Im Jahr 2026 begann Glasp mit etwas, das in keinem Startup-Wachstums-Playbook steht, das wir je gelesen haben: Wir fingen an, Forschungsarbeiten auf arXiv zu veröffentlichen.
Keine Blogbeiträge, die mit Diagrammen aufgehübscht wurden. Echte Paper, mit Methodenteilen, vorregistrierten Schwellenwerten, zurückgehaltenen Testdaten und öffentlichen Repositories. Geschrieben von einem Team, das man an einer Hand abzählen kann, neben allem anderen, was ein Startup verlangt.
In diesem Kapitel geht es darum, warum wir das getan haben, was wir herausgefunden haben und warum wir glauben, dass eigene Forschung einer der am meisten unterschätzten Wachstumskanäle des KI-Zeitalters sein könnte.
Warum ein Startup Forschung veröffentlicht
Die ehrliche Antwort hat zwei Hälften, eine idealistische und eine strategische, und wir würden die Geschichte falsch erzählen, wenn wir eine davon verschweigen würden.
Die idealistische Hälfte: Es ist die Mission auf einer anderen Flughöhe. Glasp existiert, um Lernen öffentlich zu machen, damit das, was eine Person herausfindet, der nächsten zugutekommen kann. Jahrelang bedeutete das einzelne Highlights und Notizen. Aber nachdem Millionen von Menschen Millionen von Highlights gespeichert hatten, hatte die Plattform selbst etwas darüber gelernt, wie Menschen lesen, und dieses Wissen in einer privaten Datenbank eingeschlossen zu halten, fühlte sich wie ein Verstoß gegen unsere eigene Prämisse an. Wenn die Highlights eines Nutzers es verdienen, den Moment zu überdauern, dann gilt das auch für die Muster, die sich über alle Highlights hinweg zeigen.
Die strategische Hälfte: In der Ära der Antwortmaschinen, die wir in Kapitel 6 beschrieben haben, gehört eigene Forschung zu den zitierfähigsten Inhalten, die es gibt. Antwortmaschinen sind hungrig nach Primärquellen, nach Aussagen, denen Belege beiliegen. Tausend Blogbeiträge wiederholen einander; ein Paper mit neuen Erkenntnissen ist das, was sie am Ende alle zitieren. Forschung zu veröffentlichen ist eine Differenzierung, die sich nicht schnell kopieren lässt, denn der einzige Weg, sie zu kopieren, besteht darin, die Arbeit selbst zu leisten.
Was uns die Highlights gelehrt haben
Unsere wichtigste Forschungslinie stellte eine täuschend einfache Frage: Wenn Sie eine Passage markieren, wie viel von dieser Entscheidung sind Sie?
Die Intuition, mit der wir gestartet sind und die der Großteil der Personal-Knowledge-Management-Welt teilt, lautet, dass Highlighting zutiefst persönlich ist. Ihre Highlights sind Ihr intellektueller Fingerabdruck. Eine KI, die darauf trainiert wird, sollte vorhersagen können, was Sie wichtig finden werden, und zwar auf eine Weise, die kein generisches Modell erreichen könnte.
Die Daten sagten etwas Interessanteres. Wenn verschiedene Menschen denselben Artikel markieren, stimmen sie weit mehr überein, als sie sich unterscheiden. Was in einem Text heraussticht, sticht größtenteils für alle heraus; Salienz ist weitgehend geteilt, sozial statt idiosynkratisch. Die Individualität ist real, aber sie lebt nicht dort, wo wir sie erwartet hatten. Sie lebt in der Selektion: welche Dokumente Sie überhaupt auswählen, mit welchen Themen Sie sich immer wieder beschäftigen, was Sie überhaupt Ihrer Aufmerksamkeit für wert halten. Und dieses Selektionsverhalten erweist sich als bemerkenswert stabil über die Zeit, weniger wie eine Stimmung und mehr wie eine Charaktereigenschaft.
Mit anderen Worten: Innerhalb eines Dokuments lesen wir wie die Masse. Über Dokumente hinweg lesen wir wie wir selbst.
Zu diesem Ergebnis zu kommen bedeutete, einige unserer eigenen Annahmen zu zerlegen, darunter solche, über die wir uns gefreut hatten. Eine frühe Version einer Analyse schien zu zeigen, dass individuelle Highlighting-Stile die Masse schlagen; unser eigenes Audit fand Fehler und Datenleckagen in diesem Ergebnis, und wir zogen die Arbeit zurück und bauten sie neu auf, bevor wir veröffentlichten. Die ehrliche Version des Papers war eine andere als die, die wir hatten schreiben wollen, und sie war dadurch stärker.
Ein natürliches Experiment in AEO
Wir haben die Forschungslinse auch auf uns selbst gerichtet.
Der Wandel von Suchmaschinen zu Antwortmaschinen, derselbe, der die Strategieänderung in Kapitel 6 erzwang, ist genau die Art von Ereignis, die Forschende ein natürliches Experiment nennen. Wir lebten mittendrin, mit unseren eigenen Traffic- und Zitationsdaten als Labor. Also untersuchten wir den Übergang rigoros und veröffentlichten auch diese Analyse.
Es hatte etwas befriedigend Rekursives: Die Wachstumsstrategie selbst wurde zu offenem Wissen. So wie wir einst Nutzerinterviews in Fallstudien verwandelt hatten, verwandelten wir einen Plattformwandel in ein Paper, das jeder lesen, prüfen und weiterentwickeln kann.
Offen als Standard
Jedes Paper erschien mit einem öffentlichen Repository. Das war der Open-Source-Instinkt aus Kapitel 5, zu Ende gedacht: Wir hatten Werkzeuge als Open Source veröffentlicht, und nun veröffentlichten wir Erkenntnisse als Open Source.
Die Gründe sind dieselben, die das Open-Sourcing unserer KI-Werkzeuge erfolgreich gemacht haben. Transparenz schafft Vertrauen, und Vertrauen verzinst sich, ein Prinzip, auf das wir im nächsten Kapitel zurückkommen werden. Forschende, die Ihre Arbeit überprüfen können, werden zu ihren Fürsprechern. Und in einer Zeit, in der KI-Systeme zunehmend entscheiden, auf welche Quellen sie sich stützen, ist eine nachweisbare Historie überprüfbarer, ehrlich berichteter Forschung das tiefste Vertrauenssignal, das wir zu senden wissen.
Es gibt außerdem einen Disziplin-Effekt, den wir nicht vollständig vorhergesehen hatten. Zu wissen, dass die Arbeit öffentlich sein wird und die Analyse jeder Prüfung offensteht, erzwingt ein Maß an Rigorosität, das interne Dashboards nie verlangen. Das Veröffentlichen machte uns ehrlicher mit uns selbst darüber, was unsere Daten zeigen und was nicht.
Was Gründer daraus mitnehmen können
Ein paar übertragbare Lektionen für alle, die auf Produktdaten sitzen und sich fragen, was darin steckt.
Ihre Produktdaten enthalten wahrscheinlich publikationswürdige Erkenntnisse. Keine Engagement-Metriken, die außerhalb Ihres Vorstandszimmers niemanden interessieren, sondern echte Fragen zum menschlichen Verhalten, die nur Ihre Perspektive beantworten kann. Wir konnten untersuchen, wie Menschen markieren, weil wir der Ort sind, an dem Menschen markieren. Was auch immer Ihr Produkt ist: Sie sind der weltweit am besten positionierte Beobachter von irgendetwas.
Rigorosität ist der Eintrittspreis, und er liegt höher als beim Content-Marketing. Seien Sie darauf vorbereitet, Ihre Lieblingshypothese am härtesten zu hinterfragen, Ihr bestes Ergebnis unter einem Audit zerfallen zu sehen und das ehrliche Resultat statt des aufregenden zu veröffentlichen. Wir haben das aus erster Hand erfahren. Das zurückgezogene und neu aufgebaute Paper hat uns mehr gelehrt, als ein reibungsloser Erfolg es getan hätte.
Und der Ertrag unterscheidet sich von dem anderer Kanäle. Ein virales Feature schießt nach oben und verpufft. Ein Forschungsergebnis, einmal zitiert, wird weiter zitiert; es wird Teil dessen, wie ein Fachgebiet über ein Thema spricht. Es ist wieder der Zinseszinseffekt, diesmal auf dem längsten Zeithorizont, den wir bisher gefunden haben.
Für ein Unternehmen, dessen Gründungsfrage lautete, wie Wissen die Person überdauert, die es gefunden hat, ist das Veröffentlichen von Forschung kein Umweg von der Mission. Es ist womöglich ihr direktester Ausdruck, den wir je umgesetzt haben.