“Com o Claude eu tinha que ficar de olho em cada query. A Basedash escreve o SQL, corrige os próprios erros e acerta.”

A Lex é uma ferramenta de escrita com IA usada por mais de 300.000 escritores, incluindo times no Google, na Microsoft e em Stanford. Fundada por Nathan Baschez — ex-VP de Produto na Substack e Head of Product na Gimlet Media —, a Lex ajuda escritores a produzir um trabalho melhor com uma IA que atua como colaboradora, não como substituta.

Como um time de quatro pessoas com centenas de milhares de usuários, a Lex precisa se mover rápido em decisões de produto e crescimento. Mas responder às perguntas por trás dessas decisões — quais recursos impulsionam a retenção, onde os custos estão disparando, como é o uso entre coortes — costumava exigir horas de SQL manual.

“Sempre foi de alto esforço. Agora, com a Basedash, parece simplesmente conversar direto com o banco de dados.”

Antes da Basedash

O fluxo de analytics da Lex era típico de uma startup enxuta:

• Blazer, uma ferramenta self-hosted para queries salvas e dashboards básicos
• SQL escrito manualmente, às vezes exportado para o Google Sheets para visualização
• Claude para ajudar a gerar queries — mas ainda exigindo muito prompt e depuração manual

Para um fundador que precisa investigar questões de produto diariamente — padrões de engajamento de usuários, detalhamento de custos por modelo de IA, funis de conversão do teste — a sobrecarga era constante. Cada pergunta significava sair do trabalho de produto para escrever e depurar queries.

Por que Basedash

Nathan estava procurando algo que funcionasse mais como um colega do que como uma ferramenta:

• Escrever e depurar SQL automaticamente
• Lidar com erros sem intervenção humana
• Entregar resultados que pudessem ser explorados mais a fundo em tempo real

Foi isso que ele encontrou na Basedash. Com o banco Postgres da Lex conectado, Nathan passou a ter uma interface conversacional sobre os mesmos dados de produção que alimentam a plataforma de escrita — sem precisar configurar dashboard ou documentar schema.

“Parece colaborar com um colega, não com uma ferramenta de BI. Está performando no limite do que é possível com LLMs hoje.”

Em vez de preparar dashboards ou lidar com queries, Nathan agora conduz conversas iterativas sempre que precisa investigar um problema ou validar uma ideia — o tipo de análise exploratória, cheia de perguntas de acompanhamento, que as ferramentas de BI tradicionais tornam dolorosa.

“O paradigma natural para dados é o chat. A Basedash faz isso parecer real.”

Um incidente crítico em viagem

Enquanto viajava em São Francisco, Nathan recebeu um alerta: os custos de IA da Lex estavam disparando bem acima do normal.

No passado, resolver o problema teria exigido escrever queries SQL em um laptop, ou pior, no celular.

“Já escrevi SQL no celular antes, no Blazer. Não é uma experiência agradável. A Basedash tornou isso simples.”

Em vez de ficar tentando montar scripts, Nathan abriu a Basedash e perguntou:

“Os custos de IA estão disparando — você consegue descobrir o que está acontecendo?”

Em minutos, a Basedash o guiou pelo mesmo raciocínio que ele próprio teria seguido: o pico estava vindo de um pequeno grupo de usuários, de um modelo específico, ou de um recurso específico? A ferramenta fez perguntas de esclarecimento ao longo do caminho.

O diagnóstico: usuários bot estavam abusando do teste grátis da Lex para tentar destilação de modelo. Como conseguiu identificar a causa raiz rapidamente, Nathan e seu time corrigiram a vulnerabilidade antes que os custos escalassem ainda mais.

“A Basedash transformou um momento muito estressante em uma correção simples.”

Impacto

Para um time pequeno construindo um produto usado por centenas de milhares de escritores, cada hora conta. Desde que adotou a Basedash, Nathan substituiu um mosaico de ferramentas de query por uma única interface conversacional:

• Perguntas investigativas que levavam horas de SQL e depuração agora levam minutos
• Anomalias de custo e uso são identificadas e diagnosticadas em tempo real, de qualquer dispositivo
• Decisões de produto e crescimento são baseadas em conversas rastreáveis e compartilháveis em vez de queries isoladas
• Zero tempo gasto construindo ou mantendo dashboards ou ferramentas internas

“A Basedash parece colaborar com um colega, não com uma ferramenta. É o futuro de como os times vão trabalhar com dados.”