Por que o modelo não pode ser a vantagem

Hoje, toda empresa diz operar com IA. A afirmação não custa nada — e por isso todas a fazem. Quem ocupa um conselho, aloca capital ou escolhe parceiros precisa distinguir as empresas que construíram algo real das que acrescentaram um chatbot e atualizaram o site.

O primeiro passo é entender o que essa afirmação não pode significar. O diferencial não pode estar no modelo, porque quase ninguém é dono de um. Os modelos são alugados de um pequeno grupo de laboratórios, evoluem no ritmo definido por eles e muitas vezes ficam disponíveis ao concorrente na mesma tarde. Prompts podem ser copiados; interfaces também. Qualquer vantagem duradoura em IA precisa sobreviver ao próximo lançamento de modelo — e uma barreira competitiva que precisa ser refeita a cada doze meses não é barreira. Se a vantagem desaparece quando o fornecedor muda preços, condições ou tecnologia, a empresa construiu em terreno alugado.

O teste da troca de modelo

Satya Nadella formulou a versão mais clara desse argumento em uma nota publicada em junho de 2026. Uma empresa que usa IA com seriedade, escreveu, constrói sobre os modelos um loop de aprendizado: um histórico próprio e cumulativo de decisões, correções e resultados, que retorna ao processo e muda a forma de trabalhar. Nas palavras dele: "Esse loop se torna a nova propriedade intelectual da empresa. Eu o vejo como uma máquina de subir colinas. E, ao contrário da maioria dos ativos, ele rende como juros compostos."

Daí vem um teste preciso. Imagine substituir o modelo que sustenta o negócio pelo de um concorrente. A empresa preservaria o conhecimento acumulado, como preservaria o de um profissional com vinte anos de casa? O modelo não é a memória da empresa; é um motor aplicado a essa memória. A empresa precisa conseguir instalar um motor melhor sem esquecer a estrada que percorreu. Se a inteligência reside no modelo, ela nunca pertenceu de fato à empresa; se reside no loop, troca-se o motor e fica a memória.

Esse é o teste da troca de modelo. Duas outras perguntas completam o diagnóstico.

Duas perguntas complementares

A segunda vem da CRV, em seu guia para fundadores de empresas construídas desde a origem em torno da IA: retire por completo a IA. O negócio apenas perde desempenho ou deixa de funcionar? Uma funcionalidade acoplada sai de cena sem grandes danos, porque o trabalho central nunca dependeu dela. Uma empresa redesenhada em torno da tecnologia não consegue voltar atrás, assim como uma empresa de logística não voltaria aos mapas de papel.

A terceira pergunta trata de medição. Em "Owning the Hill", a MBI Deep Dives observa que empresas com avaliações proprietárias, compostas por testes extraídos do próprio trabalho, podem superar modelos de fronteira em seu domínio específico. Sem essas avaliações, a empresa não sabe se o processamento pelo qual pagou trouxe algum ganho. A pergunta, então, é: quem mantém o placar, e de quem são as perguntas? Uma empresa que se mede por um benchmark público está acompanhando o progresso do laboratório, não o próprio.

O que é o loop, na prática

Como esse loop funciona na prática? Nada de exótico. O trabalho entra no sistema. Pessoas e máquinas tomam uma decisão. A empresa registra a decisão e as razões que a sustentaram. Mais tarde, novas evidências testam se ela estava correta, e o resultado muda o tratamento do caso seguinte. Uma pasta cheia de documentos não forma um loop. Um fluxo de respostas do modelo tampouco.

A metade esquecida desse sistema é a recusa. Uma empresa que analisa dez oportunidades e avança com uma aprendeu com as dez. As nove recusas jamais aparecem em registros públicos. Elas formam a parte da base de dados que nenhum concorrente consegue ver, comprar nem reconstruir, e muitas vezes revelam o critério da empresa com mais clareza que os acertos. A Alpha Matica chama essa mudança de passagem das barreiras de dados para as barreiras de loop fechado: cada julgamento registrado acelera um mecanismo que o concorrente não pode comprar, e depois de 12 a 24 meses desse efeito composto a distância muitas vezes se torna intransponível.

Onde o loop rende mais rápido

O loop não rende no mesmo ritmo em toda parte. O efeito composto é mais rápido em campos estreitos e difíceis: decisões recorrentes, consequências relevantes, acesso regulado e casos próprios que formam um histórico impossível de raspar de bases públicas. A Menlo Ventures faz uma distinção útil entre barreiras defensivas, como certificações regulatórias e infraestrutura de compliance, e barreiras generativas, formadas pelos dados cumulativos que ampliam a distância ao longo do tempo. Um white paper da Stanford Law sobre IA vertical chega à mesma conclusão pela ótica jurídica: em setores regulados, o peso do compliance se converte em barreira, enquanto anos de registros próprios do domínio formam um ativo que nenhum novo entrante consegue recriar sob demanda.

As empresas mais fortes reúnem os dois tipos. Licenças isoladas criam uma posição protegida, mas não uma empresa que aprende; dados isolados criam acervo, mas não um loop. O valor está na combinação: a regulação compra tempo, e o loop de aprendizado faz uso produtivo dele. Isso indica onde procurar: domínio estreito, consequências reais e histórico privado. Um chatbot horizontal não reúne nenhum dos três.

O teste aplicado a uma empresa

O lugar mais próximo para observar o teste em funcionamento é a empresa que publica este ensaio. A Bamboo DCM atua no mercado brasileiro de crédito privado. A empresa transforma a necessidade de capital de crescimento de uma companhia de médio porte em uma operação que investidores institucionais podem financiar. O trabalho abrange estruturação, due diligence, distribuição e monitoramento pós-emissão, dentro de um modelo operacional regulado organizado em torno desse loop.

Passe a Bamboo pela lista. A barreira defensiva é o piso regulatório: licenças da CVM de coordenador (Resolução 161) e de securitização (Resolução 60), além de ser aderente à ANBIMA. Foram anos até obtê-las, e elas alcançam todas as operações. A barreira generativa é o histórico. Desde 2022, a empresa estruturou mais de R$ 900 milhões em mais de 25 operações, cerca de 60% com emissores institucionais estreantes — não empresas que o mercado institucional já conhece e financia regularmente.

A escala ainda é modesta. O que importa é o perfil desse histórico: a Bamboo avalia repetidamente se empresas novas no crédito institucional podem se tornar investíveis, e em que condições. Por trás dos números estão os dados das recusas. Cerca de nove em cada dez oportunidades avaliadas são descartadas, e as razões ficam registradas com o mesmo rigor dedicado às operações que fecham. O monitoramento pós-emissão mantém o loop ativo depois da assinatura e devolve à decisão seguinte evidências sobre o comportamento real das operações.

Agora, aplique as perguntas. Troque o modelo, e permanece o histórico do que foi observado e decidido. Retire a camada de inteligência, e a triagem, a estruturação e o monitoramento deixam de funcionar no formato e no custo atuais, porque o trabalho foi reconstruído em torno dela, não decorado com ela. E o placar não é um ranking público, é a própria história da empresa: esse risco foi lido corretamente? A estrutura se sustentou como previa a análise?

A cara de quem é dono

O teste vale em qualquer setor. Faça as três perguntas a toda empresa que leva um slide de IA no deck. As que passam costumam parecer pouco glamourosas de perto: registros mantidos, razões escritas, recusas documentadas e avaliações confrontadas com as próprias decisões passadas. Ser dono é isso.

O modelo é alugado. O loop é próprio. Quando uma empresa disser que opera com IA, pergunte em qual dos dois ela está apostando.

Referências

Satya Nadella, "A frontier without an ecosystem is not stable (June 2026)" https://snscratchpad.com/posts/frontier-ecosystem/

CRV, "What is an AI-native company?" https://www.crv.com/content/what-is-ai-native

MBI Deep Dives, "Owning the Hill" https://www.mbi-deepdives.com/owning-the-hill/

Alpha Matica, "The Data Moat 2.0: Escaping LLM Commoditisation by Owning the Endless Feedback Loop" https://www.alpha-matica.com/post/the-data-moat-2-0-escaping-llm-commoditisation-by-owning-the-endless-feedback-loop

Menlo Ventures, "Software Finally Gets to Work: The Opportunity in Vertical AI" https://menlovc.com/perspective/software-finally-gets-to-work-the-opportunity-in-vertical-ai/

Stanford Law, "Defensible Moats for Vertical AI Application Companies in a New Competitive Landscape (June 2026)" https://law.stanford.edu/wp-content/uploads/2026/06/Defensible-Moats-for-Vertical-AI-Application-Companies-in-a-New-Competitive-Landscape.pdf

Sobre a Bamboo

A Bamboo DCM é uma estruturadora e distribuidora independente de crédito privado no Brasil. Transformamos a necessidade de capital de crescimento de empresas de médio porte em operações que investidores institucionais podem financiar. Desde 2022, levamos ao mercado mais de R$ 900 milhões em mais de 25 operações, cerca de 60% delas com emissores institucionais estreantes. Temos licenças da CVM de coordenador (Resolução 161) e de securitização (Resolução 60), e somos aderentes à ANBIMA.

As atividades reguladas são conduzidas pela Bamboo Securitizadora S.A. (CNPJ 48.343.871/0001-34), que atua como coordenadora de ofertas públicas sob sua licença de coordenador da Resolução CVM 161 e emite e administra CRI, CRA e debêntures sob a Resolução CVM 60. Este conteúdo é informativo e não constitui oferta, recomendação ou promessa de rentabilidade.