Labs compram dados de startups mortas para treinar IA

Quando a startup morre, o dado continua vivo

Dados de startups mortas viraram insumo disputado por labs de IA. Não porque sejam limpos ou bonitos, mas porque são reais. Depois de raspar boa parte da web pública e tropeçar nos erros bestas do dado sintético, quem treina agentes entendeu que falta algo mais difícil de falsificar: o atrito do trabalho de verdade. Discussão no Slack que muda o rumo de uma feature, documento no Notion cheio de idas e vindas, Figma com 40 versões, e-mail que desdiz o que foi decidido na daily. É esse resto operacional que agora está à venda, e tem fila de comprador.

Para quem opera produto de IA, isso soa familiar. Todo mundo já tentou simular um ambiente de trabalho para treinar agente e viu o modelo alucinar data inexistente, inventar integração que nunca existiu ou resolver um ticket perfeito que nunca acontece na vida real. O dado de empresa morta promete o oposto: bagunça autêntica, com contexto, erro humano e correção. É feio, dá trabalho para limpar, mas é exatamente o que falta para tirar agente de demo e colocar em produção.

O fato

O que aconteceu é simples e um pouco mórbido. Empresas que cuidam do encerramento de startups, como SimpleClosure e Sunset, passaram a intermediar a venda de código e dados de workspace. A SimpleClosure lançou em abril sua plataforma Asset Hub para vender código base mais arquivos de Google, Notion, Figma e Slack. Já são mais de 150 acordos e a expectativa é devolver mais de 10 milhões de dólares para fundadores até o fim de 2026. Quase metade dos encerramentos da empresa já inclui venda de código ou dados, algo que antes era raro e meio tabu.

Os valores na ponta pequena são modestos, mas reais. Um fundador de uma startup cripto que encerrou após dois anos e meio conseguiu cerca de 25 mil dólares pelo código e espera algo em torno de 15 mil pelos dados de workspace. Na ponta grande, o jogo mudou de patamar em agosto, com o Google pagando 10 milhões de dólares por décadas de dados da Spirit Airlines em recuperação judicial, incluindo 100 milhões de e-mails, 500 milhões de mensagens de Teams e 176 mil registros de funcionários, superando a oferta da Mercor. Há ainda relatos de que a unidade de IA da SpaceX avalia comprar dados de startups em dificuldade. Compradores vão de labs de fundação a fornecedores que montam workspaces simulados para treino e empresas grandes treinando modelos próprios.

Como funciona na visão de operador

O pipeline provável é bem pragmático. O fundador conecta as contas da empresa na hora do shutdown, autoriza exportação de Slack, Google Workspace, Notion, Figma, GitHub e calendários, e a intermediadora roda uma triagem inicial. Entra aí deduplicação, separação por tipo de artefato, remoção de registros de RH e uma passada de limpeza de dados pessoais com modelos de detecção de PII. Pelo que os compradores descrevem, eles repetem a limpeza do próprio lado, porque ninguém confia 100 por cento em scrub feito por terceiro. Isso já diz muito sobre maturidade do processo: ainda é artesanal.

Depois da limpeza, o valor não está no texto bruto, e sim na transformação em tarefa treinável. Empresas como a Surge AI compram esses arquivos para montar o que chamam de gyms de reinforcement learning, ambientes onde agentes praticam fluxos como debugar uma arquitetura de TI ou redigir peças complexas. A lógica técnica faz sentido. Um histórico de Slack com divergência, decisão difícil e correção vale mais que gigabytes de e-mail protocolar. É por isso que a precificação hoje parece caótica. Não existe tabela por gigabyte, existe tese de pesquisa que tenta estimar quantas tarefas úteis dá para extrair de, digamos, 100 mil linhas de código ou de dois anos de chat de um time de produto.

Em termos de arquitetura, pense em três camadas. Ingestão via conectores e dumps, normalização em um grafo de eventos com quem falou, quando, em que arquivo e qual decisão saiu dali, e depois geração de pares de prompt, ação e recompensa para RL. Latência aqui não é de inferência, é de preparação. Limpar PII, resolver identidade, manter thread coerente e evitar vazar segredo comercial leva tempo e gente. Custo também não é só o cheque pago ao fundador. Tem engenharia de dados, revisão jurídica e risco trabalhado no preço. Nenhuma empresa publicou até agora um comparativo sério mostrando ganho de performance de dado real de defunta contra sintético bem feito, então todo preço embute incerteza.

O que isso muda na prática

Para quem constrói agentes, a mensagem é direta: dado operacional real ainda é vantagem competitiva. Se você treina copiloto de engenharia, finanças ou suporte, um dump de startup morta do mesmo vertical pode valer mais que dobrar parâmetro. O ganho provável está em robustez, menos alucinação de ferramenta, melhor uso de contexto longo e mais noção de prioridade. Por outro lado, integrações desse dado no treino exigem ajuste de pipeline de avaliação. Não dá para só jogar Slack bruto no pré-treino e esperar milagre. Precisa curar tarefas, medir taxa de sucesso em ambiente simulado e comparar com baseline sintético antes de pagar caro.

Para fundadores, muda a conta do encerramento. Aquilo que parecia lixo digital agora tem algum valor residual, mas vender exige cuidado imediato. Revise termos de uso, contratos com clientes e políticas de privacidade antes de assinar qualquer cessão. Dado anonimizado entre aspas ainda pode conter segredo comercial, chave de API esquecida no chat ou conversa sensível de funcionário. Uma ação prática para fazer hoje: se você opera uma startup, crie uma política simples de retenção e de offboarding de dados, separando o que é IP da empresa do que é dado pessoal ou de cliente. Na hora de vender, exija prova de remoção de PII, exclusão de dados de RH e cláusula de indenização. E se você compra esse tipo de dado, monte um checklist de due diligence com origem, consentimento e trilha de limpeza, porque o barato pode sair caro no jurídico.

Quem perde, por enquanto, são usuários e funcionários que nunca imaginaram que suas mensagens internas virariam material de treino. O sindicato de comissários da Spirit contestou a venda por privacidade, e advogados da área já chamam esse tipo de ativo de legalmente radioativo. Na Europa e no Brasil, com GDPR e LGPD, a transferência de mensagens com dados pessoais sem base legal clara é um campo minado. Não é só anonimizar nome, é contexto que reidentifica.

A tensão que ninguém quer encarar

A dúvida real é se isso escala ou se é só um atalho temporário. Cento e cinquenta startups mortas não sustentam um modelo de fundação, mas podem sustentar um agente vertical bom em uma tarefa específica. O paralelo do particle board, aparas de madeira que viraram material útil, é bom, mas tem limite. Aparas são abundantes e homogêneas. Dados de startup são escassos, heterogêneos e juridicamente complicados. Cada deal exige negociação, limpeza customizada e avaliação de risco. Isso não escala como web crawl, escala como M and A de dado.

E tem o custo escondido. Dez milhões por centenas de milhões de mensagens parece barato por token, até você somar filtragem, vetorização de tarefas, validação humana e provisão para litígio. Se o ganho de performance for marginal, e hoje ninguém provou o contrário com números públicos, o comprador só moveu o gargalo. Saiu da falta de dados e caiu na falta de dados limpos, com permissão e com sinal de recompensa confiável. Funciona para casos de uso onde errar custa caro e realismo importa, como agentes que mexem em produção, mas talvez não compense para chat genérico.

Conclusão

No fim, startups falidas viraram fornecedoras involuntárias da próxima geração de agentes, porque o mercado cansou de dado sintético perfeito demais. É eficiente, é incômodo e ainda não tem conta fechada de ROI nem de risco. Fica a pergunta que todo builder deveria fazer antes do próximo treino: seu agente precisa de mais dados ou de mais realidade com permissão para usar?