Quando o seu fornecedor também é seu rival: as cinco forças para aplicações de IA

Em 3 de junho de 2025, a Windsurf, uma popular ferramenta de programação com IA, disse que a Anthropic havia reduzido bruscamente seu acesso direto aos modelos Claude, dando, nas palavras do presidente-executivo Varun Mohan, pouco aviso. O corte veio logo depois de relatos de que a OpenAI estava adquirindo a Windsurf. O cofundador da Anthropic, Jared Kaplan, disse que seria estranho a empresa vender o Claude à OpenAI, e citou também a capacidade de computação limitada como um fator. Dois meses depois, em 1º de agosto, a Anthropic revogou o próprio acesso da OpenAI à API do Claude, dizendo que a OpenAI havia violado termos comerciais que proíbem os clientes de usar o serviço para construir produtos concorrentes ou treinar modelos concorrentes. A OpenAI respondeu que avaliar outros sistemas é prática padrão do setor.

Seja qual for o julgamento sobre o mérito de cada decisão, elas ilustram algo sobre a estrutura desse setor. A parte que fornece o modelo também pode ser concorrente, pode decidir por razões estratégicas quem pode comprar e pode mudar os termos com pouco aviso. Para uma empresa que constrói aplicações sobre o modelo de outra, esses fatos pertencem à estratégia tanto quanto qualquer funcionalidade.

Michael Porter fez um argumento geral sobre tecnologia, há vinte e cinco anos, que se aplica aqui. No artigo de 2001 sobre a internet, afirmou que a nova tecnologia tendia a enfraquecer a rentabilidade dos setores, porque reduzia as barreiras de entrada, aumentava o poder de barganha dos compradores e tornava mais fácil comparar as ofertas dos rivais, e que as vantagens obtidas com ela eram rapidamente anuladas pela concorrência. O arcabouço das cinco forças, estabelecido em 1979 e revisado em 2008, pergunta para onde vai o lucro num setor: para os fornecedores, os compradores, os novos entrantes, os fabricantes de substitutos ou os rivais, conforme quem tem maior poder de barganha. A tecnologia não decide a resposta. A estrutura decide.

Quero aplicar as cinco forças a uma empresa que constrói produtos sobre modelos de fundação, e argumentar que o resultado é menos confortável do que o entusiasmo em torno das aplicações de IA sugere, embora não seja sem esperança.

O poder do fornecedor, com uma reviravolta

Numa análise convencional, um fornecedor é poderoso quando há poucos deles, quando seu insumo é importante para o comprador, quando trocar é caro e quando eles podem ameaçar se integrar para a frente no negócio do comprador. As quatro condições se cumprem em parte.

A concentração é alta. A pesquisa de meados de 2025 da Menlo Ventures com 150 líderes técnicos, conforme noticiada pela imprensa, pôs a Anthropic em 32% do uso corporativo de APIs de LLM, a OpenAI em 25%, o Google em 20%, o Llama da Meta em 9% e o DeepSeek em 1%. A participação da Anthropic em cargas de programação foi relatada em 42%, contra 21% da OpenAI. Os números vêm de uma pesquisa e têm limites, e descrevem um mercado de poucos fornecedores em que a liderança mudou de mãos em dois anos.

O insumo é crítico, já que o modelo é o motor do produto. Os custos de troca são reais, ainda que menores que em softwares mais antigos: prompts, definições de ferramentas e linhas de base de avaliação são ajustados a um modelo, e mudar leva semanas de trabalho.

A integração para a frente é a reviravolta. Os provedores de modelos constroem suas próprias aplicações, de agentes de programação a assistentes de pesquisa e busca corporativa, e as vendem diretamente aos clientes das empresas que compram seus modelos. O fornecedor também é concorrente, com a vantagem de saber o que seus clientes estão construindo por meio da API e de poder lançar um recurso parecido com acesso antecipado ao próprio próximo modelo. Os episódios da Windsurf e da OpenAI mostram o ponto adicional de que um fornecedor pode retirar o fornecimento quando julga um cliente uma ameaça estratégica, e de que limites de capacidade lhe dão um motivo além da estratégia.

As outras forças

O poder do comprador depende das alternativas do cliente. Um comprador de um assistente de IA horizontal tem muitas, inclusive ir direto ao produto do próprio provedor do modelo, e compara as saídas com facilidade. Um comprador cujo fluxo de trabalho está embutido numa aplicação, com as integrações, o histórico e os usuários treinados que a acompanham, tem custos de troca mais altos. A força da posição do comprador depende, portanto, de quão fundo o produto está entrelaçado no modo como o cliente trabalha.

A ameaça de novos entrantes é alta onde o produto é uma camada fina. Uma equipe pequena consegue construir uma aplicação funcional em semanas, e o custo da capacidade subjacente está caindo. A Epoch AI estima que o preço de atingir um nível fixo de desempenho vem caindo cerca de 40 vezes por ano, com taxas que variam de 9 a 900 vezes conforme a tarefa. Insumos mais baratos ajudam todos os entrantes por igual. As barreiras sobrevivem onde o produto depende de coisas que não se montam depressa: distribuição, dados acumulados sobre desfechos, aprovação regulatória, integração a sistemas de registro e uma reputação de confiabilidade num domínio em que erros custam caro.

Os substitutos são uma força incomum aqui, porque o principal substituto de um produto de IA especializado é um geral. Um advogado que poderia ter comprado uma ferramenta de revisão de contratos pode colar um contrato num assistente geral. Um gerente que poderia ter comprado um resumidor de reuniões pode usar o que vem embutido no software de videochamada. O produto especializado precisa ser comprovadamente melhor em algo que a ferramenta geral não faz bem o bastante, e a diferença precisa sobreviver ao próximo lançamento da ferramenta geral.

A rivalidade é intensa, porque a entrada é fácil e os produtos têm capacidades parecidas. A concorrência tende a migrar para preço, empacotamento e recursos que o próximo lançamento de modelo torna obsoletos.

Força	Como aparece para uma aplicação de IA	Um movimento que ajuda
Poder do fornecedor	Poucos laboratórios, que podem se integrar para a frente e restringir o acesso	Manter um modelo alternativo testado e uma suíte de avaliação própria
Poder do comprador	Clientes podem ir direto, comparar com facilidade e trocar onde a integração é rasa	Embutir-se no fluxo de trabalho e no sistema de registro
Novos entrantes	Equipes pequenas entregam rápido, e os custos do insumo caem para todos	Construir sobre ativos que levam tempo: dados de desfechos, aprovações, distribuição
Substitutos	Assistentes gerais cobrem boa parte do que ferramentas especializadas fazem	Especializar-se onde erros custam caro e a ferramenta geral não responde pelo resultado
Rivalidade	Capacidades parecidas, concorrência de preço, obsolescência rápida	Competir em resultados mensuráveis, não em capacidade de modelo

Um padrão antigo numa plataforma nova

O software já viu isso antes. Donos de plataformas aprendem o que terceiros constroem sobre elas e, quando uma categoria se mostra popular, lançam a sua versão. O setor tem uma palavra para isso, de 2002, quando a Apple acrescentou à sua ferramenta de busca Sherlock os principais recursos de um produto de terceiros chamado Watson: ser "sherlockeado". Plataformas sociais e lojas de aplicativos mudaram termos de API de modos que encerraram categorias inteiras de produtos dependentes. A lição não é que construir sobre uma plataforma seja um erro. É que o dono da plataforma tem uma opção que a empresa dependente não tem, e que a estratégia da empresa dependente precisa incluir o que ela fará no dia em que a opção for exercida.

Andy Grove acrescentou uma sexta força às cinco de Porter em "Only the Paranoid Survive": os complementadores, cujos produtos tornam o seu mais valioso. Os laboratórios de modelos são complementadores além de fornecedores, já que um modelo melhor torna mais valiosas as aplicações construídas sobre ele, e a relação corre nos dois sentidos ao mesmo tempo. Onde os interesses do laboratório e da aplicação se alinham, como quando um modelo novo eleva a qualidade em geral, o laboratório é um aliado. Onde divergem, como quando o laboratório entra no mesmo mercado, é um concorrente. Uma empresa deve saber, para cada produto, qual dos dois o laboratório provavelmente será nos próximos dezoito meses.

Uma ilustração, inventada para o propósito. Considere uma empresa que vende um assistente de IA para equipes de cobrança de bancos brasileiros. Seu risco de fornecedor é moderado: roda num modelo hospedado, com uma alternativa testada. Seu poder de comprador é misto, com bancos grandes o bastante para construir internamente, mas sem disposição de assumir o ônus regulatório e operacional de fazê-lo. Os substitutos são os assistentes gerais que os funcionários do banco já usam, que não acessam as contas do banco nem seguem suas regras de cobrança. Os entrantes enfrentam a barreira da integração com os sistemas bancários centrais e das revisões de conformidade que levam meses nos bancos. A rivalidade é moderada e crescente. Suas posições defensáveis são as integrações, o histórico de conformidade e os dados sobre quais roteiros e ofertas levam ao pagamento no crédito ao consumidor brasileiro. Sua posição exposta é a camada do modelo de linguagem, que qualquer concorrente pode igualar.

Insumos mais baratos não são um presente

É tentador tratar a inferência mais barata como pura boa notícia para uma empresa de aplicações, e é boa notícia, mas também está ao alcance de todo concorrente e de todo cliente. Quando os custos de todos os rivais caem juntos, a concorrência repassa a economia aos compradores na forma de preços menores ou de uso mais generoso. A empresa que apenas revende capacidade ganha pouco, já que a capacidade é o que fica mais barato.

A evidência de margens aponta no mesmo sentido. Relatórios de investidores de risco colocam as margens brutas de produtos nativos de IA bem abaixo dos 75% a 85% típicos de software: um retrato da ICONIQ citado em cobertura secundária situa a média de 2026 perto de 52%, e a análise de 2025 da Bessemer sobre startups de IA de crescimento rápido descreveu um grupo de crescimento explosivo com cerca de 25% de margem bruta ao lado de outras mais eficientes perto de 60%. Não vi os relatórios primários, e as categorias se confundem, então os números devem ser lidos como indicações. O mecanismo por trás deles é sólido. A inferência é um custo dos produtos vendidos que cresce com o uso, ao contrário do custo marginal quase nulo do software convencional, e recursos agênticos consomem muitas vezes os tokens de um chat. Um assento precificado como software de preço fixo pode ter um usuário intenso cuja inferência, sozinha, excede o preço.

Eis uma versão simples. Um assento é vendido a US$ 30 por mês, e o usuário médio custa US$ 9 por mês em inferência, deixando uma margem bruta de 70%. Um usuário intenso que roda agentes o dia todo custa US$ 45. Dez por cento de usuários assim acrescentam US$ 3,60 ao custo médio por assento, que vai a US$ 12,60, ou uma margem de 58%, e a empresa paga mais para atender seus melhores clientes do que eles lhe pagam. Se um concorrente então reduz o preço para US$ 25, a margem ao mesmo custo cai para 50%. Modelos mais baratos devolvem parte da margem e também convidam ao próximo corte de preço.

Onde o lucro pode ficar

A lógica de Porter dá uma instrução direta: posicionar a empresa onde as forças são mais fracas e trabalhar sobre a mais forte. Para uma empresa de aplicações, algumas posições resistiram à análise acima.

A primeira é o sistema de registro ou o próprio fluxo de trabalho. Se o produto é onde o trabalho do cliente é feito, com histórico, integrações e usuários treinados, o poder do comprador cai e os custos de troca sobem. O modelo por baixo pode mudar sem que o cliente perceba, o que também enfraquece o poder do fornecedor.

A segunda são os dados de desfechos e o ciclo de feedback em torno deles. Um produto que aprende com os resultados de suas decisões num domínio particular ganha algo que nem um assistente geral nem um novo entrante conseguem copiar depressa.

A terceira é a responsabilização num domínio regulado ou de alto risco. Um assistente geral não responde por seus conselhos, e um provedor especializado que responde pelo seu trabalho, com trilhas de auditoria, certificações e seguro, vende algo que o substituto não vende. O valor é a confiança, que é cara de produzir e valiosa quando erros custam dinheiro.

A quarta é a distribuição. Uma empresa com uma base de clientes e um canal de vendas num nicho que os laboratórios não atendem diretamente tem uma vantagem durável num mercado de pequenos segmentos, onde não vale a atenção de um laboratório construir um produto sob medida.

Do lado do fornecedor, os movimentos são os de sempre, executados com seriedade: manter mais de um modelo qualificado, para que nenhum provedor possa impor os termos; ser dono da suíte de avaliação e dos prompts, de modo que a migração leve dias; evitar, no núcleo do produto, recursos que existem num único fornecedor; ler com atenção os termos sobre produtos concorrentes, já que a cláusula que custou à OpenAI o acesso vale para todo cliente.

Faça a tabela uma vez por ano

A tabela das cinco forças é barata de produzir e fácil de errar na direção do otimismo. Preencha-a para cada linha de produto, escreva uma frase de evidência para cada célula e marque qual força está crescendo. As forças nesse setor se movem depressa: um recurso novo de um laboratório pode criar um substituto da noite para o dia, e um corte de preço pode corroer a margem de um rival no trimestre seguinte. Uma revisão anual é o mínimo, e deve terminar numa decisão sobre a célula mais fraca e sobre o que fazer a respeito antes da seguinte.

Fontes

Porter, M. E. (1979). How competitive forces shape strategy. Harvard Business Review, março-abril de 1979; Porter, M. E. (2008). The five competitive forces that shape strategy. Harvard Business Review, janeiro de 2008.
Porter, M. E. (2001). Strategy and the Internet. Harvard Business Review, março de 2001.
TechCrunch (3 de junho de 2025), Windsurf says Anthropic is limiting its direct access to Claude AI models; The Decoder (junho de 2025), cobertura das declarações da Anthropic sobre a Windsurf.
Cobertura da revogação, pela Anthropic, do acesso da OpenAI ao Claude (1º de agosto de 2025) por TechRepublic, Slashdot e outros.
Menlo Ventures (julho de 2025). 2025 Mid-Year LLM Market Update, conforme noticiado pela TechCrunch (31 de julho de 2025) e pela BigDATAwire.
Epoch AI. LLM inference price trends. epoch.ai/data-insights/llm-inference-price-trends.
ICONIQ e Bessemer Venture Partners, relatórios State of AI (2025-2026), conforme noticiados em cobertura secundária; números indicativos.
Economia ilustrativa do assento: preço de US$ 30, custo médio de inferência de US$ 9, um usuário intenso a US$ 45, premissas declaradas no texto.
Grove, A. S. (1996). Only the Paranoid Survive. Currency/Doubleday.