Voltar

A teoria da disrupção é estreita por escolha, e muitos produtos de IA ficam fora dela

·19 min de leitura

Numa entrevista à BusinessWeek em 2007, citada por Joshua Gans em 2012, Clayton Christensen disse que a previsão de sua teoria era que a Apple não teria sucesso com o aparelho. O telefone, argumentou, era uma tecnologia de sustentação em relação à Nokia, e os participantes estabelecidos tinham forte motivação para vencê-lo. O iPhone teve sucesso mesmo assim. Oito anos depois, Christensen, Michael Raynor e Rory McDonald escreveram na Harvard Business Review que o iPhone de 2007 havia sido, de fato, uma inovação de sustentação em smartphones, que seu sucesso inicial provavelmente se explicava pela superioridade do produto e que o crescimento posterior se explicava melhor como disrupção do laptop. Cada afirmação pode ser defendida isoladamente. Juntas, mostram quanto espaço o rótulo deixa depois que o resultado já é conhecido.

Minha posição é que a teoria da disrupção é estreita por escolha, e sua utilidade está nessa restrição. Descreve um mecanismo pelo qual líderes de mercado perdem e diz pouco sobre as demais maneiras de perder. Na IA, muito do que recebe o rótulo fica fora dele: um copilot dentro de uma suíte existente melhora o produto do próprio fornecedor para seus melhores clientes, o que caracteriza sustentação. A teoria se aplica quando há uma posição inicial entre clientes que ninguém atendia ou entre clientes cujas necessidades a oferta estabelecida excede, e um entrante que melhora mais depressa do que essas necessidades crescem. Também acho que seu histórico de previsão é misto o suficiente para usá-la na classificação de uma ameaça, sem tomar a classificação como previsão de seu desfecho.

A teoria faz uma afirmação estreita sobre como líderes perdem

O artigo da Harvard Business Review de 2015 é a formulação mais cuidadosa dos próprios autores e é mais estrito do que o uso gerencial da palavra. Empresas estabelecidas melhoram produtos para os clientes mais exigentes e geralmente mais rentáveis. Com isso, excedem as necessidades de alguns segmentos e ignoram as de outros. Os entrantes que acabam provocando disrupção começam nesses segmentos deixados de lado, frequentemente com preço menor. Enquanto procuram margens maiores nos segmentos superiores, as empresas estabelecidas tendem a responder com pouca energia. Os entrantes então avançam para segmentos mais exigentes. A disrupção ocorre quando os clientes principais das empresas estabelecidas começam a comprar deles em volume.

O artigo nomeia dois pontos de partida. Uma posição no segmento inferior atende clientes que recebem mais desempenho do que precisam, para os quais um produto suficientemente bom basta. Uma posição de novo mercado atende não consumidores, pessoas excluídas pelo preço ou por outra barreira. É o caso das copiadoras pessoais que chegaram a bibliotecários de escolas, organizadores de ligas de boliche e outros pequenos clientes que se viravam com papel-carbono ou mimeógrafos enquanto a Xerox vendia para grandes empresas. Os clientes principais, acrescentam os autores, não trocam só porque algo custa menos. Esperam a qualidade chegar ao seu padrão e só então aceitam o preço inferior.

Por essas regras, os autores dizem que a Uber não provoca disrupção dos táxis, pois começou num mercado atendido e seus primeiros clientes já contratavam corridas. A Tesla também não se enquadra, porque começou no segmento superior, que interessa aos fabricantes estabelecidos. A previsão para quem ataca de frente com um produto melhor é encontrar um líder que acelera. Os autores relatam que, no estudo de Christensen sobre discos rígidos, somente 6% dos entrantes com estratégia de sustentação tiveram sucesso. Alertam os gestores contra desmontar um negócio rentável por medo. Reconhecem ainda que a teoria diz muito pouco sobre como vencer depois de entrar no mercado inicial e que nunca explicará tudo sobre sucesso empresarial.

Outro detalhe importa para IA. Os autores relacionam a velocidade da disrupção à rapidez com que melhora a tecnologia que a permite. No aço, a Nucor precisou de mais de 40 anos para igualar a receita das maiores usinas integradas. A Compaq chegou à receita da DEC em 12 anos. Uma posição inicial pode parecer inofensiva por muito tempo, e um veredito com base num ano de dados diz quase nada.

Seu histórico de previsão é pior do que a confiança que inspira

Quatro fontes deveriam reduzir a confiança de quem usa a teoria para anunciar resultados. Os autores do artigo de 2015 tomam a posição oposta no encerramento, dizendo que testes empíricos mostram previsões mensurável e significativamente mais precisas sobre quais empresas nascentes terão sucesso. O trecho não identifica quais testes, então não consigo avaliá-los.

A primeira fonte é o iPhone. Uma previsão de 2007 falhou, e depois o entrante foi reclassificado. Joshua Gans, economista que escreveu repetidamente sobre a teoria, observou em 2012 que ser de sustentação ou de disrupção não permite, por si, prever o sucesso de um produto.

A segunda é o ensaio de Jill Lepore na New Yorker, de 2014. O relato de Dan Kennedy registra seus argumentos de que as empresas de discos apresentadas por Christensen como vítimas da disrupção foram bastante bem e de que sua análise do aço ignorou conflitos trabalhistas. A resposta de Christensen, conforme a Bloomberg Businessweek daquele junho, foi que Lepore havia lido apenas o livro de 1997 e não os refinamentos posteriores. Quanto ao iPhone, admitiu que errara. Não consegui acessar o texto da New Yorker, por isso uso o resumo de Kennedy para descrever as alegações dela.

A terceira é o estudo de Andrew King e Baljir Baatartogtokh publicado na MIT Sloan Management Review em 2015. Segundo a contagem no debate publicado pela revista, consultaram 79 especialistas sobre 77 casos citados por Christensen e Raynor. Codificaram cada caso contra quatro elementos: um líder numa trajetória de sustentação, desempenho excedendo as necessidades dos clientes, capacidade do líder de responder sem aproveitar essa capacidade e dificuldades posteriores desse líder. Quando havia discordância entre especialistas, deram à teoria o benefício da dúvida. No resumo dos resultados feito por Gans, 53 dos 77 casos tinham o primeiro elemento, 17 o segundo, 47 o terceiro e 48 o quarto; somente 7 reuniam os quatro. Não acessei a tabela original de resultados, portanto essas contagens são de segunda mão.

Gans contestou a forma de pontuar o estudo. O primeiro elemento, disse, funciona como filtro de seleção e não como teste. Exceder necessidades seria secundário, pois a disrupção não exige excesso de oferta. Martin Bienenstock considerou sem sentido a parcela de casos explicados pela teoria, já que ela nunca pretendeu explicar toda razão de declínio de um líder. Acho que as duas observações têm força. Também admitem algo maior: vista de fora, a correspondência limpa entre uma história setorial e a teoria completa é exceção.

A quarta fonte é Erwin Danneels, que em 2004 usou o trabalho de Christensen para examinar cinco questões, incluindo a definição de tecnologia de disrupção e a capacidade preditiva da teoria. Li apenas o resumo, que diz contestar e integrar a teoria existente e levantar questões de pesquisa. Cito-o porque mostra que a pergunta sobre previsão já estava posta duas décadas atrás.

Nada disso demonstra que o mecanismo seja falso. O registro sustenta um uso mais limitado: a teoria organiza situações melhor do que antecipa resultados. É para organizar que a aplico a seguir.

Cinco perguntas classificam uma ameaça entre sustentação, segmento inferior e novo mercado

O roteiro seguinte é minha condensação do artigo de 2015 e dos elementos codificados por King e Baatartogtokh. Os autores não publicaram esta lista. Ela pergunta sobre as evidências disponíveis no momento da decisão.

  1. Quem compra primeiro do entrante: os melhores clientes do líder, clientes deixados de lado no segmento inferior ou pessoas que antes não compravam nada?
  2. No primeiro dia, o produto é pior do que o do líder pelos critérios dos clientes principais?
  3. Os clientes principais recebem desempenho maior do que conseguem usar?
  4. Uma resposta prejudicaria margens, canais ou preços do líder, ou pode ser incorporada ao que ele já vende?
  5. Com que velocidade o entrante melhora e a que desempenho precisa chegar para satisfazer os clientes principais?

Leia as respostas em conjunto. Se os primeiros compradores são os melhores clientes do líder, o produto não é pior e a resposta pode ser incorporada ao pacote, o caminho é de sustentação. A teoria prevê uma disputa que o líder geralmente vence. Se os primeiros compradores são não consumidores ou clientes atendidos além do necessário, o produto é pior pelo padrão principal e responder custaria dinheiro ao líder, as condições da teoria estão presentes. A quinta pergunta mostra o horizonte de reação. Casos reais costumam cair entre esses extremos, o que já ajuda: respostas misturadas indicam a próxima premissa a testar.

Copilotos de suítes melhoram o produto do líder dentro do modelo de negócio existente

A Microsoft anunciou em 21 de setembro de 2023 que o Microsoft 365 Copilot estaria disponível para empresas em 1º de novembro, por US$ 30 mensais por usuário. Na apresentação de resultados de abril de 2026, informou mais de 20 milhões de licenças pagas. Três meses depois, em 29 de julho de 2026, informou mais de 30 milhões, com as adições líquidas de licenças mais que dobrando ante o trimestre anterior. Nessa apresentação, Satya Nadella citou o NHS England, que estava implantando o produto para 505.000 profissionais clínicos e demais funcionários, e a KPMG, expandindo a implantação numa força de trabalho de mais de 276.000 profissionais.

Aplique as perguntas. Os primeiros compradores são os clientes empresariais existentes, que já pagam pela suíte. O produto é um complemento, de modo que perguntar se ele é pior do que a oferta estabelecida não se aplica. Excesso de desempenho também não é a questão. A pergunta aberta é quanto os clientes usam o produto, algo que as licenças pagas, sozinhas, não estabelecem. A resposta competitiva não se coloca, porque o líder é também quem lança. Amy Hood, responsável financeira, disse na apresentação que ofertas premium, entre elas o Copilot, aumentaram a receita média por usuário. É o que uma inovação de sustentação faz: permite vender mais aos clientes rentáveis por um preço maior. A quinta pergunta, sobre a velocidade de melhora, permanece aberta, mas diz respeito a usuários existentes, e não à ascensão de um entrante. A lógica vale para outros assistentes incorporados pelos donos aos próprios produtos.

A teoria classifica isso como sustentação. Não demonstra que a Microsoft esteja protegida dos concorrentes nem que o produto gere retorno adequado. A questão em aberto aqui é adoção. Usando a base de mais de 450 milhões de licenças comerciais pagas de janeiro de 2026, conforme a apresentação de resultados do segundo trimestre fiscal da Microsoft, 30 milhões de licenças do Copilot representam aproximadamente 6% a 7% da base, quase três anos depois da disponibilidade geral. É minha conta, não uma divulgação da empresa. A Microsoft não apresentou uma base absoluta atualizada em julho e disse que as licenças comerciais cresceram 6% no ano. O denominador é, portanto, estimado, e a proporção é aproximada. Não consigo dizer, pelos dados públicos, se isso é um começo lento ou um ritmo deliberado para um produto premium. As questões competitivas restantes, como o que acontece quando o fornecedor do modelo também é rival, pertencem a outro referencial.

A Chegg corresponde a metade do padrão, e uma mudança no buscador confunde o restante

A Chegg é frequentemente apresentada como vítima da IA e corresponde parcialmente à teoria. A Associated Press relatou em 2 de maio de 2023 que suas ações caíram 48%, para US$ 9,08, depois que o executivo principal disse que, desde março, o interesse dos estudantes no ChatGPT aumentara e prejudicava a aquisição de clientes. Estudantes que normalmente pagavam perto das provas estavam relutantes em assinar diante de uma alternativa gratuita. A ação havia sido negociada acima de US$ 100 no início de 2021.

A receita líquida total foi de US$ 766,9 milhões em 2022, US$ 716,3 milhões em 2023 e US$ 617,6 milhões em 2024, conforme os relatórios 10-K. Em 2025, ficou em US$ 376,9 milhões, queda de 39% segundo a divulgação de fevereiro de 2026. A linha tradicional Academic Services gerou US$ 154,0 milhões no primeiro trimestre de 2024 e US$ 54,9 milhões no quarto trimestre de 2025. Os planos de reestruturação de maio e outubro de 2025 cortaram cerca de 640 funcionários, ou 56% da força de trabalho então existente.

Pelas perguntas, os primeiros compradores do chatbot gratuito eram estudantes sensíveis a preço, o segmento inferior da Chegg. Quanto à segunda, um assistente geral era menos confiável do que respostas conferidas por especialistas. A própria divulgação da empresa diz que precisão e qualidade mantêm alta a retenção dos clientes que ficam. O padrão de clientes menos exigentes saindo primeiro e mais exigentes permanecendo é o descrito pela teoria. Sobre a terceira pergunta, considerar que um estudante à procura de um rascunho rápido recebe desempenho excessivo numa solução verificada passo a passo é meu julgamento, não uma constatação do estudo.

O mecanismo se rompe na quarta pergunta. A teoria espera um líder que não responde. A Chegg anunciou o CheggMate, baseado no GPT-4, em abril de 2023. Respondeu em meses e encolheu mesmo assim. Seu 10-K de 2025 acrescenta outro fator: a expansão dos AI Overviews do Google a partir de agosto de 2024, que, segundo a empresa, mantém usuários na página de resultados em vez de encaminhá-los à Chegg. O 10-K de 2024 informa que o tráfego de não assinantes caiu, na comparação anual, 8% no segundo trimestre de 2024, 19% no terceiro, 39% no quarto e 49% em janeiro de 2025. Pela própria empresa, parte do colapso vem de um buscador estabelecido acrescentando IA ao produto. É sustentação para o Google, e a Chegg foi atingida por ela. Um substituto gratuito e a perda de um canal de distribuição explicam a trajetória pelo menos tão bem quanto a história de entrada pelo segmento inferior e avanço posterior. Eu não a chamaria de exemplo perfeito de disrupção.

A busca continua um caso aberto, e um ano de receita não o encerra

Michael Horn, do Christensen Institute, argumentou em 3 de junho de 2024 que o modelo de negócio determina se a IA generativa participa de uma disrupção. Seu artigo identifica o Google como a grande empresa de tecnologia diante do risco mais claro: uma oferta de respostas por IA poderia começar pior do que a busca, ser difícil de monetizar para o Google e melhorar rapidamente. São as condições da terceira, quarta e quinta perguntas.

A primeira pergunta é parcialmente respondida por dados de uso. Um working paper do NBER de setembro de 2025, de Aaron Chatterji e colegas, seis dos quais informam vínculo com a OpenAI, analisou uma amostra de conversas de consumidores no ChatGPT. Encontrou adoção de aproximadamente 10% dos adultos do mundo até julho de 2025. As mensagens sem relação com trabalho passaram de 53% para mais de 70%, e orientação prática, busca de informação e escrita somavam quase 80% das conversas. Buscar informação é o terreno do Google, e aí há disputa direta. Orientação prática e escrita para quem não tinha um profissional a quem recorrer parecem mais uma posição de novo mercado. O artigo não estabelece essa classificação.

Agora a resposta do líder. A divulgação da Alphabet para o segundo trimestre de 2026, protocolada em 22 de julho, apresenta receita de Google Search and other de US$ 63.271 milhões, contra US$ 54.190 milhões um ano antes, alta de 17%, e atribui crescimento das consultas às funcionalidades de IA. O Google defendeu seu negócio central de frente, como o artigo de 2015 prevê diante de entrantes que atacam de frente, e a receita até então não havia caído. A condição de disrupção seria outra: uma posição entre não consumidores que avançasse para consultas comerciais num formato que o modelo de publicidade não conseguisse copiar. Um ano de receita não mostra isso, diante dos 40 anos da Nucor e dos 12 da Compaq. Não consigo decidir se a orientação prática é uma posição inicial que avançará ou um mercado adjacente que nunca alcançará os clientes principais do Google. Os dados disponíveis tampouco permitem a outra pessoa resolver a questão.

A objeção mais forte diz que uma teoria tão estreita explica quase nada

Robin Chase apresentou essa objeção numa resposta na HBR em janeiro de 2016: a definição dos autores enquadra a Zipcar como disrupção, mas deixa a Uber de fora, e deveria ser ampliada. A preocupação é que uma definição tão estrita exclua as mudanças que mais machucam os líderes. Ben Thompson fez uma observação relacionada em 2014: a parte da teoria sobre segmento inferior funciona para compras empresariais e falha com consumidores, que não compram só por atributos mensuráveis. Chatbots de consumo estão nesse segundo grupo, portanto é essa metade que suscita mais dúvida. A conclusão do próprio Horn, de que a IA não é inerentemente de disrupção nem de sustentação, faz o rótulo depender do negócio que a usa. A objeção, então, é que uma classificação que exclui a Uber, erra o iPhone e favorece o líder no caso Copilot não teria utilidade.

Minha resposta tem três partes. O próprio artigo de 2015 trata a Uber como exceção e explica o caso pela regulação, que deixava pouco espaço de inovação às empresas de táxi. A classificação de sustentação, portanto, não é um certificado de proteção. Diz que o líder dispõe das respostas usuais. Quando não consegue executá-las, como na dependência da Chegg do tráfego de busca, pode perder por razões que o poder do fornecedor e as outras forças, discutidas no ensaio sobre cinco forças, descrevem melhor.

Um instrumento estreito também evita dois erros caros. Um é tratar como disrupção um concorrente que corteja seus melhores clientes e desmontar em resposta um negócio lucrativo, contra o alerta dos autores. O outro é ignorar uma posição entre não consumidores porque o produto do entrante parece um brinquedo.

O episódio da DeepSeek, de janeiro de 2025, mostra o instrumento em uso. O artigo do R1, publicado em 22 de janeiro, relatou desempenho comparável ao o1-1217 da OpenAI em tarefas de raciocínio: 79,8% no AIME 2024 contra 79,2%, e um pouco abaixo no GPQA Diamond. Os pesos foram disponibilizados abertamente. Em 27 de janeiro, a ação da Nvidia caiu 16,9%, quase US$ 600 bilhões de valor de mercado pela contagem do TechCrunch. A reação tratou o R1 como disrupção. As cinco perguntas sugerem outra leitura. Na minha interpretação, seus clientes são os mesmos desenvolvedores e empresas que compram dos líderes. O artigo alegava paridade, e não inferioridade, então não havia um segmento inferior deixado de lado onde começar. É competição por preço com ataque direto, situação em que a teoria espera defesa dos líderes pela melhora das próprias ofertas. Um movimento de mercado de um dia revelou o medo dos investidores, não o processo competitivo.

Isso não transforma a teoria em previsão. É uma forma de perguntar em que tipo de disputa a empresa está e registrar as respostas para que seus erros fiquem visíveis. Antes do próximo ciclo de planejamento, eu pegaria cada entrante de IA na lista de preocupações da liderança, responderia às cinco perguntas numa frase com evidências e voltaria a elas a cada trimestre. Acompanhe um número que interessa à teoria: se os clientes do entrante começaram a se parecer com os clientes principais do líder.

Fontes

  1. Christensen, C. M., Raynor, M. E., McDonald, R. (2015). What Is Disruptive Innovation? Harvard Business Review 93(12), 44-53. Texto consultado em cópia de PDF hospedada num site universitário, recuperada da pesquisa. https://hbr.org/2015/12/what-is-disruptive-innovation.
  2. Christensen, C. M. (1997). The Innovator's Dilemma. Harvard Business School Press. Livro não consultado; citado por meio do artigo de 2015.
  3. Entrevista de Christensen à BusinessWeek em 2007, conforme Gans, J. (2012). Clay Christensen on the iPhone: wrong about success but right about disruption. https://digitopoly.org/2012/07/02/clay-christensen-on-the-iphone-wrong-about-success-but-right-about-disruption/.
  4. Lepore, J. (2014). The Disruption Machine. The New Yorker, 23 de junho de 2014, texto não acessado. Resumo em Kennedy, D. (2020). When Clayton Christensen and Jill Lepore tangled over disruption theory, dankennedy.net, incluindo resposta de Christensen na Bloomberg Businessweek de 20 de junho de 2014.
  5. King, A. A., Baatartogtokh, B. (2015). How Useful Is the Theory of Disruptive Innovation? MIT Sloan Management Review 57(1), 77-90. Contagens dos resultados conforme Gans, J. (21 de setembro de 2015). https://digitopoly.org/2015/09/21/disrupting-the-theory-of-disruption/. Respostas de Vazquez Sampere, Bienenstock, Zuckerman e Gans em Debating Disruptive Innovation, MIT Sloan Management Review (2015).
  6. Danneels, E. (2004). Disruptive technology reconsidered: a critique and research agenda. Journal of Product Innovation Management 21(4), 246-258. Apenas resumo. https://doi.org/10.1111/j.0737-6782.2004.00076.x.
  7. Thompson, B. (2014). Critiquing Disruption Theory. Stratechery. Chase, R. (2016). We Need to Expand the Definition of Disruptive Innovation. Harvard Business Review online, janeiro de 2016, apenas trecho inicial.
  8. Horn, M. B. (3 de junho de 2024). What does Disruptive Innovation Theory have to say about AI? Christensen Institute. https://www.christenseninstitute.org/blog/what-does-disruptive-innovation-say-about-ai/.
  9. Microsoft (21 de setembro de 2023). Announcing Microsoft 365 Copilot general availability. Apresentação de resultados do quarto trimestre fiscal de 2026, 29 de julho de 2026: https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4. Microsoft, apresentações dos trimestres fiscais Q2 e Q3 de 2026: https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q2 e https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q3.
  10. Alphabet Inc. (2026). Exhibit 99.1, resultados do segundo trimestre de 2026, 22 de julho de 2026. https://s206.q4cdn.com/479360582/files/doc_financials/2026/q2/2026q2-alphabet-earnings-release.pdf.
  11. Chegg, Inc. Relatórios 10-K referentes a 2024 e 2025. Chegg Reports 2025 Fourth Quarter and Full Year Financial Results, 9 de fevereiro de 2026, investor.chegg.com. Associated Press (2 de maio de 2023). Chegg's stock plunges on fears of competition from ChatGPT.
  12. DeepSeek-AI (2025). DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. https://arxiv.org/abs/2501.12948, v1 de 22 de janeiro de 2025. TechCrunch (27 de janeiro de 2025). Nvidia drops 600bn off its market cap amid the rise of DeepSeek.
  13. Chatterji, A., Cunningham, T., Deming, D. J., Hitzig, Z., Ong, C., Shan, C. Y., Wadman, K. (2025). How People Use ChatGPT. NBER Working Paper 34255. https://cdn.openai.com/pdf/a253471f-8260-40c6-a2cc-aa93fe9f142e/economic-research-chatgpt-usage-paper.pdf.
  14. Aritmética ilustrativa: 30 milhões de licenças do Copilot divididos por uma base aproximada de 450 milhões dão cerca de 6,7%; a queda de 39% na receita da Chegg compara US$ 376,9 milhões com US$ 617,6 milhões. São cálculos a partir dos valores citados.