Hello, Hello!
Primeiro a camada, depois o gestor
Como Jensen Huang e Pat Grady me ajudaram a explicar sobre o desenho do Platypus
Quando me perguntam como escolhemos gestores para o Platypus, o que costuma surpreender na resposta é a ordem: começamos pela camada no stack de tecnologia, não pelo gestor. Decidimos em que parte do stack de tecnologia e inteligência artificial queremos estar, o que, na prática, é decidir a que público aquela tecnologia será vendida. Só depois procuramos, dentro daquela camada, gestores com diferencial de acesso e de know-how para avaliar as startups. 
Levei um tempo para explicar por que essa ordem importa, até que assisti Jensen Huang, da Nvidia, e Pat Grady, da Sequoia, em recentes aparições chegando ao mesmo desenho por caminhos diferentes. Um vende a base do stack (infraestrutura); o outro investe no topo (aplicações). Os dois terminaram no mesmo conceito: difusão. Para explicar que o valor de um ciclo tecnológico não se concentra em quem constrói a tecnologia, e sim em quem consegue instalá-la no mundo, e portanto a relevância de quem consome ou adota.
Vou reconstruir o raciocínio.
O que os quatro ciclos anteriores ensinaram
Computador pessoal, internet, mobile e cloud seguiram a mesma sequência: primeiro, reconstrói-se a infraestrutura — hardware, redes, protocolos, data centers. Só depois nascem as empresas que capturam a maior parte do valor.
E nas quatro camadas de infraestrutura, o mercado cometeu o mesmo erro de leitura: tratou o pico de investimento em infraestrutura como se fosse o pico de adoção.
Jensen Huang descreveu inteligência artificial como um bolo de cinco camadas. Na base, energia – porque não se produz nada sem ela, e na prática, transformamos eletricidade em matemática ou capacidade computacional. Acima, chips. Acima, infraestrutura: os grandes data centers, terreno, energia e o prédio que abriga tudo, onde a eletricidade entra e a computação sai. Só na quarta camada estão os modelos (AI Labs). E no topo, a quinta: dados e aplicações.
A frase dele sobre essa arquitetura é a mais importante da entrevista: “a maioria das pessoas acha que os modelos são o que a IA é. Mas a parte mais importante da IA é a quinta camada.”
A lógica é a mesma dos quatro ciclos anteriores, o que muda é a escala. Segundo Huang, um data center dimensionado para um gigawatt de consumo elétrico custa entre US$ 50 e US$ 60 bilhões – e a maior parte desse valor equivale aos chips, servidores e sistemas de refrigeração.
Para efeito de comparação, Itaipu tem 14 gigawatts de potência instalada de geração elétrica e custou US$ 19,6 bilhões, o que equivale a cerca de US$ 60 bilhões em valores de hoje. Construir a máquina que transforma um gigawatt de eletricidade em computação custa aproximadamente o mesmo que construir a usina capaz de gerar 14 gigawatts.
A unidade é elétrica, não computacional e não é por acaso. A indústria passou a dimensionar e comparar data centers em watts porque a geração de energia é o novo gargalo. Hoje é a energia disponível que determina a capacidade computacional que o mundo pode empregar. É por isso que ela é a primeira camada do bolo.
A indústria está erguendo cerca de 100 gigawatts de consumo até o fim desta década, e só neste ano os Estados Unidos devem investir perto de US$ 1 trilhão em infraestrutura de IA. É onde está quase todo o capital e quase toda a manchete de jornal, mas não é onde o próprio Huang diz que está a parte maisimportante.
O que é diferente agora
A Sequoia parte do mesmo desenho, mas responde a outra pergunta: o que torna a transformação atual diferente das demais?
Em primeiro lugar, tamanho. A computação em nuvem praticamente dobrou o mercado de software em quinze anos, de cerca de US$ 350 bilhões para US$ 650 bilhões. A inteligência artificial amplia esse horizonte para algo entre US$ 3 e US$ 10 trilhões.
Mas o tamanho é a parte menos interessante. O que importa é a natureza da mudança. Internet, mobile e cloud transformaram a forma como a informação é distribuída. A inteligência artificial transforma a forma como a informação é processada.
Pat Grady usa uma imagem para isso: por anos, a tecnologia entregou cavalos mais rápidos – ganhos incrementais de produtividade sobre a maneira como o trabalho já era feito. O automóvel não foi um cavalo melhor. Ele mudou a natureza do trabalho, da produtividade e da própria organização das empresas. É essa a mudança que está em curso agora.
Onde a oportunidade se abre
Duas forças opostas. De um lado, a tecnologia avança tão rápido que uma startup pode ver sua vantagem competitiva virar commodity a cada novo release de um modelo fundacional.
De outro lado, pessoas e empresas mudam seus hábitos e formas de trabalhar muito devagar. Processo, contrato, cultura, compliance, treinamento, orçamento, nada disso acompanha o ritmo do modelo.
A distância entre essas duas velocidades é o que a Sequoia chama de Diffusion Gap: o espaço entre o que a tecnologia já permite fazer e o que empresas e consumidores efetivamente incorporaram. Para quem só só olha para a fronteira tecnológica, esse gap é extremamente frustrante mas é exatamente onde a criação de valor acontece: quanto maior a distância, maior o prêmio para quem conseguir atravessá-la.
Jansen Huang usa a mesma expressão – “diffusion gap”. Falando aos países do G20, ele diz que cada país deve escolher em que camada investir, mas que todos, sem exceção, deveriam defender “AI diffusion – a adoção de IA nas suas indústrias”.
Huang acredita que chegaremos ao AGI em poucos anos. Mesmo assim, argumenta que isso não resolve o problema das empresas. “Não é que daqui a dois anos eu conecto minha empresa a um serviço de IA e ela fica mais produtiva da noite para o dia. Isso simplesmente não vai acontecer.” Contexto, propósito, relevância e acesso são mais relevantes do que nunca.
Ou seja: mesmo com a inteligência resolvida, o trabalho de instalá-la continua sendo trabalho de empresa — contexto, processo, ambiente. É esse trabalho que o Diffusion Gap mede. E não é um problema que se resolve na camada dos modelos.
Esse gap não tem um tamanho único. Ele varia conforme quem está do outro lado: um hyperscaler adota em semanas, uma seguradora leva trimestres, um consumidor decide em segundos.
Camada medida pelo público que consome
Huang deu aos países do G20 um conselho que vale para os portfólios: “Cada país deve decidir em qual das camadas quer investir. Você não precisa ganhar em todas.”
E camada, aqui, não é apenas posição no stack técnico. É o público que adota as soluções tecnológicas. Cada camada tem um comprador diferente e é o comprador, não a tecnologia, que determina o ciclo de venda, a velocidade de adoção e, portanto, o tamanho do Diffusion Gap naquele ponto do stack.
- Infraestrutura: comprada por hyperscalers, grandes corporações e governos. Poucos compradores, muito grandes, decisão de capex e ciclo longo. A avaliação se aproxima mais da de infraestrutura do que da de venture capital.
- Tecnologias de fronteira: computação quântica, robótica industrial, IA física, novos materiais – compradas por instituições governamentais (laboratórios nacionais, centros de pesquisa corporativa, programas de governo) e um punhado de empresas pioneiras e indústria pesada. A adoção não segue ciclo de orçamento e marco científico ou de engenharia e por isso o horizonte é o mais longo dos quatro, dada a incidência de risco técnico elevado e janela de adoção incerta.
- Aplicações corporativas: compradas pelas áreas de negócio, com TI, jurídico e compliance como parte da decisão. É o Diffusion Gap na sua forma mais pura: a tecnologia já existe, o comprador ainda não está pronto. Ganha quem entende o processo do cliente, não só o modelo.
- Aplicações a indivíduos e pequenas empresas: compradas por pessoas, ou donos de pequenos negócios decidindo sozinhos. Não há comitê, procurement nem piloto orçado: a adoção acontece em dias, por autosserviço. Adoção rápida, retenção difícil, distribuição e experiência do usuário é tudo.
A camada define o público; o público define o modus operandi e a velocidade de adoção; e são esses dois últimos elementos que definem o tipo de gestor de VC capaz de operar ali. Quem sabe avaliar uma venda para o CIO de uma Fortune 500 não é, em geral, quem sabe ler curva de retenção de consumidores na primeira semana.
São quatro competências diferentes, quatro ciclos de amadurecimento diferentes e quatro conjuntos de critérios de avaliação diferentes. Os melhores gestores que conheço são profundos em uma delas e têm clareza sobre qual é. É isso que buscamos: dentro de uma camada escolhida, o gestor cujo acesso e know-how são difíceis de replicar. Por isso a diligência começa sempre pela mesma pergunta: em qual camada você realmente investe, e para quem, exatamente, suas empresas vendem?
Um exemplo: como escolhemos a camada de adoção corporativa
A camada de aplicações corporativas tem um público muito específico: quem decide sobre a compra de tecnologia em uma grande empresa. E, nos últimos anos, essa decisão migrou para uma nova cadeira.
Em 2020, apenas 3% das empresas da Fortune 1000 tinham um Chief Product Officer. Em 2024, eram 40%. A projeção para 2027 é 70%.
Esse número é o Diffusion Gap se fechando, medido em cadeiras de diretoria. Uma grande corporação não adota tecnologia porque o modelo ficou melhor. Ela adota quando existe, dentro dela, alguém com mandato, orçamento e responsabilidade para instalar e que responde pelo resultado. Nas Fortune 1000, essa pessoa passou a ser o CPO.
A Mighty Capital, gestora de San Francisco fundada em 2018 por SC Moatti e Jennifer Vancini, construiu toda a sua estratégia em torno dessa cadeira. O acesso vem da Products That Count, organização sem fins lucrativos criada pela própria SC, que reúne mais de 500 mil product managers e Chief Product Officers. Isso muda três coisas de uma vez: de onde vêm os negócios; como se valida se um produto resolve um problema real. O teste é a adoção por quem compra e quanto tempo a startup do portfólio leva para chegar ao comprador.
Um caso mostra o mecanismo inteiro em funcionamento. A BitDiscovery foi adquirida pela Tenable dezoito meses após o investimento, e o comprador era um CPO da própria rede. A mesma rede que origina, valida e acelera também é onde estão os compradores estratégicos.
Agora repare na ordem em que isso aconteceu do nosso lado. Não escolhemos a Mighty porque é um bom fundo de inteligência artificial. Escolhemos primeiro a camada – soluções de tecnologia para grandes corporações – e, dentro dela, procuramos o gestor que tem um diferencial grande de acesso ao público dessa camada e know how para entender as idiossincrasias da tecnologia e do público consumidor. É por isso que a ordem importa: definida a camada, a pergunta sobre o gestor deixa de ser subjetiva. Quem tem acesso real a esse comprador, e como se prova?
O Homem Como Medida de Todas as Coisas
O AI Ascent da Sequoia terminou com uma frase que parece filosófica: “o homem é a medida de todas as coisas”. Traduzindo para o nosso trabalho: nenhuma tecnologia tem valor em si. O valor aparece quando ela melhora a experiência de alguém e chega à escala.
É o teste que aplicamos a cada gestor e a cada co-investimento. A pergunta não é “quão avançado é isso”, e sim “quem, especificamente, vai adotar e o que impede que adotem amanhã”.
Onde estamos
Hoje o mercado olha demais para quem constrói inteligência artificial e de menos para quem vai acelerar sua adoção. É onde a Nido está posicionada: um portfólio desenhado por camadas – fronteira/deep tech, corporativo e consumo – com gestores americanos emergentes escolhidos por acesso verificável ao público de cada camada, e direito de co-investimento nas empresas que estiverem atravessando essa distância mais rápido.
