O Caminho para o Unicórnio: As Próximas Startups de Bilhão de Dólares Serão Construídas por Equipes Pequenas

É razoável considerar um prazo de duas semanas para construir um CRM personalizado que combine negócios, contabilidade, captação de recursos, agentes e fluxos de trabalho de parceiros em uma única interface? A lógica convencional diz não. No entanto, continuo vendo versões disso acontecerem, porque o custo de construir software interno despencou, enquanto a integração e o onboarding não acompanharam esse ritmo.

Um exemplo recente de nosso próprio trabalho demonstra isso. Nosso co-fundador não técnico, Denis, construiu um CRM interno em aproximadamente duas semanas, com suporte de orquestração do nosso engenheiro e eu, e partes dele já estavam em produção enquanto ele ainda estava brincando com isso. O sistema se conectou a um banco de dados real por meio de um painel de administração para que a equipe pudesse monitorar a saúde de 1000+ clientes em tempo real, e também cobriu gerenciamento de parceiros com links de referência e rastreamento de pagamentos.

Ele o construiu para resolver um problema que todas as equipes de crescimento rápido enfrentam. Os CRMs prontos para uso o levam para o fluxo de trabalho de outra pessoa. Você gasta tempo aprendendo recursos que não precisa, encontra limitações e gasta ainda mais tempo integrando ferramentas para que o sistema reflita como sua empresa realmente funciona. Quando as ferramentas subjacentes permitem que você construa mais rápido do que pode onboarding, a velha troca entre construir e comprar muda, e mais equipes começam a construir sua própria camada de operação.

Encurtando o loop entre intenção e execução

No mercado, a IA está reduzindo o tempo entre uma ideia e uma versão funcional. Essa mudança ocorreu porque agora você pode entregar a um agente uma tarefa bem descrita e obter um primeiro rascunho que é suficientemente útil para que um engenheiro sênior revise, corrija e mescline. Na SquareFi, estimamos que cerca de 95 por cento do nosso código é produzido com assistência de IA, e nosso grupo técnico central passou de cerca de dez pessoas para quatro. Isso não é apenas um artifício para cortar custos — embora as empresas unicórnio tentem permanecer magras — é um realinhamento de recursos. Com menos humanos, estamos enviando 10x mais código de alta qualidade.

Isso é útil para nós dentro e em vários departamentos. As equipes de design cada vez mais usam plugins do Figma para converter designs em HTML, então usam ferramentas de IA para construir pequenos protótipos para testes de primeiro nível antes que algo chegue à fila de desenvolvimento. Agora podemos iterar testando ideias cedo, sem esperar pela capacidade.

Também executamos agentes onde a desvantagem de feedback lento é alta. Temos agentes de segurança que analisam continuamente logs e atividade de firewall para padrões incomuns, e usamos um agente que analisa todos os commits do GitHub antes de mesclá-los na produção, comparando-os com o cenário de ameaças atual. Os humanos raramente fazem esse tipo de diligência repetitiva consistentemente, mesmo quando se importam muito.

O resultado amplo é que as ações passam por menos transferências e menos atrasos causados pela espera de um especialista ficar disponível.

Saber o que fazer é mais importante do que saber como fazer

Você pode pedir a um agente de IA para construir quase qualquer coisa, e pode fazer isso a uma fração do tempo e do custo de treinar uma pessoa para produzir o mesmo rascunho inicial. A qualidade da saída ainda acompanha a precisão do seu pedido e a força da sua validação.

Em muitas startups agora, a qualidade da especificação é o constrangimento. As pessoas mais valiosas em uma equipe impulsionada por IA são frequentemente aquelas que entendem profundamente o domínio, podem descrever sistemas com precisão e podem validar resultados sem fazer acenos. Novas etiquetas de trabalho começaram a seguir essa realidade, incluindo escritores de especificações, proprietários de domínio e orquestradores de IA. A etiqueta importa menos do que a capacidade.

Essa mudança também altera quem se torna eficaz. Gerentes fortes que podem entender um projeto rapidamente e descrevê-lo de forma simples agora podem produzir mais saída do que muitos engenheiros, porque sua intenção pode ser multiplicada por meio de agentes.

Muitas vezes sou questionado por outros fundadores sobre até onde isso pode ir. Não acho que haja uma resposta universal, mas acho que a filosofia se alinha bem à fintech tradicional, pois é uma área onde o trabalho é complexo, mas os sistemas são descritíveis e testáveis.

Sim. Os humanos ainda terão empregos.

A última coisa que quero que isso seja lido como é um fundador de fintech maligno que deseja extinguir a raça humana. Qualquer organização sensata sabe que são as pessoas que mantêm as engrenagens girando.

Acredito que a fintech exige disciplina e responsabilidade. A parte de IA garante a primeira, enquanto o aspecto humano garante a segunda. Transações financeiras grandes devem permanecer controladas por humanos. Os agentes podem preparar uma ordem de pagamento e um humano deve assiná-la. As decisões finais de conformidade também carregam responsabilidade legal. Se um oficial de conformidade aprova um contraparte, a responsabilidade reside com o oficial, não com o agente que preparou o caso.

Então, a pergunta não é se você pode automatizar tudo. A pergunta é como você aloca julgamento humano para os momentos de alto risco, enquanto usa agentes para remover o trabalho em massa que desacelera os especialistas. A preparação de conformidade é um bom candidato. Verificações de mídia adversas, análise de contrapartes e montagem de documentação podem ser automatizadas para que um oficial de conformidade receba um caso que está quase preparado e passe seu tempo na decisão.

Essa combinação é eficiente e pode ser responsabilizada.

Como ser AI-first

Muitas equipes dizem que são AI-first, e com isso querem dizer uma interface de chat em cima da mesma infraestrutura. Estou muito mais interessado em IA como um modelo de operação interno.

No nosso trabalho, usamos IA fortemente internamente, enquanto a IA no nível do produto é atualmente limitada a áreas específicas, como suporte e agentes de contabilidade. Isso é mais um limite prático do que ideológico. O risco se comporta de forma diferente na área financeira, e a autonomia do produto precisa de restrições cuidadosas.

Uma tendência que espero que cresça é a infraestrutura voltada para desenvolvedores que se conecta a fluxos de trabalho de agentes. Por exemplo, estamos planejando lançar um servidor SquareFi MCP para que os desenvolvedores possam integrar com nossa API mais facilmente e nos conectem a seus próprios agentes. O uso prático disso é um agente de finanças que pode analisar suas finanças, preparar uma ordem de pagamento e, em seguida, pedir que você assine.

Isso também é por que presto atenção quando laboratórios líderes argumentam publicamente que os modelos ainda não estão equipados para tomar decisões autônomas de alto risco e irreversíveis. A fintech não pode fingir que os erros são inofensivos.

O que isso significa para os fundadores que estão construindo agora

O CRM que Denis construiu foi um projeto interno, mas representou uma realidade maior em que a construção está ficando mais barata, enquanto a coordenação ainda é difícil. A comunicação, frequentemente tratada como uma habilidade suave, está aumentando de valor, e as pessoas com habilidades técnicas precisarão investir nisso se quiserem prosperar em um ambiente em que as máquinas podem fazer muito do seu trabalho mais rápido e mais barato.

Nesse contexto, torna-se importante proteger o tempo para o pensamento tranquilo. Quanto mais rápido os agentes podem executar, mais valioso se torna desacelerar antes de dar-lhes direção. Entender uma arquitetura complexa profundamente antes de descrevê-la a um agente é onde a qualidade é decidida.

Se eu estivesse começando novamente, eu me concentraria em três disciplinas.

• Primeiro, eu treinaria a mim mesmo e à minha equipe para escrever especificações melhores. Você quer pessoas que possam dividir um problema, definir sucesso, definir falha e descrever testes. Isso é o novo padrão para excelência operacional.
• Segundo, eu construiria uma cultura de validação estrita. A IA torna fácil enviar rapidamente, e também torna fácil enviar erros rapidamente. Sua vantagem não vem apenas da velocidade, mas também da melhoria com padrões altos.
• Terceiro, eu trataria o julgamento humano como um recurso escasso e o protegeria. Em domínios de alto risco, as equipes performam melhor entregando preparação e repetição a agentes, enquanto mantêm a tomada de decisão com humanos responsáveis.

A vantagem competitiva está se deslocando para testar e melhorar, porque a inclinação disso mudou. As equipes pequenas agora podem produzir o que costumava exigir organizações muito maiores, desde que os agentes tornem a comunicação e a coordenação muito mais suaves. Isso não remove a necessidade de talento, mas sim eleva a barra do que o talento significa.