Além de escrever código, a IA está a remodelar o mundo nestes 10 setores negligenciados

Autor: Sair para incubadoras

As regras do jogo empreendedor já mudaram radicalmente.

No mais recente anúncio do Y Combinator (YC) do “Pedido de Desejos para Empreender” (RFS) de primavera de 2026, vemos um sinal claro: AI nativo (AI-native) deixou de ser apenas um termo de marketing e tornou-se a lógica fundamental para construir a próxima geração de gigantes. As startups atuais podem desafiar áreas que antes eram consideradas “inabaláveis” com maior velocidade e menor custo.

Desta vez, o YC não se concentra apenas em software, mas também volta seu olhar para sistemas industriais, infraestruturas financeiras e governança pública. Se a última onda de AI foi sobre “geração de conteúdo”, a próxima será sobre “solução de problemas complexos” e “reconstrução do mundo físico”.

A seguir, as 10 principais áreas de interesse do YC, que eles estão atentos e desejam investir.

1. “Cursor” para Gestores de Produto (Cursor for Product Managers)

Nos últimos anos, ferramentas como Cursor e Claude Code mudaram completamente a forma de escrever código. Mas essa prosperidade oculta uma questão mais fundamental: escrever código é apenas um meio, entender “o que realmente devemos construir” é o núcleo.

Atualmente, o processo de descoberta de produto ainda está na “Idade da Pedra”. Dependemos de entrevistas fragmentadas com usuários, feedback de mercado difícil de quantificar e inúmeras tarefas no Jira. Esse processo é altamente manual e cheio de lacunas.

O mercado precisa urgentemente de um sistema AI nativo que auxilie gestores de produto como Cursor ajuda programadores. Imagine uma ferramenta que: você faz upload de todas as gravações de entrevistas com clientes e dados de uso do produto, e então pergunta: “Qual deve ser nosso próximo passo?”

Ela não dará apenas uma sugestão vaga, mas fornecerá um esboço completo de funcionalidades, fundamentado em feedbacks específicos de clientes, para justificar as decisões. Além disso, pode gerar protótipos de UI, ajustar modelos de dados e dividir tarefas de desenvolvimento para um AI Coding Agent executar.

À medida que a AI assume cada vez mais a implementação concreta do código, a capacidade de “definir o produto” se tornará mais importante do que nunca. Precisamos de uma ferramenta superintegrada que conecte “descoberta de necessidades” a “definição de produto” em um ciclo fechado.

2. Próxima geração de fundos de hedge AI-nativos (AI-Native Hedge Funds)

Na década de 80, poucos fundos começaram a usar computadores para analisar o mercado, e Wall Street zombou disso. Hoje, a negociação quantitativa é padrão. Se você ainda não percebeu que estamos em um ponto de inflexão semelhante, pode perder a próxima fase de renascimento de tecnologia (Renaissance Technologies) ou do Bridgewater.

Essa oportunidade não está em simplesmente “acoplar” AI às estratégias existentes, mas em construir estratégias de investimento AI-nativas do zero.

Embora os gigantes de quantificação atuais tenham recursos enormes, suas ações são lentas na disputa por conformidade e inovação. Os fundos do futuro serão impulsionados por grupos de agentes de AI — que poderão, como traders humanos, monitorar continuamente relatórios 10-K, ouvir teleconferências financeiras, analisar documentos SEC e integrar opiniões de analistas para fazer negociações.

Neste campo, os verdadeiros retornos Alpha pertencerão àqueles que ousarem permitir que a AI assuma profundamente as decisões de investimento.

3. Transformação digital de empresas de serviços (AI-Native Agencies)

Sempre que pensamos em agências — seja de design, publicidade ou escritórios de advocacia — enfrentamos um impasse: é difícil escalar. Porque vendem “tempo de pessoa”, com baixa margem de lucro, e crescimento depende de contratação.

A AI está quebrando esse impasse.

A nova geração de agências não venderá mais ferramentas de software aos clientes, mas usará AI para produzir resultados com eficiência 100 vezes maior, vendendo diretamente o produto final. Isso significa que:

• Empresas de design podem gerar propostas personalizadas completas com AI antes mesmo de fechar contrato, superando a concorrência tradicional.
• Agências de publicidade podem criar vídeos de nível cinematográfico sem filmagens caras.
• Escritórios de advocacia podem redigir documentos complexos em minutos, não semanas.

No futuro, as empresas de serviços terão modelos de negócio mais parecidos com software: alta margem de lucro e escalabilidade ilimitada.

4. Serviços financeiros derivados de stablecoins (Stablecoin Financial Services)

Stablecoins estão rapidamente se tornando infraestrutura financeira global, mas a camada de serviços acima ainda é uma terra de ninguém. Com a evolução de leis como GENIUS e CLARITY, stablecoins estão na interseção de DeFi (finanças descentralizadas) e TradFi (finanças tradicionais).

Este é um enorme espaço de arbitragem regulatória e inovação.

Atualmente, os usuários precisam escolher entre produtos financeiros tradicionais, regulamentados, com baixo retorno, e criptomoedas de alto risco, de alto retorno. O mercado precisa de uma nova forma intermediária: serviços financeiros baseados em stablecoins, que sejam compatíveis com regulamentação e tenham vantagens de DeFi.

Seja para oferecer contas de poupança com maior rendimento, tokenizar ativos do mundo real (RWA) ou criar infraestrutura de pagamentos transfronteiriços mais eficiente, este é o momento ideal para conectar esses dois mundos paralelos.

5. Reconstrução da indústria tradicional: fábricas de metais modernas (Modern Metal Mills)

Quando se fala em “reindustrialização dos EUA”, costuma-se focar no custo da mão de obra, esquecendo-se de um grande elefante na sala: o design de sistemas industriais tradicionais é extremamente ineficiente.

Por exemplo, na compra de alumínio ou tubos de aço nos EUA, prazos de entrega de 8 a 30 semanas são comuns. Isso não é por preguiça dos trabalhadores, mas porque todo o sistema de gestão de produção foi projetado há décadas. Essas fábricas antigas, para maximizar “tonelagem” e “utilização”, sacrificam velocidade e flexibilidade. Além disso, o alto consumo de energia é um problema, pois muitas não possuem gestão moderna de energia.

A oportunidade de reconstrução já amadureceu.

Com planejamento de produção baseado em AI, sistemas de execução de manufatura em tempo real (MES) e automação moderna, podemos reduzir drasticamente os prazos de entrega e aumentar a margem de lucro. Não se trata apenas de fazer as fábricas mais rápidas, mas de transformar a manufatura em um processo definido por software, tornando a produção de metais local mais barata, flexível e lucrativa. Essa é a chave para reconstruir a base industrial.

6. Modernização da governança pública com AI (AI for Government)

A primeira onda de empresas de AI já acelerou a coleta de formulários por empresas e indivíduos, mas essa eficiência para na interação com órgãos públicos. Muitas solicitações digitalizadas ainda dependem de processos manuais e impressões.

Os governos precisam urgentemente de ferramentas de AI para lidar com a avalanche de dados que se aproxima. Países como Estónia já demonstraram um modelo de “governo digital”, mas essa lógica precisa ser replicada globalmente.

Vender software para governos é uma tarefa difícil, mas o retorno pode ser enorme: conquistar o primeiro cliente geralmente significa alta fidelidade e grande potencial de expansão. É uma oportunidade de negócio e também uma iniciativa de impacto social, ao melhorar a eficiência do funcionamento do Estado.

7. Mentores de AI para trabalhos físicos em tempo real (AI Guidance for Physical Work)

Lembra da cena do Neo em “Matrix”, que aprende kung fu instantaneamente ao colocar um tubo? A versão real de “injeção de habilidades” está chegando, não por interfaces cérebro-máquina, mas por orientação AI em tempo real.

Em vez de discutir quais trabalhos de escritório a AI substituirá, vamos ver como ela pode capacitar o trabalho manual. Serviços presenciais, manufatura, cuidados de saúde — embora a AI não possa “mexer” diretamente, ela pode “ver” e “pensar”.

Imagine um trabalhador usando óculos inteligentes, reparando uma máquina, enquanto a AI, através da câmera, vê a válvula e diz: “Feche a válvula vermelha, use uma chave de 3/8 polegadas, essa peça está desgastada e precisa ser trocada.”

A maturidade de modelos multimodais, a popularização de hardware inteligente (smartphones, fones, óculos) e a escassez de mão de obra qualificada criaram uma demanda enorme. Seja para treinar equipes existentes ou criar uma nova plataforma de “super blue-collar”, há um potencial enorme de inovação.

8. Grandes modelos espaciais para superar limites linguísticos (Large Spatial Models)

Modelos de linguagem grande (LLMs) impulsionaram a explosão de AI, mas sua inteligência fica limitada ao que a “linguagem” consegue descrever. Para alcançar inteligência artificial geral (AGI), a AI precisa entender o mundo físico e as relações espaciais.

Hoje, a AI ainda é desajeitada ao lidar com tarefas espaciais como geometria, estruturas 3D e rotações físicas. Isso limita sua interação com o mundo real.

Buscamos equipes capazes de construir grandes modelos de raciocínio espacial (Large Spatial Models). Esses modelos não devem tratar geometria como uma extensão da linguagem, mas como um princípio fundamental. Quem conseguir fazer a AI entender e projetar estruturas físicas terá a chance de criar o próximo modelo de base ao nível da OpenAI.

9. Infraestrutura para caçadores de fraudes do governo (Infra for Government Fraud Hunters)

O governo é o maior comprador do mundo, gastando trilhões de dólares por ano, e também sofre perdas enormes por fraudes. Nos EUA, por exemplo, o seguro saúde perde centenas de bilhões anualmente por pagamentos indevidos.

A Lei de Reclamações Falsas (False Claims Act) permite que cidadãos processem empresas fraudulentas e recebam uma parte do valor recuperado. É uma das formas mais eficazes de combater fraudes, mas o processo atual é extremamente primitivo: denunciantes fornecem pistas a escritórios de advocacia, que gastam anos organizando documentos manualmente.

Precisamos de uma inteligência artificial especializada para isso. Não um painel simples, mas um detetive AI capaz de analisar PDFs confusos, rastrear estruturas complexas de empresas de fachada e transformar evidências dispersas em documentos processáveis.

Se você conseguir acelerar a recuperação de fraudes em 10 vezes, poderá construir um império comercial gigantesco e recuperar bilhões para os cofres públicos.

10. Simplificar o treinamento de LLMs (Make LLMs Easy to Train)

Apesar do entusiasmo com AI, treinar grandes modelos ainda é uma experiência terrível.

Desenvolvedores lutam diariamente com SDKs quebrados, horas ajustando instâncias de GPU que travam ao iniciar, ou encontrando bugs fatais em ferramentas open source. E lidar com petabytes de dados é um pesadelo.

Assim como na era do cloud, que deu origem ao Datadog e Snowflake, a era da AI também precisa de melhores “ferramentas”. Precisamos de:

• APIs que abstraiam completamente o processo de treinamento.
• Bancos de dados capazes de gerenciar conjuntos de dados massivos com facilidade.
• Ambientes de desenvolvimento específicos para pesquisa em machine learning.

À medida que “pós-treinamento” (post-training) e especialização de modelos se tornam mais importantes, essas infraestruturas serão a base do desenvolvimento de software do futuro.