Escrito originalmente em francês. Traduzido por IA — o sentido foi preservado, não a prosa.
Em um artigo anterior, expliquei por que o segundo cérebro — uma rede de notas atômicas conectadas entre si — não era adequado ao product management. Propagação de erros demais, ruído demais, controle de menos.
Mas existe um domínio onde essa abordagem funciona: o conhecimento "by the book". As normas, a regulamentação, o vocabulário do negócio, as boas práticas estabelecidas há décadas. Informação "factual", estável, que não muda de uma oportunidade para outra.
Era exatamente disso que eu precisava para a manutenção industrial (a área do meu negócio). E foi isso que me levou a construir um Wiki IA.
O problema de partida
O que diferencia os bons PMs dos ruins é a compreensão fina do contexto. Não as generalidades. O conhecimento preciso dos desafios dos clientes, do campo, das regras do negócio.
O problema é que esse conhecimento fica disperso: em livros, artigos, normas, feedbacks de campo, documentos internos. Você não consegue guardar tudo na cabeça. E não dá para reler tudo toda vez que precisa.
A primeira reação é recorrer a um LLM. Você carrega documentos, faz perguntas. O RAG clássico — NotebookLM, ChatGPT com arquivos carregados — funciona assim: a IA busca os trechos relevantes nos seus documentos e depois sintetiza uma resposta.
O problema: ela recomeça do zero a cada consulta. Sem capitalização. Sem memória estruturada. Uma pergunta sutil que exige cruzar cinco documentos obriga a IA a reencontrar tudo e recompor a cada vez. As ideias continuam "fracas": extraídas individualmente de cada documento, sem nunca terem sido consolidadas.
A ideia vem de Karpathy
Andrej Karpathy é um pesquisador em IA, ex-Director of AI na Tesla, membro fundador da OpenAI, recentemente na Anthropic. É também um dos melhores educadores da área — seus cursos em Stanford e seus vídeos no YouTube são referência.
Em maio de 2025, ele publicou um gist descrevendo um pattern que chama de "LLM Wiki". A ideia é simples, mas poderosa: em vez de fazer RAG sobre documentos brutos, você pede à IA para construir aos poucos um wiki persistente.
Quando uma nova fonte chega, a IA não se limita a indexá-la. Ela lê, extrai as informações-chave, atualiza as páginas existentes do wiki, cria links entre conceitos, sinaliza as contradições, enriquece as sínteses. O saber é compilado uma vez e depois mantido atualizado — não redescoberto a cada pergunta.
A diferença é fundamental: o wiki é um artefato cumulativo. As sínteses, os links, as contradições já existem antes da próxima pergunta.
O que é um Wiki IA
Na prática, um Wiki IA funciona em três camadas:
- As fontes brutas: livros, artigos, PDF, normas. São imutáveis e continuam sendo a fonte da verdade.
- O wiki: arquivos Markdown gerados pelo LLM — notas atômicas, glossário, fichas de normas, sínteses temáticas, índice.
- As instruções: um arquivo (tipo CLAUDE.md) que explica ao agente como manter o wiki — nomear os arquivos, ingerir uma fonte, classificar, conectar os conceitos.
Quando você faz uma pergunta, a IA não volta aos PDF originais. Ela lê primeiro o wiki, encontra as notas relevantes e produz uma resposta com fontes a partir de conhecimento já consolidado.
E quando você adiciona uma fonte, uma única ingestão pode tocar de 10 a 15 notas do wiki: atualização de definições, adição de nuances, criação de links, detecção de contradições.
Wiki IA e Zettelkasten: o paralelo e a diferença
O Zettelkasten — o método inventado pelo sociólogo Niklas Luhmann — se apoia no mesmo princípio de notas atômicas conectadas entre si. Uma ideia por nota, links entre as notas, uma rede que cresce.
O paralelo é evidente: o Wiki IA também produz notas atômicas interconectadas. Mas a natureza é diferente.
O Zettelkasten / segundo cérebro é orientado a links. Ele reflete o seu próprio pensamento, suas experiências, suas intuições. Ele obriga você a cavar o seu sulco, a confrontar ideias, a formular suas próprias teses. É uma ferramenta de reflexão pessoal.
O Wiki IA é orientado à proximidade. A informação é "factual", não orientada. Ele serve como fonte estruturada, "objetiva". É uma base de conhecimento, não um sistema de pensamento.
Os dois são complementares. O Wiki IA fornece os fatos; o segundo cérebro os interpreta. O wiki te diz "aqui está o que a norma NF X 60-010 diz sobre a manutenção preventiva". Seu segundo cérebro te diz "essa norma é mal aplicada em tal contexto porque…".
Minha experiência: manutenção industrial
Apliquei esse pattern à manutenção industrial — a área do meu produto CMMS. Um domínio "by the book" por excelência: normas (NF, ISO, EN), regulamentação, vocabulário do negócio preciso, processos documentados há décadas.
A partir de uma dúzia de fontes — livros de referência, normas, artigos técnicos — a IA extraiu e estruturou 950 notas atômicas: definições de glossário, fichas de normas, notas sobre os processos, as habilitações, os indicadores de desempenho.
A calibragem: a IA é burra e teimosa
O maior trabalho não foi a extração. Foi a calibragem.
Na V0 (o POC), eu estava permissivo demais. Detecção ampla demais, notas geradas demais, qualidade insuficiente. A IA capturava tudo — inclusive ruído.
Na V1, endureci os filtros. A qualidade ficou excelente. Mas algumas notas relevantes (presentes no POC) eram ignoradas — restritivo demais.
O desafio é encontrar o ponto de virada entre exaustividade e relevância. E isso não se faz em duas linhas de prompt. As instruções de ingestão têm várias dezenas de linhas: definição precisa de cada tipo de nota, critérios de validade, regras de detecção das referências regulamentares, passagem terminológica final.
O método que usei para iterar: pedir à V1 para analisar as notas da V0. Entender o que ela tinha deixado passar, por quê, e ajustar as regras sem perder o rigor de classificação. Uma validação cruzada entre duas versões do mesmo sistema.
Para quê?
Uma vez construído o wiki, os usos são vários.
Busca e proximidade semântica. Com uma base vetorial (LanceDB no meu caso), dá para fazer buscas por conceito — não apenas por palavra-chave. Buscar "manutenção regulamentar" retorna também as fichas sobre os controles periódicos, as habilitações e as normas NF X 60-010, mesmo que nenhuma contenha exatamente essa expressão.
Revisão e autoaprendizagem. Construí um sistema de flash cards em cima do wiki. 10 minutos por dia para reforçar meu conhecimento dos fundamentos do negócio. Memorizar as normas, os processos, as definições — não para recitá-los, mas para tê-los em mente na hora de tomar uma decisão de produto.
Fonte para outros projetos LLM. O wiki vira um bloco reutilizável. Quando estudo uma oportunidade de produto, posso consultar o wiki como complemento das minhas outras fontes: código-fonte, monitoramento da concorrência, conhecimento do produto. O contexto do negócio já está estruturado e pronto para ser injetado.
Os limites
Tudo isso só funciona se você já tem um certo background na área.
A IA não muda nada nessa realidade: não dava para confiar em um prestador sem conhecer a área do negócio. Com um Wiki IA é a mesma coisa. Se você não tem a competência para validar o que a IA extrai, está construindo sobre areia.
O Wiki IA estrutura e capitaliza o conhecimento. Ele não o substitui.
Para saber mais
O PM como arquiteto do Contexto Do arquivo único ao sistema de contextos: por que a memória de um LLM não cabe em um só documento Por que uma única classificação não basta para estruturar o feedback dos clientes A pergunta de produto deve partir do código-fonte
Fontes
- LLM Wiki — Andrej Karpathy: https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
- Método Zettelkasten: https://en.wikipedia.org/wiki/Zettelkasten
- O segundo cérebro é um beco sem saída para o product management: https://malorean.net/articles/2026-05-03-le-second-cerveau-est-une-impasse-pour-le-product-management.html