Relatório SPIW 2026 · NG

"Escalado" no sentido McKinsey significa uma capacidade de IA disponível como serviço/processo padronizado em pelo menos uma função inteira de negócio (ex.: todo o time de marketing usa o mesmo agente de copy aprovado, com governança e SLA) — não 3 pessoas usando ChatGPT. "Totalmente escalado" implica disponibilidade em toda a empresa, múltiplas funções, governança e medição de impacto.

O framework canônico de maturidade IA tem 5 níveis: (1) ad-hoc, (2) experimentação isolada, (3) piloto repetível, (4) escalado por função, (5) escalado por empresa com governança. Tirar do nível 2-3 para 4-5 exige caso de uso com ROI provado em piloto → redesenho end-to-end do processo → integração com sistemas e dados → gestão de mudança nas pessoas → observabilidade e SLA.

Aplicação NG: Definir 1 caso interno (agente de qualificação de leads no SDR) e 1 caso para cliente (agente embutido no produto), levar ambos do "experimento" para "escalado por função" em 90 dias. Para cada caso, dar nota 0-3 nos 10 itens do pacote McKinsey e atacar o mais fraco primeiro. Métrica north star: número de funções de negócio do cliente onde a IA da NG está em produção.

A McKinsey distingue assistente de IA (responde a prompts pontuais) de agente de IA (executa tarefas multi-step com autonomia, consultando ferramentas/APIs e tomando decisões em escopo definido). "Escalar agentes" implica produção, governança, volume real — não demos isoladas.

Definição canônica vem de papers como ReAct (Yao et al., 2022) e AutoGPT: agente = LLM + ferramentas + memória + loop de planejamento. Em produção corporativa: LangGraph, Google ADK, Microsoft Semantic Kernel, CrewAI, Anthropic Claude com tool-use. Escalar implica observabilidade (Langfuse, LangSmith), guardrails (NeMo, Lakera), avaliação contínua (Braintrust) e human-in-the-loop em decisões críticas.

Aplicação NG: decidir explicitamente — vamos construir agentes (não só features com IA) ou ficar no nível "ChatGPT-wrapper"? Se sim, escolher framework (Anthropic SDK + tool-use é o mais maduro hoje). Observabilidade desde o dia 1. Vender "agente NG para [função X]" — janela de 18-24 meses antes da commodity. Métrica: % de casos resolvidos end-to-end pelo agente sem intervenção humana.

O slide 11 lista 10 práticas dos high performers (modelo ágil, estratégia ligada a valor, recursos, talento, padrões de qualidade, redesenho de processos, etc.), todas com prevalência ~2× superior à média. É um questionário diagnóstico pronto: cada item vira pergunta yes/no/parcial, gera mapa de calor que justifica engagement consultivo.

Diagnósticos estruturados como vendas-de-entrada são prática estabelecida em BCG GAMMA, Deloitte AI Institute, Accenture, e replicados por SaaS via "Maturity Assessments" (Salesforce, HubSpot, Snowflake todos têm). Mecânica: questionário online (5-10 min) → relatório PDF automatizado com benchmark do setor → reunião de devolução (1h) com vendedor → proposta. Conversão típica 15-30% lead-a-MQL.

Aplicação NG: formulário web "AI Maturity Score NG" com 10 perguntas (1 por prática) + 3 qualificadoras (setor, faturamento, dor). Output: score 0-30, posicionamento vs média (citar McKinsey), 3 recomendações por faixa. Distribuir como lead magnet: LinkedIn orgânico, parcerias FIESP/Abes/ABStartups. Reunião de devolução é a abertura comercial. Custo de construção: 1-2 semanas com Vibecoding/Replit. Responsável: Rafael.

30% das organizações já vivenciaram problemas de imprecisão; 54% trabalham ativamente para mitigar. Em seguida vêm cibersegurança (51%), conformidade regulatória (43%), violação de IP (38%), privacidade (38%). "Imprecisão" cobre desde alucinação clássica até erro de cálculo, classificação errada, recomendação incorreta. Em B2B regulado vira problema contratual.

Mitigação em camadas é padrão: (1) RAG bem feito — recupera contexto antes de gerar (reduz alucinação 30-50% por benchmark HELM/RAGAS); (2) constrained generation — schema JSON, function calling, structured outputs (OpenAI/Anthropic nativos); (3) evaluator-judges — segundo LLM avalia a resposta do primeiro (Zheng et al. 2023); (4) guardrails determinísticos — regex, validators, business rules; (5) human-in-the-loop em decisões críticas; (6) observabilidade com flagging de outputs anômalos (DeepEval, Phoenix, Langfuse).

Aplicação NG: Rafael mapeia todos os pontos onde IA gera output que vira ação irreversível para o cliente (lista provavelmente curta — 5-10 pontos). Para cada um, aplicar as 6 camadas. Página pública de "AI Safety & Reliability" no site — material de venda enterprise. SLA explícito de precisão por caso de uso (ex.: "agente classifica corretamente em 95% dos casos com escalada humana em 5%").

Slide 9: 50% dos high performers esperam mudança transformadora vs 14% dos demais (gap 3,6×). Slide 10: 48% concordam totalmente que líderes sênior têm responsabilidade sobre IA, vs 16% (gap 3×). Os dois gaps juntos sugerem que o diferencial é ambição declarada + accountability sênior, não capital ou tech.

Pesquisas de transformação digital (Westerman/MIT, Kane/Deloitte) chegam à mesma conclusão há 15 anos: sponsorship executivo é o preditor #1 de sucesso, à frente de orçamento e tecnologia. Em IA: CEO usa IA pessoalmente, define meta transformadora pública, dedica % do tempo de board para IA, eleva o CTO/CDO.

Aplicação NG: Thiago (CEO) precisa ter um agente pessoal em uso diário — second brain, transcrição de reunião, análise de dashboards. Liderar pelo exemplo. Meta pública e ambiciosa: "Em 2027, 70% do trabalho operacional da NG é feito por agentes". Comitê de IA mensal com Rafael + Thiago + heads — pauta fixa de 1h. Levar resultado trimestral para validação do Fernando no board. Exigir do cliente o mesmo no contrato: envolvimento ativo de C-level cliente como sponsor.

Folloni descreve: toda sexta, o time conta o que tentou, o que deu certo, o que aprendeu. Formato leve (15-30 min), não obrigatório-mas-cultural, rotação de apresentadores para que todos compartilhem, sem PowerPoint — show & tell.

Práticas equivalentes documentadas: "Friday Demos" do Spotify, "Show & Tell" da Basecamp, "AI Office Hours" da Anthropic interna (citado por Mike Krieger), "Prompt Library Reviews" comuns em empresas com adoção alta. Formato típico: 2-4 pessoas/semana, cada uma 3-5 min, sem slides, demo na tela, perguntas. Acumula em canal Slack "ai-wins" ou Notion compartilhado.

Aplicação NG: Rafael agenda recorrente sexta 16h-16h30 — "AI Sextou". Calendário rotativo de 2 apresentadores/semana, qualquer área. Template fixo: (a) problema que tentei resolver, (b) ferramenta, (c) o que funcionou, (d) o que não funcionou, (e) tempo gasto. Banco em Notion. Meta: 8 cases/mês após 60 dias. Rafael faz a 1ª sessão para dar exemplo e desbloquear o time.

Folloni recomendou (linhas 352-403 da transcrição) "Print Press" — "transforma qualquer coisa em CLI, daí você dá o CLI para o agente, faz uma skill que ensina os comandos". Solução para sistemas legados sem API. Nota: o nome pode ter sido transcrito imprecisamente — não validamos em fontes públicas. Pode ser referência a uma ferramenta CLI específica.

A categoria existe com várias soluções equivalentes: Playwright/Puppeteer scripts para automação web expostos como CLI; Pexpect/expect para terminal interativo (telnet, ssh, mainframe); MCP servers (Anthropic) que expõem comandos shell como ferramenta de LLM; Browser-Use (agente que controla browser, ótimo para ERPs web sem API); OpenAdapt (grava interação humana com app desktop, depois replica).

Aplicação NG: Rafael mapeia quais clientes da NG têm ERPs/sistemas sem API mas são origem/destino crítico de dados. Para cada um, decidir: (a) RPA (UIPath, Power Automate), (b) wrapping com Playwright/Browser-Use, (c) MCP server custom. Constrói skill reutilizável do agente NG — cada cliente liga "conector legado" em 1h. Valor para venda: "integramos com seu ERP de 1998 sem você precisar pedir nada pro fornecedor". Tarefa adicional: pingar a Folloni para confirmar o nome real (newsletter epicnewsletter.com.br).

O custo R$ 1.200 é por dev usuário (Claude Max $100-200/mês). O argumento é ROI individual: cada dev com Claude Code rende 3-4× — pagar 4% extra para potencialmente 3-4× saída. Vale para devs maduros que sabem direcionar IA.

Anthropic Claude Code tem 3 planos: Pro ($20/mês), Max 5x ($100/mês), Max 20x ($200/mês). Equivalentes: Cursor ($20/Pro, $40/Business), Windsurf, GitHub Copilot Business ($19/usuário). Cuidado importante: estudo METR (julho 2025) mostrou que dev sênior em projeto que conhece bem fica ~20% mais lento com IA — o paradoxo da expertise. ROI 3-4× é mais real para devs em códigos novos, juniors ou prototipação.

Aplicação NG: Thiago aprova Claude Max $100 ($200 se justificado) para 100% dos devs — custo total ~R$ 6-12k/mês para time de 10 (desprezível). Cursor Business ou Windsurf Pro também — concorrentes diretos. Treinar uso adequado — sem treinamento, vira shelfware. Métrica: ciclo médio de PR (idea → merged) e % de commits que tocaram ferramenta IA. Meta: redução de 30% no ciclo em 90 dias. Comunicar abertamente que sêniors vão piorar antes de melhorar (paradoxo METR).

Pastinhas por página/comportamento evitam que o modelo varra 500 arquivos. Lovable falha (sem opinião de arquitetura); Claude Code com estrutura clara funciona. Ponto técnico: LLMs têm context window limitado (Sonnet ~200k, Opus 4 1M com cache). Repo desorganizado = mais tokens irrelevantes = custo + alucinação + lentidão.

Práticas canônicas ("Claude Code Best Practices" Anthropic):

• CLAUDE.md / .cursorrules na raiz: arquitetura, convenções, comandos comuns.
• Pastas por feature/domínio (vertical slicing), não por tipo (controller/service/model).
• README curto em cada pasta (5-10 linhas).
• Naming consistente — agente encontra arquivos por busca semântica.
• Comandos `npm run`/`make` documentados — agente sabe buildar/testar.
• Test files próximos ao código (não em /tests longe da fonte).
• Arquivos curtos (<300 linhas).
• MCP servers locais para expor banco, logs, Linear/Jira como ferramentas.

Aplicação NG: Rafael cria CLAUDE.md na raiz de cada repo NG. Refatora 1 repo por sprint para vertical slicing — começa pelo mais alterado. README.md curto em cada subpasta. Instala MCP servers para banco (Postgres MCP), logs (Sentry MCP), Linear/Jira MCP. Métrica: tempo médio de "tarefa completada por agente sem rollback" — deve cair conforme repo melhora.

Mesmo SaaS não regulado tem cliente enterprise que vai pedir governança. Quanto antes a NG montar (mesmo simples), mais barato. Esperar "ficar grande" para montar é 10× mais caro.

Stack mínima de governança de IA: logging de prompts e respostas (Langfuse, LangSmith, Helicone) — todo prompt logado com user_id, timestamp, custo, latência, resultado; PII redaction antes de enviar para LLM externo (Microsoft Presidio, AWS Comprehend, regex); política de retenção (LGPD: justificar finalidade); Data Processing Agreement (DPA) com fornecedores (OpenAI Enterprise sem treinamento, Anthropic idem, AWS Bedrock isola por VPC); audit trail de mudanças em prompts/agentes (versionamento como código); eval suite rodando em CI; guardrails; política interna de Shadow AI; comunicação ao cliente — página pública de "como tratamos dados com IA" (vira diferencial em RFP).

Aplicação NG: Rafael adota Langfuse self-hosted (open source) para logar 100% dos prompts — semana 1. Escreve política Shadow AI: ferramentas aprovadas (Claude Teams, ChatGPT Enterprise), proibidas para dados de cliente, processo para aprovar nova ferramenta. DPA com Anthropic + OpenAI confirmando opt-out de treinamento. Página pública "AI Trust" no site NG. Versionar prompts no Git como código (não em strings inline).

O painelista cita ARR (Annual Recurring Revenue) anualizado a partir de receita do mês corrente × 12, o que tende a inflar números em curva exponencial. The Information e Bloomberg confirmaram em out/2025 ~$5B ARR; em fev/2026 estimativas falavam em ~$10-14B. O número $44B em Abr/26 é provavelmente runrate de Abril × 12 (não ARR estável). É inacurado contabilmente, mas comum no mercado de IA pelo crescimento exponencial.

ARR de modelos de fundação inclui pagamentos por API (uso variável, não verdadeiramente "recorrente"), o que torna o número volátil.

Aplicação NG: não tomar ARR de empresas de IA pelo valor de face. Para a própria NG, separar ARR estável (assinatura fixa) de revenue de uso (créditos, tokens, eventos). Conselheiros e investidores vão querer ver os dois separados. Acompanhar The Information, Bloomberg AI, Stratechery, Latent Space. Comunicação interna: "Anthropic cresce 4× em 5 meses; nosso desafio não é igualar — é não ser engolido pela onda. Redobrar velocidade de release."

Simplificação do modelo McKinsey "Value Driver Tree" — valor de empresa é função de ROIC, crescimento, custo de capital. Pequenas melhorias em ROIC e crescimento se multiplicam pelo perpetuity.

A fórmula canônica vem do "Value Driver Formula" (Koller/Goedhart/Wessels — "Valuation"). Valor = (NOPAT × (1 - g/ROIC)) / (WACC - g). Quando ROIC > WACC, crescimento cria valor. Para empresa típica com ROIC 10%, WACC 8%, g 3%: aumentar para ROIC 11,5%, g 5,5% pode quase dobrar o valor terminal. É um discurso de venda potentíssimo para CFO/CEO.

Aplicação NG: Rafael cria slide "Impacto no valor da empresa" no deck enterprise — fórmula simplificada. Traduz o que a NG entrega em ganhos de ROIC (custo evitado por automação) e crescimento (servir mais clientes com mesma equipe). Calculadora simples: input do cliente (faturamento, margem, WACC) → output (valor incremental da empresa com NG). Pitch interno NG ao próprio board com o mesmo frame.

Rodrigo Barros (Conselho IA FIESP) citou caso real: instituição financeira foi de 30 analistas de crédito para 2 estagiários júnior. Não citou o nome — pelo perfil, hipóteses: banco médio brasileiro, fintech consolidada, braço de crédito de varejista grande. Salto 30→2 implica automação end-to-end do underwriting, não só assistência.

Estratégia documentada em cases públicos (Nubank, C6, Banco Pan, Klarna): credit scoring tradicional (gradient boosting em dados de bureau) → LLM/NLP para documentos não-estruturados (contracheque, IR, extratos PDF) → agente de orquestração (coleta dados, pede esclarecimento via WhatsApp, gera resumo) → decision engine com regras + score + flags de fraude → human-in-the-loop para casos limítrofes (10-20%) → explicabilidade (LIME, SHAP — exigência BACEN). Stack: Python + scikit/XGBoost + LangChain ou ADK + Snowflake/Databricks + API gateway.

Aplicação NG: Rafael identifica processo análogo no produto NG ou nos clientes que poderia ir de N analistas para 2. Estudar caso Klarna ("equivalente a 700 atendentes substituídos"). Posicionar venda como "AI Worker" em vez de "AI Assistant" — preço de "headcount substituído" justifica ticket alto. Vender com paranoia: human-in-the-loop e explicabilidade prontos.

Anderson Thees: "não é Saaspocalypse generalizado, mas é para várias categorias". 3 perfis no portfólio: (a) beneficia direto (já trabalhava com IA), (b) reposicionando, (c) em risco (não entendeu o que IA fará). "Saaspocalypse" = tese de que SaaS B2B tradicional (per-seat, dashboards) será comoditizado por agentes IA que executam direto.

Termo popularizado por Jason Lemkin (SaaStr) e Brad Lightcap (OpenAI) em 2024-2025. Exemplos vivos: Cursor comendo IDEs; Vercel v0 comendo design tools; Harvey comendo legaltech; Sierra comendo CX SaaS. Argumento contrário (a16z, Sequoia): SaaS sobrevive em verticais onde regulação, integração e contexto de negócio são moats.

Defesas: vertical especialização profunda; workflow ownership; network effects; compliance e regulação; system of record; mudança de pricing para outcome-based.

Aplicação NG: Rafael faz auditoria honesta — em qual dos 3 perfis a NG está? Provavelmente (b) tentando (a). Risco real: congelar em (b). Atacar moats defensáveis: dado proprietário do uso, integrações brasileiras específicas, comunidade de clientes. Migrar pricing do "per seat" para "% do trabalho automatizado". Pesquisa proativa com clientes top: "se IA fizesse isso sozinha, você cancelaria a NG?" — calibra prioridade. Thiago apresenta resultado em board.

Brasil tem energia limpa (sol/vento Nordeste). Mas governo aumentou imposto sobre GPUs; estados brigam regulamentação. GT infraestrutura FIESP se mobilizando. A NG não vai construir data center ($50bi capex). Mas a oportunidade é estar do lado "demanda inteligente" — quanto mais data center BR local com IA, melhor para SaaS brasileiro (latência menor, custo menor, isolamento de dado).

Players em movimentação no Brasil 2024-2026: Elea Data Centers, Ascenty (Equinix), Scala, ODATA, TIVIT. AWS, Google e Microsoft expandindo região São Paulo. Movimentação para Nordeste por energia eólica/solar. PL 2331/22 (Política Nacional de Data Centers) em tramitação. NVIDIA expandiu programa de partners brasileiros. Inferência: nos próximos 24 meses, deve ter inferência de IA hospedada no Brasil a preços competitivos.

Aplicação NG: Rafael avalia custo de migrar inferência IA para região São Paulo (AWS Bedrock, Azure OpenAI region br) vs US-East — para clientes que pedem isolamento BR, é venda. Thiago acompanha PL 2331/22 e GT FIESP (via Rodrigo Barros). Posicionar produto como "inferência no Brasil, dado não sai do país" — diferencial enterprise. Em pricing, avaliar repasse de menor custo local. Fernando valida postura institucional em board.

TRL (Technology Readiness Level) é escala NASA/DoD 1-9: TRL 1-3 (ciência), 4-6 (laboratório a piloto), 7-9 (sistema operacional). Para SaaS B2B, o equivalente é a passagem MVP funcional → escala em 50-100 clientes com SLA. GranBio "morreu" tentando atravessar esse vale várias vezes — 450 patentes, várias mortes em nanocelulose, bioquímicos, biocombustíveis.

O "vale da morte" SaaS é bem documentado: Vale 1: produto funciona em design partner (1-3 clientes) → quebra ao buscar PMF em 10-30 clientes diversos. Vale 2: PMF estabelecido → quebra ao escalar GTM. Vale 3: GTM funciona → quebra ao tentar enterprise (segurança, compliance). Vale 4: enterprise estabelecido → quebra ao internacionalizar. Cada vale requer time, capital e mentalidade diferentes.

Aplicação NG: Rafael e Thiago mapeiam em qual vale a NG está agora. Para a próxima travessia, planejar explicitamente: que talento falta? que capital? que mudança de processo? Em features grandes, gate de travessia — recursos dedicados, métrica de sucesso, plano de morte/kill se falhar. Buscar capital paciente especificamente para travessia (FINEP) — Selic 15% mata travessia em banco comercial. Fernando valida estratégia em board.

FINEP desembolsou R$ 2bi em subvenção nos últimos 3 anos. TR como taxa básica vs Selic 15%. Lei do Bem em melhoria. Acelera Startup com 3.000+ empresas. A NG, como SaaS B2B fazendo IA, provavelmente se qualifica para FINEP-Tecnova ou subvenção econômica, e possivelmente Lei do Bem.

Mecanismos: FINEP Subvenção Econômica (não-reembolsável, editais anuais Tecnova, R$ 500k-3M); FINEP-Crédito (Inovacred) (empréstimo TR + spread baixo, 8-10 anos com carência); BNDES MPME Inovadora; Lei do Bem (dedução IRPJ/CSLL de P&D — Lucro Real; PL em tramitação para incluir Presumido); FAPESP PIPE (SP estadual); EMBRAPII (contrata centros de pesquisa, 33% do custo é do governo). Processo: encontrar consultor (Garp, Sebrae, ANPEI), montar projeto técnico, submeter em janela, contrato 60-180 dias.

Aplicação NG: Thiago verifica se NG é Lucro Real ou Presumido. Se Real, ativar Lei do Bem imediatamente — dedução pode ser significativa retroativa. Próximo edital FINEP-Tecnova IA (mar/set): preparar projeto em 60 dias. Conversar com consultoria (Garp/Inova — comissão 5-15%). Entrar como sócio na ANPEI. Fernando valida candidatura em board.

Mwosa recusou banco em 2017, digitalizou fábrica → dobrou capacidade com máquinas dos anos 90, R$ 21M evitados em capex. Da fábrica surgiu DataWake (spin-off). Tese: use o que você tem + dados + inteligência antes de comprar capacidade nova. Aplicado a SaaS: antes de contratar gente nova ou comprar infra nova, ver se IA + dados internos resolve.

Digitalização de fábrica antiga: sensores IoT (Siemens, Schneider, Pollux/WEG-Digital), gateway de borda (NodeRED, ThingsBoard), MES, dashboard tempo real, camada de ML. Custo: R$ 1-5M (vs fábrica nova R$ 20-100M). WEG, Schneider, Stefanini, Pollux fazem como serviço.

Aplicação NG: Rafael aplica filosofia "1/10" antes de qualquer compra capex ou contratação. Antes de contratar 5 CS para escalar: NG poderia automatizar 70% do trabalho atual com IA? Antes de comprar infra nova de banco: NG poderia indexar dado melhor (RAG) reduzindo 80% das queries? Olhar o que Paranoá fez de produto: virou DataWake. A NG pode pegar ferramentas internas de ops e transformá-las em produtos secundários (modelo holding).

Mwosa: as máquinas detectam distúrbio, perguntam ao operador via microfone; o presidente pode perguntar "o que faço para aumentar o lucro?" e ela responde sua opinião. O paradigma é agente proativo conversacional — não dashboard passivo, não chat reativo. A máquina inicia conversa quando detecta padrão.

Padrão técnico: detecção de anomalia em telemetria (IsolationForest, séries temporais, regras); trigger conversacional (push notification, WhatsApp, Slack, in-app); resumo executivo gerado por LLM (contexto, hipóteses, ações sugeridas); conversa contextual (usuário responde, agente refina); loop fechado (ação executada, telemetria valida). Cases públicos: Linear AI (alerta proativo de bug), Glean (resumo proativo de inbox), Notion AI.

Aplicação NG: Rafael lista 10 momentos no produto onde algo errado/oportuno acontece que o usuário descobriria tarde (churn signal, oportunidade de upsell, erro de configuração). Para os top 3, Rafael implementa trigger conversacional via WhatsApp/email/in-app. Métrica: % de alertas que viraram ação em <24h. UX: nunca alerta sem propor ação. "Algo errado" sem "tente isso" é spam.

Embraer criou EmbraerX em 2016 para inovação fora do core. Pariu Eve (eVTOL listada). Modelo: empresa separada quando precisa de processos disruptivos. A separação permite velocidade + risk-taking + atração de talento de startup que a empresa-mãe não consegue. Modelo "innovation lab" com cap table separado.

Variantes: corporate venture studio (Globo Ventures, ItaúLabs, Bradesco InovaBra) — dentro da empresa-mãe; spin-off com cap table separado (EmbraerX/Eve, BCG X, Deloitte Lighthouse); acquihire; joint venture com fundo (Bradesco + Microsoft). Para SaaS B2B em estágio NG, o modelo mais provável é venture studio interno ou aquisição pequena.

Aplicação NG: se a NG tem 10-50 pessoas, criar venture studio é excessivo. Mas ter 1 squad protegido (2-3 pessoas) com mandato H3 (apostas disruptivas) é viável. Rafael adota H1/H2/H3: 70% core, 20% adjacente, 10% disruptivo. Para H3, proteger de KPIs de curto prazo — comitê próprio, governance distinta. Em 2-3 anos, se H3 maturar, considerar spin-off com investidor externo. Fernando valida estratégia em board.

Shadow AI é o vetor de vazamento principal. Colaboradores colam dados sensíveis em LLMs externos.

Detecção típica: CASB/DLP (Netskope, Zscaler, Microsoft Defender for Cloud Apps) monitoram HTTPS e detectam upload para ChatGPT/Claude; browser extensions (Nightfall, Strac) fazem redaction inline; política + treinamento; alternativa corporativa — fornecer ChatGPT Enterprise/Team, Claude for Work, Copilot Business como oficiais com data-isolation contratual; auditoria por amostragem — pesquisa anônima trimestral.

Aplicação NG: Rafael publica política escrita: ferramentas aprovadas (com SSO corporativo) vs vetadas para dados de cliente. Thiago aprova Claude Teams/ChatGPT Team (~$25-30/usuário/mês — barato vs risco). Treinamento em onboarding + reciclagem semestral. CASB se NG cresce além de 50 pessoas — antes, política + cultura. Endpoint DLP em laptops corporativos para PII de cliente.

Treinamento clássico "olha o português errado" não funciona mais. IA gera phishing perfeito e contextual.

Programas modernos: pretexting awareness — treinar reconhecer padrões: urgência artificial, mudança de canal (pedido via WhatsApp em vez de email), pedido fora do fluxo normal, ofertas boas demais; verificação out-of-band — sempre confirmar transação financeira por canal diferente; simulações realistas (KnowBe4, Cofense, Proofpoint geram phishing simulado com IA); MFA com chave física (YubiKey, Titan Key — phish-resistant); passkeys.

Aplicação NG: Rafael publica treinamento trimestral focado em pretexto, não ortografia. Política dupla-confirmação para transações financeiras > X. MFA com app autenticador para todos (mínimo). YubiKey para C-level e finanças. Simulação anual com ferramenta tipo KnowBe4 — ver baseline. Comunicação: "isso vai falhar de cair em phish, todos cairemos eventualmente — o importante é o que fazemos depois". Thiago apresenta ROI em board.

Perímetro deixou de existir. Cada requisição precisa ser autenticada e analisada. Zero Trust (NIST SP 800-207) tem 7 pilares:

1. Identidade — SSO + MFA universal, contas com least privilege.
2. Dispositivos — só confiáveis (MDM, posture check).
3. Rede — micro-segmentação.
4. Aplicações — autenticação serviço-para-serviço (mTLS).
5. Dados — classificação + criptografia.
6. Visibilidade — SIEM/XDR (Datadog, Crowdstrike, SentinelOne).
7. Automação — SOAR para resposta automatizada.

Implantação típica em SaaS PME: 18-24 meses por camadas. Começar por identidade — biggest bang for buck.

Aplicação NG: Rafael executa: SSO obrigatório (Google Workspace, Microsoft, Okta) para todos; MFA com app/chave física; RBAC fino no produto NG; audit log imutável; secret management (Vault, AWS Secrets Manager, Doppler); avaliar XDR/EDR. Cliente enterprise pede SOC 2 — começar processo agora (3-6 meses). Fernando valida investimento em board.

Golpes do "CEO ao telefone autorizando TED" se multiplicaram. Brasil entre os mais atacados. Voice cloning chegou ao ponto de 3-5 segundos de áudio (ElevenLabs, Resemble) ser suficiente para clone convincente.

Defesas: política de dupla-confirmação out-of-band para qualquer transação por voz; palavra-código familiar entre executivos e financeiro (rotativa); detecção de deepfake (Pindrop, Reality Defender) — caro, para banco/call center; treinamento específico com simulação.

Aplicação NG: Rafael publica política escrita: nenhuma transação financeira é autorizada por telefone/voz sem confirmação por email/Slack após a ligação. Thiago define palavra-código entre Rafael/Thiago e financeiro — rotativa mensal. Fernando alinha cuidados com o conselho. Treinar financeiro: "se receber ligação inusitada pedindo TED urgente, mesmo da minha voz, recuse e me confirme por Slack". Para B2B com clientes enterprise: oferecer no produto NG controles que evitem que o cliente caia em fraude similar.

Skill gap é grande. Brasil top 5 originadores de ataque, mercado defensivo não consegue contratar. MDR = empresa que monitora seus logs/endpoints 24/7 com analistas + ferramenta + processo.

Provedores: internacionais (CrowdStrike Falcon Complete, SentinelOne Vigilance, Arctic Wolf, Sophos MDR); brasileiros (Tempest, Tenable BR, Apura, Trustwave); Big4 (Deloitte, PwC, KPMG, EY — caro); boutique (AccCyber Pro — o próprio palestrante, Daryus). Preço para SaaS 50-200 funcionários BR: R$ 20-80k/mês para 24/7 básico. Inclui SOC, EDR licença, incident response.

Aplicação NG: Rafael estima custo de incidente: vazamento de 1 cliente enterprise = perda do contrato + multa LGPD + churn em cascata. Provavelmente > R$ 1M. MDR a R$ 30-50k/mês é seguro barato. RFP com 3-5 fornecedores (mix nacional + internacional). Critério: cobertura 24/7, presença BR (LGPD), SLA < 1h crítico, playbook claro. Rafael conecta com Adriano Mano (ACCyber Pro) — palestrante da palestra perdida — para conversa exploratória. Fernando valida contrato em board.

Chiavegatto: (1) Operacional → adote já; (2) Burocrático → adote com cautela; (3) Decisão crítica → não adote sem evidência + HIL. O framework é matriz de classificação de casos × nível de governança.

Frameworks análogos: NIST AI RMF (4 funções: govern, map, measure, manage); ISO/IEC 23894; EU AI Act tiers (minimal, limited, high, unacceptable); Microsoft Responsible AI Standard v2. Tradução prática para SaaS:

• Tier 1 (operacional interno): sugestão de fluxo, agrupamento, ranking, autocomplete. Deploy com revisão básica.
• Tier 2 (decisão menor): classificação, roteamento, draft de mensagem. Deploy com eval suite + monitoramento.
• Tier 3 (decisão crítica): ação irreversível, financeira, legal. HIL obrigatório + audit + override fácil.

Aplicação NG: Rafael cataloga todos os pontos onde IA aparece (ou aparecerá) no produto NG. Classifica cada um em Tier 1/2/3. Para cada Tier, define pacote de controles. Documenta como AI Risk Tier Policy — material de venda enterprise (Big4 pedem). Reuniões de produto: novo caso = classificar tier antes de planejar.

Programa interno: casos submetidos mensalmente, votados pelo time, três vencedores ganham day-off. Gamificação leve (não competição agressiva) destrava participação de quem normalmente fica fora — administrativo, comercial, jurídico. Day-off é recompensa que não cria distorção financeira.

Padrão "hackathon contínuo" comum em Spotify, Atlassian, Globo. Mecanismo: submissão simples (formulário) — caso, ferramenta, impacto medido (mesmo qualitativo), screenshot/vídeo curto; votação aberta (Slack reaction, Typeform); critério — utilidade real, criatividade, escalabilidade; premiação — day-off, brinde simbólico, LinkedIn shoutout; cadência mensal (não semanal — fadiga; não trimestral — perde momentum); curadoria em wiki/Notion.

Aplicação NG: Rafael lança "AI Cases NG" — submissão mensal via Slack/Form, votação na 1ª sexta do mês. 3 vencedores: 1 day-off + apresentação interna. Comunicar como cultura: "queremos saber como você usou IA — mesmo que pequeno". Curar em Notion público interno. Métrica: número de submissões/mês — se cair abaixo de 5, repensar. Thiago apresenta cases vencedores trimestralmente em board.

Enfermeira sem formação técnica construiu app que sobe PDFs de exames/relatórios e processa diretrizes de utilização (DUT). Sami criou "mandato" interno: vai além de workflow administrativo? Avise antes de mexer no clínico. Modelo: low-code/vibe-code + guardrails.

Categoria existe há ~10 anos (Power Apps, Airtable, Retool). Novidade 2024-2026 é vibe-coding (Replit, Lovable, v0, Cursor) que reduz fricção a quase zero. Modelos de governança: sandbox — citizen dev cria em ambiente isolado; aprovação para ir prod — TI revisa antes; catálogo de skills/components — building blocks pré-aprovados; audit log; treinamento mínimo.

Aplicação NG: Internamente, Rafael dá Replit/Lovable para pessoas-chave de cada área. Estabelece fronteira (não toca produção core, não acessa dado de cliente em prod). No produto: oferecer aos clientes a possibilidade de construírem extensões via SDK simples + sandbox, marketplace de templates, workflow builder visual, ou skill plugin via MCP. Switching cost cresce exponencialmente. Cases de cliente top viram conteúdo de marketing.

Sami usa Google ADK + protocolo A2A (Agent-to-Agent). Time de negócio pede via Slack → agente abre PR automaticamente → revisão humana antes de merge. A2A permite agentes coordenarem entre si sem precisar de "agente mestre".

Google ADK (Agent Development Kit): framework open-source da Google para construir agentes multi-step. Concorrente de LangGraph, CrewAI, Anthropic SDK. A2A Protocol: spec aberta lançada Google 2025 para agentes comunicarem entre si independente de framework. Análogo ao que MCP é para tools — A2A é para inter-agente. Caso Sami: agente "negócios" recebe pedido via Slack → conversa com agente "engenharia" via A2A → engenharia decide se cria PR → PR criado via tool GitHub → humano revisa.

Comparação: CrewAI (multi-agente, roles); LangGraph (grafo de estados, mais controlado); Anthropic SDK + sub-agents (hierárquicos); Google ADK + A2A (interoperabilidade entre fornecedores).

Aplicação NG: Rafael avalia A2A para casos internos onde múltiplas funções coordenam (vendas → CS → produto → eng). Para agente NG que conversa com agente externo (cliente), A2A vira padrão obrigatório nos próximos 12-18 meses. Em arquitetura nova, padronizar interfaces de agente em torno de A2A para futuro-proof.

Sami usa esse número para justificar IA em auditoria. Em quase todo setor regulado há % equivalente de desperdício (10-30%). Encontrar e atacar com IA é argumento de venda forte.

Métricas equivalentes por setor: Telecom 5-12% revenue assurance loss; Varejo 1,5-3% shrinkage; Construção 15-30% rework cost; Logística 10-20% empty miles; Financeiro 3-5% fraud + ~10% inefficiency; SaaS B2B (operação interna) 15-25% de tempo em tarefas duplicadas/automatizáveis (McKinsey).

Aplicação NG: Rafael mapeia para o ICP da NG — qual é o "21% de fraude/desperdício" no setor do cliente? Constrói biblioteca de "métricas de desperdício por setor" — fonte para vendas. Em descoberta: "no seu setor, X% dos custos é desperdício. Nossa solução ataca diretamente Y." Análogos verticais a Open Evidence (saúde): Harvey (legal), Hebbia (finance), Clay (vendas).

Não é pesquisa formal de RH — é observação ativa do líder. Quem traz ferramenta nova em reunião, quem experimenta sem pedir, quem ajuda colegas.

Modelo "Diffusion of Innovations" (Everett Rogers, 1962): 2.5% Innovators, 13.5% Early Adopters, 34% Early Majority, 34% Late Majority, 16% Laggards. Identificação prática: sinais comportamentais (uso fora do trabalho? repo pessoal? ensina informalmente?); pesquisa simples (3 perguntas anônimas — "uso IA semanal?", "ferramenta X mensal?", "ensinei alguém?"); conversa direta; programa de embaixadores com carga horária protegida.

Aplicação NG: Rafael envia pesquisa de 3 perguntas em 30 dias para todo o time. Liderança cruza com observação. Identifica 4-6 embaixadores (1 por área). Programa Embaixadores AI: encontro quinzenal de 1h, 4h/mês protegidas para experimentação, reconhecimento (LinkedIn shoutout, certificação paga). Embaixadores treinam colegas — multiplicador, não gargalo.

Job description e ciclo de avaliação precisam mudar para sinalizar "isso é parte do trabalho". Sem isso, IA fica opcional.

Mecânicas: JDs atualizadas com cláusula "fluência em IA aplicada ao papel é expectativa de cargo"; OKRs/Goals com 1 objetivo cross-funcional de IA por área por trimestre; performance review com pergunta específica "como integrou IA?"; promoção/raise com peso explícito; onboarding com treino em IA como módulo obrigatório.

Cuidados: não medir "tokens usados" como KPI principal (Goodhart's Law); não punir quem prefere humano em tarefa onde humano é melhor; adaptar por papel.

Aplicação NG: Thiago revisa JDs de todos os cargos: cláusula em 60 dias. No próximo ciclo de OKR, 1 objetivo de IA por área. Performance review template inclui sessão dedicada. Sinalizar via promoções — primeira leva pós-mudança = quem usa IA bem. Comunicar honestamente: "isso é parte do que esperamos. Não é opcional, mas vamos ajudar você a se adaptar."

RH/People tradicionalmente é suporte. Transformação AI exige RH liderando redesenho de cargos, plano de carreira, comunicação, gestão de medo.

Novas responsabilidades de People em empresa AI-first: workforce planning com cenários de automação por papel; trilhas de carreira com novos papéis (AI Operations, Prompt Engineer, AI Auditor); comunicação interna honesta sobre futuro de cargos; programa de reskilling; política de IA (colab com Legal); recrutamento adaptado com perguntas de IA fluency; offboarding compassivo; cultura sinalizada.

Aplicação NG: Head of People (ou função equivalente) participa de comitê de IA semanal com Rafael e Thiago. Mapa de papéis NG com cenário de evolução em 24 meses (aumentam, diminuem, novos). Plano de carreira inclui trilha "AI lateral". Comunicação trimestral sobre o tema. Recrutamento ajustado — todos os candidatos passam por entrevista sobre IA fluency. Política escrita de uso de IA (colab People + Legal).

Para a Creditas (financeiro regulado), XAI é obrigatório — BACEN exige explicabilidade em decisão de crédito. Para SaaS B2B não regulado, é menos forte, mas há paralelos.

Como funciona: modelos interpretáveis nativos (regressão linear, árvore de decisão, GAM — interpretáveis direto, performance menor); post-hoc explanation (LIME, SHAP, feature importance — explica black-box após fato); LLM com chain-of-thought (narrativa, não explicação verdadeira); counterfactual explanation ("se X fosse Y, decisão seria diferente"); model cards / system cards.

Quando vale custo: setor regulado, cliente enterprise pede em RFP, decisão afeta cliente final, auditor/compliance externos, disputas/contestações esperadas.

Aplicação NG: Rafael oferece feature "por quê?" para casos onde IA decide algo que afeta cliente final do cliente NG — explicação textual + visual. SHAP para modelos tabulares; chain-of-thought logged para LLMs. Audit trail completo. Página pública "Explainable AI at NG" — diferencial. Vendas enterprise: ter doc XAI pronto para RFP.

Faz parte do programa Embaixadores. Premia case de impacto real, não só prova técnica.

Cases públicos: Atlassian ShipIt (24h), Spotify Hack Week (5d), Globo Hack Days, Bayer Idea Marketplace. Estrutura típica: tema livre ou amplo; duração 1-5 dias; times 2-5 pessoas cross-funcional; mentoria 2-3 sêniors; pitch final 5 min, jurado misto; premiação $$, day-off, conferência paga, equipamento; pós-evento — protótipos vencedores entram em backlog. Métricas: % do time participando; número de protótipos; % que viraram feature em prod em 6 meses; NPS dos participantes.

Aplicação NG: Rafael lidera primeiro hackathon NG em 90 dias — 2 dias, tema "Automação interna com IA". Times de 3-4 cross-functional. Mentoria de Rafael + 1-2 sêniors. Premiação: 3 dias day-off + R$ 2k em livros/conferência. Comitê de produto avalia top 3 — define se vira backlog. Trimestral após o primeiro. Thiago apresenta resultados em board.

Physical AI = IA que aprende pelos sentidos (visão, audição, tato) como bebê humano. Pela primeira vez o robô se adapta ao ambiente, não o ambiente ao robô. Paralelo para SaaS: IA que "percebe" eventos no ambiente do cliente (telemetria, comportamento de uso, integrações) e age — não apenas responde a prompts.

Physical AI técnica: arquiteturas multimodais (vision + LLM + action) treinadas com RL em simulação (NVIDIA Omniverse, Isaac Sim) + sim2real transfer + edge inference. Players: NVIDIA (GR00T), Figure AI, 1X, Apptronik, Unitree, Boost Robotics, Sanctuary, Agility. Equivalente em SaaS: "embedded agentic AI" — agente que observa o ambiente do usuário (eventos, dados, integrações) e age proativamente. Não é só chat. É monitor + decisor + executor.

Aplicação NG: Rafael move paradigma do produto de "ChatGPT-like" (resposta a prompts) para "agente embarcado" (observa + age). Stack: webhooks/event-bus → agente com tools (chamadas API) → action no ambiente do cliente → loop de feedback. Casos prioritários: monitoria de cliente em risco de churn, oportunidade de upsell detectada, erro de configuração corrigido pro-ativamente. Métrica: % de ações tomadas pelo agente sem disparo manual do usuário.

WEG construiu cultura data-driven analógica (papel na parede, sala azul/Obeya) décadas antes da digitalização. Três pilares: Basic Stability (semanal), Systemic Improvement (mensal), Loss Reduction (mensal). A "sala azul" é gestão visual estilo Toyota Production System.

Obeya é prática Toyota desde anos 80. Adaptações modernas: sala física ou virtual (Miro, Mural); indicadores visíveis sempre — não dashboard que ninguém abre; cadência fixa de revisão; ações decorrentes marcadas na hora; Hoshin Kanri — alinhamento estratégico cascateado. Variantes SaaS: "metrics review", "war room", "company dashboard sempre na TV".

Aplicação NG: Rafael define 10-15 indicadores críticos NG (não 100): produto (uso, NPS), financeiro (MRR, churn, CAC), operação (cycle time, deploys, bugs), pessoas (NPS interno). Dashboard sempre visível — TV no escritório + canal Slack diário. Ritual: 15 min toda manhã (status), 1h toda semana (deep dive), 2h todo mês (loss reduction — "onde estamos perdendo $$?"). Ações decorrentes anotadas com dono + prazo. Antes de adicionar IA, perguntar: já temos disciplina manual nesse processo? Thiago apresenta KPIs mensais para Fernando em board.

Piloto fábrica de fios: ~R$ 3-4M em sensores IoT, MES, dashboards. OEE 76→89%. Evitou R$ 21M em capex de máquinas novas. ~7× ROI. WEG vendeu o piloto internamente como "evita-comprar-máquina-nova" — métrica clara para CFO. Em SaaS, o equivalente é "evita-contratar-N-pessoas" ou "evita-comprar-N-licenças".

TCO (Total Cost of Ownership) comparison padrão de vendas enterprise: cenário atual (custo de pessoas + ferramentas + tempo); cenário NG (custo NG + pessoas remanescentes + ferramentas mantidas); diferença (ROI + payback + IRR). Para "evita capex": crescimento projetado sem a solução (contrataria N) vs com solução (X-Y).

Aplicação NG: Rafael monta caso "capex/opex evitado" em cada proposta enterprise: cliente teria que contratar X pessoas em 12-24 meses; com NG, evita X-Y. Comparar com benchmark de cliente similar (R$ Z economizado). Calculadora online no site (similar HubSpot Sales ROI). Métrica interna: relatar para cada cliente novo, em 12 meses, quanto custo evitou (validado por cliente). Vira case-study. Thiago apresenta cases ao board.

Slide 12 (operações manuais com visão computacional): "Edge processing, integração com MES, sem dependência de redes externas." Inferência rodando no dispositivo/borda em vez de nuvem. Latência baixíssima, sem dependência de internet, dado nunca sai.

Categorias: edge ML clássico (TensorFlow Lite, ONNX Runtime, NVIDIA Jetson); edge LLM 2024-2026 (Llama 3.2 1B/3B em laptop/celular, Phi-3, Gemma 2B, Qwen 2.5 — qualidade boa para tasks específicos); hybrid edge-cloud (pequenos modelos no edge para frequente, grandes na nuvem para raro complexo). Quando faz sentido: dados ultra-sensíveis (saúde, defesa, governo); latência crítica (< 100ms); custo proibitivo de inferência em nuvem para volume alto; operação offline (chão de fábrica, área remota).

Aplicação NG: Para clientes com dado sensível (LGPD pesada, saúde, finance), Rafael avalia "edge agent" — pequeno LLM rodando on-prem do cliente para tarefas frequentes. Hybrid: tarefas simples no edge, complexas vão para nuvem. Stack possível: Ollama (servidor local), llama.cpp, Modal/Replicate para hybrid orchestration. Venda enterprise: "seu dado nunca sai do seu data center, e ainda tem IA". Cuidado: edge significa update mais complexo, observabilidade mais difícil.

Marcelo: cada consumidor pede produto exatamente como quer (granola, iogurte, sapato sob medida). Flexibilidade = competitividade. Aplicado a SaaS: cada cliente operando instância "configurada por IA". SaaS tradicional é one-size-fits-all com toggles. Próxima fronteira: cada cliente tem UI/fluxo/modelo personalizado automaticamente pelo seu uso.

Camadas de "adaptive product": personalization layer (Netflix-like para B2B: priorizar features baseado em uso); adaptive UX (Linear, Notion fazem progressively disclose); per-tenant model fine-tuning (caro, requer scale); per-tenant prompt (evolui com feedback — mais barato, eficaz); auto-configuration (onboarding analisa dados e propõe setup); recomendação contínua (agente sugere mudanças baseado em uso).

Aplicação NG: Rafael começa pelo onboarding inteligente: agente analisa dados/contexto do cliente novo e propõe configuração ideal em vez de wizard genérico. Per-tenant prompt: dicas do agente NG adaptam-se ao vocabulário, processos e prioridades do cliente. Adaptive UX: dashboard inicial muda baseado no que cliente usa mais. Agente revisor mensal: "vejo que você não usa feature X mas pesquisou Y — vamos configurar Z?". Não confundir com "configuração manual hard" — fugir do produto-canivete-suíço de mil toggles.

(1) Automação de processos existentes → ganho de eficiência só, (2) Expansão de capacidades, (3) Era dos agentes → reorganização estrutural completa. ~5% no estágio 3. O salto 1→3 não é incremental — exige redesenho. Empresas no 1 acumulam "dívida cultural".

Diagnóstico típico envolve workshop de 1-2 dias com: mapa de processos atuais (top 10-20); análise de cada (que parte usa IA? Qual % do trabalho?); classificação por estágio; visão alvo em 12-24 meses; plano de transição. Framework similar: "AI Operating Model Transformation" (BCG, McKinsey), "AI Native Organization" (a16z, Sequoia).

Aplicação NG: Rafael lidera workshop interno (Rafael + Thiago + heads) — 1 dia — lista processos NG (vendas, CS, produto, ops, RH, finance), classifica cada um. Honestidade: maioria provavelmente em 1-2. Escolher 3 processos para mover para estágio 3 nos próximos 90 dias. Métrica de evolução: % de processos em estágio 3 (medida trimestral). Para clientes: o mesmo workshop vira oferta consultiva — NG como "parceiro de transição 1 → 3". Thiago apresenta plano em board.

Token usage como proxy para adoção — quem usa mais IA tende a estar mais avançado. Cria competição saudável. Mas é proxy ruim de resultado.

Métricas escalonadas: Nível 1 (Adoção) tokens usados, prompts, ferramentas ativadas. Nível 2 (Engajamento) cases compartilhados, automações criadas, integrações. Nível 3 (Resultado) tempo economizado, tarefas concluídas, output produzido. Nível 4 (Impacto) receita, margem, NPS — atribuição difícil mas necessária. Cuidado: KPI de token vira "Goodhart's Law" — pessoas geram tokens inúteis para subir.

Aplicação NG: Rafael executa em fases. Fase 1 (60 dias): Ranking público de tokens/prompts por pessoa — destrava adoção. Fase 2 (60 dias): adicionar "cases compartilhados" e "automações criadas" — desloca KPI para qualidade. Fase 3 (perene): foco em tempo economizado e output produzido. Slack canal #ai-leaderboard com ranking semanal. Cuidado: comunicar como leve, não avaliação formal — senão vira tóxico.

Agente de Horn participa, faz comentários "melhores que os meus", lembra coisas de 3-4 anos, faz associações em tempo real. Substituiu ritual de 20 min de dashboards.

Stack típico: transcrição (Otter.ai, Fireflies, Tactiq, Granola — tempo real); resumo + ação (geram action items); second brain (Reflect, Mem, Tana, Notion AI); real-time copilot (Granola, Read AI — sugerem perguntas durante); mais avançado: agente próprio com Claude/GPT + busca em base própria + integração com CRM/Linear. Cuidados: LGPD/GDPR (consentimento), confidencialidade, sycophancy.

Aplicação NG: Rafael adota Granola ou Fireflies pessoalmente — começa com reuniões internas. Stack second brain: notas em Notion + agente Claude com MCP para Notion. Após 30 dias de uso, compartilha aprendizado em ritual sexta (Folloni). Para reuniões com cliente: política clara de consentimento + DPA. Em 90 dias, Thiago e demais heads adotam. Fernando recebe transcrições do board para validar uso institucional.

Meta opera via tiers de parceiros — BSPs (Business Solution Providers), Tech Partners, Tech Providers. Integração direta com WhatsApp Cloud API é técnicamente possível mas burocraticamente complexa. BSPs abstraem isso.

Como funciona: WhatsApp Cloud API (oficial Meta, gratuita até certo volume) — possível mas complexa; BSPs BR: Twilio, Zenvia, Take Blip, Sinch, Wavy, 360dialog, Gupshup; cobrança: por mensagem (conversation pricing) + setup + plataforma; Tech Partners: Salesforce, HubSpot, Zendesk têm integração nativa; templates HSM: Meta exige aprovação (24-48h); 24h window: depois de 1ª mensagem do cliente, empresa responde livre por 24h; depois só HSM.

Para SaaS B2B: volume baixo (<10k/mês) — Twilio vale; médio (10-100k/mês) — Take Blip, Zenvia, Sinch; alto (>100k/mês) — Meta + BSP enterprise.

Aplicação NG: Rafael avalia se WhatsApp é canal estratégico (provavelmente sim, dado Brasil). Começar com Take Blip ou Zenvia (BR-first, suporte local). Casos: notificação proativa de evento, atendimento, onboarding interativo. Templates HSM aprovados para casos críticos com 30 dias antecedência. Métrica: % de clientes ativos via WhatsApp vs email. Thiago valida investimento em board.

Maior erro é prompt curto sem contexto. Comparação com onboarding humano — não delega na 1ª hora, passa dias contextualizando.

Hierarquia de contexto: system prompt (1-5k tokens): identidade, regras, tone, restrições, exemplos canônicos. RAG / busca semântica (2-20k tokens dinâmicos): puxa KB relevante por query. Few-shot examples (1-3k tokens): input → output desejado. Tools/function definitions (500-2k tokens): APIs que o agente pode chamar. Conversation history (variável). Prompt caching (Anthropic, OpenAI): contexto repetitivo cacheado, 75-90% mais barato.

Para Claude Sonnet 4: contexto até 200k tokens, 1M com cache. Custo: ~$3/M input, $15/M output. Com cache: $0.30/M input. Então gastar 30-50k tokens de contexto por requisição é ~$0.01-0.15 — barato vs resultado ruim.

Aplicação NG: Para cada agente NG, Rafael escreve system prompt detalhado (1-3k tokens): identidade, exemplos, tone, restrições. RAG sobre KB do cliente (Notion, docs, histórico). Few-shot examples curados — atualizar mensalmente. Versionar prompts no Git. Usar prompt caching (Anthropic) para contexto repetido. Avaliação contínua: A/B test prompt longo vs curto.

Daniel (Abacatepay): 20.000+ CNPJs, R$ 0 de mídia paga, comunidade de 50.000. Build in Public + comunidade. Founder expondo bastidores, métricas, decisões. Cria afinidade, atrai usuários, recruta talento.

Popularizado por Pieter Levels, Marc Lou, Tony Dinh. Práticas: métricas públicas (MRR, usuários, churn — Open Startup); decisões abertas ("Decidi mudar X porque Y"); bastidores (dia a dia, falhas); cadência mínima: 2-3 posts/semana; canais BR: LinkedIn (B2B), Twitter/X (tech), YouTube (long-form), Instagram (visual). Resultado típico: 6-12 meses para tração orgânica significativa.

Aplicação NG: Thiago vira o "rosto público" principal + Rafael como voz técnica + Fernando como conselho ocasional. Cadência mínima: 3 posts LinkedIn/semana (Thiago), 1 thread Twitter/semana (Rafael técnico), 1 vídeo YouTube/mês (Thiago long-form). Conteúdo: 60% bastidores/decisões, 30% educacional (IA + SaaS), 10% promoção. Métricas públicas trimestrais. Não esperar resultado em 30 dias — pensar em 12-24 meses. Repurpose: 1 vídeo YouTube vira 5 LinkedIn + newsletter + Twitter thread.

Abacatepay nasceu da Indie Hackers BR (15k founders). 1ª feature foi roadmap público votado, não login. Comunidade pré-existente que ama o founder e o problema = distribuição gratuita garantida.

Modelo "1.000 True Fans" (Kevin Kelly) escalado: founder participa de comunidade nichada existente por 6-12 meses sem vender — vira figura respeitada; lança produto resolvendo dor que comunidade já articula; comunidade dispersa orgânico. Variantes: comunidade própria (Daniel: ecossistema Abacate com 50k em 5+ grupos WhatsApp); comunidade emprestada (newsletter, podcast, eventos de terceiros); mix.

Aplicação NG: Rafael identifica comunidade nichada que reúne ICP da NG (alguns grupos LinkedIn + WhatsApp setoriais + Discord SaaS BR). Thiago participa ativamente — contribui valor, não vende. 4-8h/semana. Em paralelo, cria canal próprio: WhatsApp ou Discord NG. Foco em conexão real. Roadmap público — Linear, Notion, Productboard, Canny. Votação aberta. Convidar comunidade para shape de features grandes antes de construir.

Cursor: US$ 2B ARR com 50 funcionários = US$ 40M/funcionário. SaaS tradicional: US$ 150-250k/funcionário. 160-265× mais eficiente. Cursor é caso outlier ainda — produto vai com IA, vendido para devs (TAM gigante), pricing simples. Mas direção é clara.

Drivers do revenue per employee alto: Self-service / PLG (sem SDR/AE de venda longa); pricing simples; suporte automatizado (agentes resolvem 80%+); engenharia produtiva com IA (Cursor faz dogfooding); foco: 1 produto, 1 ICP; sem overhead. Benchmarks: SaaS tradicional $150-300k/funcionário; Top SaaS PLG (Notion, Linear, Figma 2020-22) $500k-1M; AI-first 2024-26 (Cursor, Replit, Anthropic) $1-40M.

Aplicação NG: Thiago calcula revenue/funcionário NG atual. Compara com benchmark. Antes de contratar +1 pessoa, Rafael pergunta: tem fluxo automatizável? Investir em automação interna agressiva — operações, suporte, marketing. PLG onde aplicável — self-serve onboarding, pricing transparente, free trial. Meta de revenue/funcionário com crescimento — sinal de saúde. Thiago apresenta a métrica trimestralmente em board.

Daniel: "Indie Hacking é o inimigo da VC. Vou bootstrap, fazer empresa de US$ 10M, ganhar US$ 1M/mês de salário — super honesto." Sem VC, founder mantém 100% do equity. Empresa não precisa virar unicórnio para founder ficar rico — bootstrap a US$ 10M ARR com 80% margem distribui ~US$ 8M/ano.

Comparação: VC-backed: capital $1-50M, equity founder no exit 5-30%, pressão "100% YoY ou morre", exit M&A/IPO, 7-10 anos até "rich", TAM > $10B. Indie Hacker: capital $0-50k, equity 100%, sustentável, distribuição contínua + venda eventual, 2-5 anos, TAM > $100M. Casos: Basecamp ($100M+ revenue, 50 funcionários, sem VC), Plausible Analytics, Buffer, Wildbit.

Aplicação NG: Thiago modela honestamente — NG bootstrapped a R$ 30-50M ARR em 5 anos distribui quanto para founders vs NG com Series A diluindo 20%? Se NG quer Series B+ (escala internacional rápida), VC faz sentido. Se quer mercado BR/LatAm em ritmo controlado, indie/bootstrap pode ser melhor. Híbrido: revenue-based financing (Capital Empreendedor). Antes de buscar VC, simular cenários. Fernando valida decisão de capital em board.

Lucas (Shiva): "Não tem curso na internet. Devs sêniors têm mais dificuldade que juniors em Shiva." Sêniors carregam paradigma "eu escrevo código" que conflita com "eu direciono IA". Juniores chegam com mente aberta.

Estudo METR 2025 confirmou empiricamente: devs experientes em projetos próprios ficaram 20% mais lentos com IA. Razões: sênior tem expertise tácita; padrões cognitivos; desconfiança (revisa excessivamente); IA ainda erra em casos complexos.

Mitigações: treinamento explícito em prompt engineering; pairing júnior-sênior — sênior aprende técnica do júnior; casos de uso certos — não vibe-codar arquitetura crítica; use IA em boilerplate, testes, docs, prototipação; tempo protegido — sênior precisa de 20-40h de tentativa séria.

Aplicação NG: Rafael lidera workshop interno explícito de 4-8h em prompt engineering para devs sêniors. Pareamento júnior-sênior intencional por 1-2 semanas. Diferenciar contextos: vibe-code para protótipo; rigor tradicional para crítico. Permitir período de queda de produtividade (4-8 semanas). Métrica antes/depois: ciclo de PR, bugs, satisfação. Conversar abertamente: "sênior, você vai ficar lento por 6 semanas. É normal. Persista."

Antes de gerar código, ativa Planning Mode. Descreve intenção em linguagem natural. Agente devolve escopo (o que vai ter, o que NÃO vai ter). Versão estruturada de "spec-driven development". Espera 2-5 min para gerar plano em vez de jogar código fora depois.

Variantes: Replit Agent Planning Mode; Cursor Plan Mode; Anthropic "extended thinking"; manual (você mesmo escreve PRD/spec, alimenta o LLM). Template típico: problema (o que resolver, para quem); solução proposta em 3-5 bullets; stack obrigatório; constraints (o que NÃO incluir); casos de uso (3-5) com critério de aceitação; out of scope explícito; critério de pronto. Princípio: 10 min de spec poupam 2h de iteração.

Aplicação NG: Rafael publica template padrão de prompt inicial (snippet/macro) — toda task começa com spec. Para tasks <1h, spec mental. Para >2h, spec escrito obrigatório. Em Pair com IA: dev escreve spec, IA revisa spec, depois IA codifica. Code review: revisor lê spec antes do código. Acumular specs como documentação.

Vini: "É muito importante que a gente tenha muito claro o que vai ter, mas principalmente o que NÃO vai ter — pra ela não alucinar." Sem fronteira explícita, IA "completa" o que falta com palpite. Definir fronteira reduz superfície de erro.

Princípio reconhecido: negative constraints > positive only; anchor and exclude: "construa X, mas NÃO inclua Y, Z, W"; anti-pattern docs: docs explícitas de "como NÃO fazer" são canon em Linux kernel, Erlang OTP — agente lê e respeita. Exemplo prático para spec inclui sempre INCLUIR (tela de login, reset de senha, logout) e NÃO INCLUIR (SSO — fase 2; 2FA — fase 2; login social — nunca; dashboard admin — feature separada).

Aplicação NG: Rafael define template de spec NG incluindo seção obrigatória "Out of Scope". Em code review, perguntar: "ficou no escopo? não vazou pra fora?". Para clientes, propostas comerciais com "incluído" + "não incluído" explícito reduzem scope creep. Em vibe-code, sempre dizer "não use lib X, não toque arquivo Y, não mude schema Z".

Demo abriu 3 agentes simultâneos (app web + pitch deck + app mobile). Esperar primeira versão antes de disparar secundários — herdam contexto. Paralelização funciona quando tasks são independentes ou quando primeiro output serve de contexto para os próximos.

Padrões: fan-out (1 task pai gera N sub-tasks independentes — feature → backend + frontend + tests); sequential com handoff (A entrega para B entrega para C); critic + writer (1 escreve, outro critica); specialized agents (agente design, backend, tests). Anti-patterns: paralelizar tasks que mexem no mesmo arquivo → merge conflicts; paralelizar sem contexto → reinvenção de roda; muito paralelo → caos de revisão.

Aplicação NG: Rafael define no sprint planning tasks paralelizáveis vs sequenciais. Para features grandes: spec → backend + frontend + tests em paralelo após spec aprovada. Cap em 3-5 agentes paralelos por dev — mais é incontrolável. Review obrigatório após cada agente terminar. Métrica: throughput por dev (PRs/semana).

App Pilates completo (auth, agenda, CRUD alunos, planos) feito em US$ 15 em créditos Replit. US$ 15 é custo de créditos Replit Agent (tokens), não custo total. Não inclui: hosting contínuo, banco em produção, manutenção, escalabilidade, segurança em produção, custom domain.

Custos reais: build em vibe-code US$ 15-200 em créditos para MVP médio; hosting Replit Deployment US$ 20-200/mês; banco PostgreSQL (Neon, Supabase) US$ 0-100/mês; domínio + SSL ~US$ 12/ano; email transacional (Resend, Postmark) US$ 0-50/mês; storage (S3, Cloudflare R2) US$ 5-50/mês. Total mensal: US$ 50-500 para app pequeno em produção. Comparação: software house BR R$ 30-150k para MVP + 30-50%/ano manutenção; dev freelancer R$ 15-50k + horas.

Aplicação NG: Rafael usa Replit/Lovable/v0 para POCs e protótipos — custo trivial. Para feature periférica: vibe-code + revisar + integrar à base. Para core: vibe-code como acelerador, mas dev sênior na arquitetura — não 100% vibe. Modelo de custo total: créditos + hosting + manutenção. Para clientes da NG: usar vibe-code internamente para gerar customizações rápidas — pode virar receita extra.

Vini foca em Replit (web-based, deploy embutido). Cursor integrável. Lovable "sem opinião de arquitetura". Claude Code via CLI. Cada ferramenta tem fit. Não é "uma vence" — combinar.

Comparação prática:

• Cursor ($20-40/mês) — IDE local (VS Code fork), dev profissional, repo grande, controle fino.
• Replit Agent ($20-200/mês) — web-based, protótipo rápido, dev novo, deploy 1-click, mobile.
• Lovable ($20-100/mês) — landing page, MVP visual, não-dev.
• v0 by Vercel ($20-200/mês) — componentes React/Next.js, design system.
• Claude Code ($20-200/mês) — CLI agentic, devs avançados, integra ao fluxo.
• Windsurf ($15-40/mês) — alternativa Cursor.
• Bolt.new (Free-$200/mês) — equivalente Replit.
• Aider (API custo) — CLI open-source, controle máximo.

Aplicação NG: Rafael configura:

• Devs core (4-6 pessoas): Cursor Business + Claude Code (Max plan) + Replit/v0 para protótipo.
• PMs/designers: Replit + v0 + Lovable para mockup rápido.
• Comercial/CS: Lovable + ChatGPT/Claude para landing pages e internal tools.
• Compliance: regra explícita — nada de dado de cliente em produção em Replit.

Reavaliar stack a cada 6 meses — mercado se move rápido. Thiago aprova budget consolidado.