Startup de IA da Silicon Valley se adapta à medida que os modelos de gasto e gestão de tokens evoluem

O engenheiro de IA de Silicon Valley, Ma Peiyuan, com base em mais de quatro anos de observação do setor, identificou dez mudanças significativas atuais: a contratação de talentos está passando de especialistas para generalistas, e a capacidade de usar ferramentas de IA pode transcender anos de experiência; a estrutura organizacional está se tornando mais plana, exigindo que gestores possuam habilidades técnicas, enquanto o papel de people manager está desaparecendo; o uso de tokens está passando de uma busca cega por quantidade para uma ênfase em eficiência, com grandes empresas começando a reavaliar seus cálculos; o culto aos modelos está sendo derrubado, e em Silicon Valley está se popularizando a integração e agendamento de múltiplos modelos baratos e de ponta; novas infraestruturas de IA estão surgindo, e agentes de IA verticais ainda possuem valor de investimento por conseguirem resolver problemas reais “não treináveis”. Ma Peiyuan enfatiza que, no campo da IA, um ano é um período muito longo, e a maioria das avaliações pode ser refutada em apenas um mês.

Autor e fonte do artigo: 36kr

Todos os consensos estão expirando rapidamente

Todos estão tentando formar julgamentos sobre IA, mas todos os consensos estão ficando rapidamente obsoletos.

Entrevista | Ba Rui, Brisa do Mar

Artigo por Hai Feng e Liu Sijie

Editado por: Liu Sijie

Fonte da imagem de capa | Fotografia fornecida pelo entrevistado

A fase de crescimento desenfreado já passou.

Esta é a sensação mais profunda de Ma Peiyuan, recentemente envolvido na linha de frente de startups de IA em Silicon Valley.

Em dezembro de 2021, após se formar na graduação, ele entrou na Quora, conhecida como "o Quora americano", e posteriormente passou para a plataforma de agregação de chatbots de IA Poe, como engenheiro sênior de IA. Há dois meses, ele se juntou à Cognition, a startup de agentes de IA mais popular da Vale do Silício.

Em maio de 2026, a empresa, fundada há menos de três anos, anunciou a conclusão de um financiamento superior a US$ 1 bilhão, com sua avaliação subindo para US$ 26 bilhões. Oito meses atrás, sua avaliação era de US$ 10,2 bilhões.

Além de engenheiro, Ma Peiyuan tem outra identidade — caçador de investimentos (Venture Scout). Ele busca para instituições de investimento projetos de startups de IA dignos de aposta, com um orçamento anual de 500 mil dólares.

Nos quatro anos e meio após a formatura, ele pareceu sempre agir antes do consenso da indústria de IA: antes que a palavra “agent” fosse claramente definida por ninguém, sua equipe já havia iniciado secretamente um projeto. Quando a Anthropic ainda era desconhecida, eles se tornaram os primeiros usuários profundos do Claude. Ele foi o primeiro engenheiro certificado em IA e o primeiro engenheiro de agentes de IA da equipe, e posteriormente transformou toda a equipe de engenharia em uma equipe AI Native, usando IA para programar.

A confirmação mais interessante dessa percepção e ação antecipadas ocorreu há duas semanas, quando ele mencionou casualmente durante uma conversa com o “Future Humans Lab” que “people managers estão desaparecendo”, e pouco depois foi confirmado pelas notícias de que Tencent e ByteDance anunciaram a eliminação dos níveis médios.

As mudanças ocorrem muito rapidamente, e na Silicon Valley, é preciso conviver constantemente com a mudança.

Durante os dois meses entre as duas entrevistas deste artigo, Ma Peiyuan percebeu que a lógica que ele havia apresentado anteriormente sobre a “busca por modelos mais caros e mais avançados” em Silicon Valley já não se sustentava mais. A abordagem atualmente em voga em Silicon Valley é combinar e gerenciar de forma inteligente múltiplos modelos baratos com modelos de ponta.

Conversei com Ma Peiyuan por quase cinco horas e descobrimos que ele quase sempre está refutando o que disse ontem — e o mesmo acontece na Vale do Silício. “Não posso dizer tudo, mas você pode dizer que mais de 60% pode se inverter novamente após um mês.”

Nos últimos anos, a IA quase reescreveu todas as regras padrão da Silicon Valley: quem tem mais chances de se destacar, quais organizações são mais competitivas e onde o dinheiro vale a pena ser gasto.

Claro, esses julgamentos sobre as chamadas "respostas corretas" também estão rapidamente se tornando obsoletos. No campo da IA, um ano já é um período muito longo, e muitos julgamentos podem ser refutados em apenas um mês.

A seguir, estão as 10 observações sobre IA em Silicon Valley que Ma Peiyuan considera muito atuais:

Ma Peiyuan

O perfil profissional de Ma Peiyuan se alinha perfeitamente com o tipo de talento mais procurado pelas empresas de IA da Silicon Valley. Ele não tem uma formação tradicional em computação, não ganhou medalhas em competições, não possui o brilho de universidades de elite e, em um momento, nem tinha interesse em computação. Contudo, nos últimos quatro anos, ele passou do grupo de publicidade do Quora até se tornar engenheiro de IA na Cognition, e sua trajetória abrange exatamente cada palavra-chave do perfil de talento mais desejado pelas empresas de IA da Silicon Valley hoje. Sua experiência é, ao mesmo tempo, uma história de crescimento pessoal e um exemplo das mudanças nos critérios de contratação da indústria.

Observação 1: Generalistas superam especialistas

O perfil de profissional mais procurado na Silicon Valley agora não é o especialista mais profundo em um determinado campo, mas sim alguém que “se saí bem em tudo, sem fraquezas aparentes” — a indústria chama isso de polyglot talent, ou, de forma mais popular, “guerreiro hexagonal”.

Em 2024, dentro da Poe, foi iniciado um projeto chamado “agente”, cuja definição ainda não estava clara na época. A equipe escolheu-me, um novato, por uma razão direta: “já trabalhei com IA e também com desenvolvimento full-stack e iOS”. Naquela época, os outros membros da equipe vinham principalmente de fundos em machine learning tradicional, busca, publicidade e recomendação — eles não entendiam código frontend, mas o agente precisava justamente de alguém capaz de escrever interfaces frontend. Após a saída da pessoa originalmente responsável pela engenharia de prompts de IA da empresa, ninguém mais na equipe conseguia preencher essa lacuna. Então, como eu aprendia rápido, acabei me encarregando tanto da engenharia de prompts desse agente quanto da escrita do código frontend.

Essa combinação de habilidades de “saber um pouco de tudo” acabou se tornando meu capital mais valioso ao procurar emprego. Me dê qualquer novo campo, e eu consigo aprender quase tudo em duas semanas. E era exatamente isso que as startups no início procuravam.

Observação 2: Habilidades nativas de IA podem dominar anos de experiência em pouco tempo

A capacidade de usar ferramentas de IA pode diretamente superar a experiência acumulada por anos no sentido tradicional.

Quando me transferi do grupo de anúncios do Quora para o grupo iOS, citei como motivo "querer sair da minha zona de conforto", mas na época eu não sabia nada sobre iOS, era completamente um "zero de experiência". Em vez de aprender aos poucos, usei o GPT-4 como meu parceiro. Ao meu redor, havia engenheiros iOS muito experientes que talvez não acreditassem na IA. Como eu não sabia escrever código iOS nem Swift, comecei a pedir freneticamente que a IA escrevesse o código por mim.

Como resultado, eu, um novato com apenas três a quatro meses de experiência, alcancei e até superei a produtividade de engenheiros sêniores com anos de experiência ao meu redor, alcançando um cargo sênior em apenas dois anos. Isso seria uma velocidade praticamente impossível no sistema tradicional de promoção. Anteriormente, na Facebook, levaria pelo menos quatro a seis anos para se tornar um engenheiro sênior. Alguns na Google nunca chegam a ser promovidos a engenheiro sênior.

Já encontrei um entrevistador de 19 anos na Cognition. Inicialmente, fiquei um pouco frustrado por um homem de 26 anos ser “interrogado” por alguém de 19 anos, e muitas perguntas eu não conseguia responder. Depois, percebi que isso era exatamente um sinal de que a empresa realmente valoriza talentos sem se prender a convenções, e que a idade já não é mais o padrão da Vale do Silício para avaliar talentos.

Observação 3: Os critérios de contratação foram completamente reescritos; as empresas de IA não usam o mesmo modelo de entrevista

Antes de deixar o Quora, entrevistei cuidadosamente cerca de 20 empresas, e incluindo aquelas com as quais tive ligações, foram 30 a 40. No auge, fui abordado por mais de 30 recrutadores em uma única semana.

Entrevistei tantas empresas que percebi que, atualmente, as empresas de IA não têm um modelo de entrevista padronizado.

Mas há algumas mudanças óbvias: a importância das questões de algoritmos no estilo LeetCode está diminuindo, e as melhores respostas sobre o design de sistemas de IA mudam todos os meses.

A estrutura da entrevista também está mudando. Provas online + work trial tornaram-se uma nova combinação. O work trial é um “período de teste” muito curto. Alguns duram 3 horas, outros 5 horas, e o mais longo é de apenas um ou dois dias. Em uma entrevista que participei, me deram diretamente um repositório de código e me pediram para resolver um problema real usando qualquer ferramenta, incluindo IA. Após concluir, precisei apresentar minha abordagem e os resultados. Todo o processo já é muito próximo do trabalho real.

Mais interessante ainda, a avaliação do uso de IA foi dividida em dois modos. Algumas rodadas exigem o uso obrigatório de IA, observando como você faz “by code”; mas também há rodadas que proíbem explicitamente o uso de IA, como em debug, testando se você consegue identificar erros sem a ajuda da IA, essencialmente avaliando seu nível e gosto reais em engenharia de software.

A entrevista em si também é muito variada. Por exemplo, algumas empresas me pedem para fazer uma análise comercial e decidir em qual setor elas deveriam adquirir.

A rodada de entrevista comportamental também mudou. Já não são mais perguntas tradicionais como “seus maiores pontos fortes e fracos” ou “como resolver conflitos com colegas”, mas sim uma análise ao longo do tempo, observando a trajetória de crescimento de uma pessoa — desde o ensino médio até a universidade, passando por estágios e trabalho — investigando seu “coeficiente de vida” para avaliar se você é alguém capaz de crescer exponencialmente.

Um benefício inesperado de não haver uma resposta padrão é que ninguém pode conseguir uma vaga decorando perguntas. Mesmo meu indicador na Cognition me disse diretamente: “Não se prepare, acho que não há nada para preparar.”

Na Silicon Valley, as pessoas mais brilhantes nunca pertencem a uma única empresa, mas sim à “empresa mais brilhante daquela era”. Vinte anos atrás, era o Google; dez anos atrás, eram Uber e Robinhood; cinco anos atrás, era a Coinbase; agora, são as empresas de IA. A Silicon Valley é “pratos de prata que fluem, soldados inabaláveis”. Esses talentos, filtrados por novos padrões, permanecem mais por um senso de missão do que por “benefícios”. Essas organizações que reúnem as pessoas mais brilhantes também estão passando por grandes transformações sob a reestruturação da IA.

Observação 4: Excesso de desejo por "AI-native"

A demanda das empresas da Vale do Silício por soluções nativas de IA é muito maior do que eu imaginava. As empresas que entrevistei são principalmente das rodadas A e B, com algumas em estágio seed. Uma pergunta muito frequente é: “Quais ferramentas de IA você usa?”. Geralmente, eu simplesmente envio meus próprios blogs, e a maioria delas fica “de boca aberta”.

Eles dirão que não querem apenas que eu desenvolva aplicações de IA, mas também que impulsiono a transformação de IA dentro da empresa, tornando a equipe mais nativa em IA. Muitas empresas já estão desenvolvendo produtos de IA, mas os funcionários ainda não estabeleceram seus próprios fluxos de trabalho de IA. Além disso, eles também precisam muito de alguém que passe muito tempo rolando o Twitter todos os dias e compartilhe prontamente novas descobertas de IA ou dicas de eficiência.

Isso é um pouco contra-intuitivo para mim. Alguns dos meus antigos “hobbies”, como brincar diariamente com novas ferramentas como o Claude Code e compartilhar formas de usar IA no Slack (um software de produtividade), acabaram se tornando um novo papel organizacional.

Antes, no Quora, consegui fazer com que toda a equipe de engenharia usasse o Claude Code. Sempre que encontrava um engenheiro no escritório, perguntava: “Você está usando IA para programar?” Lembro-me de um engenheiro especializado em segurança cibernética que, no início, resistia, achando que usar IA para escrever código era muito arriscado. Depois, sugeri que ele mudasse a abordagem: em vez de escrever código, usasse a IA apenas para ler, compreender o repositório de código e fazer análise de dados. Mais tarde, ele realmente passou a usá-la.

Observação 5: "Usar melhor a IA" é, na verdade, um problema de transformação organizacional

Ao trabalhar com IA na Cognition, fui cada vez mais percebendo um fato: usar melhor a IA já não é mais apenas um problema de engenharia, mas sim uma questão de transformação organizacional.

Por exemplo, em uma empresa de internet com estrutura organizacional tradicional, a correção de um bug, desde sua detecção até a implementação, geralmente passa por várias etapas: avaliação de requisitos, planejamento de engenharia, desenvolvimento, teste e lançamento. Usar IA para escrever código pode levar apenas duas ou três horas, mas todo o processo completo frequentemente leva um mês.

Antes, esse processo era razoável. Porque consertar um bug podia levar um engenheiro de três a cinco dias, e o valor do processo estava em coordenar diferentes equipes e alocar recursos. Mas a IA reduziu esse tempo.

Agora, com produtos de engenheiros de software AI como o Devin, lançado pela Cognition, conseguimos concluir o trabalho que antes levava dias em apenas duas ou três horas. Na Cognition, até conseguimos usar o Devin para identificar a pessoa responsável por esse bug e depois deixar que o Devin o auxilie na correção, eliminando muitas etapas de coordenação e transferência, sem qualquer redundância. Na verdade, é a IA que está forçando toda a transformação da estrutura organizacional.

Observação 6: O gerente de pessoas está desaparecendo; os gestores precisam saber programar

O chamado people manager é o gerente de engenharia (engineering manager). Nos últimos anos nos Estados Unidos, surgiu uma ideia popular de que, como gestor, você deve se concentrar na gestão — lidar principalmente com a coordenação da equipe, comunicação organizacional, cuidar das emoções dos funcionários e oferecer suporte ao crescimento, sem precisar ter habilidades técnicas muito fortes.

Mas ao entrar na Cognition, percebi que toda a estrutura organizacional é extremamente plana. Por exemplo, meu supervisor direto é até mesmo o CPO, um dos cofundadores. Ele não se envolve detalhadamente com seu crescimento pessoal; seu papel é mais como definir a direção geral. Pode-se até dizer que, na equipe de engenharia da Cognition, com mais de 60 pessoas, há apenas um único verdadeiro gerente de pessoas; os demais, incluindo o CPO, são “gerentes que também escrevem código”. Isso é totalmente diferente da minha experiência anterior na Quora, quando um gerente podia supervisionar cinco ou seis engenheiros.

A equipe da Cognition vestiu roupas vermelhas em conjunto para celebrar o aniversário de um colega que normalmente usa roupas vermelhas.

Acho que isso pode ser uma mudança organizacional trazida pela IA. Observei que qualquer startup de IA com energia vital é assim: quase não há gerentes cuja única função seja gerenciar pessoas — se eles gerenciam pessoas, também são tecnicamente muito fortes.

Essa decisão não ocorreu apenas na Vale do Silício; entre duas entrevistas separadas por duas semanas, grandes empresas nacionais como Tencent e ByteDance também anunciaram sucessivamente a eliminação de cargos de nível médio.

As mudanças observadas por Ma Peiyuan não se limitam ao nível organizacional. Uma avaliação mais ampla da indústria: “Na interno das empresas de IA da Silicon Valley, quais gastos com tokens são considerados razoáveis e quais modelos são considerados bons?” também estão sendo derrubadas a uma velocidade visível a olho nu. Desta vez, até mesmo o julgamento que ele fez na primeira entrevista não resistiu duas semanas.

A indústria de IA em Silicon Valley também se auto-repudia a cada mês ou até a cada dia; nenhuma avaliação permanece válida por muito tempo.

Observação 7: O Token Maxxing apresentou divergência; grandes empresas começaram a se preocupar novamente com eficiência

No início deste ano, o “Token-Maxxing” chegou a ser popular na Silicon Valley. Empresas como a Meta chegaram até a criar rankings de uso de tokens. Quem usava mais era considerado o representante do “nativo de IA”. Acho que isso, em primeiro lugar, é algo muito tolo — o volume de uso de tokens de IA não pode ser igualado à eficiência dos engenheiros.

Meus amigos do Google e Meta me disseram que, na época, todos estavam envolvidos na "Grande Salto Adiante da IA". As empresas organizavam especificamente a "Semana da IA", e todos tinham que parar seu trabalho atual para escrever sobre Habilidades em IA, apresentando suas competências de forma exagerada.

No início, quase todas as empresas seguiram essa abordagem: primeiro, fazer com que as pessoas usem IA o máximo possível, para ver até onde é possível utilizá-la.

Mas assim que se torna uma classificação pública, o comportamento humano se distorce. Engenheiros passam a usar apenas para “ter mais uso”, e até surgem situações absurdas, como fazer a IA percorrer rotas aleatórias todas as noites ou executar tarefas vazias sem sentido, apenas para aumentar o volume de uso. Isso é semelhante a medir a capacidade dos alunos apenas pelo GPA — um único indicador很容易 se distorcer.

Mais tarde, muitos executivos também começaram a perceber esse problema. Mais especificamente, eles ficaram assustados com as contas. Por exemplo, a Uber esgotou praticamente todo o orçamento anual de IA para 2026 nos primeiros quatro meses. Muitas grandes empresas começaram a restringir novamente o uso de tokens. Conselhos e CEOs passaram a perguntar: o uso desse token realmente vale a pena? Ele realmente nos permite aumentar tão significativamente a eficiência? Será que um bilhão de dólares investidos realmente gerou um bilhão de dólares em retorno?

Essa ansiedade foi rapidamente transformada pela Cognition em uma resposta comercial claramente valorizada. Em 4 de junho, a Cognition lançou a "Garantia de Produtividade em IA" — se os clientes corporativos utilizarem o Devin (o produto de engenheiro de software baseado em IA da Cognition) e não alcançarem o nível prometido de aumento de eficiência, a empresa oferecerá uma indenização máxima de 10 milhões de dólares americanos. O pesquisador por trás desse estudo é um colega meu que conquistou três medalhas de ouro nas Olimpíadas Internacionais de Informática; ele analisou 233 casos reais de clientes, selecionou aleatoriamente diálogos entre clientes e o Devin e perguntou aos clientes: "Se não usasse o Devin, quanto tempo levaria para concluir esse trabalho manualmente?". Com esses dados, ele treinou um sistema de previsão que converte cada interação com o Devin diretamente em "horas-equivalentes de engenheiro", e, usando o salário horário de engenheiros, calculou quanto esse produto realmente economizou.

Mas muitas empresas do YC ainda podem continuar o modelo de “token maxxing”, pois têm muitos créditos gratuitos de tokens com benefícios políticos e, por serem pequenas, talvez tenham apenas três pessoas, sem problemas de governança por IA — os gestores conseguem ver diretamente se cada pessoa está realmente usando IA para procrastinar.

Observação 8: A adoração do modelo também está sendo derrubada

Nesse intervalo de duas semanas entre as duas entrevistas deste artigo, percebi que os argumentos que apresentei na última já não estavam mais corretos.

Há duas semanas, eu ainda discutia qual modelo era o mais avançado atualmente. Agora, a Cognition acabou de lançar internamente uma funcionalidade ainda sem tradução em chinês, codinome fusion mode — que combina e agendamente múltiplos modelos baratos com os modelos de ponta, em vez de chamar cegamente o mais caro. Você não usa seu Porsche todos os dias para fazer compras no supermercado, certo? Você deve usar seu Honda ou um carro mais barato para isso. A velocidade de iteração dos modelos nestas duas semanas também superou minhas expectativas; nem mesmo quem é o “número um” ousa afirmar com certeza.

Não posso dizer todos, mas você pode dizer mais de 60%; muitos podem estar no sentido oposto um mês depois.

É assim que toda onda tecnológica evolui: o colapso do antigo consenso é frequentemente o início de um novo paradigma.

Quando o mercado se despediu da adoração cega por modelos únicos e gasto excessivo de poder computacional, a demanda por “como fazer a IA ser implementada de forma estável e controlável” e “como resolver os problemas difíceis que os grandes modelos não conseguem superar” explodiu. Observando com uma dupla perspectiva de engenheiro e recrutador de investimentos, Ma Peiyuan percebeu que um novo conjunto de negócios, que não dependem do “mito dos grandes modelos” e se concentram em resolver problemas complexos do mundo real, está surgindo silenciosamente no Vale do Silício fora do consenso.

Observação 9: Uma nova infraestrutura de IA está surgindo

Em torno do “Token-Maxxing”, já surgiram várias novas startups. Elas monitoram e analisam o uso de IA das equipes, identificando onde os tokens estão sendo desperdiçados.

A questão mais profunda por trás disso é que os agentes de IA são intrinsecamente frágeis. Uma pequena alteração no prompt pode levar a uma deterioração no desempenho do agente. Assim, novas infraestruturas de IA começaram a surgir, como sandbox (ambiente de sandbox), para isolar a execução do agente e evitar que ele acesse diretamente sistemas sensíveis, como contas bancárias ou dados de ambientes de produção.

Ao mesmo tempo, o próprio ato de “monitorar” tornou-se mais complexo. Sistemas tradicionais podem ser monitorados sempre que ocorrem erros, mas os agentes não “geram erros”. Eles podem funcionar normalmente, mas ainda assim apresentar problemas graves no nível de saída, como viés, discriminação ou experiências negativas evidentes para os usuários. Isso exige um novo conjunto de software para monitorar quando o “cérebro” do agente “falha”.

Observação 10: "Coisas que não podem ser treinadas" estão se tornando um novo negócio

No mundo dos investimentos, há um julgamento cada vez mais popular: os agentes verticais (vertical agents) perderam seu valor de investimento. Mas eu não concordo totalmente.

O investidor da Silicon Valley Sarah Guo propôs um conceito chamado “the untrainable”, ou “o que não pode ser treinado”. A ideia central é que, em muitos setores verticais, os modelos de linguagem nunca conseguirão automatizar completamente. Isso ocorre porque esses setores contêm uma grande quantidade de processos complexos que não podem ser abstraídos e que frequentemente exigem intervenção humana para serem resolvidos um a um.

Por exemplo, na declaração de impostos nos Estados Unidos, há 50 estados com 50 sistemas tributários diferentes, que precisam ser integrados um a um; o mesmo ocorre no campo jurídico, com leis de imigração, direito civil e direito comercial, cada um com seus sistemas complexos, e os agentes de IA não conseguem resolver tudo de uma vez.

O valor das empresas de agentes de IA vertical reside na descoberta contínua de dores reais por meio da interação com clientes e engenheiros de implantação avançada (FDE). Esses elementos são incorporados aos produtos da empresa, sendo exatamente o que outras grandes empresas não conseguem treinar e que os modelos gerais não conseguem absorver.

Então, eu tendo a acreditar que os agentes verticais ainda têm valor de investimento. Apenas, os retornos que eles trazem podem não ser de 1000 vezes, mas sim mais provavelmente retornos mais estáveis e menores, como 20, 50 ou até 100 vezes.