Por que a IA analisa bem o passado, mas o capital de risco aposta no futuro
Três quartos das firmas de capital de risco já utilizam inteligência artificial para avaliar oportunidades de investimento. O dado, por si só, soa como uma modernização inevitável. Mas há uma tensão estrutural que esse percentual não captura: os modelos de linguagem são extraordinariamente bons fazendo exatamente o que o capital de risco não pode se dar ao luxo de fazer com muita frequência, que é olhar para trás.
O capital de risco é, em sua mecânica mais básica, uma aposta sobre descontinuidades. Não sobre mercados que se expandem de maneira previsível, mas sobre momentos em que uma tecnologia ou um comportamento rompe com o que os dados anteriores sugeriam como provável. Introduzir ferramentas treinadas em padrões históricos nesse processo é útil até que deixa de ser, e a fronteira entre esses dois estados é mais estreita do que a maioria das firmas está reconhecendo em voz alta.
O viés de confirmação mais sofisticado que já existiu
Os grandes modelos de linguagem geram respostas identificando padrões em corpora massivos de texto. Isso os torna extraordinariamente capazes para tarefas analíticas com contornos bem definidos: mapear concorrentes, identificar obstáculos regulatórios, resumir literatura técnica, sinalizar riscos em um mercado conhecido. O que não podem fazer, por construção, é reconhecer o momento em que esses contornos estão prestes a redesenhar o mapa completo.
A história do capital de risco está repleta de exemplos em que a análise correta do presente foi a razão pela qual o futuro foi perdido. Quando o Airbnb levantou suas primeiras rodadas em 2008, a tese de que estranhos pagariam para dormir na casa de desconhecidos não era apenas contraintuitiva; era diretamente inconsistente com os dados disponíveis sobre comportamento do consumidor naquele momento. A análise de sentimento da época apontava na direção oposta. O mesmo ocorria com os estágios iniciais da web social: as pesquisas dominantes do início dos anos 2000 mostravam que o principal freio ao uso da internet era o medo pela privacidade. O Facebook foi construído, em parte, ignorando essa leitura.
Um sistema bem calibrado teria classificado ambas as propostas como de alto risco. E teria razão, sob a perspectiva do passado. O problema não está em que a análise estava errada; está em que era a análise equivocada para aquela decisão específica.
É aqui que o viés se torna difícil de detectar dentro das firmas que adotaram a IA como parte padrão do processo de diligência. Ele não se manifesta como um erro óbvio. Manifesta-se como uma série de análises muito bem documentadas que sistematicamente favorecem as apostas que têm precedente e desfavorecem as que não o têm. No curto prazo, isso produz portfólios mais ordenados. No longo prazo, produz portfólios que não geram os retornos que justificam a classe de ativos.
O que revela o fluxo de capital para a IA em 2025
A concentração do capital de risco global em 2025 ilustra com precisão esse padrão. O financiamento global de capital de risco chegou a aproximadamente 141 bilhões de dólares no quarto trimestre, um incremento de 12% em relação ao trimestre anterior, tornando 2025 o ano mais ativo desde 2021. A inteligência artificial representou mais de 25% do capital de risco global naquele ano, subindo de 15% em 2024 e 7% em 2023. No segmento empresarial, os gastos com IA generativa passaram de 11,5 bilhões de dólares em 2024 para 37 bilhões em 2025, segundo dados da Menlo Ventures.
Esses números descrevem uma indústria que, em parte, está apostando no futuro com convicção genuína. Mas também descrevem uma indústria que, em parte, está seguindo o padrão mais legível disponível. A IA é hoje o setor com mais validação histórica recente, com mais citações em artigos de pesquisa, com maior fluxo de notícias. É, em termos práticos, o mercado sobre o qual uma ferramenta de IA mais facilmente pode produzir análises. O resultado é uma retroalimentação que concentra capital onde o sinal é mais claro, que é exatamente o tipo de concentração que produz os retornos medianos mais altos, mas não necessariamente os retornos na cauda superior direita.
A distribuição dentro do segmento de IA também merece atenção. A Menlo Ventures detalha os gastos de 2025 entre 19 bilhões na camada de aplicações e 18 bilhões em infraestrutura. Dentro das aplicações, as ferramentas horizontais captaram 8,4 bilhões, as soluções departamentais 7,3 bilhões e as verticais especializadas 3,5 bilhões. Essa granularidade sugere que a aposta já não é sobre se a IA importa como categoria, mas sobre qual camada da cadeia de valor capturará margens sustentáveis. Essa é uma pergunta muito mais refinada, e é precisamente o tipo de questão em que a análise bem executada, com ou sem IA, pode agregar valor diferencial.
O que a análise histórica não pode resolver é identificar quais categorias que hoje não figuram em nenhum conjunto de dados vão capturar a próxima onda. A energia nuclear modular é o exemplo mais claro neste momento.
Quando a história de fracassos oculta uma descontinuidade real
Os registros sobre energia nuclear estão repletos de advertências. Three Mile Island, Chernobyl, Fukushima. Décadas de tentativas de comercialização fracassadas. Prazos de construção que se estenderam de anos para décadas. Sobrecustos estruturais. Um sistema de análise treinado sobre esse corpus produziria, de maneira completamente razoável, uma avaliação de alto risco para qualquer startup que propusesse reatores modulares pequenos como solução energética.
O problema é que os reatores modulares pequenos são técnica e economicamente distintos das usinas nucleares de grande escala que geraram esse histórico. Eles são projetados para fabricação em série e padronização, e não para construção personalizada em cada local. E o contexto de demanda mudou de maneira estrutural: os centros de dados de IA requerem volumes de energia contínua e previsível que as fontes intermitentes não conseguem satisfazer de maneira economicamente eficiente em escala. Empresas como Microsoft, Google e Amazon já começaram a assinar acordos e realizar investimentos vinculados à geração nuclear, o que indica que o sinal de demanda existe e está sendo formalizado em contratos, não apenas em declarações de intenção.
Um modelo treinado no passado nuclear provavelmente enxergará risco acumulado. Um analista que compreenda o que mudou na economia da demanda energética pode enxergar uma tecnologia que chega ao mercado no momento em que o mercado finalmente a necessita. A diferença entre essas duas leituras não é otimismo versus pessimismo. É a capacidade de identificar quando uma variável externa reconfigurou o espaço de possibilidades de uma tecnologia que antes era inviável.
Essa capacidade não pode ser delegada a um sistema que não tem acesso à informação sobre o que ainda não ocorreu.
A imaginação não é um luxo analítico, é a variável que o modelo não pode importar
O que o capital de risco comprou historicamente não é análise do mercado existente. Comprou a capacidade de imaginar mercados que ainda não existem e de identificar as equipes que podem criá-los. Essa capacidade possui componentes que não são delegáveis a sistemas de análise de padrões históricos: a leitura de sinais fracos, a capacidade de reconhecer quando um comportamento emergente está prestes a se tornar massivo, a distinção entre um mercado que fracassou por má execução e um que fracassou porque o momento era incorreto.
Nada disso significa que as firmas deveriam reduzir seu uso de IA no processo de investimento. As ferramentas atuais são genuinamente valiosas para acelerar a diligência sobre mercados conhecidos, pressionar suposições do modelo de negócio e estruturar a análise competitiva. Bem utilizadas, tornam mais rigoroso o trabalho que os analistas já estavam realizando.
O risco não está em usar IA. Está em construir processos nos quais a ausência de precedente histórico se converte automaticamente em sinal de descarte. Esse desenho institucional expulsa do portfólio exatamente as oportunidades que o capital de risco deveria estar melhor posicionado para capturar.
O capital que flui para onde os modelos já conseguem medir bem está competindo com cada firma que usa os mesmos modelos. O capital que flui para onde os modelos ainda não conseguem medir bem está competindo com muito menos. Essa assimetria não desaparece porque a ferramenta seja mais sofisticada. Ela se aprofunda.
