O que acontece quando a habilidade de especialistas fica barata, e o que está acontecendo agora

Até o final da década de 1970, a análise financeira complexa era trabalho de especialistas.

Pessoas versadas em matemática e contabilidade lidavam com fórmulas complexas, avançando passo a passo e conferindo se os cálculos batiam; ao notar um erro, refaziam tudo a partir do ponto errado. Mesmo que os cálculos estivessem corretos, era preciso recalcular sempre que chegavam novas informações ou números.

Só repetindo esse trabalho era possível, enfim, entender com exatidão a situação financeira de uma empresa, e era com base nisso que se tomavam decisões como melhorias na gestão e investimentos.

Nesse contexto, Dan Bricklin, que assistia a uma aula de finanças na escola de negócios, concebeu uma planilha eletrônica (VisiCalc) a partir do sofrimento de ter de recalcular, desenvolveu-a em dois meses, no fim de 1978, e começou a vendê-la em 1979.

Depois do VisiCalc surgiram planilhas como o Lotus 1-2-3 e o Excel, e, com a popularização delas, muitas pessoas passaram a poder calcular e recalcular de modo interativo e iterativo.

Pode-se dizer que as planilhas tornaram mais eficientes, e reduziram, as tarefas de contadores e de pessoas boas em cálculo. Em alguns casos, talvez tenham eliminado não só tarefas, mas o próprio emprego.

No entanto, como também se costuma dizer no debate atual sobre IA, isso significou igualmente que as pessoas puderam passar a usar seu tempo em outras coisas. Graças às planilhas, os contadores foram liberados da tarefa de calcular e puderam se concentrar em trabalhos que exigem conhecimento especializado mais avançado.

Mas a história não terminou aí.

As planilhas sustentaram o desenvolvimento da consultoria e da indústria de investimentos a partir da década de 1980. Isso porque, mesmo quem não era tão bom em cálculo, ou quem era júnior, passou a conseguir fazer cálculos até certo ponto, desde que tivesse o software, e o número de pessoas que podiam entrar nesse trabalho aumentou.

Embora não se possa dizer que as planilhas tenham sido o maior fator do desenvolvimento da consultoria e do setor de investimentos, é possível afirmar que, por trás da expansão dessas indústrias a partir da década de 1980, houve essa generalização do "cálculo" proporcionada pelas planilhas.

Os que de fato obtiveram grandes lucros assim foram as empresas de software que forneceram a ferramenta que facilitava o cálculo e as "pessoas que souberam usar bem o poder do cálculo generalizado".

E se a IA fornecesse diversos conhecimentos especializados além do software?

Assim como as planilhas generalizaram o cálculo, agora a IA está prestes a generalizar a inteligência e as habilidades de diversos especialistas. Isso trará vários efeitos.

Em um artigo recente, "O que acontece quando o software e a inteligência ficam baratos", apresentei a versão para software do paradoxo de Jevons. Isso é o que pode acontecer quando a habilidade e a inteligência dos engenheiros de software se generalizam.

Contudo, a IA também fornece inteligência "além" do desenvolvimento de software. No momento, a aplicação avança primeiro na área de software, mas provavelmente seu alcance se estenderá a outras formas de inteligência.

E, enquanto a planilha de antes foi uma substituição especializada na habilidade de calcular, o ponto do desempenho da IA desta vez é que quase todas as áreas de especialização se tornam alvo (em certo nível).

Por isso, neste artigo quero reunir o que acontecerá quando a inteligência e as habilidades de outros especialistas forem generalizadas e, como indício disso, o que está começando a acontecer à minha volta agora.

"O que você faria se pudesse ter um especialista de forma barata e imediata?"

Uma das mudanças que provavelmente ocorrerão é a maior eficiência da demanda existente. Por exemplo, será possível, até certo ponto, tornar mais eficiente o trabalho de advogados e médicos.

Não só isso: pode ocorrer também a difusão para onde a demanda até então não era atendida. Como a luz e as lâmpadas de antigamente, produtos que ficam mais baratos passam a ser usados até em lugares onde antes a relação custo-benefício não compensava.

Na IA de hoje, uma consultoria culinária como "um cardápio que dê para fazer com as sobras da geladeira de hoje e que as crianças comam felizes" é um exemplo de como a inteligência e as habilidades de especialistas estão prestes a chegar aonde antes não chegavam. Também foi porque o custo de gerá-las caiu drasticamente que pude usar tantas imagens explicativas neste artigo (até então, isso era feito à mão).

E, como no exemplo da planilha, quando as habilidades de especialistas se generalizam, aumentam os trabalhos que as utilizam. Quando parte do fluxo de trabalho se torna mais eficiente, ampliam-se as oportunidades nas áreas que usam isso como peça e, além disso, fica mais fácil para quem não é especialista entrar em áreas especializadas.

O que aconteceu na época da planilha foi que a consultoria e o setor de investimentos, que souberam responder bem à pergunta "o que faríamos se pudéssemos ter calculistas de forma barata e imediata?", enriqueceram.

Sendo assim, pode-se dizer que a pergunta importante agora é: "o que você faria se pudesse ter diversos especialistas de forma barata e imediata?"

De fato, trabalhando no apoio a startups, sinto que o mesmo fenômeno em que o VisiCalc baixou a barreira de entrada do setor de contabilidade e investimentos e gerou a expansão da consultoria e da indústria de investimentos talvez esteja acontecendo agora, por causa da IA, na área de deep tech.

AI for Engineering: o que está começando a acontecer nas startups de deep tech

A área chamada de AI for Engineering, antes de tudo, ajudará muito os próprios especialistas. Como o cálculo ficou mais fácil para os contadores.

E o que vem depois é o aumento de trabalhos que usam essa capacidade como uma de suas partes, como a consultoria e o setor de investimentos.

Na verdade, ao apoiar startups de deep tech em fase inicial, o sinal que percebo é esta mudança: empreendedores que não eram especialistas na área, mesmo entrando em um campo que exige especialização, passaram a conseguir chegar rapidamente a um certo nível, desde que se esforcem.

Por exemplo, antes, ao tentar empreender fora da própria área de especialidade, acontecia o seguinte:

Procurar durante dias um especialista na área, contratá-lo e esperar semanas. Testar uma única hipótese levava semanas.

Com o ChatGPT, fica assim:

Mesmo uma pergunta um pouco difícil tem a verificação teórica concluída em 1 ou 2 horas

Sinto, em especial, que os modelos a partir do ChatGPT 5.2 Pro, lançado em dezembro de 2025, conseguem realizar um trabalho de verificação numérica em um nível bastante avançado.

Há muito se dizia que a IA generativa tinha dificuldade com verificação, mas as alucinações foram bastante reduzidas e ela também realiza, com certa precisão, ainda que não perfeita, versões simplificadas de análises de viabilidade técnico-econômica e trabalhos de reconstruir tudo desde a raiz por tentativas de primeiros princípios.

Além disso, se pedirmos que a saída venha em Excel ou similar, podemos corrigir por conta própria caso a IA erre algum número.

Recentemente, também surgiram casos como a série de exemplos em que Terence Tao, ganhador da Medalha Fields, resolveu problemas em aberto de Erdős em colaboração com o GPT-5.2 Pro (janeiro de 2026). Isso significa que os modelos de ponta atuais subiram a um nível em que são úteis como "uma ferramenta que despacha rapidamente problemas resolvíveis com técnicas padrão".

Comparando isso com o VisiCalc, creio que ficaria assim.

Passado (quando surgiu o Excel)	Presente e futuro (quando surgiu a IA)
O gargalo era o cálculo	O gargalo é o conhecimento especializado
Generalização da função de contador	Generalização da inteligência de especialistas de cada área
Ampliação do pool de talentos da consultoria e do setor de investimentos	Ampliação do pool de talentos de empreendedores de deep tech

Olhando para as startups dos Estados Unidos e da Europa, áreas como Defense Tech estão aquecendo. Embora a mudança do lado da demanda seja a maior causa, sinto que isso só é possível também por causa da mudança do lado da oferta, a de que a IA permitiu "extrair conhecimento especializado imediatamente".

Isso também me parece um dos exemplos de AI for Engineering.

Deep tech se abrindo para quem não é especialista

Quando as habilidades especializadas se tornam fáceis de usar, muitos participantes podem entrar nas áreas que as utilizam como peça. No caso do deep tech, isso significa que o espaço para não especialistas entrarem no empreendedorismo nessa área está maior do que nunca.

E, de fato, mesmo no programa de apoio a empreendedores que ajuda na exploração de ideias, sinto que começam a surgir casos de pessoas que não são especialistas na área de deep tech e que, adquirindo conhecimento especializado com a ajuda da IA, superam a primeira fase de validação de hipóteses com uma rapidez sem precedentes.

Por exemplo, trabalhos como os seguintes podem ser executados com certa precisão.

• Pensamento de primeiros princípios (decompor as coisas desde a raiz e pensar até onde algo é possível, antes de tudo)
• Análise técnico-econômica simplificada (TEA) e análise de sensibilidade
• Exploração de direções de negócio + tecnologia
• Separação do BOM
• (Levantamento de subsídios aplicáveis, etc.)

Ou seja, a verificação teórica inicial, que antes era encomendada a especialistas ou feita por um funcionário temporário contratado que levava semanas calculando, agora pode ser rodada em 90 a 180 minutos, à mão.

Com essa mudança, tornou-se possível também que não especialistas validem ideias em paralelo. Assim como o Excel e outras planilhas facilitaram o recálculo, o pivô de ideias também está se tornando possível em áreas especializadas.

E não é só isso. Até a forma adequada de instalar fiação e tubulações no mundo real, se tirarmos uma foto e perguntarmos ao Gemini, ele ensina até certo ponto. Ou seja, mesmo na hora de fabricar coisas de fato, com a IA já é possível chegar até certo ponto.

Claro, ela não serve em áreas como a descoberta de medicamentos, que usam conhecimento de ponta que a IA desconhece, e o know-how detalhado ainda não se compara ao dos especialistas. Ao realizar trabalhos perigosos, será necessário o conselho de especialistas. Ainda assim, para confirmar direções gerais e coisas do tipo, já é possível economizar bastante tempo.

Biblioteca de prompts de deep tech

Com esse avanço técnico, ultimamente tenho usado bastante o ChatGPT Pro para fazer análises em áreas ligadas aos empreendedores que apoiamos.

Por isso, desta vez publicamos os prompts que usamos, entre outros materiais, como a Biblioteca de Prompts Iniciais de Deep Tech da FoundX.

Experimente a biblioteca de prompts da FoundX →

Esta biblioteca armazena prompts para verificar problemas e riscos do lado da oferta (lado tecnológico) de uma ideia tecnológica, e gera o negócio informado. Concretamente, tem as seguintes funções.

• Basta inserir os valores de entrada uma vez, e eles são refletidos automaticamente em todos os prompts
• Depois, ao executá-los no ChatGPT ou similar, gera-se a saída em Word / Excel

Ela funciona como uma página estática no Cloudflare Pages, e as informações inseridas não são enviadas ao servidor. (Os textos são salvos no armazenamento local.)

Como pontos de atenção, há os seguintes.

• Funciona também com o Claude, mas atualmente tenho a impressão de que o GPT Pro dá resultados melhores, por isso recomendo o ChatGPT Pro (100 dólares por mês).
• No ChatGPT Pro, cada execução leva de 90 a 180 minutos.

No entanto, esses prompts têm casos em que funcionam e casos em que não funcionam.

• ✅ Eficaz: verificação do lado tecnológico, como leis da física, estrutura de custos e processos de fabricação, que pode ser detalhada quantitativamente em um sistema fechado
• ❌ Inadequado: verificação do lado da demanda, como comportamento do cliente e aceitação pelo mercado, que lida com o sistema aberto que são os seres humanos

As leis físicas do lado da oferta formam um sistema fechado e, em princípio, não mudam, mas o lado da demanda sofre grandes mudanças de pessoas e mercados e tem muitas partes imprevisíveis, por isso não é adequado. Por isso, para a verificação do lado da demanda, atividades como entrevistas com clientes continuam sendo necessárias.

Ainda assim, pode-se dizer que, onde antes era preciso verificar tanto a oferta quanto a demanda, a verificação do lado da oferta ficou bem mais fácil.

Rumo a um renascimento do hardware

À medida que a IA generativa progredir, o gargalo que surgirá será, provavelmente, do lado da física. Mesmo hoje, energia, transformadores, água e outros recursos estão em falta. Resolver esses gargalos de problemas físicos deverá ser cada vez mais demandado daqui em diante.

Assim, enquanto a presença da física cresce do lado da demanda, se também fosse possível, do lado da oferta, fazer o fornecimento físico aproveitando a inteligência da IA, parece-me que haveria uma grande oportunidade aí.

Nesse sentido, sinto que agora é justamente o momento em que o poder do software pode provocar grandes mudanças no lado do hardware e, na verdade, a era do hardware talvez esteja voltando.

Por exemplo, se você ouvir dizer que "faltam transformadores para data centers",

"Transformadores para data centers. Mas não com P&D pesado: algo que, por integração de tecnologias existentes, consiga multiplicar o desempenho convencional por 10 ou mais, ou reduzir o custo a 1/10 (incluindo o uso do espaço etc.)"

experimente inserir um texto assim na biblioteca acima e fazer com que ela produza propostas de negócio e um panorama de captação de recursos. Devem surgir várias propostas.

Perguntando sobre como avançar nelas, é possível chegar a uma hipótese razoavelmente boa. Isso é algo que antes levaria um tempo considerável.

Claro, se a ideia realmente se concretizará depende da análise e da execução do próprio empreendedor, e a verificação do lado da demanda exige indispensavelmente a mão humana. Além disso, quem põe a mão na massa na hora de realmente construir as coisas são os engenheiros, e não é que a IA, sozinha, resolva tudo.

Mas o trabalho inicial de ir dividindo e refinando as próprias ideias certamente ficou mais fácil com a evolução desses modelos.

Se surgir uma área que desperte um pouco de interesse, espero que você use os prompts como uma "ferramenta para elevar a qualidade e a velocidade das hipóteses". E justamente agora, quando todos estão voltados para o software, seria ótimo que mais pessoas desafiassem essas áreas físicas e o deep tech.

Além disso, o programa Studio, em que pensamos ideias junto com você, também está recebendo inscrições. Se tiver interesse, participe.

Experimente a biblioteca de prompts da FoundX →