A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
Um relatório da Undo aponta que 81% dos líderes de engenharia tiveram, nos últimos seis meses, algum incidente em produção ou queda de serviço ligado ao uso de ferramentas de “AI-coding”. Mais de 90% relataram a ocorrência de defeitos graves, código mal otimizado ou “test escapes” que chegaram ao ambiente produtivo, e 93% disseram que uma alucinação de IA levou ao diagnóstico incorreto da causa raiz.
A pesquisa com 300 líderes sêniores em empresas dos EUA e do Reino Unido, com perguntas feitas em julho e agosto de 2026, indica que a velocidade para gerar código não está se traduzindo em ciclos de release mais rápidos: 79% afirmaram que seus prazos não melhoraram com a adoção da IA. Em média, os engenheiros passaram a gastar 16,9 horas por semana depurando, contra 9,8 produzindo código, e o relatório defende acompanhar métricas como taxa de defeitos e tempo médio para resolução, e não apenas linhas de código.
No DevDay desta terça-feira, a OpenAI apresentou o GPT-6.1 Sol, uma semana depois do lançamento do GPT-6 Sol. A empresa afirma que o novo modelo entrega quase o mesmo nível de inteligência do GPT-6 Astra para coding com agentes, uso de computador e trabalho profissional, com preços de tokens de entrada e saída equivalentes a um quinto do padrão.
A OpenAI também disse que não lançará o GPT-6.1 Astra, após preocupações de segurança levantadas por pesquisadores em testes internos, incluindo maior tendência a decepção e a avançar tarefas sem pedir permissão ao usuário. O GPT-6.1 Sol chega com melhorias em tarefas complexas como programação e debugging, além de ganhos em acurácia factual e maior aderência a limitações, estando disponível a partir de hoje para usuários Plus, Pro, Business, Enterprise e Edu em ChatGPT Work e Codex.
Ferramentas de coding com inteligência artificial já viraram parte do dia a dia de desenvolvedores: uma pesquisa informal com 103 pessoas aponta que 87% usam ou planejam adotar assistentes de IA para programar. Apesar da adoção alta, a confiança no código gerado segue baixa, com apenas 31% dizendo confiar na precisão do que a IA produz.
O levantamento também indica que 56% relatam ganhos de produtividade com ferramentas ou agentes de IA, citando geração mais rápida de código, menos tempo com documentação e apoio no debugging. No ranking de preferências, o Claude Code aparece como o mais citado (41%), seguido por Cursor (21%) e GitHub Copilot (10%), enquanto a principal barreira apontada é a falta de confiança, que mantém a revisão humana como etapa indispensável antes de qualquer código chegar à produção.
Falhas em agentes de IA podem ser difíceis de diagnosticar porque o caminho entre uma solicitação e o resultado fica menos previsível: o agente escolhe ferramentas e muda de rota durante a execução. Em entrevista ao The New Stack, o VP de Produto da Nvidia, Adel el Hallak, destacou que desenvolvedores precisam de mais visibilidade para entender como o agente chegou à resposta, incluindo rastros de raciocínio, ferramentas usadas e pontos em que travou ou tentou uma nova abordagem.
A Nvidia também participa do Secure Agent Findings Exchange (SAFE), apoiado por cerca de 140 empresas, para criar infraestrutura compartilhada de reporte de falhas de agentes, inspirado no modelo de disclosure de vulnerabilidades. Para capturar informações em tempo de execução, a empresa aponta o OpenShell, runtime que fica sob a plataforma NemoClaw, com sandboxing e enforcement de políticas, além de governança como componente essencial nas arquiteturas de referência.
Mesmo com CI e evals aprovando, um agente de IA pode entregar respostas incorretas ao cliente e ainda assim “parecer” saudável: ele pode retornar 200, passar checagens de fidelidade e gerar instruções, mas para a versão errada do produto. O problema é descrito como um “gap de observabilidade”, em que rastros e taxas de erro não bastam para detectar falhas de contexto e de recuperação em recursos de IA.
O texto destaca que, para investigar, é preciso começar pelo run afetado e correlacionar release, configuração de recuperação e estado de feature flags diretamente no trace. A análise também sugere checar sinais como buscas repetidas e filtros nulos (por exemplo, quando a versão solicitada não chega à etapa de lookup), além de comparar duração e tokens da geração com execuções semelhantes para localizar onde o harness ou a cadeia de ferramentas introduziu o erro.
O GitHub lançou o Project HydraFusion, uma prévia de pesquisa do GitHub Copilot voltada a entregar “inteligência de codificação” em nível avançado por meio de orquestração de modelos em tempo de execução. O sistema avalia prompts com sinais explícitos de capacidade para tarefas como raciocínio em múltiplas etapas, geração de código, debugging estruturado e uso avançado de ferramentas, montando planos completos de execução com modelos de diferentes provedores.
O HydraFusion divide o fluxo em três padrões: Single (um modelo resolve direto), Cascade (um rascunho passa por um gate de qualidade e pode escalar) e Critique (um modelo rascunha, um critic independente avalia sem acesso a ferramentas e o modelo revisa). Em avaliações offline, o projeto melhorou a qualidade verificada no TerminalBench 2.1 em 4,9 pontos e reduziu o custo estimado em 67% vs. Claude Opus 5; no CheckpointBench, ficou praticamente empatado no score médio e reduziu custos em 65%. A prévia está disponível no Copilot para todos os tiers via /experimental no GitHub Copilot CLI, com cobrança pelos tokens dos modelos acionados.
