Em 2026, o Glasp começou a fazer algo que não está em nenhum manual de crescimento de startups que já lemos: passamos a publicar artigos de pesquisa no arXiv.
Não eram posts de blog enfeitados com gráficos. Eram artigos de verdade, com seções de metodologia, limiares pré-registrados, conjuntos de teste reservados e repositórios públicos. Escritos por uma equipe que cabe nos dedos de uma mão, no meio de tudo o mais que uma startup exige.
Este capítulo é sobre por que fizemos isso, o que descobrimos e por que achamos que a pesquisa original pode ser um dos canais de crescimento mais subestimados da era da IA.
Por Que uma Startup Publica Pesquisa
A resposta honesta tem duas metades, uma idealista e outra estratégica, e estaríamos contando a história errado se escondêssemos qualquer uma delas.
A metade idealista: é a missão em outra altitude. O Glasp existe para tornar o aprendizado público, para garantir que aquilo que uma pessoa descobre possa beneficiar a próxima. Durante anos, isso significou destaques e notas individuais. Mas depois que milhões de pessoas salvaram milhões de destaques, a própria plataforma havia aprendido algo sobre como os humanos leem, e manter isso trancado em um banco de dados privado parecia uma violação da nossa própria premissa. Se os destaques de um usuário merecem sobreviver ao momento, os padrões presentes em todos eles também merecem.
A metade estratégica: na era dos mecanismos de resposta que descrevemos no Capítulo 6, a pesquisa original está entre os conteúdos mais citáveis que existem. Os mecanismos de resposta têm fome de fontes primárias, de afirmações que vêm acompanhadas de evidências. Mil posts de blog repetem uns aos outros; um artigo com descobertas inéditas é aquilo que todos acabam citando. Publicar pesquisa é uma diferenciação que não pode ser copiada rapidamente, porque a única forma de copiá-la é fazer o trabalho.
O Que os Destaques Nos Ensinaram
Nossa principal linha de pesquisa fez uma pergunta enganosamente simples: quando você destaca um trecho, quanto dessa escolha é você?
A intuição com que começamos, e que a maior parte do mundo da gestão de conhecimento pessoal compartilha, é que destacar é algo profundamente pessoal. Seus destaques são sua impressão digital intelectual. Uma IA treinada com eles deveria conseguir prever o que você vai achar importante de um jeito que nenhum modelo genérico conseguiria.
Os dados disseram algo mais interessante. Quando pessoas diferentes destacam o mesmo artigo, elas concordam muito mais do que divergem. O que se sobressai em um texto, em geral, se sobressai para todo mundo; a saliência é em grande parte compartilhada, social e não idiossincrática. A individualidade é real, mas não mora onde esperávamos. Ela mora na seleção: com quais documentos você escolhe se envolver em primeiro lugar, a quais temas você retorna, o que você decide que merece a sua atenção. E esse comportamento de seleção se revela notavelmente estável ao longo do tempo, menos parecido com um estado de espírito e mais parecido com um traço.
Em outras palavras: dentro de um documento, lemos como uma multidão. Entre documentos, lemos como nós mesmos.
Chegar a essa descoberta exigiu quebrar algumas das nossas próprias suposições, inclusive algumas que nos empolgavam. Uma versão inicial de uma das análises parecia mostrar estilos individuais de destaque superando a multidão; nossa própria auditoria encontrou bugs e vazamento de dados nesse resultado, e nós retiramos e reconstruímos o trabalho antes de publicar. A versão honesta do artigo era diferente daquela que esperávamos escrever, e ficou mais forte por isso.
Um Experimento Natural em AEO
Também viramos a lente da pesquisa para nós mesmos.
A transição dos mecanismos de busca para os mecanismos de resposta, aquela que forçou a mudança de estratégia no Capítulo 6, é exatamente o tipo de evento que os pesquisadores chamam de experimento natural. Estávamos vivendo dentro dele, com nossos próprios dados de tráfego e de citações como laboratório. Então estudamos a transição com rigor e publicamos essa análise também.
Havia algo gostosamente recursivo nisso: a própria estratégia de crescimento se tornou conhecimento aberto. Da mesma forma que um dia transformamos entrevistas com usuários em estudos de caso, transformamos uma mudança de plataforma em um artigo que qualquer pessoa pode ler, verificar e usar como base.
Aberto por Padrão
Todos os artigos saíram com um repositório público. Era o instinto de código aberto do Capítulo 5 levado à sua conclusão: tínhamos aberto o código de ferramentas, e agora estávamos abrindo descobertas.
As razões são as mesmas que fizeram funcionar a abertura do código das nossas ferramentas de IA. Transparência constrói confiança, e confiança se acumula, um princípio ao qual voltaremos no próximo capítulo. Pesquisadores que podem verificar o seu trabalho se tornam defensores dele. E em uma era em que os sistemas de IA decidem cada vez mais em quais fontes se apoiar, um histórico de pesquisa verificável e relatada com honestidade é o sinal de confiança mais profundo que sabemos enviar.
Há também um benefício de disciplina que não antecipamos por completo. Saber que o trabalho será público, com a análise aberta à inspeção, força um nível de rigor que painéis internos nunca exigem. Publicar nos tornou mais honestos com nós mesmos sobre o que os nossos dados mostram e não mostram.
O Que os Fundadores Podem Levar Disso
Algumas lições transferíveis, para quem está sentado sobre dados de produto e se perguntando.
Os dados do seu produto provavelmente contêm insights publicáveis. Não métricas de engajamento, que não interessam a ninguém fora da sua sala de reuniões, mas perguntas genuínas sobre o comportamento humano que só o seu ponto de observação pode responder. Nós podíamos estudar como as pessoas destacam porque somos o lugar onde as pessoas destacam. Seja qual for o seu produto, você é o observador mais bem posicionado do mundo para alguma coisa.
O rigor é o preço de entrada, e ele é mais alto do que o do marketing de conteúdo. Esteja preparado para questionar a sua hipótese favorita com mais força, para ver a sua melhor descoberta se dissolver sob auditoria e para publicar o resultado honesto em vez do empolgante. Descobrimos isso na prática. O artigo retirado e reconstruído nos ensinou mais do que um sucesso tranquilo teria ensinado.
E a recompensa é diferente da de outros canais. Um recurso viral dispara e decai. Uma descoberta de pesquisa, uma vez citada, continua sendo citada; ela passa a fazer parte de como um campo fala sobre um tema. É o efeito composto de novo, operando no horizonte de tempo mais longo que já encontramos.
Para uma empresa cuja pergunta fundadora era como o conhecimento sobrevive à pessoa que o encontrou, publicar pesquisa não é um desvio da missão. Pode ser a expressão mais direta dela que já entregamos.