Fonte - Serviços como novo software na era da IA

Tipo da fonte

Artigo de tese estratégica sobre IA, software, serviços, venture capital e modelos de negócio AI-native.

Fonte

• Sequoia Capital — “Services, the New Software”
• URL: https://sequoiacap.com/article/services-the-new-software/
• Texto integral fornecido pelo usuário em 2026-04-26.

Resumo

O artigo defende que a próxima empresa de US$ 1 trilhão será uma empresa de software disfarçada de empresa de serviços. A tese central é que vender ferramenta deixa startups de IA vulneráveis à evolução dos modelos, enquanto vender o trabalho pronto transforma cada melhoria do modelo em ganho de margem, velocidade e defensibilidade.

A distinção principal é entre copilots e autopilots: copilots vendem produtividade para profissionais; autopilots vendem o resultado final do trabalho. O melhor ponto de entrada para autopilots não é qualquer mercado grande, mas tarefas terceirizadas, intensivas em inteligência, com orçamento existente, escopo claro e substituição simples.

Ideias principais

• A empresa AI-native mais valiosa pode parecer, no início, uma empresa de serviços, não uma empresa de software tradicional.
• Vender ferramenta cria competição direta com os modelos; vender trabalho captura o orçamento operacional e melhora com cada avanço do modelo.
• O artigo separa trabalho em duas dimensões: inteligência e julgamento.
• Inteligência é execução segundo regras complexas; julgamento envolve experiência, gosto, priorização e trade-offs.
• Engenharia de software foi a primeira profissão em que a IA absorveu grande parte do trabalho de inteligência.
• Copilots são adequados quando o modelo ainda precisa de profissionais para decidir e assumir responsabilidade.
• Autopilots ficam mais fortes quando a IA já consegue entregar diretamente um outcome verificável.
• A fronteira entre julgamento e inteligência é móvel: o julgamento de hoje pode virar inteligência amanhã quando sistemas acumulam dados proprietários.
• A terceirização existente é o melhor wedge porque já prova que o trabalho pode ser feito fora, há orçamento substituível e o comprador já compra outcome.
• O long-term TAM dos autopilots inclui o trabalho internalizado, mas o ponto inicial mais eficiente é o trabalho já terceirizado.
• Mercados com alto gasto em serviços, processos repetitivos e regras complexas são candidatos fortes para autopilots.

Insights

• A tese desloca a pergunta de “como vender software com IA?” para “qual trabalho caro posso absorver com IA?”.
• O orçamento de software pode ser pequeno demais para capturar o valor real criado por IA; o orçamento de trabalho é maior e mais estratégico.
• Autopilots têm uma vantagem de dados: ao executar o trabalho, observam diretamente qualidade, exceções, decisões e feedback operacional.
• Começar como autopilot pode ser mais defensável do que começar como copilot porque a empresa já nasce próxima do outcome e do orçamento principal.
• A categoria não é definida pela tecnologia, mas pela proporção entre inteligência e julgamento no trabalho.
• O wedge ideal não precisa atacar headcount interno no início; substituir fornecedores terceirizados reduz fricção política e organizacional.
• O dilema dos copilots incumbentes é real: virar autopilot pode significar cortar o próprio cliente profissional para vender direto ao comprador final.
• Em alguns mercados, o maior wedge pode ser “trabalho abandonado”, como cauda longa de procurement que humanos não analisam porque não compensa.

Citações úteis

“The next $1T company will be a software company masquerading as a services firm.”

Referência: tese de abertura do artigo.

“If you sell the tool, you’re in a race against the model.”

Referência: risco de vender apenas software/ferramenta.

“But if you sell the work, every improvement in the model makes your service faster, cheaper, and harder to compete with.”

Referência: argumento central a favor de autopilots.

“Writing code is mostly intelligence. Knowing what to build next is judgement.”

Referência: distinção entre inteligência e julgamento.

“A copilot sells the tool. An autopilot sells the work.”

Referência: definição central dos dois modelos.

“The higher the intelligence ratio in any field, the sooner autopilots will win.”

Referência: critério de priorização de mercado.

“Today’s judgement will become tomorrow’s intelligence.”

Referência: tese da fronteira móvel entre julgamento e inteligência.

“For every dollar spent on software, six are spent on services.”

Referência: racional econômico para atacar orçamento de serviços.

“Replacing an outsourcing contract with an AI-native services provider is a vendor swap. Replacing headcount is a reorg.”

Referência: tese de terceirização como wedge.

“The outsourced task is the wedge. The insourced work is the long-term TAM.”

Referência: playbook de entrada e expansão.

Fatos e alegações

Fatos sustentados pela fonte

• O artigo afirma que fundadores de AI tools temem que novas versões de modelos transformem seus produtos em features.
• O artigo diferencia copilots, que vendem ferramentas, de autopilots, que vendem o trabalho.
• O artigo usa engenharia de software como exemplo de profissão em que a IA já absorveu grande parte do trabalho de inteligência.
• O artigo afirma que várias categorias de software AI-first começarão como copilots e tentarão virar autopilots.
• O artigo propõe terceirização existente como wedge inicial para autopilots.
• O artigo lista mercados de serviços com alto potencial para autopilots: seguros, contabilidade, revenue cycle em saúde, claims, tax advisory, jurídico transacional, IT managed services, supply chain/procurement, recrutamento e consultoria.
• O artigo afirma que o dilema do inovador pode favorecer pure-play autopilots contra copilots que vendem para profissionais incumbentes.

Alegações que precisam de verificação

• A próxima empresa de US$ 1 trilhão será uma empresa de software disfarçada de serviços.
• Uma empresa típica pode gastar US$ 10 mil por ano com QuickBooks e US$ 120 mil com contador para fechar os livros.
• Mais tarefas em Cursor seriam iniciadas por agentes do que por humanos.
• Engenharia de software responderia por mais da metade do uso de ferramentas de IA entre profissões.
• Para cada dólar gasto em software, seis seriam gastos em serviços.
• Os mercados e TAMs citados têm os tamanhos indicados pelo artigo.
• Os incumbentes e startups citados ocupam as posições descritas.
• A escassez de contadores nos EUA teria os números citados pelo artigo.
• 80-90% do trabalho tributário seria inteligência.
• Contract leakage em procurement seria de 2-5% do gasto total.

Números, datas, nomes e eventos

• US$ 1 trilhão: valor sugerido para a próxima empresa lendária.
• US$ 10 mil por ano: gasto ilustrativo com QuickBooks.
• US$ 120 mil: gasto ilustrativo com contador para fechar os livros.
• Mais da metade: participação atribuída à engenharia de software no uso de ferramentas de IA entre profissões.
• Single digits: participação atribuída à s demais categorias profissionais.
• 1 para 6: proporção alegada entre gasto em software e gasto em serviços.
• US$ 140-200 bilhões: insurance brokerage.
• US$ 50-80 bilhões: accounting and audit terceirizado nos EUA.
• 340 mil contadores: perda estimada nos EUA em cinco anos.
• 75% dos CPAs: parcela alegada próxima da aposentadoria.
• US$ 50-80 bilhões: healthcare revenue cycle terceirizado nos EUA.
• 70 mil: quantidade aproximada de códigos ICD-10.
• US$ 50-80 bilhões: claims adjusting incluindo TPAs.
• US$ 30-35 bilhões: tax advisory.
• 80-90%: parcela do trabalho tributário descrita como inteligência.
• US$ 20-25 bilhões: legal transactional work.
• US$ 100 bilhões ou mais: IT managed services.
• US$ 200 bilhões ou mais: supply chain and procurement.
• Top 20%: fornecedores que recebem negociação séria na maior parte das empresas.
• 2-5%: contract leakage como percentual do gasto total em procurement.
• US$ 200 bilhões ou mais: recruitment and staffing.
• US$ 300-400 bilhões: management consulting.
• 2025: ano em que os copilots foram descritos como empresas de IA de crescimento mais rápido.
• 2026: ano em que muitos copilots tentariam virar autopilots, segundo o artigo.

Referências mencionadas

• Sequoia Capital: fonte do artigo e framing estratégico de venture capital.
• Claude: modelo citado como risco de comoditização para ferramentas de IA.
• QuickBooks: exemplo de software barato comparado ao custo do serviço contábil.
• Cursor: exemplo de categoria em que agentes passaram a iniciar mais tarefas.
• Harvey: exemplo de copilot jurídico que vende para escritórios e está avançando para autopilot.
• Rogo: exemplo de ferramenta vendida para investment banks.
• Crosby: exemplo de autopilot jurídico começando por NDAs.
• WithCoverage: exemplo de autopilot em seguros vendido ao CFO.
• Harper: newcomer citado em insurance brokerage.
• Rillet: exemplo de AI-native ERP para fechar livros.
• Basis: exemplo de copilot para contadores.
• Anterior: empresa citada como avançada em healthcare revenue cycle.
• Crawford: TPA/incumbente citado no mercado de claims.
• Sedgwick: TPA/incumbente citado no mercado de claims.
• Pace: empresa citada como autopilot para claims handling.
• Strala: empresa citada como AI-native TPA.
• TaxGPT: early mover em tax advisory.
• Skalar: empresa europeia citada em tax advisory.
• Ravical: empresa europeia citada em tax advisory.
• Lawhive: newcomer autopilot-native no jurídico.
• ConnectWise: camada de software existente para MSPs.
• Datto: camada de software existente para MSPs.
• Edra: empresa citada em automação de processos de TI.
• Serval: empresa citada em automação de suporte de TI.
• Magentic: empresa citada em direct procurement.
• AskLio: empresa citada em indirect procurement.
• Tacto: empresa citada como system of record e copilot para midmarket procurement.
• Juicebox: empresa citada em recruitment/staffing.
• Mercor: empresa citada em recruitment/staffing.
• Jack & Jill: empresa citada em recruitment/staffing.
• ICD-10: sistema de códigos usado como exemplo de trabalho de inteligência em medical coding.
• TPA: third-party administrator, estrutura terceirizada relevante em claims.
• MSP: managed service provider, estrutura terceirizada relevante em IT managed services.
• CFO: comprador citado para outcomes como seguros.
• SMB: segmento que terceiriza complexidade tributária multi-jurisdição.
• Innovator’s dilemma: tensão em que copilots podem hesitar em virar autopilots porque isso ameaça seus clientes profissionais.

Takeaway em uma frase

A melhor empresa de IA pode capturar mais valor vendendo trabalho concluído do que vendendo ferramenta, começando por tarefas terceirizadas e intensivas em inteligência onde o orçamento, o escopo e o ROI já existem.

Recomendações

• Ao avaliar uma ideia de IA, separar o trabalho em inteligência e julgamento.
• Priorizar mercados onde a parte de inteligência é grande, repetível e verificável.
• Procurar tarefas que já são terceirizadas antes de tentar substituir headcount interno.
• Mapear se o cliente compra ferramenta, serviço ou outcome.
• Preferir wedges com orçamento existente, escopo claro, substituição simples e ROI imediato.
• Construir loops de dados proprietários sobre qualidade, exceções e decisões do domínio.
• Avaliar se começar como serviço AI-native é mais defensável do que começar como SaaS puro.
• Para copilots existentes, analisar o risco de innovator’s dilemma antes de tentar vender o trabalho diretamente.
• Em mercados com trabalho abandonado, procurar oportunidades onde a IA cria valor sem deslocar um incumbente óbvio.

Mapa de argumentos

Argumento 1 - Vender trabalho é mais defensável do que vender ferramenta

• Tese: empresas de IA que vendem o trabalho completo capturam mais valor e sofrem menos risco de comoditização do que ferramentas.
• Evidência usada: comparação entre QuickBooks e custo de contador; argumento de que cada melhoria do modelo reduz custo e aumenta velocidade do serviço.
• Raciocínio: se a startup vende ferramenta, compete com a evolução dos modelos; se vende outcome, usa a evolução dos modelos como melhoria interna de margem e qualidade.
• Implicação: o modelo de negócio AI-native tende a se aproximar de serviços operacionalizados por software.
• Força do argumento: Alta.
• Possível objeção: serviços exigem operação, responsabilidade, go-to-market mais complexo e podem ter margens piores no início.
• O que precisaria ser verdade para o argumento funcionar: que a IA consiga entregar parte relevante do trabalho com qualidade verificável e custo menor que o fornecedor humano.

Argumento 2 - Inteligência vs. julgamento define onde autopilots vencem primeiro

• Tese: quanto maior a proporção de inteligência em uma profissão, mais cedo autopilots podem vencer.
• Evidência usada: engenharia de software como primeira categoria em que IA absorveu grande parte do trabalho de inteligência.
• Raciocínio: tarefas baseadas em regras complexas são mais automatizáveis do que decisões que dependem de gosto, experiência e responsabilidade contextual.
• Implicação: mapear uma profissão por inteligência/julgamento é mais útil do que mapear apenas por tamanho de mercado.
• Força do argumento: Alta.
• Possível objeção: trabalhos aparentemente baseados em regras podem conter julgamento tácito e exceções de alto custo.
• O que precisaria ser verdade para o argumento funcionar: que a distinção entre inteligência e julgamento seja operacionalmente mensurável no domínio.

Argumento 3 - A fronteira entre julgamento e inteligência se move

• Tese: o julgamento de hoje pode virar inteligência amanhã conforme sistemas acumulam dados proprietários.
• Evidência usada: tese de convergência entre copilots e autopilots.
• Raciocínio: dados sobre decisões boas permitem modelar padrões que antes pareciam depender de julgamento humano.
• Implicação: quem começa executando o trabalho pode acumular dados melhores do que quem só fornece ferramenta.
• Força do argumento: Média.
• Possível objeção: alguns julgamentos envolvem accountability, confiança e contexto social que dados históricos não capturam completamente.
• O que precisaria ser verdade para o argumento funcionar: que os dados coletados durante a execução sejam ricos, proprietários e conectados a outcomes mensuráveis.

Argumento 4 - Terceirização é o melhor wedge inicial

• Tese: autopilots devem começar por tarefas já terceirizadas.
• Evidência usada: três sinais citados pelo artigo: trabalho aceito externamente, linha de orçamento substituível e comprador orientado a outcome.
• Raciocínio: substituir fornecedor é menos disruptivo do que substituir equipe interna.
• Implicação: o caminho de entrada deve priorizar vendor swap, não reorganização.
• Força do argumento: Alta.
• Possível objeção: fornecedores terceirizados podem ter contratos longos, relacionamento forte ou bundled services difíceis de substituir.
• O que precisaria ser verdade para o argumento funcionar: que o escopo terceirizado seja separável, mensurável e substituível sem quebrar o restante da operação.

Argumento 5 - O opportunity map deve combinar inteligência, julgamento e outsourcing

• Tese: melhores oportunidades aparecem onde há alto TAM de serviços, alta inteligência e terceirização madura.
• Evidência usada: lista de verticais com TAMs e exemplos de empresas.
• Raciocínio: tamanho de mercado sozinho não basta; é preciso que a tarefa seja automatizável e vendável como outcome.
• Implicação: mercados menores podem ser melhores wedges do que mercados gigantes muito carregados de julgamento.
• Força do argumento: Média.
• Possível objeção: os TAMs e exemplos parecem ilustrativos e precisam de verificação externa.
• O que precisaria ser verdade para o argumento funcionar: que a estimativa de TAM, o nível de terceirização e o grau de inteligência estejam corretos para cada vertical.

Argumento 6 - Copilots enfrentam dilema ao virar autopilots

• Tese: copilots podem ter dificuldade de virar autopilots porque isso ameaça seus próprios clientes profissionais.
• Evidência usada: o artigo descreve 2025 como ano de copilots e 2026 como ano em que muitos tentarão virar autopilots.
• Raciocínio: vender o trabalho diretamente pode cortar o profissional que antes comprava a ferramenta.
• Implicação: pure-play autopilots podem atacar categorias onde copilots hesitam.
• Força do argumento: Alta.
• Possível objeção: copilots podem migrar gradualmente para autopilots com consentimento dos clientes ou por segmentos adjacentes.
• O que precisaria ser verdade para o argumento funcionar: que o canal atual dos copilots dependa fortemente dos profissionais que seriam desintermediados.

Minha interpretação

A tese é forte porque troca a lente de “produto de IA” por “economia do trabalho”. Em vez de perguntar qual feature o modelo consegue gerar, o artigo pergunta qual orçamento de trabalho a empresa consegue absorver. Isso é uma mudança relevante: muitas startups de IA podem parecer menos com SaaS tradicional e mais com BPO AI-native, consultoria operacional automatizada ou fornecedor de outcome.

O insight mais útil é que serviço não é necessariamente falta de escala. Se o serviço é uma forma de capturar dados proprietários, exceções, workflows e distribuição, ele pode ser o estágio inicial de um software muito defensável. O risco é romantizar serviços: vender outcome exige responsabilidade, operação, suporte, confiança e capacidade de lidar com exceções.

O mapa de oportunidades é útil, mas precisa ser tratado como hipótese de investimento, não como verdade. Os TAMs, empresas citadas e estatísticas precisam de checagem externa antes de virar decisão.

Aplicação no meu contexto

Para a Epost, a pergunta relevante é se determinadas ofertas devem ser posicionadas como ferramenta logística ou como trabalho logístico resolvido. Se o cliente quer menos complexidade operacional, talvez o valor esteja menos em vender interface e mais em vender execução: coleta, etiquetagem, first mile, roteirização, suporte, reversa ou visibilidade operacional como outcome.

O artigo também ajuda a pensar em parcerias como Correios, shoppings e anfitriões de e-box. Se a Epost reduz trabalho operacional terceirizado ou abandonado dentro da cadeia logística, o wedge pode ser mais forte do que um software isolado.

Para avaliar novas iniciativas, vale aplicar três perguntas:

• O cliente já terceiriza ou evita esse trabalho?
• Existe orçamento operacional claro para substituir?
• A tarefa é mais inteligência operacional do que julgamento humano contextual?

Perguntas em aberto

• Pergunta: quais mercados citados realmente têm qualidade de dados suficiente para autopilots assumirem julgamento?

  • Por que importa: a tese de convergência depende de dados proprietários que capturem bom julgamento, não apenas execução.
  • Onde isso aparece no texto: seção “The Convergence”.

• Pergunta: quando vender serviço AI-native vira vantagem e quando vira peso operacional?

  • Por que importa: serviços podem capturar orçamento maior, mas também aumentam complexidade de entrega e responsabilidade.
  • Onde isso aparece no texto: tese inicial sobre vender o trabalho em vez da ferramenta.

• Pergunta: qual é o limite regulatório para autopilots em seguros, jurídico, saúde e tributos?

  • Por que importa: várias categorias citadas dependem de licenças, responsabilidade profissional e confiança institucional.
  • Onde isso aparece no texto: opportunity map em insurance, legal, healthcare e tax.

• Pergunta: como medir o “intelligence ratio” de uma profissão de forma objetiva?

  • Por que importa: esse é o principal critério de priorização do artigo, mas ele não define uma métrica precisa.
  • Onde isso aparece no texto: seção “Copilots and Autopilots”.

• Pergunta: como um copilot pode migrar para autopilot sem romper com seus clientes profissionais?

  • Por que importa: esse é o dilema estratégico de empresas já bem distribuídas.
  • Onde isso aparece no texto: fechamento sobre 2025, 2026 e innovator’s dilemma.

• Pergunta: onde existe “trabalho abandonado” na logística brasileira?

  • Por que importa: procurement mostra que nem todo wedge precisa substituir orçamento; alguns criam valor onde humanos não atuam.
  • Onde isso aparece no texto: seção sobre supply chain and procurement.

Conecta com

• [[epost]]
• [[parceria-epost-correios-revenda-etiquetas-e-first-mile]]
• [[sistema-venda-etiquetas]]
• [[modelo-comercial-anfitriao-ebox]]
• [[hermes-agent-overview]]
• [[software-fundamentals-matter-more-than-ever-matt-pocock]]
• [[vesting-com-opcao-de-compra-de-participacao-societaria]]

Notas candidatas a promover

• copilot-vs-autopilot.md
• terceirizacao-como-wedge-para-empresas-de-ia.md
• inteligencia-vs-julgamento-no-trabalho.md
• modelos-hibridos-servico-software.md
• autopilots-ai-native.md
• servico-como-wedge-para-software-defensavel.md