A Premissa que Sustentou Duas Décadas de Software Está Sendo Destruída
Por cerca de vinte anos, a indústria de software operou sobre uma premissa quase mágica: depois de construir o produto, atender mais um cliente custava próximo de zero. Essa assimetria entre o custo de construção e o custo de entrega foi o motor que permitiu ao SaaS dominar o mercado, gerar margens brutas de 70% a 90% e convencer investidores de que receita e lucro eram quase sinônimos.
A Inteligência Artificial está destruindo essa premissa. E a velocidade com que isso acontece está pegando muitas empresas de surpresa, especialmente aquelas que ainda analisam produtos de IA com os mesmos reflexos que funcionavam no SaaS clássico.
A mudança não é incremental. É estrutural. E quem não entender isso a tempo vai descobrir da pior forma possível: com caixa drenado, margens colapsando e clientes que mais usam o produto sendo justamente os mais caros de servir.
Quando Receita Parecia com Lucro
Para entender o que está mudando, é preciso entender o que existia antes. O SaaS clássico tinha uma estrutura de custos bastante previsível. Os componentes do COGS incluíam hospedagem em nuvem, suporte ao cliente, licenças de terceiros e depreciação de infraestrutura. Eram custos relevantes, mas relativamente fixos ou pouco sensíveis ao volume de uso individual de cada cliente.
Isso criava uma economia poderosa: conforme a base de clientes crescia, o COGS por cliente caía. A alavancagem operacional era quase automática. Um bom produto SaaS maduro operava com margens brutas entre 75% e 90%, o que permitia que NRR (Net Revenue Retention) elevado fosse diretamente convertido em lucro.
Foi essa propriedade que fez Marc Andreessen cunhar a frase “software is eating the world”. Uma vez escrito, o software alcançava milhões de usuários por um custo adicional mínimo. Não por acaso, a métrica de NRR virou o termômetro definitivo do setor: preservar receita era quase o mesmo que preservar lucro, porque servir o cliente praticamente não custava nada.
O que quase todo mundo esqueceu é que isso nunca foi uma lei do software. Foi a característica de uma era específica. A IA encerrou essa era.
O Custo Voltou: Cada Consulta Tem um Preço
Em produtos de IA — especialmente os que usam modelos de linguagem grandes (LLMs) como núcleo da experiência — a estrutura de custos mudou radicalmente. Cada consulta dispara inferência. Cada agente encadeado consome tokens. Cada chamada de ferramenta gera uma conta. O usuário voltou a custar dinheiro de verdade.
Os componentes de COGS em um produto de IA típico em 2025 incluem inferência por chamada de modelo, infraestrutura de RAG (bases vetoriais, embeddings, re-ranking), chamadas de ferramentas em arquiteturas agênticas, monitoramento, segurança e moderação. Em produtos bem otimizados, o COGS pode consumir entre 20% e 55% da receita. Em produtos com precificação plana e usuários intensivos, pode destruir toda a margem.
Para ilustrar a escala do problema: uma empresa de IA relatou pagar US$ 263 por hora por capacidade de processamento. Meses antes da renovação do contrato, recebeu uma nova proposta do fornecedor: US$ 510 pelo mesmo serviço. A empresa não consumiria mais. Não entregaria mais. Apenas pagaria quase o dobro pelo mesmo insumo. Isso revela um segundo problema que vai além do custo variável: a volatilidade e a dependência de fornecedores que a empresa não controla.
O Colapso das Margens em Números
Os dados do mercado confirmam a mudança. Segundo levantamento da ICONIQ com cerca de 290 empresas de IA (edição de julho de 2026), a margem bruta agregada de produtos de IA ficou em torno de 45% em 2025, com projeção de melhora para 53% em 2026 e 59% em 2027. São números em recuperação, mas ainda muito abaixo dos 70% a 90% do SaaS clássico.
Estimativas mais pessimistas, como as de Apoorv Agrawal da Altimeter em seminário de Stanford, colocam algumas empresas entre 0% e 30% de margem bruta. A Bessemer Venture Partners criou uma taxonomia própria para separar empresas de IA de alta margem (“Shooting Stars”, com cerca de 60%) das que operam com margens baixas ou negativas (“Supernovas”). O OnlyCFO, analista de referência no setor, reforça a mesma tendência em agosto de 2025.
A conta em números redondos é brutal: no SaaS clássico, 100 de receita deixavam 80 de contribuição. Com IA, os mesmos 100 podem deixar apenas 45. O preço não mudou. O faturamento não mudou. O unit economics, sim.
Por Que o NRR Deixou de Ser Suficiente
Aqui está o ponto que mais surpreende quem vem do SaaS: NRR elevado em produto de IA não garante margem elevada. Pode ser exatamente o contrário.
No SaaS clássico, NRR alto significava que clientes estavam expandindo o uso e pagando mais, com custo de serviço crescendo muito pouco. A alavancagem era óbvia. Em produtos de IA com precificação plana, expansão de uso pode significar aumento de custo sem aumento de receita. O cliente que dobra o uso não paga mais. Mas você paga mais para servi-lo.
Isso exige uma separação conceitual que o mercado ainda está aprendendo a fazer: receita é o que o cliente paga; contribuição é o que sobra depois de adquiri-lo e servi-lo. No SaaS clássico, essa confusão custava pouco porque as duas grandezas andavam juntas. Na IA, elas se separaram. E analisar NRR sem analisar custo por cliente é como avaliar um restaurante pela quantidade de pratos vendidos sem olhar para o custo de cada ingrediente.
Dois Usuários, Mesmo Preço, Economias Opostas
Considere dois clientes pagando o mesmo valor mensal pelo mesmo produto de IA. Um faz cem consultas por mês. O outro faz dez mil. No SaaS clássico, essa diferença praticamente desaparecia na estrutura de custos. Em um produto de IA, ela pode separar um cliente rentável de outro que destrói margem.
Isso transforma fundamentalmente a forma como produtos de IA precisam ser desenhados, precificados e gerenciados. A pergunta relevante deixa de ser “quanto custa servir mais um cliente?” e passa a ser “quanto custa servir mais uma unidade de trabalho?”, seja um ticket resolvido, um documento processado, uma análise gerada, uma consulta respondida.
E há uma métrica que importa mais do que parece nesse contexto: o custo por tarefa, não o custo por token. Um modelo mais barato por token pode sair mais caro no total se consumir muito mais tokens para chegar à mesma resposta. Arquiteturas agênticas com múltiplas chamadas encadeadas podem multiplicar o custo de uma única tarefa do usuário por cinco, dez ou vinte vezes sem que isso seja visível na experiência.
A Volatilidade Como Risco Sistêmico
O problema vai além do custo variável. O custo de inferência em IA tem uma característica que não existia no SaaS clássico: ele é volátil e determinado por fornecedores externos que a empresa não controla.
Quando o provedor de computação decide dobrar o preço por hora de GPU, ou quando a OpenAI, Anthropic ou Google ajustam o preço por token dos seus modelos, toda a estrutura de unit economics do produto muda de forma imediata. Isso cria um risco de balanço que é novo para o setor de software: o custo de servir pode mudar sem que nenhuma decisão interna tenha sido tomada.
Esse risco é especialmente agudo para empresas que construíram produtos sobre APIs de terceiros sem estratégia de roteamento, cache ou fallback para modelos alternativos. A dependência de um único fornecedor de modelo é, hoje, um risco operacional que merece atenção equivalente à dependência de um único cloud provider, algo que o setor aprendeu a evitar depois de uma série de incidentes dolorosos na última década.
Estratégias como as que a Cappei aplica em seus projetos de CTO as a Service incluem necessariamente uma análise de concentração de fornecedores de IA, com avaliação de alternativas e planos de roteamento para mitigar esse risco sistêmico.
Como Recuperar a Margem: As Estratégias que Funcionam
A boa notícia é que margem bruta de 60% a 85% é alcançável em produtos de IA bem construídos. A diferença está em decisões de engenharia, produto e precificação que precisam ser tomadas conscientemente, porque, diferente do SaaS clássico, a eficiência não vem automaticamente com a escala.
As principais alavancas são: caching agressivo para respostas repetidas, embeddings e contextos frequentes; roteamento inteligente que usa modelos menores para 80% dos casos e modelos maiores apenas para casos de alta complexidade; design de prompts que minimiza tokens de entrada e saída sem perda de qualidade; arquiteturas que evitam chains de agentes desnecessários; e precificação alinhada ao uso, com créditos, limites por tier ou cobrança por unidade de trabalho entregue.
A última estratégia é a mais transformadora e a mais difícil de implementar. Migrar de precificação por assento para precificação por valor entregue exige uma compreensão profunda de quanto cada tipo de tarefa custa e quanto o cliente extrai de valor dela. Esse alinhamento é o que separa empresas que vão prosperar na era da IA das que vão descobrir tarde demais que crescer mais rápido significa perder dinheiro mais rápido.
Para equipes de desenvolvimento que querem dominar esse tipo de arquitetura orientada a custo, a plataforma Replitfy oferece cursos práticos sobre construção de produtos com IA de forma sustentável e eficiente.
O Que o Brasil Precisa Aprender Antes de Todos
No contexto brasileiro, essa mudança tem uma urgência adicional. Empresas locais que estão construindo produtos de IA frequentemente não têm o acesso ao capital de risco americano que permite operar com margens negativas por anos enquanto escalam. A pressão por rentabilidade é mais imediata.
Ao mesmo tempo, os custos de inferência são cotados em dólar, o que adiciona uma camada de risco cambial sobre o risco de volatilidade de fornecedor. Uma empresa brasileira que precifica em reais e paga por tokens em dólar está exposta a dois vetores de risco que podem comprimir margens simultaneamente.
A Associação Brasileira de Ciência de Dados e IA tem discutido esses desafios em seus fóruns técnicos, sinalizando que governança econômica de produtos de IA é um tema que precisa de mais atenção da comunidade técnica brasileira, não apenas nas grandes empresas de tecnologia, mas especialmente nas startups e scale-ups que estão construindo agora.
A Próxima Conta Que o Software Ainda Não Aprendeu a Ver
O custo de servir foi apenas a primeira conta que o software aprendeu a ignorar durante duas décadas de SaaS. Mas há uma segunda conta que é potencialmente mais perigosa: ela nem sequer aparece no balanço.
Trata-se do custo de oportunidade de construir sobre fundações instáveis. Cada decisão de arquitetura que cria dependência excessiva de um fornecedor, cada escolha de precificação que desalinha receita e custo, cada produto que cresce em usuários sem crescer em margem está construindo uma dívida que vai cobrar juros compostos quando o mercado exigir rentabilidade.
A era do custo marginal zero não foi uma lei natural. Foi uma janela histórica aberta pela combinação de commoditização de infraestrutura de nuvem e ausência de variável custo no núcleo do produto. A IA fechou essa janela. E o software está aprendendo, pela segunda vez em sua história, que atender clientes tem um preço real.
Quem entender essa nova física antes da concorrência vai construir produtos melhores, precificar com mais precisão e, principalmente, sobreviver ao próximo ciclo de mercado com margens que sustentam crescimento de verdade.
Quer aprofundar sua estratégia de IA com foco em sustentabilidade econômica? Assine a newsletter sobre Vibe Coding e acompanhe análises semanais sobre o futuro do desenvolvimento de software com IA.
