O momento Mythos
Em 7 de abril de 2026, a Anthropic anunciou o Claude Mythos Preview. A manchete já era impressionante por si só: um único modelo, rodando de forma autônoma, identificou milhares de vulnerabilidades de segurança até então desconhecidas em todos os principais sistemas operacionais e navegadores. Uma delas, uma falha de execução remota de código na implementação NFS do FreeBSD, estava na base de código há 17 anos. Sobreviveu a revisão por pares, auditorias manuais e milhões de testes automatizados. Mythos a encontrou em horas, e depois escreveu um exploit funcional.
Algumas semanas depois, pesquisadores de segurança relataram que Mythos também havia trazido à tona uma vulnerabilidade TCP SACK de 27 anos no OpenBSD e uma falha de 16 anos no FFmpeg. A Anthropic optou por não liberar o modelo comercialmente. Em vez disso, a empresa lançou o Project Glasswing, um consórcio das principais empresas de tecnologia que trabalham na divulgação responsável das descobertas de Mythos.
A reação se dividiu de forma previsível. Alguns trataram como um salto geracional, o momento em que a IA passou de "assistente útil" para "agente autônomo com capacidades ofensivas". Outros, incluindo a The Ringer, perguntaram se Mythos poderia, em princípio, destruir a internet. Ambas as reações erram a pergunta mais útil para qualquer um que não esteja comandando uma equipe de segurança.
A pergunta é esta: se um modelo tão capaz ainda não tem ideia de quem você é, o que isso lhe diz sobre onde está o valor duradouro?
O que Mythos consegue fazer, e o que não consegue
Vale ser concreto sobre o que Mythos realmente representa, porque o intervalo entre o hype e a realidade é onde mora o pensamento útil.
De acordo com o relatório do red team da Anthropic e a cobertura da InfoQ, Mythos Preview mostra os maiores ganhos sobre Claude Opus 4.6 em matemática, raciocínio de contexto longo, engenharia de software e cibersegurança. Em benchmarks padrão, ele estabelece novos recordes. Em tarefas de segurança adversarial, opera com um grau de autonomia que modelos anteriores não conseguiam sustentar. Dê a ele um alvo, e ele consegue planejar, sondar e iterar sem instruções adicionais.
Mas note o que está faltando nessa lista.
Mythos não sabe qual livro você leu em um voo em 2021 que silenciosamente reformulou como você pensa sobre sua carreira. Não sabe que um único parágrafo de uma entrevista de Tyler Cowen fez você reconsiderar uma decisão de investimento. Não sabe os três destaques de um tweetstorm de Naval Ravikant aos quais você voltou quatro vezes este ano. Não sabe sua velocidade de leitura, sua tolerância à ambiguidade, seu gosto por contra-argumentos, ou a forma específica como você tende a interpretar mal certos tipos de evidência.
Aqui está a assimetria. Mythos foi treinado na internet pública mais quaisquer dados proprietários que a Anthropic conseguiu licenciar. O mesmo acontece com todo outro modelo de fronteira. Informação pública é o insumo a que todo laboratório tem acesso. É o mínimo exigido. O que nenhum modelo tem, por padrão, é o rastro da sua mente específica passando pelas informações ao longo do tempo.
Esse rastro vive em três lugares. Vive na sua cabeça, onde é cheio de perdas e propenso ao esquecimento. Vive em ferramentas dispersas (apps de notas, pastas de screenshots, favoritos do navegador) onde é efetivamente invisível para a IA. Ou vive em uma forma estruturada que a IA pode de fato consumir.
A terceira opção é o que muda tudo.
Por que o contexto pessoal é o novo moat
Em estratégia, um moat é uma vantagem estrutural que os concorrentes não conseguem replicar com facilidade. O moat da Coca-Cola é a marca. O moat da Google é o grafo de links somado aos dados de clique do usuário. O moat da AWS são os custos de troca.
Para indivíduos trabalhando com IA, qual é o análogo?
Não é acesso a modelos melhores. A capacidade de fronteira está convergindo rápido, e a distância entre o melhor modelo fechado e o melhor aberto agora é medida em meses. Não é habilidade de escrever prompts, porque isso é um ofício ensinável e a alavancagem é finita. Não é nem mesmo expertise bruta de domínio, já que a IA consegue comprimir a diferença entre novato e especialista na maioria das tarefas de conhecimento explícito.
O moat é a parte da sua cognição que é legível para a IA e indisponível para qualquer outra pessoa. Chame isso de contexto pessoal.
Isso já era verdade antes de Mythos. O que Mythos esclarece é que nenhuma quantidade de capacidade do modelo apaga essa lacuna. Um modelo mais poderoso sem contexto sobre você não produz uma saída personalizada melhor. Produz uma saída genérica mais confiante, o que é pior, porque a confiança aumenta o custo de detectar erros.
Pense no que acontece quando você pede a uma IA genérica conselhos sobre uma decisão de carreira. Ela faz pattern-matching em milhões de prompts semelhantes e dá uma resposta com o formato da média. Se você nunca disse ao modelo que otimiza por opcionalidade, que já passou por um burnout de fundador, que o setor específico em que está se movendo está mudando de formas que os dados de treinamento não refletem, ele não tem como ponderar esses fatores. Vai dar um conselho fluente e plausível, calibrado para ninguém.
Agora imagine que você passou três anos alimentando-o com seus destaques de livros e artigos, suas notas de podcasts, suas anotações sobre sua própria escrita. De repente, o mesmo modelo lhe dá um conselho que faz referência às suas prioridades declaradas, ao framework que você destacou de uma entrevista de Patrick O'Shaughnessy, ao modo específico de falha que você marcou ao ler sobre o burnout de outro fundador. Mesmo modelo. Saída diferente. O delta é o contexto.
Essa é a mesma lógica que impulsionou building a second brain e o framework de Tiago Forte, trazida a um foco mais nítido pelo lançamento de Mythos. O ponto da captura não é a recuperação por você. É alimentar um sistema que se torna mais valioso à medida que tanto seu contexto quanto o modelo subjacente melhoram.
Destaques como a unidade atômica de contexto
Nem todo contexto é igualmente útil para a IA. O formato importa mais do que as pessoas percebem.
Considere a diferença entre três maneiras de capturar a mesma percepção de um livro.
Você poderia ler o livro e lembrar vagamente que "o autor argumentou algo sobre loops de feedback". Isso é inútil para a IA porque não pode ser recuperado como um fato discreto. Também é cheio de perdas, porque você esquecerá a nuance em uma semana.
Você poderia copiar o capítulo inteiro em um app de notas. Isso é pior do que inútil. A IA agora tem que escanear milhares de palavras irrelevantes para encontrar a frase que importava para você. Pior, você removeu a atribuição à fonte, então o modelo não consegue verificar nem estender a afirmação.
Ou você poderia destacar a frase específica que lhe chamou a atenção, deixá-la ligada à URL da fonte ou ao capítulo do livro, e opcionalmente adicionar uma nota de uma linha sobre por que ela importava. Esse destaque é agora um átomo de contexto. É pré-filtrado (você o escolheu), curto o suficiente para ser carregado em um prompt com baixo custo, atribuído à fonte para verificação, e pequeno o bastante para que milhares deles caibam em uma única chamada de recuperação.
É por isso que o destacador web do Glasp é estruturado da forma como é. Um destaque é a menor unidade de atenção que você pode capturar mantendo tudo o que a IA precisa. Multiplique isso por algumas centenas ou alguns milhares ao longo dos livros, artigos e PDFs que realmente moldaram seu pensamento, e você tem um corpus pessoal que os dados de treinamento de nenhum laboratório cobrem.
Adicione destaques de Kindle por cima, que frequentemente representam suas leituras mais profundas e mais consideradas, e o corpus se aprofunda.
Adicione timestamps de YouTube Summary de vídeos que você achou densos o suficiente para realmente estudar, e você acabou de capturar uma camada de contexto que quase ninguém se dá ao trabalho de preservar (conhecimento em vídeo é famoso por ser difícil de extrair depois do fato).
Você transformou o que a maioria das pessoas perde em algo que se acumula com o tempo.
| Método de captura | Pesquisável pela IA | Atribuído à fonte | Pré-filtrado por relevância | Custo para a IA |
|---|---|---|---|---|
| Apenas memória | Não | Não | Sim, com perdas | N/A |
| Screenshots | Ruim (OCR varia) | Não | Sim | Alto |
| Favoritos de texto completo | Sim | Sim | Não | Alto |
| Notas manuscritas | Não | Às vezes | Sim | N/A |
| Destaques com fonte | Sim | Sim | Sim | Baixo |
O formato não é um "seria bom ter". É a diferença entre um sistema de contexto que a IA pode usar e uma pilha que a IA tem que ignorar.
A pilha de contexto pessoal
Quando você começa a pensar em contexto pessoal como um moat, ajuda enxergá-lo como uma pilha, não como uma coisa única.
Camada 1: destaques brutos. As frases e os trechos que você marcou. São os átomos menores e mais baratos. Eles respondem à pergunta "o que esta pessoa achou que valia a pena diminuir o ritmo para reparar?"
Camada 2: anotações. Uma nota curta anexada a um destaque que captura o porquê. Não "isto é interessante", mas "isto contradiz X" ou "útil para a decisão do Q3". Anotações adicionam sinal que o destaque sozinho não consegue carregar.
Camada 3: perfil e objetivos declarados. Quem você é no mundo. O que você está tentando aprender, construir ou decidir. Isso é o equivalente a um system prompt para uma IA pessoal. Diz ao modelo como interpretar tudo nas camadas 1 e 2.
Camada 4: contexto social. O que outras pessoas na sua rede acharam digno de destacar nas mesmas fontes. É aqui que o feed da comunidade do Glasp se torna útil. Ver cinco pessoas que você respeita destacarem frases diferentes do mesmo ensaio diz algo sobre o ensaio que os destaques de uma única pessoa não diriam.
Camada 5: AI chat sobre a pilha. É aqui que tudo se torna operacional. Ferramentas como o AI chat do Glasp permitem que você consulte sua pilha diretamente. "O que destaquei sobre tomada de decisão sob incerteza?" "Traga todo destaque dos meus últimos seis meses que tocou em contratação." "Ache a contradição entre o que Marc Andreessen disse nesta entrevista e o que destaquei de Peter Thiel dois anos atrás." Sem a pilha, essas perguntas nem fazem sentido.
O interessante é que cada camada potencializa as outras. Um perfil sem destaques é um prompt genérico. Destaques sem anotações são átomos sem ligações. Contexto social sem seu próprio corpus é só um feed. AI chat sem uma pilha para consultar é o mesmo chatbot genérico que todo mundo tem.
A pilha completa é a única coisa nesta lista que é genuinamente sua.
O que Glasswing ensina aos indivíduos
Project Glasswing, a resposta da Anthropic à capacidade ofensiva de Mythos, vale a pena estudar como padrão estratégico. Também acontece de ser uma ilustração quase perfeita do princípio do contexto pessoal aplicado em escala industrial.
A Anthropic poderia ter liberado Mythos publicamente. Optou por não fazer. Poderia ter publicado as vulnerabilidades descobertas abertamente. Optou por não fazer. Em vez disso, construíram uma rede curada de partes confiáveis (Microsoft, Apple, Google e outras) e compartilharam as descobertas dentro dessa rede, com um cronograma coordenado de divulgação.
O raciocínio, conforme coberto na análise da CETaS do Alan Turing Institute, é direto. A liberação pública de capacidade sem contexto produz caos. A liberação curada da mesma capacidade dentro de uma rede que tem o contexto para agir sobre ela de forma responsável produz sistemas corrigidos.
Aplique isso a indivíduos. Uma IA de fronteira sem seu contexto pessoal é o Mythos ofensivo, capaz mas desalinhado com sua situação específica. A mesma IA com acesso a uma pilha pessoal curada é a versão Glasswing, capaz e contextual. O modelo não muda. A rede de contexto ao redor é que muda.
Esse é o mesmo princípio por trás de collective intelligence. O valor não está em nenhuma peça isolada. Está na curadoria e nas relações entre as peças.
Para um aprendiz individual, a tradução prática é: pare de tentar acompanhar todo lançamento de IA. Comece a construir a camada de contexto que faz qualquer lançamento ser útil para você.
Construindo seu moat sem um laboratório
Você não precisa de uma equipe de pesquisa ou de um laboratório de modelo de fronteira para construir contexto pessoal. Você precisa de um sistema que tenha pouco atrito o suficiente para que você realmente use, e estruturado o suficiente para que a IA consiga ler depois.
Alguns princípios que se sustentam independentemente da ferramenta que você usa.
Capture na fonte, não depois. A janela em que uma frase ainda parece importante é curta. Se você salvar agora e planejar fazer anotações "depois", vai perder 80% do sinal. Destacar no navegador, na página, no momento da atenção, é a única maneira de preservar por que aquilo importava. O destacador web do Glasp foi construído em torno dessa restrição.
Anote com parcimônia, mas com especificidade. Um destaque em branco é útil. Um destaque com "isto é ótimo" não é, porque não explica por quê. Um destaque com "contradiz o framework que usei no trimestre passado" é ouro. Uma anotação a cada dez destaques está bom. Faça com que essas anotações contem.
Preserve as fontes religiosamente. Uma citação sem fonte é não verificável. O você do futuro vai encontrar o destaque e não vai lembrar se o autor era confiável. A IA vai tratá-lo com a mesma desconfiança. Atribuição de fonte é um pequeno hábito com alavancagem desproporcional.
Trate vídeo e áudio como first-class. A maioria dos sistemas de contexto pessoal silenciosamente exclui o vídeo, o que é um problema porque metade do aprendizado sério agora acontece através de podcasts e YouTube. YouTube Summary com destaques ancorados em timestamps resolve isso. O equivalente em vídeo a um destaque de livro é um clipe de 30 segundos com uma frase puxada da transcrição.
Revisite em uma cadência lenta. Destaques que você nunca relê ainda são úteis (a IA pode encontrá-los), mas destaques que você revisita ganham uma segunda camada de sinal: o fato de você ter voltado. Esse é o loop de síntese (capturar, revisitar, conectar) que transforma contexto bruto em algo mais próximo de raciocínio.
Confie na sua rede para o que você não consegue capturar sozinho. Ninguém lê tudo. O feed da comunidade é onde você vê o que pessoas que você respeita acharam digno de marcar. Trate-o como um pipeline paralelo que preenche os cantos da sua própria leitura.
Nada disso é heroico. É um pequeno conjunto de hábitos que, aplicados de forma constante, produzem uma camada de contexto que nenhum modelo terá a menos que você a construa.
O gap de capacidade vai se ampliar
Há uma linha de raciocínio tentadora que diz: a IA vai ficar boa o suficiente para que o contexto pessoal não importe. Basta descrever o que você precisa, e um modelo esperto o bastante vai descobrir o resto.
O lançamento de Mythos é evidência contra essa visão, não a favor dela.
Eis o porquê. Capacidade e contexto não são substitutos. São complementos. Um modelo mais inteligente sem contexto sobre você é uma ferramenta mais poderosa apontada para o alvo errado. Imagine entregar toda a capacidade de Mythos a alguém que não conhece seu negócio, suas prioridades, nem seus erros do passado. A saída seria confiante, sofisticada e errada de formas difíceis de detectar, porque a fluência superficial é altíssima.
Essa é a armadilha do pensamento com IA no seu nível mais perigoso. Quando o modelo é ruim, você percebe. Quando o modelo é ótimo, mas genérico, você não percebe, e age sobre a saída de qualquer forma.
A saída não é desacelerar os modelos. Eles estão ficando mais rápidos de qualquer forma. A saída é construir a camada de contexto pessoal que permite você de fato usá-los. Os laboratórios estão despejando recursos em capacidade. Quase ninguém está despejando recursos no seu contexto. Essa assimetria é sua oportunidade.
Em dois anos, as pessoas que tiverem uma pilha de contexto pessoal funcional terão uma IA que opera como uma extensão coerente de seu pensamento. As pessoas que não tiverem terão uma IA que opera como um estranho confiante. Ambos os grupos estarão usando os mesmos modelos.
Frequently Asked Questions
Claude Mythos está disponível para uso público?
Não. Até maio de 2026, a Anthropic não liberou o Mythos Preview comercialmente. O modelo está sendo usado internamente e através do Project Glasswing para divulgação responsável de vulnerabilidades. A Anthropic citou riscos de cibersegurança como o motivo para reter o acesso geral. Essa é parte da razão pela qual o modelo é interessante como estudo de caso: representa uma capacidade que existe, mas não está amplamente acessível, o que faz a pergunta "o que você faria com ele se o tivesse" valer a pena ser levada a sério.
Isso não torna o contexto pessoal dependente de um único provedor de IA?
Não, se você estruturar sua captura corretamente. Destaques, anotações e notas são portáveis. São apenas texto com atribuição de fonte. Se você os armazena em um sistema que permite exportar, você pode movê-los entre provedores de IA conforme a fronteira muda. O que evitar é qualquer ferramenta que prenda seu contexto dentro de um formato proprietário que você não consegue extrair. Glasp permite que você exporte seus destaques, o que é a propriedade que você quer, independentemente da IA que acabar usando.
Em que isso difere de simplesmente usar o recurso de memória do ChatGPT?
A memória do ChatGPT é um resumo opaco e controlado pelo provedor do que ele inferiu sobre você a partir das conversas. Você não consegue auditar, não consegue editar com facilidade e não consegue portar para outro modelo. Contexto pessoal, no sentido que este artigo usa, são dados estruturados que pertencem a você (destaques, notas, perfis). Você pode inspecioná-lo, editá-lo, versioná-lo e alimentá-lo a qualquer IA. Um é um recurso de um produto. O outro é um moat que sobrevive a mudanças de produto.
E se eu não venho destacando há anos? É tarde demais?
Nunca é tarde demais, mas você não consegue comprimir tempo. O sistema que você começa a alimentar hoje vai ser útil em meses e indispensável em anos. Há uma frase de Charlie Munger sobre o melhor momento para plantar uma árvore ter sido vinte anos atrás e o segundo melhor momento ser agora. O mesmo se aplica. Pessoas que começaram com Glasp três anos atrás têm uma vantagem significativa de contexto hoje. Pessoas que começam neste mês terão essa mesma vantagem em 2029.
A IA do futuro não vai simplesmente ler todo o meu histórico de navegação e inferir tudo isso automaticamente?
Parte disso, talvez. Mas duas coisas importam. Primeiro, o histórico bruto de navegação é majoritariamente ruído. A razão sinal-ruído é muito menor do que a dos destaques, que são pré-filtrados pelo recurso mais caro da sua vida: sua atenção. Segundo, mesmo que uma IA futura conseguisse reconstruir seu contexto a partir do histórico, o provedor que detém esses dados não é necessariamente um do qual você queira depender. Possuir sua camada de contexto é um hedge contra o formato futuro da indústria de IA, não apenas um ganho de eficiência.
Como YouTube Summary se encaixa nisso?
Vídeo e áudio costumam ser invisíveis para sistemas de contexto pessoal, o que é uma lacuna importante, porque muito do aprendizado sério acontece por meio deles agora. YouTube Summary extrai uma transcrição, traz à tona os momentos-chave e permite que você destaque timestamps específicos. A saída é funcionalmente idêntica a um destaque de livro: uma frase curta, uma fonte, um momento no tempo. Isso significa que seu aprendizado no YouTube vira contexto first-class, consultável pela IA junto com tudo mais que você leu.
Mais contexto não significa mais custo de prompt de IA?
Sim, mas o custo vem caindo rápido, e as janelas de contexto vêm se expandindo. Dois anos atrás, carregar 1.000 destaques em um prompt era caro. Hoje é trivial. Quando você tiver construído um corpus grande o suficiente para importar, o custo de usá-lo será menor do que o custo de não tê-lo. O risco maior é não ter o contexto, não ter contexto demais.
Conclusão: comece a alimentar o sistema que vai conhecer você
Claude Mythos é a ilustração mais clara até agora do que a IA de fronteira consegue fazer. Encontrar um bug de 27 anos em um código que sobreviveu a décadas de revisão humana. Gerar exploits funcionais sem nenhum prompt humano. Fazer tudo isso em horas. A capacidade é real, está acelerando, e não vai desacelerar.
O que essa capacidade não inclui, e não vai incluir por padrão, é qualquer modelo de você. Suas prioridades, seu histórico de leitura, as frases específicas que moldaram como você pensa. Essa parte da imagem é invisível até para o modelo mais capaz, a menos que você a torne visível.
O trabalho é pequeno, mas não se comprime. Um destaque por vez. Uma anotação quando o contexto pedir. Um perfil curto que diz à IA como ponderar todo o resto. Uma passagem pelos destaques da sua rede quando você quiser uma perspectiva que você mesmo não gerou. Nada disso é heroico. Tudo isso se acumula.
O padrão Glasswing é o modelo mental certo para indivíduos também. Mythos somado a uma rede de contexto curada produz uma saída útil, escopada e responsável. Mythos sem contexto é uma capacidade procurando o problema errado. Aplique a mesma lógica a si mesmo. A fronteira vai continuar se movendo. O que continua sendo seu é o corpus que você construiu ao redor dela.
Comece com um destaque hoje. O sistema que conhece você em 2028 é aquele que você começa a alimentar agora. O destacador web do Glasp, o YouTube Summary e o AI chat sobre seus destaques foram projetados exatamente em torno dessa premissa: capture com baixo custo, atribua tudo, e deixe a IA fazer o trabalho pesado de recuperação em um corpus que ninguém mais tem.
O modelo não é o seu moat. O seu contexto é.