresas só negociam a sério com 20 % dos fornecedores, e os vazamentos de contrato custam de 2 a 5 % do gasto. Trabalho abandonado é dinheiro encontrado. Magentic, AskLio e Tacto.

Recrutamento e seleção · +US$ 200 bi

Filtrar, cruzar perfis e abordar é inteligência; fechar com o candidato e avaliar o encaixe cultural é critério. A entrada está nas vagas de muito volume. Juicebox, Mercor e Jack & Jill.

Consultoria de gestão · US$ 300-400 bi

Enorme, mas quase tudo critério. A pergunta é se dá para separar a camada de inteligência (dados, comparativos) da de critério (recomendações estratégicas). Bek ainda não aponta nenhuma startup que se destaque.

O dilema do inovadorlink

Em 2025, as empresas de IA que mais cresceram foram copilotos. Em 2026, muitas vão tentar virar pilotos automáticos: elas têm o produto e conhecem o cliente. Mas enfrentam o dilema do inovador: o cliente delas é o profissional, e vender o trabalho é deixá-lo de fora. Essa brecha é para os pilotos automáticos puros.

Um avião atravessa a brecha que um copiloto deixa ao se separar dos clientes, com a legenda «Pilotos automáticos puros».
A brecha que os copilotos deixam é de quem já nasce piloto automático.
Numa frase

Se você vende a ferramenta, compete com o modelo; se vende o trabalho, cada modelo novo joga a seu favor. Comece pelo terceirizado e de inteligência, e cresça rumo ao critério.

Que trabalho do seu setor você acha que um piloto automático vai assumir primeiro?

Fonteslink

Continuar lendo

Últimos posts -->

Você viu esses projetos?

Gymnasia

Gymnasia Gymnasia
Expo
React Native
TypeScript
OpenAI
Anthropic

App de fitness com dois agentes que são executados integralmente no dispositivo, sem backend, de forma que os dados do usuário nunca saem do celular. Um coach conversacional BYOK com tools locais e system prompt remoto com fallback offline, e um estimador de refeições que tira os macronutrientes de uma foto do prato, com leitura de códigos de barras contra o OpenFoodFacts.

LangGraph Deep Researcher

LangGraph Deep Researcher LangGraph Deep Researcher
Python
LangGraph
FastAPI
React
TypeScript
Docker

Sistema multiagente de pesquisa construído com LangGraph. Um supervisor decompõe sua pergunta em tópicos e lança subagentes de busca em paralelo; cada um comprime seus achados antes de repassá-los a um agente redator que escreve o relatório final em markdown com suas fontes. Streaming ao vivo por WebSockets, modelo configurável por papel e chaves de API próprias que nunca são armazenadas no servidor.

Tau

Tau Tau
Python
LangChain

Sistema multiagente de tutoria para estudantes do ensino médio, com um agente por disciplina e material de curso elaborado e validado por uma equipe de professores. Chegou a ser usado com alunos reais em um colégio privado na Espanha e em uma escola de ensino médio na Colômbia.

Ver todos os projetos -->
>_ Disponível para projetos

Tem um projeto com IA?

Vamos conversar.

maximofn@gmail.com

Especialista em Machine Learning e Inteligência Artificial. Desenvolvo soluções com IA generativa, agentes inteligentes e modelos personalizados.

Quer assistir alguma palestra?

Últimas palestras -->

Quer melhorar com essas dicas?

Últimos tips -->

Use isso localmente

Os espaços do Hugging Face nos permitem executar modelos com demos muito simples, mas e se a demo quebrar? Ou se o usuário a deletar? Por isso, criei contêineres docker com alguns espaços interessantes, para poder usá-los localmente, aconteça o que acontecer. Na verdade, se você clicar em qualquer botão de visualização de projeto, ele pode levá-lo a um espaço que não funciona.

Flow edit

Flow edit Flow edit

Edite imagens com este modelo de Flow. Baseado em SD3 ou FLUX, você pode editar qualquer imagem e gerar novas

FLUX.1-RealismLora

FLUX.1-RealismLora FLUX.1-RealismLora
Ver todos os contêineres -->
>_ Disponível para projetos

Tem um projeto com IA?

Vamos conversar.

maximofn@gmail.com

Especialista em Machine Learning e Inteligência Artificial. Desenvolvo soluções com IA generativa, agentes inteligentes e modelos personalizados.

Você quer treinar seu modelo com esses datasets?

short-jokes-dataset

HuggingFace

Dataset com piadas em inglês

Uso: Fine-tuning de modelos de geração de texto humorístico

231K linhas 2 colunas 45 MB
Ver no HuggingFace →

opus100

HuggingFace

Dataset com traduções de inglês para espanhol

Uso: Treinamento de modelos de tradução inglês-espanhol

1M linhas 2 colunas 210 MB
Ver no HuggingFace →

netflix_titles

HuggingFace

Dataset com filmes e séries da Netflix

Uso: Análise de catálogo Netflix e sistemas de recomendação

8.8K linhas 12 colunas 3.5 MB
Ver no HuggingFace →
Ver mais datasets -->