SaaS sofre com coding agents, mas sistemas críticos resistem

O teste de extinção do SaaS

Com a aquisição da Airtable e a queda nas ações de empresas estabelecidas de software, cresceu a narrativa de que coding agents tornaram o modelo SaaS obsoleto. O argumento bear é direto: qualquer engenheiro pode usar um agent para construir uma ferramenta sob medida que substitui uma plataforma genérica por uma fração do custo.

Os autores Vikram Sreekanti e Joseph E. Gonzalez argumentam que a realidade é mais matizada. Propõem um checklist de sobrevivência com três critérios: ser um sistema de registro (system of record), fazer mais do que automatizar um único workflow humano e ser mission-critical. Quem atende a pelo menos um desses critérios provavelmente está seguro.

Gravidade dos dados

Empresas como Snowflake e Datadog estão protegidas pela física dos dados: mover grandes volumes é caro, arriscado e lento. Quando um produto coleta dados para um propósito operacional central, ele se torna uma parede estrutural na arquitetura da empresa. Ninguém paga oito dígitos anuais a esses fornecedores por conveniência - paga porque precisa de uma forma comprovada de investigar incidentes críticos.

Software mission-critical

Workday e Salesforce são exemplos de sistemas que sobrevivem por uma lógica recursiva: são seguros porque são grandes, e são grandes porque são seguros. Nenhum VP de RH vai arriscar a folha de pagamento falhar numa sexta-feira por causa de um protótipo brilhante. Empresas não compram apenas software - estão terceirizando risco. Mesmo empresas com capacidade técnica como Google ou Meta preferem não assumir o risco de operar sistemas não-core internamente.

Onde está o perigo

Software não mission-critical está na zona de risco. Analytics é o exemplo principal: os autores relatam ter construído internamente na RunLLM um sistema de dashboards com Claude Code em cerca de uma hora, usando Python e Plotly. Se o dashboard cair por um dia, é incômodo, mas não paralisa operações. A opção de comprar uma ferramenta de BI tradicional nem entrou na conversa.

Software de workflow puro - que conecta ferramentas que já têm gravidade de dados ou criticidade - é onde os autores são mais bearish. PagerDuty é citado como exemplo: processa dados de outro produto, verifica thresholds e alerta um engenheiro. Esse tipo de integração é exatamente o que agents estão substituindo.

O gap operacional

A parte menos discutida é a operação. Os autores contam que o dashboard levou uma hora para ser construído, mas quatro horas para ser deployado corretamente no Google Cloud com SSO, auto-update e credenciais. Esse gap tende a persistir porque Python é universal, mas infraestrutura é radicalmente diferente em cada empresa - Kubernetes, permissões de rede, segurança e compliance não importam no protótipo local, mas são tudo em produção.

Conclusão dos autores

A defensibilidade do SaaS permanece na interseção entre dados e risco. Quem é system of record está protegido pela física de rede e custo de egress. Quem é mission-critical está protegido pela aversão corporativa ao risco. O perigo real é a camada intermediária - produtos que construíram negócios sobre a fricção do trabalho humano. A disrupção não virá de um projeto de fim de semana com coding agent, mas de startups que saibam gerenciar dados, reduzir risco operacional e fechar o gap entre protótipo e confiabilidade de produção.