What Happens When Everyone Can Build Software

Paul Copplestone, cofundador e CEO da Supabase (plataforma de backend Postgres de código aberto acelerada no lote de verão de 2020 da Y Combinator), discute a transformação radical na base de usuários de software e banco de dados impulsionada por agentes de inteligência artificial e criadores não técnicos (builders), além da reestruturação arquitetural da empresa para suportar centenas de milhões de bancos de dados pessoais.

Métricas e Hipercrescimento Impulsionado por Agentes

A Supabase experimentou uma inflexão de crescimento nos últimos 12 meses, impulsionada majoritariamente por modelos de linguagem e agentes de código:

Base de usuários cadastrados: Saltou de aproximadamente 3 milhões para 13 milhões de contas.
Crescimento de receita: Expansão de 4x em termos anuais.
Bancos de dados ativos: Atualmente gerencia cerca de 50 milhões de bancos de dados (contra 8 milhões no ano anterior).
Taxa de criação semanal: Mais de 1 milhão de novos bancos de dados provisionados por semana.
Atividade de agentes: Cerca de 70% da nova atividade na plataforma é gerada diretamente por agentes de IA.

As Três Eras da Supabase

Copplestone divide a trajetória da empresa em três etapas evolutivas:

Empresa focada em Dashboard (2020): Construída nos 100 dias durante o lote da YC. O objetivo era criar uma interface visual amigável (estilo Airtable) sobre o Postgres, pois mesmo engenheiros seniores tinham atrito para configurar e gerenciar bancos de dados relacionais.
Empresa focada em APIs (por volta de 2021): Motivada por demandas de clientes que precisavam provisionar múltiplos bancos programaticamente. Esse design estruturou a empresa para atender, anos depois, ferramentas de geração visual de código como Bolt, Lovable e v0.
Empresa focada em Código e Agentes (Code-First / Agent-First): Com a constatação de que os usuários deixaram de acessar a interface visual ("ninguém mais visita dashboards"), toda a plataforma foi convertida para o paradigma code-first, nativa em Git, com CLIs otimizadas e ambientes em sandbox para execução direta por agentes.

A Emergência dos "Builders" e Apps Hiperpersonalizados

Ocorre uma mudança no perfil histórico do usuário de desenvolvimento:

Inversão da curva de PLG (Product-Led Growth): Tradicionalmente, o aumento acelerado de topo de funil degrada métricas de conversão e ativação; com o ganho de capacidade dos LLMs, as taxas de ativação e retenção cresceram simultaneamente.
Engenheiros vs. Especialistas de Domínio: O gargalo histórico não é mais a habilidade de programar, mas saber exatamente o que construir. Especialistas de nicho agora criam softwares que antes não justificavam a contratação de engenheiros dedicados.
Casos reais: Um ex-fundador de fintech com saída bilionária construiu seu próprio sistema de finanças e integrações bancárias; um motorista de táxi brasileiro de 50 anos desenvolveu um aplicativo completo de transporte urbano local diretamente do celular.
Sistemas operacionais pessoais: O uso de bancos de dados próprios para centralizar dados dispersos (finanças, saúde, CRM, e-mails). Ter a posse do dado em um banco Postgres isolado permite alternar entre diferentes agentes e interfaces no topo sem aprisionamento (vendor lock-in) em serviços proprietários como Mint ou Monarch.

Arquitetura em Escala: De Protótipos a Petabytes

Com o ChatGPT atingindo cerca de 1,2 bilhão de usuários ativos semanais, o horizonte técnico da Supabase passou a mirar a viabilidade de provisionar mais de 1 bilhão de bancos de dados por mês.

Aquisição da Turso e Supabase Spark: Para evitar os custos proibitivos de provisionar instâncias pesadas de Postgres na AWS para cargas de trabalho mínimas, a Supabase adquiriu a Turso. A arquitetura compatível com Postgres e SQLite viabilizou a camada Supabase Spark, voltada para protótipos e agentes pessoais leves.
Estratégia de duas pontas: O motor Multigres escala verticalmente para cargas de nível corporativo e petabytes, enquanto o Spark/SQLite atende o volume massivo da base ("prototype to petabytes").
Modelo de negócios comparado à AWS e Stripe: A meta é estar presente no "dia um" de qualquer criador. Copplestone cita que cerca de 40% da receita da AWS vem de startups que começaram na plataforma e escalaram, replicando o efeito duradouro de retenção.

Design de Produto para Agentes e Testes Automatizados

A adaptação interna e de produto para o ecossistema de IA envolve mudanças práticas de engenharia:

Adoção interna: A proporção de engenheiros da Supabase que escrevem mais de 80% do seu código utilizando agentes de programação saltou de 10% para 60% em seis meses, sem política mandatória de IA.
Mensagens de erro acionáveis: Em vez de retornar erros genéricos (como HTTP 500), a Supabase reescreveu os erros da CLI e das APIs para incluir diagnósticos prescritivos e referências diretas à documentação, permitindo que o próprio agente corrija o problema no ciclo seguinte (one-shot remediation).
Suíte de Evals: Criação de plataformas e testes públicos e internos para ranquear quais modelos de LLM têm melhor desempenho manipulando Postgres e ferramentas de backend.

O Caso GBrain e Recuperação Dinâmica com Evals

Garry Tan detalhou como estruturou o backend do GBrain utilizando a Supabase:

Problema de contexto: Uma janela de contexto de 1 milhão de tokens (equivalente a cerca de três livros de Harry Potter) é insuficiente para armazenar o histórico de uma vida inteira (cerca de 500 mil arquivos Markdown e 30 a 40 GB de dados).
Pilha técnica: Uso de Supabase (Postgres gerenciado), pgvector para busca vetorial e tabelas SQL para estruturar bancos em grafo dinâmicos sobre dados não estruturados.
Ciclo contínuo de autoaprimoramento (RSI primitivo): Utilizando um repositório chamado GBrain evals com 40 categorias de avaliação (eficiência de recuperação, custo, latência), agentes de IA (via Cappy/captains) rodam em loop contínuo de pesquisa: qualquer alteração de código ou indexação que melhore as métricas do benchmark é automaticamente mesclada na branch principal (master).

Mudanças Econômicas no Ecossistema de Startups

Voice-to-Software: Copplestone relatou ter criado e ajustado a arquitetura de informação e SEO de um site completo (openusd.dev) apenas conversando por voz pelo telefone com uma ferramenta de IA (Dot), sem inspecionar o código diretamente.
Economia do SaaS Vertical: Enquanto fundadores de SaaS vertical enfrentam retração em rodadas de Série A no intervalo de US$ 5 milhões a US$ 10 milhões de ARR, equipes enxutas (10 a 15 pessoas) conseguem operar lucrativamente gerando US$ 15 milhões a US$ 30 milhões de ARR (cerca de US$ 1 milhão a US$ 2 milhões de receita por funcionário com margens de 50%), reduzindo a dependência de captação de capital de risco.
Efeito Lindy dos bancos de dados: Copplestone afirma que sua aposta na Supabase apoia-se na resiliência do Postgres: como bancos de dados existem há 50 anos, permanecerão fundamentais nas próximas décadas, independentemente do avanço das camadas de abstração de IA.