Seu Arquivo de Notícias É o Ativo. Pare de Deixar o Google Alugá-lo de Graça.

Um jornal diário regional com o qual me sentei no inverno passado tinha quatro milhões de leitores mensais e um arquivo de trinta e dois anos, e o dossiê apresentado ao conselho em fevereiro era o pior documento que alguém naquela sala havia lido em uma década. Encaminhamentos de busca orgânica em queda de 41% ano a ano. Tarifas de anúncios programáticos com nova queda de 18%. A receita de afiliados que discretamente mantinha as luzes acesas em 2023 havia despencado para um terço do seu pico. A CFO colocou o slide na tela, olhou para mim e fez a única pergunta que importava: o que exatamente o Google nos deve, e como fazemos isso valer a pena?

Tive de dizer a ela a verdade: o Google não lhes deve nada em termos contratuais. O acordo não escrito que construiu a web — vocês nos deixam rastrear seu conteúdo, e nós enviamos tráfego para vocês — foi reescrito no momento em que os AI Overviews começaram a aparecer em 48% de todas as buscas do Google em março de 2026 (theStacc / Search Engine Land). Quando um resumo de IA fica acima do link orgânico, o leitor raramente rola a página; a taxa de cliques do Daily Mail no desktop para essas consultas caiu 89%, de 25,23% para 2,79%. O conteúdo continua sendo lido. O editor é que simplesmente deixou de ser pago por ele. O caminho de volta, estou convencido, é a IA conversacional construída sobre o próprio arquivo do editor.

Essa conversa é a razão pela qual minha equipe na Veriprajna agora constrói IA conversacional para editores — motores de retrieval-augmented generation que operam sobre o próprio arquivo de notícias de um editor, com a imposição de citação e a estratégia de licenciamento que os tornam seguros para colocar sob um cabeçalho editorial. Retrieval-augmented generation, ou RAG, significa apenas que a IA responde exclusivamente a partir dos seus documentos, em vez de a partir de qualquer coisa que ela tenha absorvido da internet aberta. Essa distinção acaba sendo o jogo inteiro. Mas quero percorrer como chegamos até aí, porque erramos feio na primeira versão, e a forma como erramos é exatamente a forma como a maioria dos editores está prestes a errar.

A economia de encaminhamentos acabou. A economia de licenciamento ainda não foi construída.

Comece por quão grave é a hemorragia, porque a escala é o argumento. O tráfego de busca do Google para editores caiu cerca de 33% globalmente no ano até novembro de 2025, e os executivos de notícias pesquisados pelo Reuters Institute esperam uma nova queda de 43% nos próximos três anos — um quinto deles se prepara para perdas acima de 75% (Reuters Institute Journalism Trends 2026). Os casos individuais são piores, e um deles virou processo judicial: a Penske Media, cuja receita de afiliados caiu mais de um terço em relação ao pico, processou o Google em setembro de 2025 — o primeiro grande caso antitruste alegando que a empresa coage editores ao treinamento de IA.

O mecanismo de busca que construiu sua distribuição é agora seu maior concorrente, e ele não pediu permissão para trocar de lado.

Então, o instinto em toda sala de diretoria é idêntico: se o Google não vai nos enviar leitores, vamos construir nossa própria IA e mantê-los em nosso site. Instinto correto. A execução é onde as pessoas se machucam.

Construímos a coisa óbvia primeiro. Ela alucinou sobre um vereador.

Vou ser honesto sobre nossas próprias cicatrizes, porque eu as conquistei. O primeiro motor que colocamos de pé foi a versão que todo fornecedor de SaaS vai lhe cotar por US$ 60 mil a US$ 120 mil e implantar em poucas semanas: pegar o arquivo, picar cada artigo em fragmentos, transformar os fragmentos em embeddings vetoriais e deixar um chatbot recuperar as correspondências mais próximas. A demonstração é linda. Você pergunta sobre uma matéria recente, ele traz o artigo certo, soa ótimo.

Então, em uma sessão-piloto, uma editora fez a ele o tipo de pergunta que qualquer leitor faria: qual é o histórico entre este vereador e o incorporador por trás do projeto do centro da cidade? Essa é uma pergunta de múltiplos saltos — significa conectar uma pessoa ao longo de uma dúzia de artigos que abrangem anos, onde ele aparece ora como nome completo com cargo, ora apenas como sobrenome, e uma vez, em uma legenda de foto antiga, apenas como "o representante do bairro", muito antes de ele sequer ocupar o cargo. A busca vetorial recuperou alguns fragmentos que eram textualmente semelhantes, costurou-os em um parágrafo fluente e afirmou uma relação que o arquivo na verdade não sustentava. Ela inventou o tecido conectivo.

Eu observei o rosto da editora quando ela percebeu. Aquele olhar — uma jornalista percebendo que a máquina acabou de fabricar um fato sob o nome do seu jornal — é a coisa que agora construo tudo para evitar. Havíamos lançado um mentiroso confiante.

Essa falha é a razão inteira pela qual eu não acredito mais que um widget de chat seja um produto. Ele não tem a menor ideia de que aqueles nomes espalhados são uma única pessoa. Ele não tem modelo de tempo — de que o homem foi um cidadão comum por anos antes de sequer vencer a eleição. E ele não tem mecanismo para verificar se a frase que acabou de gerar está de fato fundamentada em uma fonte. Nas consultas que não importam, ele funciona bem. Nas consultas com que os leitores realmente se importam, as longitudinais, as que envolvem pessoas e dinheiro ao longo do tempo, ele quebra exatamente onde mais precisa se manter firme.

Por que o RAG não resolveu isso simplesmente?

Porque "RAG" descreve uma categoria, não uma competência, e os difíceis 60% do trabalho são a parte que ninguém vende.

A primeira coisa que subestimei — feio — foi a ingestão. Entrei presumindo que um arquivo de trinta anos fosse um corpus limpo esperando para ser incorporado. Não era. Eram duas décadas de HTML deformado por três migrações de CMS, links internos mortos apontando para lugar nenhum, e uma camada anterior a 2005 que existia apenas como microfilme digitalizado. Quando rodamos OCR comum sobre essas digitalizações, as manchetes, colunas de texto e legendas de fotos voltaram fundidas em um único bloco de absurdo, porque o OCR não conseguia enxergar o layout da página. Tivemos de trazer reconhecimento óptico de caracteres com reconhecimento de layout — do tipo que detecta colunas e separa uma manchete de uma legenda do texto corrido — usando ferramentas como Amazon Textract e Azure Document Intelligence. Esse é o trabalho sem glamour que determina se a coisa toda funciona, e é o item de linha que todo fornecedor de chatbot deixa de fora do orçamento.

A segunda coisa foi o problema do vereador, que tem um nome: resolução de entidades. Para a IA raciocinar sobre uma pessoa, cada menção a essa pessoa — cada variante de assinatura, cada tratamento honorífico, cada referência indireta — precisa colapsar em um único nó. Resolvemos isso do jeito que as casas sérias fazem, com um grafo de conhecimento: o GraphRAG de código aberto da Microsoft sobreposto ao Neo4j, com a biblioteca de graph data science fazendo a desambiguação, de modo que "Sr. Musk", "Elon Musk" e "o CEO da Tesla" se tornem uma única entidade, não três. Uma implementação nesse espaço chegou a 12 milhões de nós. Fora da caixa, o GraphRAG não sabe nada sobre a sua cobertura política local ou sobre as suas cinquenta fontes recorrentes. Ensiná-lo as pessoas específicas do seu arquivo é trabalho sob medida, e é o trabalho que transforma "fragmentos textualmente semelhantes" no "histórico real de uma pessoa".

Uma busca vetorial encontra passagens que soam parecidas. Um grafo de conhecimento sabe que duas passagens são sobre o mesmo ser humano. Os leitores perguntam sobre seres humanos.

A terceira foi o tempo. A notícia é inerentemente temporal — o mesmo cargo ocupado por pessoas diferentes, o mesmo projeto de lei emendado ao longo de sessões, a mesma empresa antes e depois de uma fusão. Damos às arestas do grafo carimbos de data de início-válido e fim-válido e decompomos uma pergunta como "quem presidia o comitê quando o projeto foi aprovado" em subconsultas temporais, apoiando-nos na pesquisa de RAG temporal que surgiu ao longo do último ano (as linhas de trabalho T-GRAG e VersionRAG). Sem isso, o motor achata a história em um único presente confuso, que é precisamente como se afirma que um cidadão comum ocupou um cargo anos antes de ele ter sido eleito.

A frase que deveria estar em toda RFP de editor: quem é responsável pela declaração fabricada?

Aqui está o momento que me levou a ler em voz alta um vazamento do Slack para minha própria equipe como um conto de advertência.

Em novembro de 2024, o Washington Post lançou o Ask The Post AI. No fim de 2025, eles o haviam estendido para um podcast gerado por IA, e em dezembro as mensagens internas do editor de padrões vazaram: a coisa estava inventando declarações, atribuindo fontes de forma incorreta e inserindo comentários como se fossem a própria posição editorial do jornal. "É verdadeiramente espantoso que isso tenha sequer sido permitido seguir em frente," escreveu um editor (Semafor, 11 de dez. de 2025). O defeito técnico era pequeno e específico — uma etapa ausente de verificação de citação. O dano à reputação foi global, e aconteceu com uma das redações mais bem equipadas do planeta.

Guardo comigo aquela mensagem vazada porque é a lição mais barata disponível em todo este campo. O Post tinha os engenheiros. O que eles não tinham, naquele fluxo de trabalho, era uma camada de imposição que se recusa a emitir uma frase a menos que cada afirmação nela remonte a uma fonte recuperada, além de um limiar de confiança que encaminha respostas duvidosas a uma fila de revisão humana antes de irem ao ar, além de uma resposta clara para a pergunta em nível de conselho: quando a máquina fabrica uma declaração, quem é responsável? Essa governança não é software de prateleira. É a diferença entre uma ferramenta que você pode colocar sob seu cabeçalho editorial e um constrangimento global.

Contraste isso com o Ask FT, que o Financial Times construiu sobre o Claude da Anthropic, fundamentado estritamente no jornalismo do FT, com citações obrigatórias remetendo aos artigos de origem. Notavelmente, ele produziu aumento de retenção, e não a canibalização de assinaturas que todos temiam. A diferença entre os dois resultados não é a qualidade do modelo. É se a imposição de citação foi tratada como o produto ou como um recurso a ser adicionado depois.

Por que não simplesmente comprar, ou construir como o FT fez?

As pessoas me perguntam isso constantemente, então deixe-me expor o panorama com honestidade, porque já vi editores perderem seu fôlego financeiro para cada uma das respostas erradas.

Os fornecedores de chatbot SaaS largam um widget no seu site por US$ 60 mil a US$ 120 mil. Já lhe disse o que isso compra: embeddings vetoriais, nenhuma resolução de entidades, nenhum raciocínio temporal, nenhuma verificação de citação, e o seu arquivo hospedado na nuvem de outra pessoa. Ele alucina exatamente nas consultas que importam.

As implementações internas das Cinco Grandes — o FT, o Times, a Bloomberg, o Post, o Guardian — são reais e impressionantes, e foram construídas por equipes de ML de seis a vinte engenheiros ao longo de doze a vinte e quatro meses, custando sete dígitos. Um jornal diário regional com uma equipe de engenharia de uma a três pessoas não consegue replicar esse contingente. Ponto final. Dizer a um editor de médio porte para "construir como o FT" é dizer a ele para desenvolver um órgão que não tem.

As grandes consultorias — Accenture, Deloitte, IBM — vão construí-lo com toda a certeza, com contratos que vão de US$ 1,5 milhão a mais de US$ 5 milhões e uma fase de descoberta que sobrevive ao seu fôlego financeiro. Elas recorrem à mesma pilha de Microsoft GraphRAG e Neo4j que nós, depois cobram tarifas de nível de sócio por cima, e não construíram cinco arquivos de editores em sequência para saber onde os corpos estão enterrados.

Essa lacuna — entre o widget que não funciona e a equipe de sete dígitos que você não consegue montar — é a razão inteira pela qual editores de médio porte precisam de um parceiro de construção que já tenha feito o trabalho pouco sedutor de ingestão, resolução de entidades e imposição de citação. Não uma assinatura de SaaS, e não um slide de descoberta. É exatamente a coisa que construímos para ser nossa prática voltada a editores, e ela está exposta por completo em nossa página de solução para IA conversacional sobre arquivos de notícias.

A parte que a maioria das consultorias erra: você precisa de duas jogadas de receita, não uma.

Aqui está o erro estratégico que vejo até editores inteligentes cometerem. Eles tratam "construir nossa própria IA" e "licenciar nosso conteúdo às empresas de IA" como uma escolha excludente. São ambos, e capturam dinheiros diferentes.

Seu próprio motor conversacional é a jogada de retenção — ele mantém os leitores no seu site fazendo perguntas ao seu arquivo, em vez de saltarem para o Perplexity. Mas ele não faz nada sobre o vazamento que acontece neste exato momento, em que rastreadores de IA ingerem seu conteúdo de graça. Para isso você precisa da jogada de captura, e a infraestrutura para ela acabou de ser construída.

A Cloudflare lançou o Pay Per Crawl em janeiro de 2026, bloqueando por padrão rastreadores de IA em cerca de 20% de todo o tráfego da web e permitindo que editores definam Permitir, Cobrar ou Bloquear por rastreador a um preço por requisição — o primeiro imposto sobre bots em nível de infraestrutura. A Tollbit faz algo semelhante bot a bot; o Boston Globe, a Vox e a Future o testaram em piloto. E em março de 2026 a News/Media Alliance firmou um acordo com a ProRata permitindo que 2.200 editores pequenos e médios optem por um pool de licenciamento coletivo com uma divisão de receita de 50/50 sobre respostas de IA com atribuição rastreada, com um acordo paralelo com a Bria para uso corporativo de RAG. A NMA cuida da papelada que um jornal diário regional jamais conseguiria administrar sozinho.

Os pedágios de rastreadores capturam receita de rastreamento. Eles não fazem nada pela receita de consultas. A resposta honesta é operar tanto um pedágio quanto um motor de retenção — quem quer que lhe diga para escolher um está lhe vendendo a metade que por acaso constrói.

Uma ressalva que sempre dou: nenhuma das ferramentas de captura impede os AI Overviews de resumirem seu conteúdo, porque eles recuperam no momento da consulta, não no momento do rastreamento. O vazamento e a sumarização são problemas separados. Mas um editor que roda a Tollbit ou a Cloudflare no lado do rastreamento, opta pela ProRata no lado do licenciamento e roda seu próprio motor no lado da retenção finalmente reconstruiu um modelo de negócio a partir de três respostas parciais. Essa é a estratégia inteira, e costurar esses quatro sistemas — ProRata, Bria, Tollbit, Cloudflare — em um único plano de receita coerente ao lado do motor é a maior parte do que de fato fazemos.

E há uma terceira jogada que eu defendo com mais força junto a editores especializados de nicho e B2B, porque é a que tem o maior potencial de valorização: o motor não é apenas um fosso de retenção, é um produto pelo qual você pode cobrar. Uma interface de consulta fundamentada em citações sobre um arquivo vertical profundo — trinta anos de petições judiciais, aprovações de medicamentos ou dados de negócios na sua área específica, o tipo de corpus pelo qual um responsável por conformidade ou um analista vai lançar como despesa uma assinatura para consultar — é uma camada paga de inteligência, e por fim uma API, que um concorrente literalmente não consegue gerar porque não é dono do seu corpus. Essa é a jogada que o FT fez no topo do mercado com sua camada profissional de mais de mil dólares, e a Bloomberg com um sistema que transforma inglês simples em sua própria linguagem de consulta sobre teleconferências de resultados e pesquisas. A imprensa especializada está sentada sobre a mesma abertura, sobre um arquivo mais estreito e mais profundo, e a maior parte dela ainda não percebeu.

Como isso se parece quando funciona

O motor que sobreviveu ao nosso desastre do vereador não se parece em nada com o primeiro. Ele ingere o arquivo com OCR com reconhecimento de layout que respeita a página. Ele resolve entidades em um grafo de conhecimento, de modo que uma pessoa seja um único nó, não uma dúzia de menções espalhadas. Ele raciocina ao longo do tempo, para que a história não seja achatada no presente. Ele roda recuperação híbrida — correspondência esparsa por palavras-chave (BM25) ao lado de busca semântica densa, porque uma consulta por "Projeto de Lei 402" precisa de uma correspondência exata que nenhum embedding traz à tona de forma confiável — e ele reordena os candidatos antes que cheguem ao modelo, um reordenador Cohere ou BGE comprando de 15 a 30% em qualidade de recuperação por 50 a 200 milissegundos de latência, uma troca que eu aceito toda vez numa consulta que importa. E ele se recusa, estruturalmente, a emitir uma afirmação que não consegue citar, encaminhando as incertas a um editor em vez de a um leitor.

Ele também se acopla a qualquer CMS que o editor já use, e essa integração nunca é genérica. O Arc XP expõe uma API de conteúdo, mas nenhum gancho de embedding, então você constrói ao lado dele. O WordPress VIP permite registrar endpoints personalizados. O Brightspot é mais flexível. O Atypon, usado por editores acadêmicos, tem sua própria busca ao lado da qual você tem de se posicionar. Um construtor que já viu todos os cinco sabe onde cada um briga com você.

As redações que estão mudando mais rápido já sentem a direção — cortando notícias gerais de commodity, que estão em queda de 38% em sua produção, e despejando esforço em investigações originais, em alta de 91%, e análise contextual, em alta de 82% (Reuters Institute). Seu arquivo desse trabalho distintivo é o único ativo que uma empresa de IA não consegue gerar e um concorrente não consegue replicar. O erro é deixá-lo parado em um servidor, indexado de graça, enquanto os sumarizadores o monetizam.

A CFO daquele jornal diário regional perguntou o que o Google lhe devia. A pergunta melhor, a que eu gostaria que mais editores fizessem primeiro, é quanto vale o próprio arquivo deles quando eles controlam o motor que o lê. Trinta e dois anos de reportagem são um corpus proprietário no qual nenhum modelo na Terra foi treinado — e as únicas pessoas que podem transformá-lo em uma conversa que um leitor vai pagar para continuar tendo são as pessoas que são donas dele. Você pode descobrir como construímos isso, de ponta a ponta, aqui. O arquivo sempre foi o ativo. O que mudou é que você finalmente tem de parar de dá-lo de graça.