Arkus Innovation Studios

The Signal 001 · O recurso escasso é o julgamento

Chandler abre The Signal com quatro padrões em mercados, portfólios e diagnósticos: modelos, novidade, camadas de decisão e demanda silenciosa.

Padrões que acompanhamos nos mercados, portfólios e negócios que avaliamos.

Submetemos a tecnologia de um negócio ao nosso processo mais de vinte vezes. Os fundadores continuavam perguntando sobre a nota, que ficava pouco acima de cinquenta. O número que de fato determinou o financiamento foi encontrado quase por acaso: a propriedade intelectual estava presa a uma questão de titularidade de um spin-off universitário que nunca havia sido examinada por completo. A nota nunca foi a história. A titularidade era.

Essa distância entre o número que todos observam e aquele que decide o resultado resume boa parte desta newsletter.

O recurso escasso quase nunca é a ideia ou a tecnologia. É o julgamento sobre quais são reais e a coragem de agir a tempo.

Por que isto existe

A Arkus realiza diagnósticos de negócios e portfólios nos Estados Unidos e na América Latina. Na prática, analisamos tecnologias emergentes e deep tech antes que investidores, parceiros ou até mesmo fundadores tenham decidido quanto elas valem. Em uma mesma semana, vemos decisões semelhantes de ângulos diferentes: um negócio em Seattle, um portfólio em São Paulo, um programa de pesquisa em algum ponto entre os dois. Uma das coisas mais úteis que fazemos é perceber quando o mesmo padrão aparece em mais de um deles.

Durante muito tempo, essas observações ficaram em nossas anotações. The Signal passa a publicá-las com regularidade. Não são previsões nem opiniões sobre o destino da IA. São padrões que vi acontecer mais de uma vez, contados como eu os contaria a um cliente. Quatro estão claros agora e um ainda estou acompanhando.

Um: o modelo é a parte fácil

A maior parte dos projetos de IA aplicada que acompanho não falha por causa do modelo. Falha por causa de tudo o que existe ao redor dele.

O padrão se repete. Uma equipe trata os dados como pré-condição, e não como entrega, espera que estejam “prontos” antes do trabalho real e descobre semanas depois que a diferença entre dados de desenvolvimento e produção significa que nada estava pronto. Em paralelo, o modelo é construído e suas saídas são avaliadas, mas ninguém responde pelo caminho entre a saída do modelo e a tela que o profissional da linha de frente realmente usa. O piloto funciona tecnicamente e nunca chega à operação. Muitas vezes, os critérios de sucesso também são definidos de trás para frente, segundo o que a equipe espera que o modelo faça, e não segundo a mudança de comportamento necessária no negócio. Assim, mesmo um piloto funcional não conquista a fase seguinte.

A versão honesta é que IA aplicada é sobretudo trabalho operacional, e o modelo costuma ser a parte já resolvida. As equipes que entendem isso definem integração e responsabilidade antes do modelo. As que não entendem gastam o orçamento provando que o modelo funciona e ficam sem recursos para aquilo que determina se alguém vai usá-lo.

Dois: novidade local não é novidade global

Já submetemos dezenas de tecnologias a avaliações, e o que surpreende os fundadores quase nunca é a ciência.

É perceber que uma tecnologia considerada inédita dentro da universidade ou da cidade pode parecer comum quando comparada ao cenário global de patentes. A maioria dos fundadores e investidores locais não está preparada para comparar diferentes regiões. Assim, “novo aqui” passa silenciosamente a significar “novo em qualquer lugar”, embora sejam afirmações distintas.

Vale nomear a escolha envolvida. Deep tech raramente morre pela ciência, porque a ciência costuma ser real. Morre por duas questões mais silenciosas: novidade medida em relação ao mundo, e não ao entorno, e titularidade limpa sobre o que foi criado. Os fundadores querem que a diligência valide a descoberta. Uma diligência mais útil pergunta se alguém já construiu algo semelhante em outro lugar e se o fundador realmente possui aquilo que construiu. Quando corrijo uma leitura inicial, quase sempre é por uma dessas duas razões. Quase nunca é pela física.

Três: organizações coletam ideias, mas não decidem sobre elas

Entre em uma grande indústria ou instituição de pesquisa e provavelmente encontrará um banco de ideias: em geral, um formulário com centenas de sugestões de funcionários, coletadas, registradas e intocadas. Ninguém tem tempo ou método para avaliá-las. Elas se acumulam, e o acúmulo é confundido com avanço.

O limite da maioria dos programas de inovação não é a geração de ideias. É a camada de decisão. As organizações que fazem isso bem não geram mais ideias; constroem uma forma repetível de reduzir, encerrar e assumir compromissos. Em um portfólio de pesquisa, o valor não veio de acrescentar opções. Veio de reduzir cerca de quarenta tecnologias a treze que mereciam continuidade e depois a seis que mereciam financiamento. A redução era o produto.

É importante separar inovação da aparência de inovação. Coletar ideias, promover um hackathon e lançar um portal são as partes visíveis e fotografáveis. Escolher as três iniciativas que realmente receberão apoio e dizer não às demais é o que cria valor. Também é a parte que quase todos subdimensionam, porque dizer não é a única etapa do processo que fica associada ao nome de alguém.

Quatro: a demanda mais forte está nas salas mais silenciosas

Contra a intuição, os setores que colocam tecnologia no fim de suas prioridades são aqueles onde uma ferramenta funcional pode causar mais impacto. Vi isso em ambientes pouco digitalizados e altamente regulados. No papel, parecem os piores mercados: cautelosos, lentos e céticos de que o software tenha sido feito para eles. Então um protótipo funcional, algo a que uma pessoa pode reagir em vez de imaginar, desperta uma das demandas mais genuínas que vi em meses. Parte dela veio como ofertas espontâneas para ajudar a levar a solução ao mercado.

A razão é simples: quase ninguém aparece nesses lugares com algo que funcione. A escolha também é real: essas salas têm ciclos mais longos, orçamentos menores e mais atrito de adoção, então a demanda se converte devagar. Mas a confiança é mais profunda porque você é a única pessoa presente. O erro é interpretar “tecnologia não é prioridade” como “não há demanda”. Há demanda não atendida, protegida pelo ceticismo, e um artefato funcional é a chave feita para essa fechadura.

O que acompanhamos: a lacuna da inovação pública

O padrão que acompanho, mas ainda não estou pronto para afirmar, é estrutural. Nas regiões onde atuamos, a infraestrutura pública de comercialização está diminuindo. Orçamentos estaduais e federais de apoio à inovação sofrem cortes, organizações perdem profissionais experientes e a capacidade de transferência de tecnologia de universidades se contrai justamente em alguns lugares onde a pesquisa é mais forte.

Não celebro nem dramatizo isso. A observação é mais estreita: quando o apoio público à comercialização diminui, o trabalho não desaparece. Ele se desloca para atores privados e para quem consegue executar avaliação, estratégia de propriedade intelectual e entrada no mercado antes absorvidas por um escritório universitário. Acompanho onde essa lacuna vai parar, porque a resposta diz muito sobre quem poderá comercializar a ciência da próxima década e em quais condições.

O fio condutor

Uma linha atravessa os quatro padrões. O recurso escasso quase nunca é a ideia ou a tecnologia. É o julgamento sobre quais são reais e a coragem de agir a tempo. A ciência costuma existir. O modelo costuma funcionar. As ideias já estão reunidas no formulário. A parte difícil, valiosa e subdesenvolvida é decidir enquanto a decisão ainda importa.

Essa é a lente à qual The Signal continuará voltando. Esta é a primeira edição de muitas. A cada duas semanas, trarei os padrões que vejo no trabalho, inclusive aqueles em que me engano, porque geralmente são os que mais merecem seu tempo. Se você enxerga algo diferente de onde está, quero ouvir.