Diário de um VC: a origem do produto perfeito na era da IA

Esse movimento já começa a aparecer na maneira como alguns dos principais fundos americanos estão pensando sobre empresas AI-first.

A Bessemer Venture Partners propõe uma métrica particularmente interessante: second-bite usage. No seu playbook de Product-Market Fit para empresas de IA, a Bessemer argumenta que o primeiro uso pode enganar. IA gera curiosidade, experimentação e demos incríveis. O sinal importante aparece depois: o usuário volta depois de completar seu primeiro trabalho?

O exemplo dado é o da Perplexity. Segundo seu CEO, a empresa acompanha quantos usuários que fazem uma consulta fazem uma segunda. A ideia é transformar uma consulta em duas, duas em cinco e, finalmente, transformar uso em hábito.

Essa é uma mudança pequena na métrica, mas enorme no significado. O primeiro uso mede curiosidade. O segundo começa a medir valor. O uso recorrente começa a medir confiança. E a delegação recorrente começa a medir hábito.

A Andreessen Horowitz chegou a uma conclusão parecida olhando centenas de empresas de IA. Em “Retention Is All You Need”, o fundo argumenta que existe uma nova população que distorce as métricas iniciais: os AI tourists.

São pessoas dispostas a experimentar praticamente qualquer coisa nova em IA. Entram, brincam, talvez até paguem US$20 por um mês, mas logo desaparecem.

Por isso, a a16z sugere que, em muitos produtos AI-first, M3 é uma base mais relevante do que M0 para analisar retenção. O período inicial serve quase como um filtro entre curiosos e usuários que encontraram uma aplicação real para o produto.

Uma das métricas propostas passa a ser, portanto, M12/M3: entre aqueles que sobreviveram à fase de experimentação, quantos continuam e expandem o relacionamento ao longo do primeiro ano?

Mais interessante ainda: algumas empresas AI-native começam a apresentar o que a a16z chama de “smiling retention curves”. Depois de cair inicialmente, a curva volta a subir, porque o produto melhora, ganha novas capacidades e começa a assumir novos trabalhos. Clientes que usavam pouco passam a usar mais e alguns que haviam ido embora podem até voltar.

Em software, estávamos acostumados a pensar que o produto envelhecia dentro de uma coorte. Em IA, talvez algumas categorias de produto fiquem melhores enquanto a coorte envelhece.

A nova pasta de dente é um workflow

Aqui talvez esteja a maior atualização da minha tese de 2019.

Naquele texto eu dizia que um grande produto precisava ser como “a tal da pasta de dente”. Continuo acreditando nisso, mas frequência não precisa mais significar frequência de login. Ela pode significar frequência de trabalho delegado.

Um agente financeiro que reconcilia todas as notas fiscais todos os dias pode ser profundamente utilizado sem ninguém “usar” o produto. Um agente de atendimento pode resolver milhares de conversas enquanto o gestor dorme. Um agente de pesquisa pode executar dezenas de entrevistas, analisar os resultados e produzir uma recomendação antes de alguém abrir o dashboard.

A unidade de análise deixa progressivamente de ser a sessão e passa a ser o workflow. Essa ideia aparece explicitamente no playbook da Bessemer: para produtos de IA, uma pergunta relevante passa a ser quanto do workflow do usuário o produto automatiza ou aumenta.

Isso nos leva a uma nova definição de profundidade: em vez de olhar para quantas features alguém utiliza, o indicador deve mostrar quanto do trabalho alguém está disposto a entregar à máquina.

Se eu reescrevesse hoje as cinco métricas daquele artigo de 2019, manteria sua essência, mas mudaria suas unidades de medida — e acrescentaria uma sexta.

Esses seis sinais contam uma história:

Breadth diz se o produto entrou na organização. Penetration diz se conquistou espaço dentro do trabalho. Work Done diz se está realmente executando algo. Outcome / Cost diz se aquilo vale economicamente a pena. Second Bite diz se o primeiro sucesso virou confiança. Workflow Expansion, por fim, diz se essa confiança continua crescendo. Juntos, esses indicadores talvez nos revele uma nova anatomia do hábito.

Work done é melhor do que time spent

Essa mudança merece atenção especial.

No artigo original, “tempo gasto” fazia sentido porque o usuário precisava operar o software para extrair valor dele. Agora podemos inverter a equação: quanto mais trabalho realizado por minuto de atenção humana, melhor.

Pense em dois produtos. No primeiro, um analista passa três horas por dia trabalhando dentro do software. No segundo, o analista passa vinte minutos definindo o que precisa e a IA realiza três horas de trabalho.

Qual tem maior engajamento? Pelas métricas tradicionais, provavelmente o primeiro, mas pela quantidade de valor produzido, provavelmente o segundo. Produto, uso e ROI começam, portanto, a convergir para uma mesma unidade: trabalho realizado.

Quando upsell vira métrica de produto

Existe uma segunda consequência dessa mudança que me parece ainda mais interessante.

Historicamente, costumamos colocar retenção na caixa de produto e expansão de receita na caixa de vendas. Talvez essa separação faça cada vez menos sentido. Mark Roberge desenvolve em The Science of Scaling uma ideia particularmente útil: Product-Market Fit não deveria ser apenas uma sensação e crescimento de receita, isoladamente, não é evidência suficiente de que ele existe. Para Roberge, retenção é a melhor representação estatística de Product-Market Fit.

Existe, porém, um problema: retenção é um lagging indicator. Quando descobrimos que o cliente foi embora, talvez tenhamos esperado meses (ou até um ano) para aprender alguma coisa. Por isso, Roberge propõe procurar um Leading Indicator of Retention — LIR: algum comportamento ou resultado observável muito antes da renovação e que seja fortemente correlacionado com a permanência futura do cliente.

A ideia pode ser resumida em uma estrutura simples:

P% dos clientes realizam ou atingem o evento E a cada período T.

O evento varia de produto para produto. Pode ser configurar alguma coisa, executar determinada ação, atingir um resultado ou adotar determinado comportamento. O importante é que seja objetivo, esteja ligado ao valor prometido pelo produto e seja preditivo de retenção. Na era da IA, talvez tenhamos encontrado um candidato extraordinariamente poderoso para esse evento: o cliente entregar progressivamente mais trabalho ao produto.

Imagine um agente que começa respondendo 5% das interações de atendimento de uma empresa. Depois passa para 20%. Depois 50%. Depois recebe autonomia para resolver determinadas categorias sem intervenção humana. Finalmente, outro departamento descobre que pode utilizar o mesmo agente para outro workflow.

Isso é upsell? Certamente pode gerar mais receita. Mas antes de ser uma métrica de vendas, existe ali uma métrica de produto. O cliente está dizendo através do comportamento: “Funcionou. Confio em você. Tome mais.”

‍

Isso sugere separar duas coisas que historicamente ficaram misturadas:

• Revenue Expansion mede quanto mais dinheiro o cliente passou a pagar.
• Usage Expansion mede quanto mais trabalho ele passou a confiar ao produto.

Em SaaS, as duas métricas frequentemente andavam juntas porque expansão significava comprar mais seats, módulos ou capacidade.

Em AI-native, elas podem se separar. Um cliente pode aumentar brutalmente o volume de tarefas executadas por um agente antes mesmo de renegociar seu contrato. Outro pode comprar um pacote maior sem efetivamente aumentar sua utilização. Do ponto de vista de produto, os dois casos são completamente diferentes, por isso, talvez uma das métricas mais interessantes para empresas AI-first seja algo como:

Workflow Expansion Rate = quanto aumenta, dentro de uma coorte, o volume de trabalho confiado ao produto ao longo do tempo.

Podemos observar essa expansão em diferentes dimensões:

tarefas → frequência → volume → autonomia → workflows → departamentos.

A progressão importa mais do que qualquer número isolado.

A expansão como Leading Indicator of Retention

Aqui a ideia de Roberge encontra a discussão contemporânea sobre produtos de IA.

A Bessemer chama atenção para o second-bite usage: depois da primeira experiência bem-sucedida, o usuário espontaneamente volta para outra?

Podemos colocar esse comportamento dentro de uma escada:

TRY → SUCCESS → RETURN → HABIT → DELEGATION → EXPANSION

O second bite captura a passagem de SUCCESS para RETURN, mas talvez a passagem de DELEGATION para EXPANSION revele algo ainda mais poderoso.

Descobrir se o cliente voltou segue como algo importante, mas bem menos do que saber se depois de experimentar o produto, o cliente decidiu confiar progressivamente mais trabalho a ele.

A história da Strella contada pela Bessemer ilustra bem o fenômeno. A Strella nasceu para pesquisa qualitativa estruturada. Mas os próprios clientes começaram a inventar novas aplicações: shop alongs, due diligence de M&A, comparação de websites, observação de aplicativos e decisões de entrada em novos mercados.

Na primeira coorte de renovação, a empresa reportou mais de 150% de NDR. A receita expandiu. Mas antes da receita expandir, o produto expandiu dentro do trabalho do cliente. Essa distinção é importante. Enquanto NRR é uma métrica financeira extraordinária, Workflow Expansion pode ser seu leading indicator de produto. Ou, dito de outra maneira: NRR mede a expansão econômica ao passo que Workflow Expansion mede a expansão da confiança. A primeira pode ser consequência da segunda.

Isso também muda nossa compreensão de upsell. No modelo clássico de software, uma empresa fazia land and expand: vendia algumas licenças, adicionava novos seats, oferecia novos módulos e aumentava o ACV. Havia uma máquina comercial trabalhando para produzir essa expansão.

No modelo AI-first, quero observar algo anterior. O produto está puxando a expansão sozinho?A Bessemer já inclui expansion rate entre seus sinais de Product-Market Fit para empresas de IA e recomenda observar não apenas se usuários retornam, mas se aumentam frequência e amplitude de utilização ao longo do tempo.

A a16z encontra um fenômeno semelhante em suas curvas de retenção: depois de aproximadamente seis a doze meses, clientes retidos podem começar a expandir, frequentemente adicionando novos workflows monetizados através de usage-based pricing ou novos produtos.

Isso cria uma inversão interessante:antes, o upsell era algo que vendas fazia sobre uma base de clientes satisfeitos. Agora, parte do upsell pode ser algo que o próprio comportamento de uso produz e vendas apenas monetiza.

Quanto mais espontânea for essa expansão, mais forte talvez seja o sinal de produto.

Há outra razão pela qual não quero abandonar a metáfora da pasta de dente.

A Menlo Ventures encontrou algo curioso ao estudar o comportamento de consumidores de IA em 2025: 91% dos usuários de IA recorrem primeiro ao seu assistente generalista favorito para quase qualquer tarefa, procurando alternativas apenas quando ele não consegue resolver o problema.

Isso é hábito em estado puro. Antes mesmo de pensar qual ferramenta devo usar?, existe uma ferramenta que já ganhou o direito de tentar primeiro. Talvez o produto perfeito tenha deixado de ser o que que ocupa mais tempo, e se tornado o que ocupa o primeiro lugar na cabeça quando surge um trabalho e, depois de realizar bem aquele trabalho, ganha o direito de receber o próximo.

Uma nova escada de uso

Daí surge uma maneira que estamos começando a usar na Astella para pensar a evolução de um produto AI-first:

TRY → SUCCESS → RETURN → HABIT → DELEGATION → EXPANSION

TRY: Alguém experimentou. Não significa quase nada. Vivemos provavelmente a maior explosão de curiosidade tecnológica desde a internet.

SUCCESS:O produto produziu um resultado relevante. Agora temos alguma coisa.

RETURN:O usuário voltou para fazer outro trabalho. Aqui aparece o second bite.

HABIT:Diante daquele problema, o produto passa a ser uma das primeiras opções consideradas. A pasta de dente apareceu.

DELEGATION:O usuário deixa de apenas pedir ajuda e passa a confiar parte do trabalho ao sistema. A IA deixa de ser ferramenta e começa a se tornar infraestrutura de trabalho.

EXPANSION:A confiança transborda. Mais volume, mais autonomia, novos workflows, novos usuários, novos departamentos. E, eventualmente, mais receita. E quando o produto começa a deixar de ser uma ferramenta para se tornar uma nova camada de execução dentro da organização.

Quando escrevi o texto original, em 2019, terminei dizendo que grandes produtos não acontecem por acidente. Continuo acreditando nisso. Mas existe uma mudança profunda acontecendo naquilo que entendemos como uso.

Durante décadas, construímos software para pessoas operarem. Agora começamos a construir software capaz de operar por elas. Isso significa que métricas como usuários ativos, sessões, tempo gasto e feature adoption não desaparecerão, mas serão insuficientes para descrever os melhores produtos da próxima década.

Precisaremos medir outra coisa:

• quanto trabalho entrou; 
• quanto trabalho foi concluído; 
• quanto desse trabalho não precisa mais de intervenção humana; 
• quanto valor econômico foi criado; 
• se o usuário voltou; 
• quanto mais ele decidiu delegar; e 
• se essa delegação continua crescendo ao longo do tempo.

Em 2019, nossa hipótese era:um grande produto é aquele que as pessoas usam repetidamente. Em 2026, eu acrescentaria uma palavra: um grande produto de IA é aquele ao qual as pessoas delegam repetidamente.

E talvez exista uma pergunta ainda melhor do que:“Com que frequência seus clientes usam seu produto?”

Ela é:“Quanto trabalho seus clientes já confiam ao seu produto? Essa quantidade está aumentando espontaneamente com o tempo?”

Porque talvez esse seja o sinal mais poderoso de todos:o cliente experimentou, funcionou, ele voltou, criou o hábito passou a delegar. E agora está dizendo:“Pode fazer mais.”