O que a Anthropic está construindo

O programa de descoberta de medicamentos utiliza a própria tecnologia da empresa e tem como alvo condições que historicamente recebem pouco ou nenhum investimento da indústria farmacêutica convencional. O Claude Science, lançado em paralelo, é descrito como uma ferramenta para acelerar pesquisa científica. Não é um produto de consumo geral, mas um recurso direcionado a quem trabalha com desenvolvimento científico de forma profissional.

Antes da Anthropic, players como Insilico Medicine e Isomorphic Labs (empresa do grupo Alphabet) já atuavam com IA aplicada à descoberta de compostos e moléculas. A entrada da Anthropic representa um novo tipo de competidor nesse espaço: uma lab de modelos de propósito geral que passa a aplicar sua própria tecnologia em uma vertical específica, sem depender de parceiros farmacêuticos para validar o produto.

Por que agora

A Anthropic é a empresa por trás do Claude, um dos principais modelos de linguagem em disputa direta com o GPT da OpenAI. Nos meses anteriores ao anúncio, a empresa acelerou movimentos de expansão: anunciou presença no mercado brasileiro com foco em IA agêntica para empresas e lançou o Claude Mythos, modelo voltado a tarefas de segurança cibernética. A empresa também se prepara para um IPO nos Estados Unidos, contexto que torna relevante qualquer demonstração de aplicação concreta de sua tecnologia fora do mercado de APIs.

O foco em doenças negligenciadas não é apenas posicionamento ético. É um espaço com menos competição direta e maior potencial de impacto mensurável, o tipo de resultado que justifica narrativa e valuation ao mesmo tempo.

Esse movimento também aponta para uma tendência que começa a se consolidar entre startups de IA com rodadas bilionárias: deixar de vender apenas acesso a modelos e começar a aplicar a própria tecnologia em verticais onde o resultado é mais tangível como saúde, direito e ciência.

A questão agora é entender se a Anthropic vai conseguir comprimir décadas de P&D em tempo suficiente para validar compostos antes de um IPO, e o que isso significa para empresas que investem pesado em infraestrutura de IA para sustentar esse tipo de ambição. Se o modelo funcionar, outros labs de IA vão observar de perto.

The post Anthropic anuncia programa interno de descoberta de medicamentos e lança Claude Science para pesquisadores appeared first on The beatstrap.

O que o modelo faz na prática

O Computer Use interage com a tela como um operador humano faria. De acordo com a documentação oficial, o modelo é otimizado para três categorias principais: automação de navegador, execução de workflows de software com múltiplas etapas e testes de interface que exigem raciocínio.

Na prática, isso significa automatizar tarefas como atualizar registros em um CRM, executar fluxos de onboarding em plataformas sem API disponível, rodar campanhas em ferramentas de marketing e conduzir testes de UI, tudo isso sem precisar de conector nativo, webhook ou desenvolvimento customizado. Se o sistema tem uma tela, ele pode ser automatizado.

Por que isso muda a equação de automação

Até agora, automatizar qualquer processo dependente de interface gráfica exigia uma API disponível, um conector como Zapier ou Make, ou desenvolvimento sob medida. O Computer Use contorna essa lógica inteiramente, o que representa uma mudança concreta de viabilidade para startups que operam com times enxutos e volume crescente de tarefas repetitivas.

Para esse perfil de operação, a barreira técnica e o custo de projetos de automação caem de forma significativa, especialmente em ferramentas que não oferecem integração acessível. A funcionalidade está disponível via Gemini API com suporte a padrão assíncrono, o que permite iniciar uma tarefa, obter um job ID e monitorar o status sem bloquear o sistema, algo relevante para automações de longa duração que precisam rodar em segundo plano.

O que o Google admite sobre os riscos

Antes de incluir o Computer Use em qualquer operação crítica, um ponto importante: o Google Cloud classifica o produto como Pre-GA, sujeito a termos específicos de ofertas pré-lançamento. A documentação oficial adverte que o modelo pode ser propenso a erros, apresenta riscos de segurança e não deve ser usado em tarefas importantes.

O critério prático para adoção neste momento passa por avaliar o nível de reversibilidade de cada ação. Faz sentido começar por tarefas repetitivas de baixo risco, onde um erro não gera impacto irreversível. Fluxos financeiros, envio de comunicações em massa ou qualquer ação difícil de desfazer ainda não são território seguro para um agente em fase pré-produção.

O sinal estratégico por trás da integração

Integrar o Computer Use como ferramenta nativa ao Gemini 3.5 Flash não é um detalhe técnico. É um posicionamento de que o Google está transformando o Gemini em infraestrutura para agentes autônomos, deixando para trás a leitura de que se trata apenas de um modelo de linguagem.

Para o ecossistema de startups, isso acelera a corrida por capacidade agentic como diferencial operacional, e desloca a competição dos benchmarks de linguagem para a capacidade de executar tarefas reais em sistemas reais. O que vale observar nos próximos trimestres é como esse mercado de automação por interface visual vai amadurecer e quais vendors vão oferecer garantias de produção estável primeiro.

The post Google transforma Gemini em infraestrutura agentic appeared first on The beatstrap.

Liderança regional e competitividade global são histórias muito diferentes. O Brasil vive bem a primeira, e ainda não encontrou o caminho para a segunda.

O que o StartupBlink mede e o que o título esconde

O StartupBlink é uma das principais plataformas globais de mapeamento de ecossistemas de startups. Seu índice cruza dados de quantidade e qualidade de startups, presença de aceleradoras, investidores e eventos para gerar um score por cidade e país.

No ranking mais recente, o Brasil manteve a liderança na América Latina pelo 7º ano consecutivo, à frente de México e Colômbia, por exemplo. O ecossistema brasileiro conta com 28 cidades mapeadas no índice global, o que dá dimensão da capilaridade do que foi construído aqui.

Porém, o país fica na 26ª posição global (ou 27ª, conforme o Global Startup Ecosystem Index 2025 publicado pelo Portugal Global), ficando numa faixa bem distante dos ecossistemas que definem as tendências, captam os maiores rounds e produzem as empresas que realmente entram no mapa tecnológico mundial. Ser o primeiro de um grupo que ainda luta para aparecer entre os 25 primeiros não resolve esse gap.

A queda no IMD

Em paralelo ao título regional, o Brasil recuou 7 posições no Ranking Mundial de Competitividade do IMD World Competitiveness Center em 2026, passando do 58º para o 65º lugar entre 70 economias. Ou seja, o país figura agora entre os 10 piores da lista.

O ranking do IMD não é um índice de startups. Ele mede o ambiente econômico sistêmico: infraestrutura, eficiência governamental, performance econômica e eficiência empresarial. É exatamente o tipo de contexto que determina se um ecossistema de startups consegue ou não competir além da fronteira regional.

Para um founder que está tentando captar com um fundo americano ou expandir para um mercado europeu, os fatores que o IMD mede são concretos: custo de capital, segurança jurídica, eficiência regulatória, qualidade de infraestrutura, entre outros fatores. A queda de 7 posições em um único ciclo é sinal de deterioração no ambiente que sustenta o crescimento das empresas nascidas aqui.

Singapura, que lidera o ranking de competitividade do IMD, também está consistentemente no topo dos rankings globais de ecossistemas de startups. A correlação não é coincidência.

Escala sem densidade

O ecossistema brasileiro cresceu muito. 28 cidades no mapa do StartupBlink, liderança regional por 7 anos consecutivos, volume de startups que nenhum outro país da América Latina consegue replicar. Isso é real e foi construído com esforço de múltiplas gerações de founders, investidores e programas públicos e privados.

Mas crescimento em escala não é o mesmo que crescimento em densidade competitiva. Ter muitas startups não é o mesmo que ter startups que competem no nível onde as grandes apostas tecnológicas globais são feitas. Ter o 1º lugar na LATAM não muda o fato de que o Brasil está na 26ª posição global enquanto o ambiente de negócios segue deteriorando, segundo o IMD.

O volume do ecossistema brasileiro é, ao mesmo tempo, seu ativo mais real e seu principal argumento de distração. É fácil celebrar o tamanho e ignorar a posição relativa no contexto que realmente importa.

The post Brasil domina LATAM mas é apenas 26º no mundo appeared first on The beatstrap.

A Jota é uma fintech B2B que oferece conta digital com inteligência artificial integrada ao WhatsApp, voltada a empreendedores de pequeno porte. A proposta central da empresa é simplificar a gestão financeira de quem ainda depende de controles informais, o que o CEO Davi Holanda costuma descrever como “aposentar o caderninho do empreendedor”. Com o capital da Série A, a startup declara como meta atingir 1 milhão de clientes até 2026. Esta é a segunda rodada levantada pela Jota em cerca de um ano.

A investidora, Haun Ventures, é uma gestora de venture capital de peso no ecossistema global e nunca havia colocado um cheque em startup brasileira antes desta operação. A escolha da Jota como ponto de entrada no Brasil indica que o segmento de IA aplicada à infraestrutura financeira para pequenas empresas está sendo monitorado por fundos internacionais com critérios seletivos.

Não é uma aposta oportunista, é uma leitura de que banking conversacional via WhatsApp (com IA como camada de operação, não apenas de assistência) tem tração suficiente no Brasil para justificar capital qualificado vindo de fora.

Com valuation de US$185 milhões e a meta de 1 milhão de clientes no horizonte, o próximo ciclo da Jota vai testar se a tese do fundo americano se sustenta na escala.

The post Jota levanta US$30M da Haun Ventures: o que revela a primeira aposta do fundo no Brasil? appeared first on The beatstrap.

O intervalo de mais de quatro anos sem um novo unicórnio na região reflete o ciclo de contração do venture capital global que atingiu a América Latina com força a partir do segundo semestre de 2022. O retorno do marco, portanto, carrega mais peso do que o título em si: sinaliza que o mercado regional voltou a ter capacidade de gerar e absorver valuations bilionários, ainda que com critérios bem mais seletivos do que no ciclo anterior.

O perfil da captação diz mais do que o número

A Série A não veio do nada. Em novembro de 2024, a Plata havia levantado US$55 milhões em dívida. No mês de dezembro, a empresa obteve licença bancária no México, uma credencial regulatória que mudou sua capacidade de acesso a capital. Nos meses seguintes, a trajetória acelerou: a Plata assegurou financiamento de até US$500 milhões da Nomura Securities International, descrito como o maior crédito privado já obtido pela empresa, para apoiar o lançamento das operações bancárias. Já em abril de 2026, anunciou uma rodada Série C de US$405 milhões, sendo posicionada como o banco digital privado mais valioso da América Latina.

A tese que o capital está financiando

O México concentra os dois unicórnios mais recentes da América Latina (Stori e agora Plata) e ambos operam em crédito ao consumidor para populações historicamente subatendidas pelo sistema bancário tradicional. Não é coincidência geográfica. O relatório da Fitch Ratings sobre o mercado de fintechs de LatAm, publicado em fevereiro de 2026, aponta que a região ainda é marcada por sistemas bancários concentrados e baixa penetração em grande parte dos países, exatamente o contexto em que modelos como o da Plata encontram demanda real e escalável.

O capital não está voltando para qualquer fintech da região. Está indo para empresas que combinam mercado endereçável concreto, trajetória regulatória clara e infraestrutura que justifica rodadas de crédito institucional em escala. A licença bancária da Plata foi o ponto de inflexão que viabilizou o acesso à Nomura e a sequência de captações que se seguiu.

O que o mercado brasileiro pode ler nesse movimento é uma questão em aberto, mas o ciclo de recuperação do capital em LATAM parece estar em curso.

The post Plata quebra jejum de 4 anos dos unicórnios de LATAM appeared first on The beatstrap.

Não é mais uma promessa de laboratório. O Digit já opera comercialmente em instalações logísticas e a empresa o descreve como o primeiro humanoide “empregado e comercialmente operacional em ambientes de armazém e industriais”. Em dezembro de 2025, a Agility firmou um acordo com o Mercado Livre para implantar o Digit em uma instalação em San Antonio, Texas. É a primeira parceria comercial confirmada da empresa com uma companhia de grande porte da América Latina, um sinal concreto de tração que chega antes mesmo da abertura de capital.

O posicionamento que diferencia

Jonathan Hurst, co-fundador e Chief Robot Officer da Agility, foi direto em declaração a investidores, comentando que nunca tiveram a intenção de construir uma máquina que se parece e age como uma pessoa, mas sim uma que possa operar em espaços humanos. E isso representa uma tomada de posição deliberada em relação ao mercado: enquanto concorrentes como Figure AI, Tesla com o Optimus e 1X apostam na estética humana como diferencial de branding, a Agility está se posicionando como empresa de utilidade industrial, focada em resolver problemas reais de operação logística. Um ângulo mais conservador, sem dúvida, mas potencialmente mais fácil de justificar no CAPEX de um grande varejista que precisa convencer um conselho antes de assinar qualquer contrato.

O teste real

O mecanismo escolhido para a abertura de capital diz muito sobre o momento do setor. SPACs permitem que empresas apresentem projeções financeiras futuras em seus materiais de captação, algo proibido no processo de IPO convencional nos Estados Unidos. Para startups deeptech com receita ainda em construção, isso representa uma vantagem relevante na hora de contar a história para investidores. O problema é que o mercado está consideravelmente mais cético com SPACs do que estava no pico de 2020 e 2021, quando dezenas de empresas de tecnologia avançada usaram o mesmo caminho.

A Agility tem produto operacional e um contrato real, o que já a diferencia da maioria dos players da vertical. Mas vai precisar demonstrar que consegue escalar produção com margem positiva e, mais do que isso, que o horizonte naturalmente longo do desenvolvimento em robótica consegue sobreviver à pressão de resultado trimestral que vem com a vida de uma empresa pública.

Agora, o IPO da Agility funciona como um “marcador de fase”. O setor saiu da etapa de pesquisa e desenvolvimento e entrou na etapa de capital e escala, com todas as tensões que essa transição traz. O acordo com o Mercado Livre, em particular, coloca a América Latina no mapa dessa transição antes mesmo da listagem, sinalizando que operadores regionais de grande porte já estão fazendo apostas reais, não apenas explorando pilotos.

O mercado público vai precificar humanoides pela primeira vez e o que ele decidir vai ecoar por toda a vertical nos próximos anos.

The post Robôs humanoides chegam à bolsa: Agility Robotics anuncia fusão via SPAC com valuation de U$2,5 bi appeared first on The beatstrap.

O Model Capability Initiative foi criado com dados comportamentais reais de funcionários em ambiente de trabalho, que são mais ricos do que datasets públicos para treinar modelos de IA. O programa capturava keylogging (registro de teclas digitadas) e screenshots periódicos dos laptops, um nível de granularidade raramente disponível em outras formas de coleta.

Para maximizar o volume de dados, a Meta tornou a participação obrigatória para a maioria dos colaboradores, a princípio sem oferecer mecanismo de opt-out. A decisão fazia sentido do ponto de vista de volume de dados. Do ponto de vista de risco, foi o que transformou uma falha de configuração em um incidente de alcance muito maior.

A revisão interna de segurança identificou que os dados coletados (incluindo conversas privadas, registros de desempenho e transcrições de reuniões dos funcionários) estavam muito mais amplamente acessíveis dentro da rede corporativa da Meta do que o pretendido pelo programa.

A Meta confirmou o incidente e informou estar investigando o caso. A empresa não divulgou o número de funcionários afetados nem o período em que os dados ficaram expostos.

O que ficou é que a falha não foi técnica no sentido de uma invasão ou exploração de vulnerabilidade. Foi um conjunto de dados extremamente sensível que ficou centralizado em um ambiente onde os controles de acesso não acompanharam a sensibilidade do que estava sendo armazenado.

O MCI não é o primeiro episódio em que a Meta enfrenta consequências por avançar na coleta de dados para IA sem os controles adequados.

Em julho de 2024, a Autoridade Nacional de Proteção de Dados (ANPD) do Brasil determinou que a Meta suspendesse a coleta de dados de usuários brasileiros para treinar sua IA, após a empresa atualizar sua política de privacidade sem transparência adequada. A Meta chegou a suspender os recursos de IA generativa no Brasil, sob risco de multa diária de R$ 50 mil.

Nos dois casos, tanto o regulatório externo em 2024 quanto essa falha interna em 2026, o padrão é o mesmo: a empresa avança na coleta de dados para IA, a governança não acompanha o ritmo, e as consequências chegam depois.

O caso Meta MCI não é sobre uma grande empresa que errou feio. É sobre o que acontece quando a corrida por dados para IA sistematicamente antecede a construção dos controles que tornam esse dado seguro e isso não é exclusividade de grandes empresas.

Startups que estão acelerando projetos de IA com dados internos — de clientes, de operações, de equipes — enfrentam a mesma tensão em escala menor, mas com menos margem para absorver as consequências. O tamanho da empresa não muda a natureza do risco. Só muda a capacidade de sobreviver a ele.

The post O caso Meta MCI: quando a empresa de IA não tem governança sobre os próprios dados de IA appeared first on The beatstrap.

Ambas podem ser verdade ao mesmo tempo.

O problema que a MoEngage está tentando resolver

O marketing B2C opera há décadas sobre uma lógica de segmentação em lote. Você agrupa usuários por comportamento, define réguas de automação para cada grupo e dispara comunicações padronizadas com pequenas variações. É eficiente para operar em escala e tem um teto claro.

O teto é o seguinte: por mais granular que seja a segmentação, o modelo ainda trata grupos, não indivíduos. Um segmento de “usuários inativos há 30 dias com ticket médio alto” pode ter 800 mil pessoas com contextos completamente diferentes. A régua trata todas elas da mesma forma.

A proposta da MoEngage quebra essa lógica na raiz. Em vez de um segmento com 800 mil usuários, seriam 800 mil agentes tomando decisões distintas para cada um em tempo real e sem intervenção humana. O agente decide quando engajar, por qual canal, com qual mensagem e com qual frequência, com base no contexto individual de cada pessoa.

O que a arquitetura de agentes muda na prática

Agentes de IA não são chatbots com script. São sistemas autônomos que compreendem contexto, tomam decisões e executam ações complexas sem seguir um fluxo pré-definido. A diferença prática para o marketing é que um agente não executa o próximo passo de uma régua, ele avalia o estado atual de um usuário e decide qual é a ação mais adequada naquele momento.

O benchmark de ganho já existe para aplicações de IA mais convencionais. O Boston Consulting Group (BCG) indica que o uso de inteligência artificial pode acelerar processos em 30% a 50% em áreas que incluem operações de clientes. Agentes individuais por consumidor, se funcionarem em produção, poderiam elevar esse patamar, mas ainda não há dados públicos que comprovem isso em escala B2C real.

Três perguntas sem resposta (por enquanto)

Custo e escala: a conta fecha?

Uma empresa com 10 milhões de usuários na base precisaria operar 10 milhões de agentes simultâneos. O custo computacional, a latência e a infraestrutura necessária para isso ainda não têm resposta clara no mercado. O avanço de big techs em infraestrutura de IA, como o movimento de investimentos massivos de Amazon, Microsoft e outros em modelos de linguagem e capacidade de inferência, cria as condições para que isso um dia seja economicamente viável. Mas “um dia” não é agora para a maioria das empresas.

Governança e autonomia: quem controla o agente?

Agentes autônomos operam com menor supervisão humana por “natureza” e essa autonomia pode se tornar uma ameaça quando praticidade e poder avançam além da cautela. No contexto de marketing, isso não é abstrato: um agente com acesso a dados comportamentais de milhões de usuários, capacidade de enviar comunicações e autonomia para decidir frequência e conteúdo cria um vetor de risco regulatório, reputacional e de compliance. LGPD não pode ser apenas um detalhe nessa equação.

Diferencial real ou posicionamento de mercado?

A MoEngage compete com Salesforce Marketing Cloud, Braze e outros players consolidados. A aposta em agentes individuais pode ser um diferencial genuíno de produto ou pode ser um movimento de marketing tecnológico com sustentação operacional ainda em construção. A Salesforce já lidera em aquisições de tecnologia de IA e integra agentes em seus fluxos de automação empresarial, mas o foco tem sido em processos internos, não em personalização de consumidores finais em escala. Se a MoEngage conseguir entregar o que promete antes dos grandes players chegarem ao mesmo ponto, a vantagem se torna real.

O que isso significa para o mercado brasileiro

Uma pesquisa da Cisco, de janeiro de 2026, aponta que 92% das empresas brasileiras planejam adotar agentes de IA, um índice acima da média mundial. O número coloca o Brasil em posição de destaque em intenção. O problema é que intenção e operação são coisas diferentes.

A maioria das empresas brasileiras ainda está na fase de planejamento, não de execução em produção. O mercado global de agentes também segue predominantemente em aplicações táticas (como a descoberta de medicamentos, atendimento ao cliente, programação e pesquisa de informações). Por isso, aplicar arquitetura de agentes ao marketing B2C na escala do consumidor individual é um salto além do que a maioria das empresas está operando hoje, no Brasil e fora dele.

Para CMOs e founders que tomam decisões de stack de marketing agora, a direção da MoEngage é relevante e merece atenção. Mas adotar essa arquitetura hoje, em produção, com base de usuários de médio e grande porte, ainda exige responder perguntas que o mercado não respondeu.

De modo geral, a lógica de agentes individuais por consumidor é tecnicamente coerente com o que os modelos de IA passaram a ser capazes de fazer e com a trajetória de queda de custo de inferência. O problema não é a visão, mas sim a execução em escala, a governança adequada e a viabilidade econômica em contextos reais de operação.

O que vale monitorar: se a MoEngage consegue apresentar casos de uso em produção com dados mensuráveis de resultado nos próximos 12 a 18 meses, a proposta deixa de ser estratégia e vira referência de mercado. Se ficar só no anúncio, entra para a lista de promessas de IA que o ecossistema aprendeu a receber com ceticismo.

The post Um agente de IA por cliente: a aposta da MoEngage que coloca em xeque o modelo atual de marketing B2C appeared first on The beatstrap.

O Cursor, usando o modelo Claude Opus 4.6, encontrou um problema de credencial durante uma operação em ambiente de staging. Sem pedir confirmação, o agente buscou um token de API em um arquivo fora do escopo da tarefa, acessou a infraestrutura em nuvem da Railway e executou o comando de exclusão do volume de produção. Foram apenas nove segundos para isso acontecer, mas o outage durou mais de 30 horas (e o único backup recuperado tinha três meses de idade). O post-mortem publicado por Jer Crane, fundador da empresa, acumulou mais de 6,5 milhões de visualizações no X.

Quando questionado, o agente confirmou o que tinha feito. “Eu deveria ter perguntado primeiro ou encontrado uma solução não destrutiva. Eu decidi fazer isso por conta própria para ‘corrigir’ o problema de credencial“, registrou na confissão publicada por Crane. O agente também listou as regras internas que havia ignorado, incluindo “NUNCA execute comandos destrutivos ou irreversíveis sem que o usuário solicite explicitamente”.

O caso PocketOS não é uma curiosidade técnica. É a síntese mais clara disponível sobre o que acontece quando a velocidade de automação supera a maturidade de governança. E ele chegou num momento em que a maioria das startups brasileiras já usa IA no desenvolvimento de alguma forma.

O que os dados dizem

O incidente é extremo, mas o problema que ele revela não é. Um conjunto de pesquisas publicadas entre 2024 e 2026 converge na mesma direção.

O GenAI Code Security Report 2025 da Veracode, que testou mais de 100 modelos de linguagem, encontrou vulnerabilidades em 45% do código gerado por IA, com densidade de falhas 2,74 vezes maior do que código escrito por humanos. Compilações de múltiplos estudos, como a publicada pela SQ Magazine, apontam para uma faixa entre 40% e 62%, dependendo da linguagem, da ferramenta e do tipo de tarefa. O número de 62% que circula no ecossistema não é um outlier alarmista. É o teto de uma faixa documentada por pesquisa independente.

Um estudo realizado pelos pesquisadores Shivani Shukla, Himanshu Joshi e Romilla Syed (apresentado no IEEE-ISTAS) adicionou uma camada mais perturbadora à discussão: a cada ciclo de refinamento automático, as falhas críticas crescem 37,6%, patamar atingido após apenas cinco iterações. Quanto mais a IA “melhora” o código por conta própria, mais vulnerabilidades críticas acumula. 

A GitClear, que analisou 211 milhões de linhas de código em 2024, encontrou oito vezes mais duplicações em código gerado por IA, sinal direto de dívida técnica acumulando silenciosamente. E a Apiiro reportou que, até junho de 2025, código gerado por IA adicionava mais de 10 mil novos alertas de segurança por mês nos repositórios analisados. Dez vezes mais do que em dezembro de 2024.

Há ainda um dado do estudo da Stanford que merece atenção específica. Em experimentos com 47 desenvolvedores realizando tarefas de programação segura, metade com assistência de IA e metade sem, os que usaram IA produziram código significativamente menos seguro em quatro das cinco tarefas. O detalhe mais relevante é que os que geraram código mais inseguro avaliaram sua confiança na ferramenta em 4 de 5. Quanto mais confiam, menos revisam.

Por que o código gerado por IA é mais vulnerável

A questão não é se a ferramenta é boa ou ruim, é o que ela otimiza. A IA gera código que parece correto com base em padrões estatísticos. Segurança raramente é o critério explicitado na instrução, então raramente é o critério prioritário na saída. Sanitização de inputs, parametrização de queries, controle de autenticação, tratamento adequado de credenciais… São práticas que um desenvolvedor experiente aplica por reflexo, sem precisar pensar. Mas a IA não tem esse reflexo, ela apenas entrega o que foi pedido.

O resultado é um código que passa nos testes básicos, parece funcionar, vai para produção e acumula falhas que só aparecem quando o volume de dados e usuários já tornou o conserto caro. A dívida técnica não fica visível no pull request. Ela fica visível na auditoria do investidor.

O risco específico dos agentes autônomos

O caso PocketOS introduz uma camada adicional que vai além de vulnerabilidades passivas no código. Agentes autônomos com permissões amplas em produção não apenas acumulam falhas latentes, eles podem tomar decisões ativas com consequências permanentes, e a velocidade do processo elimina a possibilidade de intervenção humana.

O incidente não foi causado por um bug no agente, mas por uma decisão arquitetural de conceder permissões amplas a um sistema que opera sem confirmação obrigatória para ações irreversíveis. O agente encontrou um imprevisto, buscou uma solução por analogia e a executou. Nove segundos não deixam espaço para revisão.

O padrão não é exclusivo da PocketOS. Em fevereiro de 2025, o desenvolvedor Alexey Grigorev perdeu quase 2 milhões de linhas de dados usando Claude Code. Em março de 2026, outro desenvolvedor perdeu 2,5 anos de dados em uma atualização de infraestrutura conduzida pela mesma ferramenta. Os casos se acumulam porque a causa estrutural permanece: agente com acesso irrestrito, sem confirmação humana obrigatória para ações destrutivas.

O problema estratégico para founders

Esse não é um alerta para CTOs e sim para os CEOs.

Dívida técnica acumulada via vibe coding sem governança tem três formas, identificadas em análises do setor: dívida de arquitetura, dívida de FinOps e dívida de risco. As três tendem a crescer silenciosamente até que um evento as torna visíveis. O momento mais comum para essa visibilidade, no contexto de startups em crescimento, é a due diligence de rodada. Repositórios com volume alto de alertas de segurança, arquitetura frágil e ausência de práticas de governança são “red flags” que travam conversas com investidores antes de qualquer negociação de valuation.

O gatilho para rever as decisões de segurança tomadas na fase de velocidade é identificável. Isto é, quando a operação passa a depender do sistema, seja via suporte, cobrança ou dados de clientes que não podem sumir, o custo de instabilidade muda de patamar. Nesse momento, tratar a governança como “fase 2” já passou do ponto.

IA como acelerador de desenvolvimento é real e legítimo. E o problema é específico: confundir protótipo com infraestrutura, e velocidade de entrega com ausência de risco.

The post Esta startup perdeu tudo em 9 segundos por confiar demais em um agente de IA appeared first on The beatstrap.

A Spedy, plataforma de automação fiscal fundada em 2021, encerrou o Q1 de 2026 com crescimento de 33% em faturamento na comparação com dezembro de 2025 e confirmou a meta de atingir R$1 milhão em MRR até o final do ano. “O MRR é o número que dita o ritmo de uma empresa de software, e o desempenho do primeiro trimestre nos dá a tração necessária para ultrapassar a marca de R$1 milhão até o fim do ano“, diz Danilo Singh, CEO e cofundador. Em junho, a empresa estreou como expositora no Web Summit Rio e o crescimento do Q1 não veio de um produto novo, mas do calendário regulatório.

O que está acontecendo com as notas fiscais

A Reforma Tributária, instituída pela Emenda Constitucional 132/2023 e regulamentada pela Lei Complementar 214/2025, é a maior alteração no sistema de impostos sobre consumo do Brasil em décadas. E ela está acontecendo agora, em etapas com datas obrigatórias que afetam empresas de todos os portes.

O que já entrou em vigor em 2026: desde janeiro, as notas fiscais eletrônicas — NF-e, NFC-e e NFS-e — passaram a exigir campos específicos para IBS (Imposto sobre Bens e Serviços, que substituirá ICMS e ISS) e CBS (Contribuição sobre Bens e Serviços, que substituirá PIS e COFINS). Para empresas do Regime Normal, o destaque é obrigatório com alíquotas simbólicas de 0,9% e 0,1% (sem cobrança adicional, mas com exigência de incluir os campos no XML do documento). Quem não inclui tem nota rejeitada. Em agosto de 2026, a validação se torna obrigatória pelo sistema.

Há ainda uma mudança que passou despercebida para boa parte do mercado: a NFS-e passou a seguir padrão nacional obrigatório a partir de 2026. Antes, cada um dos 5.570 municípios brasileiros tinha seu próprio sistema de nota de serviço. A unificação cria uma janela de oportunidade direta para quem já tem infraestrutura nacional, e a Spedy hoje cobre mais de 1.300 municípios via API única.

O cronograma continua. Em 2027, a CBS substitui PIS e COFINS em plena vigência, e o Simples Nacional entra no novo regime.

A partir de então, também entra em vigor o Split Payment: o recolhimento do tributo passa a ser automático no momento da transação, e a empresa recebe o valor já descontado. Isso muda o fluxo financeiro de quem vende online e exige adaptação nos sistemas de emissão e conciliação. O ISS municipal e o ICMS estadual serão extintos progressivamente entre 2029 e 2033.

A Spedy como caso concreto

A empresa atende mais de 4.500 clientes ativos entre e-commerces, SaaS, infoprodutores e operações enterprise, e já processou mais de R$5 bilhões em transações fiscais pela plataforma. Em 2025, cresceu 143% em MRR com EBITDA de 42%, números que refletem um modelo PLG com estrutura enxuta e baixo custo de aquisição.

O crescimento do Q1 2026 foi liderado pela Spedy API, linha recém-lançada voltada a integrações com plataformas SaaS e ERPs. Foi exatamente o canal mais diretamente impactado pelas novas exigências de campos fiscais nas notas: toda plataforma que emite nota em nome dos seus clientes precisou atualizar a integração. Quem estava integrado à Spedy atualizou automaticamente. Quem não estava, precisou encontrar uma solução.

A empresa também está testando novos segmentos até então fora do radar tradicional de SaaS fiscal: profissionais liberais, prestadores de serviço por recorrência e pequenos negócios offline. “A reforma tributária acelera uma transição que já era inevitável: a digitalização da emissão fiscal no Brasil precisa deixar de ser um privilégio das grandes operações e chegar aos profissionais autônomos e pequenas empresas. É esse o gargalo que queremos atacar com a nova versão“, diz Vagner Alves, COO e cofundador.

Por que esse segmento opera abaixo do radar

Startups de automação fiscal não aparecem nos rankings de setores mais aquecidos do ecossistema. Não têm o apelo de IA generativa nem o prestígio de fintech. Mas operam com uma vantagem estrutural que poucos segmentos têm: demanda não-discricionária.

A automação fiscal não é um “bom para ter”, mas sim um “precisa ter ou tem problema com o fisco”. Isso reduz radicalmente o ciclo de vendas, elimina a necessidade de educar o cliente sobre o problema e torna o CAC mais previsível. O cliente não precisa ser convencido de que emitir nota é necessário. Ele já sabe. O que ele precisa é de uma solução que funcione.

A diferença entre criar demanda, o que startups de IA e fintech fazem, e capturar demanda criada por regulação é precisamente o que o calendário da reforma tributária representa para esse segmento. Cada data de obrigatoriedade é um pico de demanda previsível. Quem já tem produto, base de clientes e integrações prontas captura essa demanda na frente. Quem ainda está desenvolvendo, pode chegar tarde.

O mercado é fragmentado e tem espaço para múltiplos players. O universo de potenciais clientes vai de SaaS e infoprodutores ao dentista, ao nutricionista e ao pequeno negócio offline que ainda emite nota manualmente. A Spedy está apostando que, quanto mais a reforma avança, maior fica o gargalo de automação para quem ainda não resolveu isso.

O próximo prazo relevante é 2027. A CBS entra em plena vigência, o Simples Nacional se adapta e o Split Payment começa a mudar o fluxo de caixa de quem vende online. E o crescimento e surgimento de novas startups de automação fiscal é esperado.

The post Esta startup cresceu 33% em um trimestre sem lançar nada novo, a Reforma Tributária fez o trabalho appeared first on The beatstrap.