Why Investors Are Rethinking Everything for the AI Era

Jen Kha (sócia na Andreessen Horowitz / a16z) e David George (sócio-geral de Growth na a16z) conversam com Aram Verdiyan (sócio na Accolade Partners e ex-funcionário da a16z) sobre as transformações estruturais que a inteligência artificial impõe ao modelo de retornos (power law), à alocação de ativos institucionais e à dinâmica de mercado entre capital de risco (venture capital), private equity e private credit.

O novo power law e o efeito de escala do capital na IA

David George aponta que a lei de potência (power law) na tecnologia atingiu o patamar mais extremo dos últimos 10 a 20 anos. Historicamente, investir capital em excesso em uma startup em estágio inicial gerava ineficiências operacionais: a contratação acelerada de centenas de pessoas trazia atrito de coordenação e sobrecarga de gestão sem acelerar proporcionalmente a entrega. No paradigma da IA de fronteira, o capital investido é direcionado diretamente para poder computacional (compute), o que melhora o modelo e amplia de forma composta a vantagem competitiva da empresa.

Jen Kha destaca que apenas três empresas de modelos de fronteira e tecnologia avançada — SpaceX, OpenAI e Anthropic — representam entre US$ 3,5 trilhões e US$ 5 trilhões em potencial de enterprise value. Contudo, historicamente, grande parte dos alocadores institucionais (Limited Partners ou LPs) e fundos de pensão mantiveram baixa exposição direta a esses ativos antes de fases hiperavançadas.

TAM de IA versus SaaS tradicional: a captura da economia de trabalho

Aram Verdiyan e David George contrastam a velocidade e o tamanho do mercado endereçável (TAM) da IA em relação ao software tradicional (SaaS):

Velocidade de receita: A IA atingiu a marca de US$ 100 bilhões em receita agregada em 4 anos. O setor de SaaS tradicional levou 15 anos para alcançar o mesmo patamar.
Escopo macroeconômico: O software tradicional atingia fatias limitadas do orçamento corporativo, enquanto a IA ataca diretamente tarefas e serviços em setores que somam US$ 30 trilhões do PIB global (transporte, serviços, saúde, coordenação de capital e mão de obra).
Exemplo na Saúde: O gasto anual em TI em saúde gira entre US$ 60 bilhões e US$ 100 bilhões. Já o custo de mão de obra administrativa, faturamento e processamento de sinistros (claims) ultrapassa US$ 1 trilhão. A IA precifica e captura o valor da execução da tarefa, tornando o TAM potencialmente 10 vezes maior que o de software de saúde legado.
Gastos com trabalho vs. software: Nos Estados Unidos, o gasto agregado com mão de obra é cerca de 40 vezes superior ao gasto com software.
Dinâmica não soma-zero: George rejeita a tese de que haverá canibalização mutuamente destrutiva entre camadas da pilha (frontier labs versus aplicações versus open source). A expansão do mercado é ampla o suficiente para sustentar múltiplos vencedores de grande porte.

Dados de consistência em venture capital e construção de portfólio

Aram Verdiyan apresenta dados de uma análise proprietária da Accolade Partners cobrindo o ecossistema de VC dos EUA ao longo de duas décadas:

Apenas 20 gestoras em 3.000: De 3.000 firmas de venture capital analisadas nos EUA nos últimos 20 anos, apenas 20 conseguiram entregar retornos líquidos consistentes de 3x TVPI (Total Value to Paid-In) — menos de 1% da indústria. O critério considerado foi a entrega de três a quatro fundos com 3x líquido no período de 20 anos.
Retorno médio da classe: De acordo com dados da Cambridge Associates, o retorno mediano do venture capital nos últimos 10 anos ficou entre 1x e 2x líquido, patamar inferior ao de private equity e mercados públicos quando ajustado pela falta de liquidez e pelo horizonte de 10 anos de travamento de capital.
Taxas de perda e dimensionamento (sizing): George explica que, nos melhores fundos de estágio inicial da a16z, a taxa de perda (loss rate) gira em torno de 60%, reflexo da necessidade de assumir risco extremo para capturar os retornos periféricos. No estágio de crescimento (growth), a taxa de perda fica entre 10% e 20%, buscando retornos de 10x ou mais por tese. Para gerar retorno de fundo no growth, a alocação no principal vencedor da safra precisa representar entre 5% e 10% do total do fundo.

Estrutura de mercado: plataformas de grande escala versus "o meio confuso"

Os participantes analisam a polarização do ecossistema de venture capital:

Ponta inicial (Pre-seed/Seed): Fundos abaixo de US$ 150 milhões com ultra-especialização técnica coexistem eficientemente com as grandes plataformas, operando em rodadas de US$ 20 milhões a US$ 40 milhões de valuation antes da entrada de grandes firmas.
Grandes plataformas multistágio: Gestoras com balanço amplo e equipes operacionais extensas (como a a16z, com 700 funcionários financiados por taxas de administração) conseguem atuar do seed ao IPO, oferecendo suporte em recrutamento, entrada em clientes corporativos e capacidade de liderar rodadas de crescimento consecutivas.
"A morte do meio" (Death of the middle): Firmas intermediárias, sem especialização profunda em estágio inicial e sem a escala de capital de uma grande plataforma, enfrentam compressão competitiva porque não conseguem oferecer vantagens claras aos fundadores nas rodadas disputadas.

Desafios de avaliação: separando tração real de ruído

Aram e David George detalham as distorções atuais na análise de tração em IA:

Métricas infladas: Startups recém-saídas de aceleradoras anunciam expansão de zero a US$ 5 milhões em "ARR" em um único mês multiplicando a receita de 30 dias por 12, muitas vezes vendendo serviços de forma cruzada para outras empresas do mesmo lote (cohort), sem terem atravessado ciclos reais de renovação.
Sinal qualitativo e engajamento: David George cita a Harvey como exemplo de evolução. No início, a empresa atraiu grandes escritórios de advocacia pela combinação fundadora de pesquisa e direito, mas o engajamento diário era moderado. Com a chegada dos modelos baseados em raciocínio, o uso disparou: os clientes dos escritórios passaram a exigir que os advogados utilizassem a ferramenta para ganhar eficiência.
Preempção de mercado: Casos como o da Cursor envolveram rodadas com avaliações agressivas precocemente (rodada de US$ 400 milhões com cerca de US$ 3 milhões de ARR) antes da validação pública de consolidação no mercado.

O desalinhamento de incentivos entre LPs e GPs

Jen Kha e Aram Verdiyan apontam o contraste estrutural de risco entre o gestor (GP) e o alocador institucional (LP):

GP: É demitido pelo "erro de omissão" — deixar de investir na empresa geracional que define a safra (o próximo Facebook ou Uber).
LP tradicional: É demitido pelo "erro de comissão" — investir em um fundo ou ativo que sofra colapso público (como casos de fraude ou perdas totais de capital). Não investir em modelos de fronteira enquanto acompanha a média do mercado preserva o cargo do alocador.
Erro de diversificação: Verdiyan critica carteiras de LPs que pulverizam capital entre 50 a 70 firmas de VC, afirmando que a concentração em 15 a 20 gestoras de alto desempenho é a única forma matemática de superar as médias dos mercados públicos.

A crise do SaaS legado, Private Equity e Private Credit

A conversa examina o impacto da IA sobre empresas de software maduras e o endividamento associado:

Compressão de múltiplos em SaaS público: Há apenas cerca de 15 a 20 empresas de SaaS nos mercados públicos sendo negociadas acima de 10 vezes receita. Todas elas apresentam aceleração orgânica de crescimento atrelada a casos de uso de IA (monitoramento, segurança, orquestração de agentes).
Relação Crescimento vs. Margem: Dados citados mostram que, no mercado público atual, 1 ponto percentual de aceleração de crescimento orgânico equivale a 3 pontos percentuais de margem EBITDA na composição do valuation.
O problema do Private Equity tradicional: Safras de 2016 a 2021 compraram ativos de software com crescimento modesto (10% a 20%) pagando entre 15x e 20x EBITDA. Hoje, esses mesmos ativos negociam a múltiplos equivalentes a 2x receita no mercado público, enfrentando risco de valor residual (terminal value).
Exposição do Private Credit: Entre 2021 e 2022, foram realizados entre US$ 200 bilhões e US$ 300 bilhões em transações de LBO (leveraged buyout) de software, com mais de US$ 200 bilhões em dívida emitida sob múltiplos de compra de 25x a 32x EBITDA. A desvalorização desses ativos elevou drasticamente os índices de alavancagem, motivando pedidos de resgate em fundos de crédito privado.
Limitações do "PE com IA": Inserir ferramentas superficiais de IA (como substituir atendimento ao cliente humano por bots sem redesenhar o fluxo de trabalho) tem provocado queda de NPS e cancelamento (churn) de clientes, deteriorando o fluxo de caixa de empresas alavancadas. A reformulação exige mentalidade de fundador e alinhamento do conselho, como demonstrado pelo caso da Intercom.

Difusão corporativa da IA e próximas fronteiras de valor

David George argumenta que a penetração real da tecnologia na economia produtiva está apenas no início:

Dispersão de consumo de tokens: A empresa mediana nos EUA gasta US$ 12 por funcionário/mês em ferramentas de IA. O 1% do topo da base de dados consome US$ 7.000 por funcionário/mês. Grandes bancos dedicam aproximadamente 1% do custo com pessoal a ferramentas de IA.
A ilusão da programação (coding): O código foi o primeiro grande domínio automatizado porque possui dados estruturados, é verificável e simulável. A maioria das funções corporativas não possui essas três propriedades, o que torna a difusão mais lenta, porém com potencial de captura superior.
Fronteiras para as próximas empresas de US$ 10 trilhões a US$ 20 trilhões:
- Agentes de consumo nativos: Transição de interfaces de chat para agentes proativos que realizam tarefas de ponta a ponta.
- Robótica: Potencial econômico superior ao dos modelos puramente de linguagem nos próximos 10 anos.
- Autonomia: Mercado em fase embrionária, com menos de 10.000 veículos Waymo em operação nos EUA.
- Saúde: Setor que representa 18% do PIB dos EUA, com baixa penetração em entrega de cuidados (care delivery) e descoberta de fármacos.
- Infraestrutura física e defesa: Reestruturação da base industrial e de manufatura.

O gargalo físico: energia, transmissão e infraestrutura de dados

Aram Verdiyan e David George encerram identificando que a principal restrição para o avanço da IA não está na demanda por inferência, mas na oferta física de infraestrutura:

Pilha de suprimento: Energia/Rede Elétrica/Data Centers $\rightarrow$ Semicondutores/Memória $\rightarrow$ Modelos de Fronteira $\rightarrow$ Aplicações.
Velocidade de acesso à energia (speed to power): O gargalo central nos EUA não é a geração bruta de energia, mas a velocidade de conexão à rede, licenciamento regulatório e linhas de transmissão. Outros países estão instalando capacidade renovável em ritmo até 10 vezes superior.
Densidade dos data centers: As instalações de IA exigem densidades térmicas e energéticas até 10 vezes superiores às dos data centers convencionais, inviabilizando a simples adaptação de prédios antigos e abrindo espaço para novos modelos de infraestrutura pesada.