IA, Infraestrutura de Software, Serviços Empresariais e de Informação: Goldman Sachs: a IA Está Migrando de Ferramentas Assistivas para a Execução de Fluxos de Trabalho, com Maior Valor Acumulando-se em Dados, Controle de Fluxo de Trabalho e Infraestrutura de Agentes

Visão geral

Esta nota da terceira viagem anual de campo sobre IA ao Vale do Silício compila perspectivas de startups, capital de risco e academia. A conclusão central do Goldman Sachs é que o valor comercial da IA está migrando da recuperação de informações e funções de assistente para a execução verificável e responsável de fluxos de trabalho; as plataformas mais bem posicionadas combinarão informações proprietárias, conhecimento setorial, contexto do cliente, capacidades de distribuição e autoridade para agir.

Visões principais

O Goldman Sachs realizou sua terceira viagem anual de campo sobre IA ao Vale do Silício nos dias 18 e 19 de agosto, com participantes incluindo empresas de IA, firmas de capital de risco e pesquisadores da Universidade Stanford, da Universidade da Califórnia em Berkeley e da UCSF. A viagem reforçou sua visão de que as capacidades dos modelos continuam melhorando, os agentes estão migrando de auxiliar humanos para concluir fluxos de trabalho, e a monetização se expandirá da precificação por assento para cobranças pelo uso de dados, transações, tarefas concluídas, resultados e uso de agentes. O relatório argumenta que as empresas de IA mais fortes devem possuir dados proprietários, expertise de domínio, contexto do cliente, controle de fluxo de trabalho, canais de distribuição, mecanismos de verificação e permissão para executar ações. Para serviços empresariais e de informação, o relatório acredita que a IA aumentará a utilidade de ativos de informação diferenciados: a IA facilita recuperar, conectar e aplicar dados às decisões dos clientes, mas grandes conjuntos de dados, por si só, não constituem uma barreira competitiva. Plataformas líderes também exigem conteúdo autoritativo, modelos validados, taxonomias especializadas, contexto do cliente e especialistas que entendam como as informações são usadas para fornecer resultados mais precisos e verificáveis em análise financeira, jurídico, seguros, gestão de riscos, saúde e outros contextos. Empresas que historicamente monetizavam por assinaturas, relatórios e serviços intensivos em mão de obra podem usar agentes para organizar, analisar, monitorar e agir sobre informações não estruturadas, evoluindo de simples fornecedoras de insumos de informação para os "sistemas operacionais" de setores intensivos em conhecimento e capturando uma parcela maior dos gastos dos clientes com serviços profissionais. O relatório observa ainda que análise financeira, pesquisa jurídica, subscrição de seguros e pesquisa de mercado contêm muitos processos profissionais de alto custo de mão de obra. Codificar as partes estruturadas em agentes reutilizáveis pode tanto acelerar o trabalho existente quanto comercializar tarefas antes antieconômicas; menores custos de entrega também podem melhorar a acessibilidade dos serviços, a frequência de uso e o leque de perguntas que os clientes estão dispostos a fazer. O modelo mais adequado é automatizar etapas padronizadas, mantendo previsões, decisões relevantes e tratamento de exceções para o julgamento de especialistas. À medida que os agentes concluem mais tarefas de forma independente e cada profissional pode supervisionar mais atividades, a precificação por assento se torna menos alinhada ao valor para o cliente; as plataformas podem, em vez disso, cobrar pelo consumo incremental de dados, análises concluídas, documentos processados, transações e uso de agentes. A Daloopa afirmou que o consumo de dados em alguns fluxos de trabalho integrados de agentes aumentou aproximadamente 100x; a Clio possui receitas de assinaturas, pagamentos e outras receitas baseadas em transações, enquanto a Moody's começou a cobrar taxas incrementais de assinatura pelo acesso MCP e taxas separadas pelo uso de agentes. No cenário competitivo, plataformas estabelecidas têm vantagens decorrentes de marcas confiáveis, distribuição incorporada, contexto de cliente acumulado e acesso aos sistemas nos quais residem registros, transações, pagamentos e gatilhos de ação; essas capacidades reduzem a necessidade de os clientes moverem informações entre sistemas. Empresas nativas de IA ainda podem ganhar participação por meio de produtos substancialmente superiores, fluxos de trabalho especializados ou infraestrutura difícil de replicar. Por exemplo, a Corgi combina IA, licenças de seguros, capital regulatório e controle sobre subscrição e sinistros, enquanto a Harvey combina expertise jurídica, agentes específicos para fluxos de trabalho e capacidades de avaliação. Em contraste, provedores com dados comoditizados, integração superficial aos fluxos de trabalho ou modelos de negócio que dependem principalmente de trabalho humano e precificação por número de usuários são mais vulneráveis. O Goldman Sachs enfatiza que a entrada da IA empresarial em produção depende de os resultados serem verificáveis, ações errôneas serem reversíveis e a responsabilização ser clara; dados vinculados às fontes, trilhas de auditoria, limites de confiança, avaliações independentes e revisão humana direcionada podem reduzir os encargos de supervisão sem eliminar a responsabilidade. Sobre a divisão de trabalho entre modelos de código aberto e de fronteira, o relatório rejeita uma visão de escolha excludente. O grupo dos modelos de fronteira argumenta que benchmarks empresariais não capturam plenamente saltos reais de capacidade e que, em produção, a perda de precisão pode não justificar a economia no custo dos modelos; portanto, algumas aplicações nativas de IA continuam a depender principalmente de provedores de fronteira, mesmo discutindo diversificação de modelos. Por outro lado, participantes do setor acreditam que a maioria dos fluxos de trabalho empresariais não requer inteligência de nível de fronteira, com um investidor de capital de risco estimando que aproximadamente 90% dos tokens fluirão para modelos de código aberto dentro de 12 a 18 meses; pressão sobre preços, limites de uso mais altos e clientes reduzindo o consumo de modelos de fronteira também indicam que a competição migrou para a economia. A visão geral do relatório é que os modelos de fronteira reterão as cargas de trabalho de maior valor e mais sensíveis à confiabilidade, enquanto os modelos de código aberto lidarão com a maior parte do volume de uso. Fornecedores independentes de software, como Microsoft, Cloudflare, Databricks e Vercel, podem capturar valor ao ajudar empresas a orquestrar diferentes modelos mantendo o conteúdo privado. O relatório também acredita que modelos de mundo podem representar a próxima mudança de plataforma de IA, potencialmente maior do que os grandes modelos de linguagem. A pesquisa está migrando da simples previsão do próximo token para a modelagem de ambientes, relações causais, leis físicas e interações do mundo real; a barreira competitiva também pode migrar de dados em escala de internet compartilhados para dados proprietários estreitamente ligados a sistemas físicos, setores e ambientes operacionais. Sistemas físicos, industriais, científicos e robóticos representam um espaço de problemas maior do que a geração de texto, e muitas cargas de trabalho são mais intensivas em computação. A demanda por tokens de modelos de mundo se somará à previsão do Goldman Sachs de que a computação empresarial suportará 24x mais tokens nos próximos cinco anos, potencialmente mantendo apertadas por mais tempo as condições de oferta e demanda de computação e beneficiando Microsoft, Oracle e CoreWeave. A diferenciação duradoura na camada de software virá do contexto do fluxo de trabalho, e não apenas dos dados. Camadas simples de encapsulamento de IA são as mais vulneráveis à medida que os modelos melhoram; plataformas horizontais, embora se beneficiem de escala, também enfrentam competição de funcionalidades. O relatório atribui maior valor a software nativo de fluxo de trabalho que combine expertise setorial, processos incorporados e contexto proprietário que continuamente gera, estrutura e enriquece dados. À medida que o desenvolvimento de software se torna mais rápido e barato, esse contexto pode se tornar uma das poucas fontes remanescentes de diferenciação defensável; o relatório cita Shopify e Samsara como exemplos de como uma base instalada de clientes ou uma presença de ativos conectados pode gerar continuamente o contexto operacional necessário para IA diferenciada. Os agentes também se tornarão um novo canal de aquisição de clientes: o software deve ser descobrível, invocável e utilizável por agentes que atuam em nome dos usuários. A visão da Vercel indica que os blocos fundamentais da internet estão migrando de usuários e aplicações para agentes e tokens, e a infraestrutura deixou de ser otimizada apenas para interação humana. Vercel e ClickHouse observam que os agentes gerarão mais solicitações, executarão mais ações e decisões e conectarão mais sistemas, transferindo os gargalos do desenvolvimento de aplicações para a infraestrutura que suporta execução autônoma; a importância de bancos de dados em tempo real, computação de baixa latência, pipelines de dados escaláveis e sistemas distribuídos globalmente está aumentando. A cibersegurança é outro beneficiário importante. A IA ampliará a superfície de ataque de forma semelhante a mudanças de plataforma anteriores, como a internet e a nuvem, e aumentará a frequência e a complexidade dos ataques à medida que modelos de código aberto aprimoram as capacidades dos atacantes, potencialmente impulsionando investimentos de curto prazo em correção, gestão de higiene, processos de pessoal e testes de produtos. Em um cenário de longo prazo, defensores que obtenham visibilidade quase completa de seus ambientes poderão identificar mais cedo o comportamento anômalo dos atacantes. A IA também pode aliviar a escassez de talentos em cibersegurança e a fragmentação de fornecedores, particularmente em operações de segurança: modernização baseada no armazenamento de dados de SIEM, remediação contínua, sistemas automatizados corretamente configurados e ferramentas nativas para agentes capazes de raciocinar sobre dados, executar controles e agir podem representar oportunidades. Exemplos de empresas sustentam a lógica acima. A Daloopa atende pesquisa, manutenção de modelos de avaliação e análise de resultados ao extrair, padronizar e validar itens de demonstrações financeiras, KPIs, orientações e ajustes não-GAAP de documentos regulatórios, materiais de resultados e outras divulgações, com cada ponto de dados vinculado à sua fonte original. Sua equipe de verificação de aproximadamente 400 pessoas, pipeline de dados proprietário e processos operacionais estruturados são projetados para atender requisitos de precisão e tempestividade; a empresa disponibiliza como código aberto agentes padronizados e competências analíticas, enquanto mantém proprietária sua infraestrutura de extração, padronização e verificação de dados, e utiliza um grafo de conhecimento continuamente atualizado para preservar memória de pesquisa testável, reduzir geração repetida e limitar alucinações. A Divergent demonstrou como a IA vertical pode integrar todo o fluxo de trabalho de design à produção: sua DAPS conecta software de engenharia de IA, manufatura aditiva e montagem automatizada; antes de os engenheiros selecionarem uma abordagem, o software avalia centenas de alternativas estruturais, e a integração de seu software, impressora Model One, processos de fabricação e operações de fábrica permite que dados de produção retroalimentem decisões de design e manufatura. A empresa afirmou que o investimento nessa infraestrutura compartilhada de software excedeu US$ 1 bilhão.

Estrutura de análise

Com base em dois dias de demonstrações de empresas, entrevistas com capital de risco e intercâmbios de pesquisa universitária, o relatório primeiro sintetiza tendências comuns em modelos, agentes e monetização, e depois analisa separadamente a transmissão de valor entre serviços empresariais e de informação, software, computação, IA física e cibersegurança. Sua análise concentra-se em como dados, fluxos de trabalho, verificação e capacidades de distribuição moldam barreiras competitivas, usando casos como Daloopa e Divergent para ilustrar os mecanismos.

Notas metodológicas

• Estrutura de Competição e EstratégiaAnálise da Cadeia de Valor

  Alocação de valor da IA entre modelos, dados, aplicações, fluxos de trabalho, infraestrutura e camadas de segurança

  O relatório compara as fontes de valor entre diferentes camadas da pilha de IA, argumentando que modelos ou dados isoladamente são insuficientes para garantir uma vantagem; plataformas que controlam fluxos de trabalho dos clientes, verificam resultados e estão incorporadas às etapas de ação têm maior probabilidade de capturar valor duradouro.

• Estrutura de Análise Setorial/IndustrialTransmissão da Cadeia Industrial a Montante, Intermediária e a Jusante

  Transmissão das capacidades dos modelos e do crescimento de tokens para software, infraestrutura de computação, IA física e cibersegurança

  O relatório relaciona a melhoria dos modelos e o maior uso de agentes a mudanças na demanda por dados em tempo real, computação de baixa latência, pipelines de dados, operações de segurança e computação para sistemas físicos.

• Estrutura de Competição e EstratégiaBarreira Competitiva/Vantagem Competitiva

  Dados proprietários, expertise de domínio, contexto do cliente, verificação e controle de fluxo de trabalho criam barreiras competitivas em IA

  O relatório utiliza essa lógica para distinguir plataformas estabelecidas, empresas nativas de IA e camadas simples de encapsulamento ou provedores de dados comoditizados vulneráveis.

Mapeamento e comparação de ativos

Mapeamento estruturado da tese para ativos nomeados (pontos fortes, pontos fracos, pares e riscos).

• Serviços Empresariais e de Informação (IRM, MCO, MSCI, SPGI, TRI)

  O relatório identifica esta como uma área preferencial de beneficiários da IA, argumentando que dados diferenciados, expertise setorial e fluxos de trabalho incorporados podem ampliar a parcela dos gastos dos clientes.

  Pontos fortes

  Ativos de dados confiáveis e continuamente atualizados, expertise especializada, contexto do cliente, capacidades de verificação e integração ao fluxo de trabalho.

  Comparação

  Em relação a provedores que oferecem apenas dados comoditizados ou integração superficial, essas empresas têm uma oportunidade maior de criar fluxos de trabalho setoriais verificáveis e executáveis.

  Riscos

  O posicionamento competitivo pode sofrer pressão se os dados se tornarem comoditizados, a integração ao fluxo de trabalho for insuficiente ou os modelos de negócio dependerem principalmente de trabalho humano e contagem de usuários.

• Software (MSFT, MDB, RBRK)

  O relatório identifica esta como uma área preferencial de beneficiários da IA; a Microsoft também é vista como potencial beneficiária se modelos de mundo criarem um aperto de computação mais prolongado.

  Pontos fortes

  Pode ajudar empresas a orquestrar diferentes modelos, manter o conteúdo privado e capturar a demanda por infraestrutura e software impulsionada por agentes.

  Comparação

  Em relação a camadas simples de encapsulamento de IA, plataformas com distribuição empresarial, fluxo de trabalho e capacidades de infraestrutura são mais defensáveis.

  Riscos

  A rápida melhoria das capacidades dos modelos pode intensificar a competição de funcionalidades e alterar a alocação de valor entre camadas de software.

• Cibersegurança (CRWD, NET, PANW)

  O relatório reitera visões construtivas de longo prazo sobre essas empresas, acreditando que a IA expandirá a demanda por segurança.

  Pontos fortes

  As operações de segurança podem se beneficiar de automação, remediação contínua, integração de dados e raciocínio e ações de agentes baseados em dados de SIEM.

  Comparação

  O relatório acredita que fornecedores de segurança com capacidades estabelecidas podem receber benefícios desproporcionais do investimento em segurança impulsionado por IA.

  Riscos

  A IA também aumentará a frequência e a complexidade dos ataques e ampliará a superfície de ataque empresarial.

• SNOW

  O relatório reitera uma visão construtiva de longo prazo e a posiciona no contexto da expansão da demanda por dados e infraestrutura de IA.

Dados principais

• Datas da viagem de campo sobre IA ao Vale do Silício18-19 de agosto de 2026Terceira viagem anual de campo sobre IA ao Vale do Silício do Goldman Sachs.
• Visão sobre a participação de tokens de modelos de código abertoAproximadamente 90%Um investidor de capital de risco acredita que a maior parte dos tokens pode fluir para modelos de código aberto em aproximadamente 12 a 18 meses.
• Previsão de demanda por tokens de computação empresarialSuporte para 24x mais tokens nos próximos 5 anosO relatório acredita que a demanda por modelos de mundo será adicional a essa previsão de computação empresarial.
• Consumo de dados da Daloopa em fluxo de trabalho integradoAumento de aproximadamente 100xA empresa afirmou que o consumo de dados em alguns fluxos de trabalho integrados de agentes é muito maior do que em interfaces tradicionais de analistas.
• Equipe de verificação da DaloopaAproximadamente 400 pessoasUtilizada juntamente com pipelines de dados e processos proprietários para atender requisitos de precisão e tempestividade.
• Investimento da Divergent em infraestrutura compartilhada de softwareMais de US$ 1 bilhãoUma plataforma de software integrada que abrange design, manufatura aditiva, montagem e processos de qualidade.
• Recomendação e preço-alvo da MSCICompra, preço-alvo de 12 meses de US$ 671Listada pelo relatório como uma de suas principais ideias de investimento em beneficiários da IA.
• Recomendação e preço-alvo da MicrosoftCompra, preço-alvo de 12 meses de US$ 640Listada pelo relatório como uma de suas principais ideias de investimento em beneficiários da IA.

Impacto e implicações

O relatório acredita que a IA transferirá as empresas de serviços empresariais e de informação da entrega de informação para a execução de fluxos de trabalho, vinculando a receita mais estreitamente ao uso, transações e resultados. Os beneficiários incluem não apenas plataformas com dados confiáveis e expertise setorial, mas também empresas que ajudam organizações a orquestrar modelos, lidar com cargas de trabalho nativas para agentes, fornecer computação e fortalecer operações de segurança; enquanto isso, dados comoditizados e modelos simples de encapsulamento de IA sem integração profunda aos fluxos de trabalho enfrentam maior pressão competitiva.

Riscos

• Compensações entre custo, desempenho e confiabilidade entre modelos de fronteira e de código aberto podem intensificar a competição entre provedores de modelos e na camada de aplicações.
• Empresas com dados comoditizados, integração superficial aos fluxos de trabalho ou modelos de negócio dependentes de trabalho humano e contagem de assentos são mais vulneráveis à disrupção por concorrentes nativos de IA.
• Em contextos financeiros, jurídicos, regulatórios e operacionais, o ritmo de entrada dos agentes em produção pode ser limitado caso faltem resultados verificáveis, trilhas de auditoria e responsabilização clara.
• A IA amplia a superfície de ataque e aumenta a frequência e a complexidade dos ataques, particularmente à medida que modelos de código aberto aprimoram as capacidades dos atacantes.