PMF sempre foi difícil de medir. Mas em AI First, ficou ainda mais complexo – agora existem muitos falsos positivos.
De um lado, existe FOMO. Clientes querem comprar AI. Boards estão cobrando. Executivos querem testar. Times querem dizer que estão usando. Isso gera reuniões, pilotos, contratos e até crescimento de receita. Mas nem todo crescimento é PMF. Às vezes é apenas curiosidade de mercado.
Do outro lado, ficou muito mais fácil entregar “produto” sem que ele esteja realmente codificado. Com AI, automação, prompts, integrações frágeis, serviços manuais e humanos no loop, uma startup consegue entregar valor antes de ter um produto escalável. Isso é uma vantagem enorme para aprender rápido. Mas também pode virar uma armadilha: a empresa confunde serviço bem entregue com produto repetível.
Por isso, PMF não pode ser medido apenas por receita, crescimento ou logos de clientes. Precisa ser medido pela combinação entre demanda, repetição e eficiência de entrega. A pergunta passa a ser: “conseguimos entregar esse resultado de forma repetível, com margem crescente e cada vez menos customização?”
Em SaaS, customização excessiva já era um risco. Agora, ela pode ficar invisível. Cada cliente recebe um prompt diferente, um fluxo diferente, uma integração diferente, uma camada manual diferente, um ajuste operacional diferente. Por fora, parece produto. Por dentro, pode ser uma consultoria disfarçada de software.
Por isso, founders precisam definir com muito mais precisão o que é core e o que é customização.
Core é aquilo que melhora para todos os clientes quando o produto evolui. Customização é aquilo que melhora apenas para um cliente e aumenta complexidade operacional.
Core cria margem. Customização consome margem. Core aumenta defensibilidade. Customização aumenta dívida operacional.
Isso não significa que customização seja sempre ruim. No começo, ela pode ser necessária para aprender. Mas, se a empresa não sabe transformar customização em core ao longo do tempo, talvez ela não esteja construindo um produto AI First. Talvez esteja construindo uma operação de serviços com uma camada de AI.
O mesmo vale para human-in-the-loop. Ele pode ser necessário no início, especialmente para qualidade, confiança e aprendizado. Mas precisa ser medido com honestidade. Quanto trabalho humano ainda existe na entrega? Esse trabalho cai com o tempo? O sistema aprende? O custo por output diminui? A margem bruta melhora conforme a base cresce?
Talvez o novo PMF precise provar mais três coisas ao mesmo tempo: custo de inferência dominado, human-in-the-loop decrescente e core/customização playbookado.
Sem isso, crescimento pode enganar. Pode parecer tração. Pode parecer PMF. Pode parecer inevitabilidade. Mas, no fundo, ser apenas vibe financiando uma operação cara.
AI First não elimina os fundamentos de PMF. Ela aumenta o padrão. Porque agora não basta provar que o cliente quer o resultado. É preciso provar que esse resultado pode virar produto.