Inteligência Artificial nas Scale-Ups Brasileiras

Navegar por uma transformação dessa escala sem um playbook pronto é difícil. Por isso, esta pesquisa não pretende ser um manual definitivo. Queremos construir uma base comum para que empreendedores possam comparar experiências, desafiar suas próprias percepções e aprender mais rapidamente uns com os outros enquanto escrevem os próximos capítulos dessa transformação.

Metade dos empreendedores de scale-ups afirma que a IA está no centro da sua companhia — seja porque nasceu com essa operação, seja porque reposicionou produto, estratégia e operação ao longo do caminho.

Outros 42% possuem aplicações com ganho comprovado, ainda que a tecnologia não seja o eixo central da companhia. Uma pequena parcela está nos estágios iniciais de experimentação.

O principal avanço aparece na adoção pelos times. Em 63% das empresas, a IA já é utilizada de forma intensa da liderança à base, deixando de ser uma iniciativa restrita a poucos entusiastas para se tornar parte do trabalho cotidiano de todos.

Companhias fundadas nos últimos 5 anos se destacam tanto pela centralidade da IA no negócio quanto pelos investimentos, enquanto o principal desafio daquelas com mais de 15 anos é disseminar o uso de IA na organização.

Companhias mais jovens têm maior liberdade para redesenhar produtos, processos e arquitetura; empresas mais antigas precisam incorporar essa nova lógica a sistemas, dados, integrações e formas de trabalho construídos ao longo de anos.

Empresas com receita de até R$ 30 milhões alcançam uma média de 6,3, enquanto aquelas acima de R$ 300 milhões ficam em 5,3. A principal diferença está no investimento. Quanto maior a receita da empresa, maior é a quantidade necessária para a IA representar uma linha de receita percentualmente relevante, na ordem de 5% ou 10%.

Em um momento em que todos podem gerar código com a IA generativa, a primeira diferenciação para implementar IA com sucesso tem sido a qualidade e organização do contexto da organização, com a arquitetura de dados e integrações bem azeitadas. Este passo deve ser anterior ao desenvolvimento dos modelos conversacionais ou agentes.

“Dados não integrados” é o desafio mais comum, apontado por 30% dos empreendedores; em terceiro lugar vem a qualidade dos outputs, com 25%, frequentemente associada ao primeiro.

Um processo simples como emitir uma segunda via ou processar um pagamento exige uma cadeia de APIs, autenticação, permissões e regras.

Portanto, para as empresas que precisam dar os primeiros passos, seria um erro colocar a implementação das infraestruturas digitais como gastos de inteligência artificial.

Não necessariamente uma janela de contexto maior leva a um melhor resultado. Um agente executa dezenas de passos, consulta ferramentas, documentos e acumula resultados. Quanto mais informação entra na sua memória, maior o chamado context rot: além de errarem mais, contextos excessivos consomem mais recursos.

Com sistemas de agentes, o gargalo deixa de ser escrever bons prompts (prompt engineering) e passa a ser administrar contexto (context engineering): como oferecer o menor conjunto possível de informação de alto valor, no momento certo.

À medida que os agentes se multiplicam, a governança também se torna um ponto ainda mais importante. Três cuidados são essenciais:

• Processos documentados em estrutura independente de plataforma, para que a inteligência do negócio seja portável entre modelos.
• Humano no centro dos guardrails.
• Clareza do responsável por manter cada agente, centralizando as informações caso essa pessoa saia da empresa.

Entre as principais mudanças implementadas para a transformação com IA, a principal foi nos times. Nos últimos 12 meses, 70% das empresas reorganizaram áreas ou times em resposta à IA, e 76% optaram pela redução de contratações ou headcount — decisão mais frequente entre as empresas com IA no core.

Ter a inteligência artificial no centro do produto não significa ser uma empresa AI-native. Uma empresa AI-native é definida pela forma como opera: a inteligência artificial é o próprio modelo de negócio, embutida como infraestrutura nas decisões, nos processos e nos loops de aprendizado.

No caso da Birdie, Everton Cherman destaca que a adoção interna ainda acontece em ritmos diferentes: produto e engenharia avançaram mais rápido, enquanto áreas como marketing, pessoas e operações seguem em outros estágios.

Enquanto a automação adquiriu rápida velocidade entre os times de engenharia, com 77%, e atendimento e suporte, com 57% — normalmente diretamente atrelados ao produto e core da operação —, as outras áreas estão em um momento de transição.

Especialistas com quem conversamos apontam para a importância de descentralizar as responsabilidades, evitando concentrar toda a implementação de IA em um squad de inovação, time de dados ou alguma camada abaixo do CTO. A centralização pode ser útil nos primeiros passos, mas logo se torna ineficiente.

Vem ganhando força um modelo híbrido, organizado em duas camadas:

• Time técnico: enxuto, responsável por padronizar experimentos, abstrair provedores de LLM e garantir governança e centralização dos dados.
• C-levels e lideranças: assumem o ownership para estudar, testar e acompanhar a implementação de IA ponta a ponta nos desafios específicos de cada área.

Em 26% das empresas, existem especialistas, ou “champions”, espalhados pelas áreas, e outros 26% possuem uma pessoa liderando formalmente. Entre as empresas com um time formal de IA, 43% percebem ganho de receita, contra 27% daquelas que ainda não definiram um responsável.

A liderança está de fato adotando mais IA do que a base. Em 67% das empresas, há alta adoção de IA entre as lideranças, 49% entre a gerência média e 33% na base. O próprio CEO também precisa testar, aprender e utilizar a IA no dia a dia do seu próprio trabalho.

Em algumas organizações, desconstruir já faz parte da cultura. Em outras, a camada de executivos pode operar bem dentro de um sistema conhecido, com repertório, relações e práticas construídas ao longo de anos. Embora esses profissionais continuem sendo excelentes gestores, seu maior desafio é perceber quando parte desse repertório começa a perder validade.

A implementação de IA nos times envolve lidar com receios emocionais, como o medo de ser substituído e a sensação de que a tecnologia ficou complexa demais para ser dominada.

Diminuindo as camadas hierárquicas da organização

Uma organização com organograma de muitas camadas tende a gastar uma parcela relevante de tempo em alinhamentos, reuniões individuais, repasses de informação e decisões que precisam descer ou subir pela hierarquia.

As organizações mais avançadas estão começando a reduzir os níveis hierárquicos, com spans de controle maiores liderados por contribuidores individuais seniores. Em alguns casos, empresas com centenas de profissionais operam com apenas três camadas.

Por décadas, crescer na carreira significava deixar de executar para gerenciar mais pessoas. À medida que agentes assumem parte do trabalho de execução, a IA abre espaço para organizações valorizarem os profissionais pelo leverage da própria execução, julgamento e capacidade de orquestrar tecnologia.

Na Olist, Tiago Dalvi conta que os ganhos de produtividade permitiram reduzir camadas e simplificar a estrutura, mas não consegue simplificar a gestão de pessoas ainda, e com isso não aumentou radicalmente o span of control de cada líder, pois essa continua sendo uma tarefa bastante complexa.

Squads de duas ou três pessoas estão substituindo estruturas que antes reuniam produto, design, research, frontend, backend, infraestrutura e analytics.

Na Olist, os squads de 7 a 12 pessoas deram lugar a pods de 3 a 5, com mais autonomia para testar hipóteses e contato direto com pequenos grupos de clientes. A lógica é encurtar o caminho entre uma informação chegar, uma decisão ser tomada, um teste acontecer e o aprendizado voltar para o time.

É possível que uma empresa esteja acelerando a produtividade individual do time, mas não conseguindo traduzir isso em um sistema organizacional mais rápido. Um dos desafios é a sincronicidade das agendas com as revisões humanas e entregas.

Colocar um transcritor em todas as reuniões e gerar automaticamente uma lista de tarefas não é mais suficiente. As empresas precisam ir à raiz da forma de trabalhar: aquelas excessivamente dependentes da comunicação síncrona terão mais dificuldade para aproveitar os efeitos da IA.

A tecnologia funciona melhor quando informações estão registradas, decisões podem ser acompanhadas e as pessoas conseguem avançar sem esperar pela próxima reunião.

Com as lideranças e os top performers engajados, é necessário garantir que cada pessoa na companhia entenda o potencial da IA em impactar o seu dia a dia.

A empresa deve comunicar que o trabalho mudará, mas também mostrar, por meio de investimento em formação, contexto e tempo de aprendizagem, que acredita na possibilidade de todas as pessoas atravessarem essa mudança.

Nesse sentido, momentos de organização coletiva como os hackathons têm sido uma experiência positiva relatada pelos Empreendedores Endeavor. Normalmente liderados pelo time de tecnologia, utilizam de incentivos positivos como competições e gamificação do processo.

Além dos treinamentos, a IA tem se tornado um critério das avaliações de desempenho. Guilherme Weigert conta que, na Conexa Saúde, a fluência em IA se tornou um comportamento esperado.

Durante muito tempo, crescer significava aumentar o número de pessoas em ritmo semelhante. A IA permite gerar mais receita, mais clientes ou mais entregas sem expansão proporcional da estrutura. Nesse sentido, vemos que as empresas com IA no core foram as que mais reduziram contratações no último ano.

Mas esse movimento não precisa ser lido apenas como redução dos times. Para Alex Szapiro, a tecnologia pode até reduzir a necessidade de alguns papéis, mas aumenta o valor de profissionais experientes.

Na Pipefy, Alessio Alionço conta que o ganho de produtividade não levou à substituição direta das pessoas. O efeito foi deslocar o trabalho para problemas mais complexos e aumentar o volume do que cada time consegue entregar.

Manoela Mitchell, da Pipo Saúde, dá um nome ao seu jeito de pensar: AI Dividend. Para ela, a discussão sobre o tamanho do time deveria começar só depois de observar o aumento de eficiência. Em vez de perguntar quanto da estrutura pode ser reduzida, a liderança precisa decidir o que fará com o ganho de eficiência.

Para as empresas que desejam reduzir o headcount, isso não necessariamente precisa estar associado a layoffs. Uma das estratégias é diminuir o plano de contratações, apostar no turnover natural e ir concentrando o esforço de retenção dos melhores performers. Uma companhia que esperava crescer de 400 para 500 pessoas e termina o ano com 400 funcionários já realizou uma redução relativa importante.

Nessa era, há também a dúvida do lugar dos talentos que são juniores e estão começando em um cenário em que a maior dor não é mais a execução de tarefas repetitivas. Para algumas empresas, a resposta passa por continuar formando esses talentos para outras capacidades.

Pelos resultados do índice, uma das maiores oportunidades para o ecossistema é avançar na maturidade de investimento e mensuração dos resultados: 51% das empresas não possuem nenhuma métrica de negócio atrelada à IA.

Uma das maiores dúvidas dos empreendedores é como medir o progresso da adoção em IA. Como usá-la como direcionador efetivo para transformar a forma da companhia operar? Como atribuir resultado aos investimentos e esforços?

Entre as empresas que investem menos de 1% da receita anual em IA, apenas 9% percebem aumento de receita. Entre aquelas que investem mais de 20%, o percentual chega a 62%. Conforme os empreendedores investem para implementar e testar IA, mais confiantes ficam para expandir a quantidade investida.

A partir do estágio de 5% da receita anual investida em IA, mais da metade das empresas possuem pelo menos uma métrica do negócio atrelada à inteligência artificial.

Porém, isso não é consensual em todas as companhias. Parte disso pode refletir a subjetividade de isolar o impacto da tecnologia em iniciativas, mas também uma mudança de foco: em estágios mais avançados, métricas de uso — como consumo de tokens ou número de agentes — tendem a perder relevância diante de indicadores de negócio mais finalísticos.

A percepção de ganho econômico diretamente atribuído à IA ainda é modesta

40% dos empreendedores percebem melhora na satisfação e retenção de clientes, 29% em margem ou EBITDA e 25% em receita. Observamos que o impacto da IA tem aparecido primeiro na camada de eficiência.

Isso não significa que a IA não irá acelerar essas frentes, mas a maioria dos empreendedores está focando em amadurecer suas capacidades produtivas e a operação das equipes antes de sentir efeitos em indicadores finalísticos.

A dificuldade de mensuração não é exclusiva das Scale-Ups brasileiras. Globalmente, apenas 39% das organizações atribuem algum impacto em EBIT à IA. Entre elas, a maioria estima uma contribuição inferior a 5% do resultado.

Ao cruzar as áreas com maior nível de automação e impactos percebidos a nível da companhia, notamos uma maior produtividade e redução de headcount entre as empresas que automatizaram vendas, área que possui interação direta com o cliente e, portanto, maior capacidade de interação com novas conversões, upsell e redução de churn.

Diego Barreto, CEO do iFood, defende que a necessidade de demonstrar um ROI exato logo de cara precisa ser relativizada. A inteligência artificial ainda está em uma fase de desenvolvimento estrutural, e não existe fase de desenvolvimento que nasça com eficiência máxima.

Isso não significa abandonar a disciplina financeira, mas nem todo investimento estrutural pode ser avaliado apenas pelo retorno diretamente atribuível em um intervalo curto. Empresas adotam softwares, mantêm clientes estratégicos e constroem novas competências sem conseguir isolar perfeitamente o resultado de cada decisão.

Diego reconhece que muitos experimentos não funcionarão. Isso, porém, faz parte da construção da competência.

Para Diego Barreto, a IA exige reavaliar prioridades frequentemente e evitar transformar projeções anuais em compromissos imutáveis.

Novas oportunidades surgem, riscos se materializam e hipóteses deixam de ser válidas. Nessas condições, manter o plano apenas porque ele foi aprovado pode ser mais prejudicial do que alterá-lo.

A Pipo Saúde optou por trabalhar com ciclos mensais de planejamento. A estratégia não muda a cada 30 dias, mas as hipóteses de execução podem envelhecer rápido demais para ajustar a alocação de recursos até o próximo ciclo anual.

Em processos de adoção, a primeira métrica não precisa ser perfeita, nem deveria exigir retorno financeiro preciso desde o primeiro dia.

Algumas empresas podem começar estipulando metas de agentes por colaborador como uma estratégia importante de tração no começo, e depois afunilar os outputs para garantir geração de volume com qualidade.

Embora o CFO precise manter uma história clara sobre os investimentos da companhia, exigir retorno financeiro imediato de toda experimentação pode levar a organização a escolher apenas casos incrementais e previsíveis; em paralelo, quem vende ou lidera uma iniciativa precisa conectá-la a KPIs relevantes.

Nível 1 — Exploração

Após medir as primeiras adoções, tokens consumidos e agentes criados, o foco precisa ir migrando para a efetividade dos workflows: as soluções precisam melhorar de forma objetiva o trabalho, exemplo:

• Menor geração de bugs;
• Número de usuários que utilizam um mesmo agente, para além do uso individual;
• Geração total de código;
• Capacidade da solução mudar uma decisão, um comportamento ou um resultado dentro do processo;

O objetivo da organização não é fazer todos os agentes funcionarem, mas identificar rapidamente os poucos que realmente movem o negócio e dobrar a aposta neles.

Nível 2 — Transformação

À medida que se amadurece, a tolerância a métricas vagas deve diminuir. Entre Empreendedores Endeavor, a métrica mais recorrente de avaliação tem sido a receita por colaborador. Ela tangibiliza uma mudança importante: durante muito tempo, o crescimento de receita veio acompanhado pelo crescimento proporcional do headcount. A nova ambição é crescer mantendo a estrutura mais estável.

Essa métrica aproxima a transformação do P&L, mas não deve ser analisada de forma isolada:

• Parte do valor da IA aparece em velocidade, redução de custo e produtividade;
• É sensível a decisões do negócio sem relação direta com IA, como terceirizar, contratar pessoas jurídicas ou mudar o mix de produtos;

Para os empreendedores, a IA começa a se traduzir em decisões cada vez mais desafiadoras: onde investir primeiro, quais processos abandonar, como reorganizar times e como analisar os novos resultados da companhia. Não existe um playbook consolidado.

Mesmo entre as companhias mais avançadas, muitas dessas escolhas estão sendo feitas ao vivo, aqui e agora.

A cada porta aberta, outras são abertas. Como o meu papel como empreendedor muda? Qual o perfil dos novos talentos e como atraí-los? Colocar IA em uma funcionalidade é diferente de construir um produto AI-first?

Há também perguntas maiores do que cada companhia. Se a principal oportunidade do Brasil está na camada de aplicação, o que precisamos fazer para capturar essa oportunidade?

Nos próximos capítulos, continuaremos a desvendar as decisões e os empreendedores construindo as próximas transformações no Brasil.