Edição 01 · Maio 2026 Executive Technology Review por Felipe Avila

Esta é a edição 01 do Executive Technology Review.

O projeto nasce de um hábito antigo, mais curiosidade do que método: ler papers, cases e autópsias corporativas para entender o que de fato muda decisão executiva em tecnologia. Decidi transformar essa leitura em algo que sirva a outros executivos. A cada edição, uma tensão estratégica em cinco minutos de leitura aqui, e um paper denso anexado para quem quiser ir além.

O paper desta edição (anexo abaixo) é sobre o que muda na vantagem competitiva em IA quando o modelo vira commodity. Desenvolve dois cases que leram o mesmo sinal de mercado e tomaram decisões opostas: Klarna e IBM Watson Health. Vale para quem aloca orçamento de tecnologia em empresa grande.

Estou começando e aberto a feedback. Você pode se conectar comigo no LinkedIn procurando por Felipe Avila, ou no Instagram em @eufelipeavila.

· · ·

Você sabe o que a inteligência artificial, o xadrez e os seus especialistas em TI têm em comum?

Eu chego lá. Começo pela parte que parece mais distante.

Quando jogadores humanos começaram a competir junto com motores de IA, em duplas que ficaram conhecidas como centauros, apareceu um padrão estranho. As duplas batiam tanto humanos sozinhos quanto IAs sozinhas. Mas só em uma condição: quando o humano cedia controle e deixava a máquina conduzir os lances táticos. Quando o grande mestre tentava manter o comando, as duplas perdiam.

O estudo Artificial Intelligence and the Shifting Locus of Control fez essa conta. Analisou milhares de torneios desse tipo ao longo de mais de uma década e mediu o tamanho da queda: quando o especialista de alto nível assumia o jogo, a taxa de vitória caía 1,33 pontos percentuais comparada às duplas em que o humano cedia. Em escala, esse número decide torneios.

A leitura desse achado, para quem aloca capital em tecnologia, é direta e desconfortável.

A premissa que a gente opera há décadas é que vantagem competitiva se constrói contratando os melhores. Funcionou enquanto expertise era escassa, cara e lenta de transferir. Hoje, com modelos de IA acessíveis por contrato de API, parte do que a gente chama de senioridade técnica virou exatamente o que tirou a vitória dos grandes mestres no xadrez: fricção dentro da configuração híbrida.

O ativo competitivo mudou de endereço. Saiu do especialista, saiu do modelo proprietário, saiu do que tem assinatura. Foi para a configuração: como dado, julgamento humano e modelo externo se conectam para produzir um resultado que ninguém replica simplesmente assinando o mesmo contrato de API.

NÚMERO-ÂNCORA Em doze meses, a margem operacional da Klarna passou de prejuízo de 456 milhões de euros para lucro de 130 milhões. A receita cresceu pouco no período. A reversão de 586 milhões veio de redefinição de perímetro.

A Klarna foi a primeira fintech grande a operar essa mudança em público.

Em 2021, a empresa tinha 6.500 funcionários e uma tese clara: o ativo era ML interno em crédito, fraude e pricing. Quando o mercado de capital para fintechs desabou em 2022 (a valuation caiu de US$ 45,6 bilhões para US$ 6,7 bilhões em pouco mais de um ano), a resposta convencional era cortar proporcionalmente e proteger o núcleo técnico. A Affirm escolheu esse caminho, demitiu quase um terço do quadro e seguiu com a mesma tese de moat técnico. A margem ficou negativa entre 8% e 12% no período.

A Klarna fez outra coisa. Olhou para o time de ML e separou o que gerava barreira do que tinha virado custo de paridade. Substituiu os modelos internos por orquestração de fornecedores especializados (Experian para crédito, parceiros próprios para fraude, OpenAI para atendimento). E logo depois reportou que o assistente de IA novo fazia o trabalho equivalente a 700 agentes em tempo integral, resolvendo dois terços das interações em menos de dois minutos, com satisfação de cliente equivalente.

O que ficou dentro da empresa foi um tipo de conhecimento que nenhum fornecedor consegue replicar. Como combinar as saídas desses modelos externos com regras de negócio próprias, em qual sequência, com qual peso para cada sinal, em cada um dos 45 mercados em que opera. Esse é o ativo. Esse é o que não está em nenhuma API.

Aí volto à pergunta do começo.

A inteligência artificial, o xadrez e o seu time de TI têm em comum que, em todos os três, o grande especialista virou o ponto de atrito. Não porque a expertise dele tenha encolhido. Porque ela deixou de ser o que cria barreira.

Para quem aloca orçamento, a pergunta que isso obriga é direta. O headcount que a gente está protegendo em ML, data science e engenharia de IA está construindo barreira ou paridade cara? Se um concorrente bem capitalizado replica isso em doze meses, o que parece prudência é, na prática, conservação do ativo errado.

A decisão real hoje é entre manter capital em capacidades que a IA está nivelando e redirecionar para a camada que ninguém mais tem acesso: o dado proprietário do seu fluxo de operação, o ponto de handoff onde o julgamento humano de fato decide, e a arquitetura que conecta esses dois.

Esta edição cobriu metade do argumento aqui no email.

Fica de fora o avesso do case Klarna: a IBM Watson Health, com bilhões em aquisições de expertise em oncologia que terminaram em venda para fundo de private equity.

Ficam de fora o framework de orquestração em seis passos e as seis perguntas que sugiro você responder antes da próxima rodada de contratação em IA.

Está tudo no PDF da Edição 01, logo abaixo. Quem baixa sai com a tese inteira e com o critério para decidir diferente já na próxima alocação de capital em IA.

Edição em PDF Expertise como custo Edição 01 · Maio 2026 2 cases · 10 capítulos Para baixar o PDF completo desta edição, desça até o anexo logo abaixo ↓

Executive Technology Review Edição 01 · Maio 2026 Felipe Avila · Newsletter semanal sobre decisão executiva em tecnologia www.felipeavila.com.br