O que Google e Monashees avaliam antes de investir em startups de IA

O que você vai aprender aqui

• Por que a diferenciação real pesa mais do que o rótulo “wrapper” na decisão de investimento, segundo Arthur Soroken (AI Futures Fund, Google) e Jan Diniz (Monashees)
• Os cinco tipos de moat que o Google avalia antes de apostar numa startup de inteligência artificial
• O que é team-market fit, o filtro que a Monashees usa para pesar time, produto e mercado
• Como investir em startups de IA conecta com o debate global de 2026 sobre distribuição como novo moat
• Os critérios e o prazo do Gama Fund, o programa de coinvestimento entre os dois fundos para startups brasileiras

Este artigo complementa o e-book gratuito O Mapa do Explorador, que mostra como decidir sobre inovação e tecnologia sem estar no time técnico, com um panorama de 17 setores e 81 verticais tecnológicas. É a mesma leitura de mercado, setor por setor, que separa diferencial real de rótulo de wrapper na hora de avaliar uma startup de IA.

---

Arthur Soroken trabalhava na Songza, aplicativo de streaming de música, quando o Google comprou a empresa em 2014. Ficou. Doze anos depois, cofundou dentro do Google Labs (a divisão do Google dedicada a produtos experimentais) o AI Futures Fund, ao lado de David Benjamin e Jonathan Silber, e no dia 15 de setembro dividiu um encontro virtual da comunidade de IA do Google com Jan Diniz, que lidera a área de Founder Journey na Monashees.

A pauta oficial era apresentar o Gama Fund, o programa de coinvestimento entre os dois fundos para startups brasileiras de inteligência artificial. A pergunta que dominou a hora de perguntas foi outra, e mais interessante: o que faz um investidor decidir apostar numa startup de IA, na prática.

A dúvida apareceu formulada de várias formas por quem estava na plateia, mas o núcleo era sempre o mesmo. Uma fundadora que está tirando a empresa de projetos de consultoria para transformar isso num produto escalável perguntou que evidência de tração e defensibilidade pesa mais na decisão de investir.

Outro participante quis saber, direto, se ser “só um wrapper” (um produto construído em cima da API de outra empresa, sem modelo próprio) prejudica a chance de captação. Arthur resumiu o que as duas perguntas tinham em comum: no fundo, todo mundo queria saber se dá para ser wrapper e ainda assim ser um bom investimento.

O critério do Google para investir em startups de IA: o uso do modelo importa mais que o rótulo do produto

Arthur foi direto: tração e product-market fit (a prova de que a startup já resolve um problema real para o mercado que se propõe a atender) são sinais interessantes, principalmente em estágio bem inicial, mas pesam menos do que uma pergunta central: a startup consegue usar o modelo de um jeito próprio? Não faz diferença se isso significa construir em cima de uma API de terceiro ou treinar um modelo com anos de dados proprietários. As duas coisas funcionam, contanto que exista diferenciação real por trás.

Para explicar o que considera um moat (o termo do venture capital para a barreira que impede um concorrente de copiar o negócio) de verdade, ele listou vários formatos possíveis, sem hierarquia entre eles:

1. Dominar uma área de pesquisa tão específica que poucas pessoas no mundo conseguem competir nela.
2. Reunir um time com densidade de talento fora do comum.
3. Ter acesso a canais de distribuição que a maioria não tem.
4. Construir com o cliente um ciclo de feedback rápido o suficiente para lançar e iterar antes da concorrência.
5. Acumular anos, ou décadas, de dados proprietários que mais ninguém tem.

Nos últimos doze meses, duas startups apostando no paradigma dos world models captaram, juntas, mais de dois bilhões de dólares, cada uma com uma arquitetura técnica própria e sem ligação societária entre elas: capital de investidores diferentes indo para direções técnicas diferentes, o mesmo tipo de aposta em domínio de pesquisa específica que está no topo da lista de Arthur.

Sobre o risco de uma empresa grande copiar a ideia, pergunta que também apareceu no chat, Arthur foi honesto: pode acontecer. Só que copiar exige aprovação interna, orçamento e alinhamento entre times, o tipo de processo que trava a velocidade de qualquer companhia do tamanho do Google. Um time pequeno, sem essa burocracia, fica mais perto do usuário e itera mais rápido. Na prática, a agilidade vira ela mesma um diferencial competitivo real.

O exemplo mais concreto disso na live veio de uma pergunta fora do roteiro. Um fundador de uma startup brasileira de biotecnologia que treina modelos de linguagem sobre sequências de DNA para aumentar a produtividade de bioprocessos (as etapas biológicas ou químicas usadas para fabricar um produto, como um remédio ou um insumo agrícola), perguntou como uma deep tech (empresa cuja tecnologia central exige avanço científico ou de engenharia, não só um aplicativo novo), com ciclo de retorno bem mais longo que o de uma empresa de software, deveria se posicionar diante de fundos acostumados a outro ritmo.

Arthur respondeu que a régua não muda: o que a startup está construindo, o que o time sabe fazer que mais ninguém sabe, e o tamanho real do problema. A diferença, em setores regulados, é que o risco regulatório e o prazo de aprovação entram na conta como parte do jogo, não como exceção à regra.

O critério da Monashees: apostar em gente antes de apostar em mercado

Segundo contou na live, Jan Diniz passou quase a vida inteira como empreendedor antes de virar investidor. Vendeu a própria empresa no ano passado, ficou com uma cláusula de não concorrência e, nesse intervalo, foi chamado para liderar o que a Monashees chama de Founder Journey: parcerias de ecossistema, gestão de portfólio e o reposicionamento do fundo para a era da IA.

Ele resumiu o negócio da Monashees numa frase: encontrar e escolher riscos desproporcionais para conseguir retornos desproporcionais. Em pré-seed e seed (os estágios mais iniciais de investimento, antes de a startup provar tração significativa), foi específico: mais da metade da aposta está nas pessoas, não no produto ou na tração que a startup já tem. O que ele procura é o que chamou de insight injusto, uma compreensão de um problema tão específica e difícil de alcançar que funciona como diferencial por si só. Nenhum critério sozinho decide, segundo ele: é uma soma de evidências.

Jan chamou esse conjunto de team-market fit e dividiu em duas metades.

A primeira é sobre o time:

1. Ter um diferencial difícil de copiar.
2. Acesso desigual a canais de distribuição.
3. Velocidade de execução.
4. Histórico prévio.
5. Coerência entre a ambição do fundador e a capacidade real de entregar.

A segunda é sobre o mercado:

1. O problema é grande o suficiente.
2. O timing está certo.
3. Existe alguma dinâmica de regulação relevante.
4. O time consegue enxergar, ou construir ao longo do tempo, um ângulo que mais ninguém viu.

Sobre a mesma dúvida do wrapper, Jan deu uma resposta parecida com a de Arthur, com um ângulo próprio: pode ser wrapper, sim, desde que a startup consiga criar o que chamou de flywheel de dados proprietário, um ciclo em que o uso do produto gera um tipo de dado ou de acesso que só aquela empresa tem, e que fica mais forte quanto mais a empresa cresce. No fim, resumiu, o time pesa mais na decisão da Monashees do que o mercado e mais do que a própria tecnologia de IA envolvida.

Jan também citou, na live, o histórico do fundo: desde a fundação em 2005, a Monashees já teria investido em 159 startups e teria hoje cerca de um terço dos unicórnios da região no portfólio. As duas fontes disponíveis sustentam a ordem de grandeza: a Renova Invest contabiliza mais de 150 startups financiadas pela Monashees desde 2005, e a Dealroom lista 12 unicórnios na carteira do fundo, o equivalente a cerca de 30% dos 39 unicórnios latino-americanos que a Failory catalogava em 2026.

O que o mercado de venture capital diz sobre investir em startups de IA

A resposta de Arthur e Jan sobre o wrapper ecoa um debate mais amplo, que tomou o mercado de venture capital em 2026: se qualquer concorrente consegue montar um produto parecido com uma chave de API em poucas semanas, onde é que sobra defensibilidade?

Uma coluna da Forbes publicada em junho resume esse consenso que vem se formando: o modelo virou commodity técnica, disponível para qualquer concorrente com acesso à mesma API, e a distribuição é o que agora decide quem fica com o mercado.

Os exemplos que a coluna usa são didáticos. A Lovable chegou a uma avaliação de US$ 6,6 bilhões com 45 funcionários e zero orçamento de aquisição paga, crescendo por indicação orgânica dentro da própria comunidade de usuários, o tipo de disciplina que separa cultura de inovação real de discurso quando o orçamento aperta. A Clay sustenta uma retenção líquida acima de 200%, o que quer dizer que os clientes que já pagam expandem o próprio contrato mais rápido do que a empresa perde clientes novos.

Uma reportagem da TechCrunch, publicada em março de 2026, chega à mesma conclusão por outro caminho. Investidores ouvidos pela reportagem, como Aaron Holiday (645 Ventures) e Igor Ryabenkiy (AltaIR Capital), descrevem 4 tipos de startup de IA que perderam atratividade:

1. camada fina de wrapper sobre modelo ou API já existente,
2. ferramenta horizontal genérica como clone básico de CRM,
3. software vertical sem moat de dados proprietário, e
4. produto cujo diferencial mora só na interface ou em automações simples que um agente de IA replica sozinho.

Dá para ler a resposta de Arthur e a de Jan como a mesma tese, só que descrita de dentro do processo de decisão de investimento em vez de descrita depois do fato. O “ciclo de feedback rápido com o cliente” que Arthur cita como moat é, na prática, o motor por trás da retenção da Clay.

O “flywheel de dados proprietário” que Jan exige de qualquer wrapper é a versão de fundo de tese do que a Forbes chama de distribuição como ativo escasso: em ambos os casos, o que vale dinheiro é o que a empresa consegue fazer, repetidas vezes, com a proximidade que tem do cliente, antes que outro perceba a mesma oportunidade; o acesso ao modelo em si vale pouco.

Onde as duas visões se encontram, e onde se separam

Google e Monashees não decidem o investimento pelo debate sobre wrapper: valorizam diferenciação real e velocidade de execução.

A diferença está no ponto de partida de cada análise. O AI Futures Fund olha primeiro para o produto: a forma específica como a startup usa o modelo. A Monashees olha primeiro para o fundador: o insight que ele carrega e que mais ninguém tem. Na prática, isso muda o que vale mostrar num pitch: para o Google, a evidência concreta de uso diferenciado do modelo; para a Monashees, a origem e a profundidade do insight por trás do problema escolhido.

A minha opinião, formada antes dessa live, é que ideia vira tese rara quando quem enxerga o ângulo é gente muito sênior, porque a execução está ficando mais barata com a própria IA.

O que sobra como diferencial de verdade é capital somado a distribuição, exatamente os dois nomes que aparecem tanto na lista de moats do Arthur quanto na régua de team-market fit do Jan. É a mesma dinâmica que venho observando em imersões internacionais de inovação como o VivaTech, em Paris, onde a tensão entre tecnologia proprietária e distribuição aparece edição após edição, em setores que vão muito além de IA.

Quando o mercado inteiro migra de “quem tem o modelo” para “quem sabe usar o modelo e ainda vende isso rápido”, quem decide primeiro em quem apostar, antes de a corrida ficar óbvia para todo mundo, fica com a melhor parte do negócio.

Quanto uma startup pode receber do Gama Fund

O pano de fundo da conversa era o Gama Fund, o programa de coinvestimento entre AI Futures Fund e Monashees para apostar em startups AI-first com pelo menos um fundador brasileiro, em estágio pré-seed ou seed. Segundo o site oficial do programa, cada startup selecionada pode receber até US$ 2 milhões em coinvestimento entre os dois fundos, além de créditos de até US$ 350 mil em Google Cloud e Gemini, mentoria da rede de fundadores da Monashees e acesso antecipado a modelos como Gemini, Veo e Nano Banana.

As inscrições, abertas desde 15 de setembro de 2026 com seleção em base contínua, tinham prazo até 28 de setembro na data em que este artigo foi verificado, 22 de setembro de 2026, segundo o site oficial. Prazo desse tipo muda com frequência: conferir direto no site antes de aplicar ou divulgar.

O que aplicar antes do próximo pitch

• Para cada fonte de moat reivindicada (dados proprietários, distribuição, execução, pesquisa, ciclo de feedback), preparar uma frase que explique por que um concorrente não copia isso em seis meses.
• Se o produto é wrapper de IA, ter pronta a resposta direta: qual dado ou canal de distribuição só a sua empresa acumula com o uso do produto, e como esse acúmulo fica mais forte com o crescimento.
• Listar, numa frase cada, os cinco fatores do lado “time” do team-market fit (diferencial, distribuição, execução, histórico, coerência) e marcar qual deles está mais fraco hoje, para trabalhar nele antes da próxima rodada.

Perguntas frequentes

Ser um “wrapper” de IA (um produto construído sobre a API de outra empresa) prejudica a chance de captar investimento? Não, segundo os dois investidores. Tanto o AI Futures Fund do Google quanto a Monashees dizem avaliar a diferenciação real por trás do produto, não se o modelo é próprio ou de terceiro. Para o Google, o critério é usar o modelo de forma única; para a Monashees, é a startup construir um flywheel de dados proprietário a partir do uso do produto.

O que os dois fundos consideram um moat (barreira competitiva) válido para uma startup de IA? Arthur Soroken, do AI Futures Fund, cita cinco exemplos possíveis: domínio de uma área de pesquisa muito específica, densidade de talento no time, acesso a canais de distribuição, ciclo de feedback rápido com o cliente e anos de dados proprietários. Nenhum deles é obrigatório sozinho: o que decide é a soma de evidências de diferenciação real.

O que é team-market fit, segundo a Monashees? É a soma de cinco fatores sobre o time (diferencial difícil de copiar, acesso a canais de distribuição, velocidade de execução, histórico prévio e coerência entre ambição e capacidade de entrega) com quatro fatores sobre o mercado (tamanho do problema, timing, dinâmica de regulação e um ângulo que mais ninguém viu). Jan Diniz usa esse conjunto para decidir aportes em pré-seed e seed, com o time pesando mais do que o mercado ou a tecnologia envolvida.

O que é o Gama Fund? É o programa de coinvestimento entre o AI Futures Fund do Google e a Monashees para startups brasileiras de inteligência artificial em estágio pré-seed ou seed, com pelo menos um fundador brasileiro. Cada selecionada pode receber até US$ 2 milhões em coinvestimento, além de créditos em Google Cloud e Gemini e mentoria dos dois fundos.

Quem pode se candidatar ao Gama Fund? Startups AI-first em estágio pré-seed ou seed, com pelo menos um fundador brasileiro. A seleção acontece em base contínua, sem uma única data de corte fixa para todos os candidatos.

Até quando estão abertas as inscrições do Gama Fund? As inscrições, abertas desde 15 de setembro de 2026 com seleção em base contínua, tinham prazo até 28 de setembro na data em que este artigo foi verificado, 22 de setembro de 2026, segundo o site oficial do programa. Prazo desse tipo muda com frequência, então o caminho mais seguro é conferir a data atual direto no site antes de aplicar.

Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro em IA, dados e inovação. Participou da criação de sete startups ao longo da carreira. É professor na ESPM, Insper, PUCRS, USP e IBGC. É autor de vários e-books gratuitos sobre tecnologia, marketing, liderança e inovação, reunidos nesta página.