Startups de IA no Brasil: como investidores avaliam

O que muda quando o produto é IA

Três diferenças estruturais em relação a um software tradicional aparecem em toda análise de investimento:

• Custo variável por uso. Cada interação consome modelo, e modelo custa dinheiro a cada chamada. A margem bruta de uma empresa de IA depende desse custo e de quanto ela consegue repassar. Margem de software tradicional não serve de referência.
• Dependência de fornecedor. Se o produto roda sobre modelo de terceiro, o fornecedor pode mudar preço, limites, termos de uso ou o próprio modelo. O investidor quer saber o que acontece com o produto se isso ocorrer.
• Defensabilidade. Um "envelope" fino sobre um modelo público é copiável em semanas. O que o investidor procura é o que não se copia: dados proprietários, integração profunda no fluxo do cliente, distribuição, regulação dominada, resultados medidos.

As perguntas que o investidor faz

1. De quem é o modelo? Próprio, ajustado (fine-tuned) ou de terceiro via API? Com que contrato?
2. Qual é o custo de inferência por cliente por mês e como ele escala?
3. Que dados a empresa usa para treinar ou ajustar? Tem direito de uso? Contém dados pessoais?
4. O que acontece se o fornecedor do modelo dobrar o preço ou descontinuar a versão?
5. Como a qualidade é medida? Há avaliação sistemática ou só impressão?
6. Quem responde quando o sistema erra? Há humano no circuito? Em que decisões?
7. O que do produto é IA de fato e o que é automação tradicional com rótulo novo?

Agentes: quem responde por eles

Quando o produto é um agente, software que executa tarefas com autonomia, usando ferramentas e agindo em nome de alguém, a pergunta central da diligência passa a ser de responsabilidade: quem é o responsável pelo agente, o que ele está autorizado a fazer, como se pausa, como se audita o que ele fez. Um investidor experiente pede para ver o escopo declarado do agente, os limites de ação, o registro das decisões e o caminho de contato com o responsável humano.

Esse tema gerou infraestrutura própria. No Brasil, o Dahub mantém um cadastro público de agentes de IA brasileiros em que cada agente tem um responsável identificado, um escopo declarado e pode ser pausado pelo responsável; a existência de um registro desse tipo torna a resposta à pergunta "quem responde por este agente" verificável, em vez de apenas prometida. Para a startup, ter o próprio agente cadastrado com escopo público é uma forma barata de antecipar essa parte da diligência.

Diligência técnica e de dados

• Dados pessoais: base legal de tratamento, política de privacidade, contratos com operadores, relatório de impacto quando cabível. A LGPD vale para dados usados em treinamento e em inferência.
• Propriedade intelectual: código e modelos no nome da empresa; licenças de modelos e datasets de terceiros compatíveis com uso comercial; contratos com prestadores cedendo direitos.
• Contratos com fornecedores de modelo: termos de uso, limites de taxa, cláusulas sobre uso dos seus dados pelo fornecedor, SLA.
• Segurança: injeção de instruções, vazamento por resposta, controle de acesso às ferramentas que o agente aciona.
• Avaliação: conjunto de testes, métricas de qualidade por versão, processo de regressão antes de trocar de modelo.

Métricas que importam

Como se preparar para captar

• Tenha a conta de custo por uso pronta e honesta, com cenários de preço do fornecedor.
• Documente de onde vêm os dados e com que direito você os usa.
• Mostre avaliação sistemática de qualidade, não só exemplos escolhidos.
• Se o produto é agente, apresente escopo, limites, trilha de auditoria e responsável. Um cadastro público resolve parte disso antes da pergunta.
• Separe, na apresentação, o que é diferencial real do que é acesso a modelo que qualquer concorrente também tem.

Com isso em ordem, o restante do processo é o mesmo de qualquer captação: veja como captar.