IA escala a montanha, mas humanos escolhem a próxima

{ "resumo": "## Loops de agentes na construção de empresas\n\nEm uma thread, Lenny Rachitsky resume suas principais conclusões de uma conversa com Anish (@illscience). A primeira é que construir empresas passará a ser uma série de loops: um loop de código transforma um relatório de bug em uma correção e em uma liberação de baixo risco em produção em cinco minutos. Anish espera que loops semelhantes se espalhem de indivíduos para funções, unidades de negócio e, eventualmente, grandes partes de uma empresa - de experimentos de crescimento a demos de vendas, jurídico e suporte. A chave é identificar o que o agente não sabe e fornecer esse contexto.\n\n## Moats descobertas, não desenhadas\n\nUsando o Cursor como exemplo, Anish argumenta que moats são descobertas, não projetadas: o produto começou com alto engajamento de DAU, depois capturou traces de raciocínio e treinou seus próprios modelos. Um fundador não precisa de uma história completa de moat no primeiro dia se o produto tem tração, craft e engajamento crescente. Moats clássicas - efeitos de rede, escala, marca, dados proprietários - continuam importantes, mas as pequenas decisões que as criam muitas vezes só ficam visíveis depois que o produto existe.\n\n## Slow takeoff e o medo do subemprego permanente\n\nAnish acredita que estamos na linha do tempo de slow takeoff. O argumento do fast takeoff sempre segue a mesma estrutura: tudo está bem até agora, algo inexplicável acontece e a aceleração foge do controle - e ele não acredita nisso. O progresso dos modelos é real e mais rápido que nunca, mas a maioria dos problemas não é limitada por inteligência: um data center de PhDs não melhora exponencialmente cadeias de suprimentos de pizza. Ele também descarta os temores de uma "subclasse permanente" como fantasia sombria do Vale do Silício: postings para radiologistas e programadores estão em máximos históricos, e na stack de IA há cerca de 20 players críveis em cada camada, em vez de uma plataforma vencedora única.\n\n## Consumidor: conexão, não produtividade\n\nA maior oportunidade em IA de consumo, segundo Anish, é "/loop me deixe mais feliz", não "/loop me deixe mais produtivo": a maioria das pessoas quer gastar tempo, não economizá-lo, e os maiores produtos do mundo são entretenimento e social. Ele vê uma fome espiritual, especialmente fora dos grandes centros urbanos, onde instituições culturais enfraqueceram - "construímos uma tecnologia que estende nosso intelecto e nada que estenda nossa alma". Três fatores seguraram a IA de consumo e todos estão melhorando: custos de modelo altos demais para produtos gratuitos, o chat como interface de alta agência que não serve ao consumidor médio (que precisa de algo entre chat e TikTok) e o foco quase total em produtividade. Anish compara o momento ao iPhone em 2010, antes de Airbnb, WhatsApp e Uber.\n\n## Humanos escolhem a próxima montanha\n\nAgentes são bons em escalar até um máximo local e então estagnam; não são bons em escolher qual montanha escalar em seguida. Nesse ponto entram os humanos, definindo a direção do próximo ciclo de escalada.\n\n## Outras apostas e práticas\n\nA ambição é hoje o atributo mais importante para equipes: há três anos Anish e colegas recusavam empresas pareceram loucas ou complexas demais; hoje uma ideia pequena demais não vale o engajamento. Ele também vê oportunidade em software de consumo caro - o gasto discricionário do consumidor está em disputa e o preço é uma medida de product-market fit; seu exercício para fundadores: o que a versão "birkin bag" do seu produto, a US$ 1.000 ou US$ 10.000 por mês, precisaria fazer para justificar o preço? Por fim, ele recomenda virar um "sommelier de modelos": modelos não são intercambiáveis, e a forma de conhecê-los é construir algo a cada lançamento, usando projetos de baixo risco como campo de testes, com o mínimo de enviar algo uma vez por semana.", "hook": "Agentes de codificação já transformam relatórios de bug em correções em produção em cinco minutos, mas, segundo Anish, eles param no máximo local: são os humanos que escolhem a próxima montanha a escalar. Na mesma conversa, ele aponta a maior oportunidade de IA de consumo como "/loop me deixe mais feliz", não "/loop me deixe mais produtivo".", "entities": ["Lenny Rachitsky", "Anish", "Cursor"], "themes": ["engenharia-com-ia", "agentes-e-automacao", "adocao-e-roi-de-ia"], "story_key": "agentes-escalam-humanos-escolhem-montanha", "reasoning": { "story_key": "Tese central da conversa: agentes fazem hill-climbing até máximos locais e humanos definem a próxima direção.", "themes": { "engenharia-com-ia": "Loop de código com agentes de codificação é argumento central da thread.", "agentes-e-automacao": "Loops de agentes se espalhando por funções de negócio, além de agentes limitados a máximos locais.", "adocao-e-roi-de-ia": "Discussão de como empresas e consumidores adotam IA: loops organizacionais, momento do consumidor, software caro e sommelier de modelos." }, "entities": { "Lenny Rachitsky": "Autor da thread que resume as conclusões.", "Anish": "Entrevistado (@illscience), fonte de todas as teses.", "Cursor": "Exemplo central do argumento de moats descobertas." }, "excluded": { "Claude Code": "Menção apenas em conteúdo secundário da página, não na thread principal." } } }