Professor de Stanford REVELA Como Construir Startups de IA Multimilionárias 10x Mais Rápido 🚀 Mudança de Jogo

Andrew Ng, uma figura proeminente no campo da inteligência artificial, compartilha lições valiosas aprendidas na AI Fund, um estúdio de venture que lança aproximadamente uma startup por mês. A experiência direta na co-fundação de startups, desde a escrita de código até a definição de preços, oferece uma perspectiva única sobre o processo de construção de negócios. Ng enfatiza a importância da velocidade de execução, um fator crucial para o sucesso no cenário tecnológico atual, especialmente com o avanço rápido da IA.

Para aqueles que buscam construir uma startup, a velocidade de execução é um forte preditor de sucesso. Novas tecnologias de IA estão permitindo que as startups se movam muito mais rápido do que antes. Ng ressalta que as melhores práticas neste campo estão em constante evolução, mudando a cada dois ou três meses. Essa agilidade é essencial para aumentar as chances de sucesso no mercado competitivo de tecnologia, onde a capacidade de inovar e adaptar-se rapidamente é primordial.

Ao analisar o cenário da IA, Ng descreve a 'pilha de IA', que inclui empresas de semicondutores, hyperscalers de nuvem e modelos de fundação de IA. Apesar da excitação e do hype em torno dessas camadas de tecnologia, as maiores oportunidades de negócio se encontram na camada de aplicação. As aplicações são essenciais para gerar receita suficiente que sustente todas as camadas subjacentes. Embora a mídia e as redes sociais não deem tanta atenção a essa camada, é nela que reside o maior potencial para novas startups.

Uma das tendências mais importantes na IA é a ascensão da IA Agente. Ao contrário dos modelos de linguagem que geram respostas de forma linear, os fluxos de trabalho com IA Agente permitem um processo iterativo. O sistema pode, por exemplo, primeiro criar um esboço, depois pesquisar na web, escrever um rascunho, revisá-lo e assim por diante. Esse ciclo de pensamento, pesquisa e revisão, embora mais lento, resulta em um produto final de muito mais alta qualidade, sendo crucial para projetos complexos desde a análise de documentos de conformidade até o diagnóstico médico.

Esses fluxos de trabalho agenticos são fundamentais para o sucesso de muitos projetos na AI Fund, fazendo a diferença entre o funcionamento e o não funcionamento. Eles são essenciais para:

Com o surgimento da camada de orquestração agentica no último ano, a construção de aplicações tornou-se ainda mais fácil. Essa camada ajuda os desenvolvedores a coordenar múltiplas chamadas para as camadas de tecnologia subjacentes. Mesmo com essa nova adição, a conclusão fundamental de que a camada de aplicação é a mais valiosa da pilha de IA continua válida, oferecendo as maiores oportunidades para inovação e desenvolvimento de negócios.

Na AI Fund, o foco é exclusivamente em ideias concretas de produtos. Uma ideia concreta é aquela que é suficientemente detalhada para que um engenheiro possa ir e construí-la imediatamente. Ideias vagas, como 'usar IA para otimizar ativos de saúde', são ambíguas e não permitem uma execução rápida. Em contraste, uma ideia concreta, como 'escrever software para permitir que hospitais reservem máquinas de ressonância magnética online para otimizar o uso', permite que os engenheiros construam rapidamente e validação. A concretude da ideia é a chave para a velocidade na execução.

A clareza de uma ideia concreta oferece uma direção inequívoca, permitindo que a equipe construa rapidamente e valide ou refute a hipótese. Ng salienta que "se você é vago, quase sempre está certo. Mas quando você é concreto, você pode estar certo ou errado. De qualquer forma, tudo bem. Podemos descobrir isso muito mais rapidamente, o que é importante para uma startup."

Encontrar boas ideias concretas geralmente exige que um especialista no assunto reflita sobre um problema por um longo tempo, conversando com usuários e desenvolvendo intuições. Essa imersão profunda permite tomar decisões rápidas e eficazes, pois a intuição do especialista pode ser um proxy surpreendentemente bom para a tomada de decisões rápidas, muitas vezes mais eficiente do que a lenta coleta de dados. Uma startup de sucesso persegue uma única hipótese clara, não tendo recursos para tentar dez coisas ao mesmo tempo. Se os dados indicarem que a ideia não funciona, é crucial pivotar rapidamente para uma nova ideia concreta com igual determinação.

A intuição de um especialista no assunto pode ser um mecanismo muito mais eficaz para tomar decisões rápidas em startups do que a obtenção de dados, que muitas vezes é um processo lento. Após um longo período de reflexão e interação com clientes, a 'intuição' de um especialista pode guiar a tomada de decisões instantâneas sobre quais funcionalidades construir. Além disso, as startups devem focar em uma única hipótese clara por vez. Se os dados indicarem que a ideia não funciona, é fundamental pivotar rapidamente para uma ideia totalmente diferente com a mesma determinação, evitando mudanças constantes que podem indicar uma base de conhecimento fraca.

O ciclo de feedback na construção de produtos com assistência de codificação de IA está em rápida mudança. Um dos maiores riscos na construção de aplicações é a aceitação do cliente; muitas startups falham não por não conseguirem construir, mas por construírem algo de que ninguém se importa. O processo iterativo de construir, obter feedback do usuário e ajustar, conhecido como product management toss, é crucial para atingir o product-market fit. Com a ajuda de codificação de IA, a engenharia está se tornando exponencialmente mais rápida, e o custo da engenharia está diminuindo rapidamente.

A velocidade da engenharia está aumentando e o custo diminuindo rapidamente, alterando os mecanismos pelos quais as startups operam. Ng divide o trabalho de software em dois baldes principais: protótipos rápidos e sujos para testar ideias e software de produção mantido. Para software de produção, os sistemas de IA podem acelerar em 30% a 50%. No entanto, para a construção de protótipos rápidos e sujos, a aceleração é de 10 vezes ou mais.

A velocidade é dramaticamente maior na construção de protótipos devido a menos integração com infraestruturas e dados legados, além de requisitos de confiabilidade, escalabilidade e segurança muito mais baixos. Ng afirma que é aceitável, inicialmente, escrever "código inseguro" para testar rapidamente uma ideia, desde que seja garantido que ele será seguro antes do lançamento. Isso permite que as startups busquem inovações sistematicamente, construindo múltiplos protótipos para ver o que funciona, sem se preocupar excessivamente se muitos deles não avançam para produção. A máxima 'mova-se rápido e seja responsável' substitui 'mova-se rápido e quebre coisas'.

Ng defende a nova abordagem: "Eu tendo a dizer às minhas equipes para se moverem rápido e serem responsáveis."

O cenário de assistência de codificação de IA tem evoluído rapidamente, passando de autocompletar (popularizado pelo GitHub Copilot) para IDEs habilitadas para IA (como Cursor e Winsor) e, mais recentemente, para assistentes de codificação altamente agenticos como o Quad Code. Manter-se atualizado com as últimas ferramentas é crucial, pois estar até mesmo meia ou uma geração atrasada faz uma grande diferença na produtividade do desenvolvedor. A rapidez na engenharia de software mudou a percepção de código, tornando-o um artefato menos valioso, pois reconstruir bases de código é muito mais fácil e barato agora.

Ng aplica a terminologia de Jeff Bezos de "porta de duas vias" (decisões reversíveis e baratas) versus "porta de uma via" (decisões custosas de reverter) à arquitetura de software. O que antes era uma decisão de "porta de uma via" (como escolher a pilha de tecnologia ou o esquema de banco de dados) está se tornando mais parecido com uma "porta de duas vias" devido à redução significativa no custo da engenharia de software. As equipes agora estão mais dispostas a mudar de ideia sobre uma pilha de tecnologia, descartar um código e recomeçar do zero com uma nova pilha, um sinal da flexibilidade e velocidade crescentes no desenvolvimento de software.

Este é um momento oportuno para capacitar todos a construir com IA. A ideia de que as pessoas não deveriam aprender a codificar porque a IA as automatizaria é, na opinião de Ng, um dos piores conselhos de carreira já dados. Assim como a transição de cartões perfurados para teclados e de assembly para linguagens de alto nível tornou a codificação mais fácil e levou mais pessoas a aprenderem a codificar, a IA continuará a facilitar esse processo. A cada inovação, mais pessoas deveriam codificar, não menos.

Historicamente, o progresso tecnológico sempre tornou a codificação mais acessível, levando a um aumento no número de programadores. Por exemplo, a introdução do COBOL, apesar das preocupações iniciais de que eliminaria a necessidade de programadores, na verdade facilitou a codificação e incentivou mais pessoas a aprenderem. Essa tendência se mantém com as IDs de assistência de codificação de IA.

Ng defende que é hora de todos, em todas as funções, aprenderem a codificar. Ele observa que em sua equipe, incluindo CFO, chefe de talentos, recrutadores e recepcionista, todos sabem codificar e performam melhor em suas funções. Embora essa mentalidade possa estar à frente da curva para a maioria das empresas, no futuro, capacitar todos a codificar aumentará a produtividade geral. A habilidade de dizer a um computador exatamente o que se quer que ele faça é uma das habilidades mais importantes do futuro. Mesmo que não seja para escrever o código manualmente, ser capaz de 'dirigir' a IA para codificar em seu lugar continuará sendo a melhor maneira de alcançar esse objetivo.

Com a engenharia de software se tornando muito mais rápida, o trabalho de gerenciamento de produto – obter feedback do usuário e decidir quais recursos construir – está se tornando o principal gargalo. As equipes de Ng têm notado essa mudança, com a proporção tradicional de gerentes de produto para engenheiros (por exemplo, 1 PM para 4 a 7 engenheiros) sendo questionada. Há casos em que se propõe ter mais PMs do que engenheiros, indicando uma dinâmica interessante onde a tomada de decisões de produto e design não acompanha a velocidade da engenharia. PMs que sabem codificar ou engenheiros com instintos de produto tendem a se sair melhor nesse novo cenário.

Para os líderes de startups, ter táticas eficazes para obter feedback rápido é vital para moldar a perspectiva e acelerar a construção. Ng apresenta um portfólio de táticas para obter feedback de produto, que variam em velocidade e precisão. A tática mais rápida é confiar na própria intuição, especialmente se o empreendedor for um especialista no assunto. Em seguida, vem pedir feedback a um pequeno grupo de amigos ou colegas, e um pouco mais lento, mas mais abrangente, é pedir feedback a estranhos.

A habilidade de abordar estranhos de forma respeitosa em locais de grande movimento para pedir feedback sobre um produto é uma habilidade valiosa para empreendedores. Embora os testes A/B sejam importantes, eles não são as táticas mais lentas, mas a chave é usar os resultados para refinar a intuição. Ng destaca a importância de refletir sobre os dados para melhorar o modelo mental do usuário e a qualidade das decisões intuitivas, permitindo tomar decisões de produto de alta qualidade mais rapidamente no futuro.

A compreensão da IA permite que as startups cresçam mais rápido. Diferentemente de tecnologias maduras como a mobile, onde a maioria das pessoas já tem uma boa intuição sobre o que um aplicativo pode fazer, a IA é uma tecnologia emergente. O conhecimento de como usar a IA de forma eficaz ainda não é amplamente difundido. Isso significa que equipes que realmente entendem a IA têm uma vantagem significativa sobre aquelas que não a compreendem. Tomar a decisão técnica correta pode resolver um problema em dias, enquanto uma decisão errada pode levar a meses de trabalho infrutífero, destacando a importância do julgamento técnico preciso.

Nos últimos dois anos, houve um crescimento notável em ferramentas e blocos de construção de IA generativa. Esses incluem desde prompting e workflows agenticos até avaliações, guardrails, RAG, programação assíncrona, e muitos outros. Possuir esses blocos de construção permite combiná-los rapidamente para desenvolver softwares que seriam impossíveis de construir até mesmo um ano atrás. Ng compara isso a ter peças de Lego: quanto mais cores e tipos de peças (blocos de construção de IA) você tem, maior a quantidade e a complexidade das criações que pode montar, crescendo de forma combinatória ou exponencial.

A importância de aprender esses blocos de construção é enfatizada através do catálogo de cursos da DeepLearning.AI. Ao adquirir esses novos conhecimentos, os desenvolvedores ganham a capacidade de combinar esses elementos para formar aplicações de software cada vez mais ricas e inovadoras, que eram impensáveis há apenas um ou dois anos. Para resumir, o sucesso de uma startup depende de vários fatores, mas a capacidade da equipe de gestão de executar com velocidade está altamente correlacionada com as chances de sucesso.

"Eu acho que em algumas dessas narrativas de hype, fomos tão poderosos que, ao treinar um novo modelo, eliminaremos casualmente milhares de startups. Isso simplesmente não é verdade."

Na sessão de perguntas e respostas, Andrew Ng aborda várias questões cruciais sobre o futuro da IA, incluindo o papel dos humanos no desenvolvimento e uso de ferramentas, o hype em torno da inteligência artificial e os desafios éticos e regulatórios. Ele reitera que a IA é uma ferramenta poderosa, mas que seu impacto é determinado por como é aplicada, enfatizando a necessidade de uma abordagem responsável.

Ng argumenta que, embora alguns desenvolvam ferramentas, a maioria se beneficiará de aprender a usá-las. No futuro, as pessoas mais poderosas serão aquelas que puderem fazer os computadores fazerem exatamente o que elas querem. A AGI (Inteligência Geral Artificial) tem sido superestimada, e por muito tempo haverá coisas que os humanos podem fazer e a IA não. Portanto, manter-se atualizado com as ferramentas de IA e saber como utilizá-las para comandar os computadores é fundamental para manter a relevância.

Ng alerta para a necessidade de filtrar o hype das narrativas promocionais de IA. Ele descreve como algumas empresas, aproveitando a falta de compreensão da tecnologia, exageraram capacidades e perigos para fins de relações públicas e captação de recursos. Exemplos de hype incluem a ideia de que a IA pode levar à extinção humana (ridícula) ou que a IA exigirá apenas energia nuclear para operar. Ele enfatiza que essas narrativas distorcem a realidade e devem ser vistas com ceticismo. A busca por GPUs no espaço ou a necessidade exclusiva de energia nuclear são exageros que desviam a atenção do progresso real da IA terrestre.

A narrativa de "IA perigosa" tem sido superestimada. Ng prefere o termo "IA responsável", pois a segurança não é uma função da tecnologia em si, mas de como ela é aplicada. Assim como um motor elétrico, a IA é uma ferramenta que pode ser usada para fins benéficos ou prejudiciais. Ele critica artigos sensacionalistas que pegam experimentos de laboratório e os desproporcionam, contribuindo para uma compreensão errônea da tecnologia. Essas narrativas, segundo ele, têm sido usadas como arma contra o software de código aberto, o que é lamentável, pois o movimento open source é crucial para a inovação.

Para fundadores aspirantes em um mundo onde qualquer coisa pode ser rapidamente interrompida, a prioridade número um deve ser construir um produto que os usuários realmente amem. Ng enfatiza que, embora canais de mercado, concorrentes e fossos competitivos sejam importantes, o foco singular na criação de um produto desejável é fundamental para construir um negócio valioso. Ele menciona que a AI Fund chegou a encerrar projetos com sólido potencial econômico por motivos éticos, destacando a importância de construir algo que beneficie a sociedade. O número de oportunidades ainda excede o número de pessoas com habilidades para desenvolvê-las, especialmente na camada de aplicação.

Há uma lacuna crescente entre o que a IA pode realmente fazer e a percepção pública. Ng defende a educação do público em geral sobre a IA, não apenas os técnicos, para que as pessoas compreendam melhor como ela funciona. Ele identifica dois perigos principais: não capacitar as pessoas rápido o suficiente para usar a IA e a ameaça de gatekeepers que tentam fechar o ecossistema de IA. Ele critica propostas regulatórias que, sob o pretexto de segurança, criariam requisitos onerosos, dificultando o lançamento de software de código aberto e sufocando a inovação. A luta para proteger os modelos de código aberto e de peso aberto é contínua e crucial para a difusão do conhecimento e a liberdade de inovar.