A Sequoia Capital não está argumentando que a IA é mais rápida ou mais barata — está argumentando que ela muda a categoria do que é possível. Pat Grady, Sonya Huang e Konstantine Buhler, em keynote no AI Ascent 2026, constroem uma tese deliberadamente histórica: a internet e o mobile foram revoluções na comunicação; a IA é uma revolução na computação em si. A distinção importa porque revoluções na comunicação amplificam o que humanos já fazem, enquanto revoluções na computação substituem o que humanos fazem. A metáfora usada pelos três é direta — não cavalos mais rápidos, mas automóveis — e a afirmação implícita é que os automóveis finalmente chegaram.

O que muda quando o agente tem horizonte longo

A virada conceitual central da tese da Sequoia está nos chamados long-horizon agents — sistemas de IA capazes de executar sequências complexas de tarefas ao longo do tempo, sem supervisão contínua humana. Isso é qualitativamente diferente do ChatGPT como ferramenta de consulta ou do Copilot como autocomplete sofisticado. Um agente de longo horizonte não responde a uma pergunta; ele conduz um projeto.

A comparação histórica mais precisa não é com a internet de 1995, mas com a introdução de linhas de montagem entre 1908 e 1915. Henry Ford não apenas acelerou a produção de carros — ele reorganizou a estrutura inteira do trabalho fabril, tornando obsoletas habilidades artesanais que levavam anos para ser adquiridas. O que Grady, Huang e Buhler sugerem é que agentes de IA farão o mesmo com o trabalho de conhecimento: não apenas acelerar a produção de relatórios, código ou análises, mas reorganizar quem precisa existir para produzi-los.

Isso tem implicações diretas para o mercado de venture capital. Se um agente pode executar o que antes exigia uma equipe de dez pessoas, o custo marginal de construir um produto de software colapsa. A Sequoia está sinalizando, implicitamente, que seus critérios de avaliação de startups precisam mudar — uma empresa com dois fundadores e agentes pode ter o output operacional de uma série B.

A aritmética do "100 anos em 100 dias"

A afirmação mais agressiva do keynote — que o que se imaginaria construir em 100 anos agora é possível em 100 dias — é menos hipérbole motivacional do que parece e mais uma tese sobre compressão de ciclos de inovação. O argumento implícito é que o gargalo histórico da inovação tecnológica não foi a ideia, foi a execução. Engenheiros, pesquisadores, analistas, redatores: cada camada de trabalho cognitivo adicionava tempo e custo ao ciclo de desenvolvimento.

Se agentes eliminam ou comprimem drasticamente essas camadas, o ritmo de iteração muda de ordem de grandeza. Não é que projetos de 100 anos se tornem triviais — é que o custo de tentativa cai tanto que é possível tentar cem vezes em paralelo. A lógica é similar ao que a AWS fez com infraestrutura entre 2006 e 2012: não inventou novos tipos de software, mas reduziu o custo de experimentação a ponto de tornar viável uma geração inteira de startups que antes seriam inviáveis.

O risco não endereçado pela tese da Sequoia é o da concentração. Se agentes de longo horizonte comprimem o custo de execução, quem controla os modelos fundamentais — OpenAI, Google DeepMind, Anthropic — captura uma fração desproporcional do valor criado. A camada de aplicação, que é onde a maioria das startups do portfólio da Sequoia opera, pode se tornar cada vez mais comoditizada.

O que fica sem resposta é a questão da captura de valor: em revoluções de computação anteriores, o lucro migrou para quem controlava a infraestrutura. Se a história rimar, a tese mais otimista da Sequoia pode beneficiar mais a Nvidia, a Microsoft e a Amazon do que os fundadores que o AI Ascent pretende inspirar.

Fonte · The Frontier | AI