Quando mapeamos os compradores da Joga, fizemos uma conta que na época parecia óbvia: somamos o custo de replicar o produto, o custo de montar o time, o tempo para aprender o mercado, a receita que tínhamos, e chegamos a um número que justificava a conversa.
Essa conta ainda faz sentido. Mas se eu fosse fazer ela hoje, alguns componentes teriam pesos completamente diferentes.
A IA não destruiu o valuation de startups em estágio inicial. Mas ela redistribuiu onde o valor mora. Quem ainda está usando a lógica de 2021 para avaliar empresas em 2025 pode chegar em números errados, dos dois lados da mesa.
a conta antiga
A lógica tradicional de valuation por "valor de reposição" tem três pilares:
Tempo de construção. Quanto custaria replicar o produto do zero? Se são 18 meses de desenvolvimento com um time de R$ 150k/mês, o produto vale R$ 2,7M só em custo de reposição. Esse era o argumento mais tangível, e o mais fácil de defender numa negociação.
Tempo de contratação. Montar um time bom leva tempo. Recrutamento, onboarding, os primeiros meses de calibração. Para um time técnico de 8 pessoas no Brasil, isso representa entre R$ 700k e R$ 1,2M em custo de reposição, mesmo sem considerar o risco de não achar as pessoas certas.
Tempo de aprendizado de mercado. O mais intangível dos três. Saber onde o cliente dói, o que ele não vai pagar, qual argumento fecha e qual abre objeção. Esse conhecimento leva 12 a 24 meses para ser construído, não está documentado em lugar nenhum, e some quando as pessoas saem.
Na Joga, esses três componentes juntos, mais os R$ 25k MRR e uma base de 200 clientes B2B pagantes, formavam a âncora da nossa tese de valor. Cada comprador ponderava diferente, mas a estrutura era essa.
o que a IA fez com essa conta
A IA atacou o primeiro pilar de forma desproporcional.
O tempo de construção encolheu. O que levava 18 meses para um time de 5 engenheiros hoje leva 3 a 4 meses para um time de 2 com as ferramentas certas. O custo de reposição de um MVP funcional caiu de R$ 2,7M para algo entre R$ 400k e R$ 600k, dependendo da complexidade.
Isso tem uma implicação direta e desconfortável: o argumento "olha quanto custaria construir isso do zero" ficou muito mais fraco para qualquer produto que seja replicável com código. E a maioria dos produtos de startups early-stage é replicável com código.
Mas não é só prejuízo. A IA também valorizou outros componentes: justamente os que ela não consegue replicar rápido.
Dados proprietários de comportamento viraram ativo de primeira linha. Um produto com 200 clientes B2B ativos e dois anos de dados de uso carrega algo que nenhum modelo consegue gerar: o histórico real de como aquele mercado específico usa aquela solução específica. Para treinar, ajustar ou especializar qualquer sistema de IA, esses dados valem mais agora do que valiam em 2021.
Relacionamentos e distribuição seguem sendo difíceis de replicar. Entrar numa vertical como futebol de base no Brasil sem os relacionamentos certos é lento e incerto. Não porque o produto seja complexo, mas porque a venda é pessoal. A IA não faz cold call para o diretor de uma escolinha de futebol no interior do Paraná.
Conhecimento tácito de mercado ganhou valor relativo. Se o produto ficou mais barato de construir, o diferencial de quem conhece o mercado aumentou. Duas semanas de conversa com os clientes certos vale mais hoje, porque qualquer concorrente com boa IA consegue replicar o produto em meses, mas não consegue replicar o entendimento acumulado.
o que isso muda na prática para quem vai vender
A pergunta que definia valuation em 2021 era: quanto custaria construir isso?
A pergunta que define valuation em 2025 é: o que você tem que a IA não constrói em 3 meses?
São perguntas diferentes, e levam a preparações diferentes. Um founder que vai ao mercado com uma tese centrada em produto vai encontrar compradores céticos, especialmente compradores sofisticados que já têm times com acesso às mesmas ferramentas. Um founder que vai ao mercado com uma tese centrada em dados, relacionamentos e conhecimento de mercado acumulado tem um argumento mais defensável.
Isso não significa que produto não importa. Significa que produto virou o mínimo necessário, não o diferencial.
os pontos em aberto
Essa redistribuição de valor levanta perguntas que não tenho resposta definitiva, e que vão aparecer cada vez mais nas mesas de negociação:
Como precificar dados proprietários? Ainda não existe metodologia consolidada para isso. Múltiplo sobre volume? Sobre unicidade? Sobre potencial de uso em fine-tuning? A resposta provavelmente vai variar por vertical e por comprador.
Qual impacto no earn-out? A proteção que o earn-out dá ao comprador tem novas premissas com a IA?
Quem ganha mais com essa mudança: o vendedor ou o comprador? O comprador sofisticado sabe que o produto vale menos. Mas o vendedor com dados e relacionamentos tem um argumento mais forte do que antes.
Vou deixar com meu parceiro @Tormena essas reflexões do impacto da IA nas negociações de startups early-stages.
Se gostou, compartilhe com alguém que possa aproveitar também.
thedeallab #13