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.
A Gremlin anunciou a disponibilidade geral do Foresight AI, um produto com agentes que analisa serviços em busca de falhas, recomenda mudanças e reexecuta testes para verificar se a correção realmente funciona. O recurso funciona como um add-on da plataforma Gremlin, que também permite rodar experimentos planejados, controlar o “blast radius” e usar testes automatizados para manter correções eficazes ao longo do tempo.
O Foresight AI organiza o trabalho em quatro papéis de agentes: um Analyst coleta dados e sugere testes, um Tester agenda e executa, um Operator interpreta falhas e propõe remediações, e um Technical Program Manager acompanha cobertura, riscos e compromissos entre equipes, gerando relatórios e atualizações no Slack. As recomendações se baseiam no Failure Atlas da Gremlin, e o produto mantém um “loop” de validação fechada: ele não executa testes nem aplica remediações sem aprovação, preservando a responsabilidade humana enquanto automatiza análise e repetição.
A Leapwork lançou o Leapwork Play, uma plataforma de validação contínua “AI-native” voltada para construir, executar e gerenciar suítes de testes em Playwright em escala. A empresa destaca que a popularidade do Playwright cresceu junto com o uso de código gerado por IA, mas que isso elevou o volume de testes e tornou mais difícil provar a origem de cada caso e gerenciar milhares deles entre várias equipes.
O Leapwork Play conecta o Play a fontes onde o conhecimento do produto já vive, como Jira, repositórios Git e documentação, para gerar testes Playwright baseados nesse contexto. A ferramenta também permite registrar uma jornada do usuário no navegador e transformar isso em um teste mantido, com saída em código Playwright padrão para rodar no Play, em pipelines de CI ou via servidor MCP de assistentes de código com IA.
O artigo discute como avaliar coding agents, respondendo a uma divergência com uma “software factory” que defendia que esses agentes não poderiam ser avaliados. O texto argumenta que o agente não é apenas um modelo: o resultado depende do conjunto modelo + harness + ferramentas + contexto do repositório + instruções + permissões + ambiente de execução e do loop de feedback. Por isso, benchmarks públicos podem medir combinações específicas e não apenas o modelo subjacente.
A avaliação, segundo o autor, deve ir além de “passou nos testes”, incluindo checagens como build, testes públicos e hidden, compatibilidade de APIs e formatos, migrações, limites de desempenho e segurança, além de verificar alterações fora do escopo permitido. Também é necessário repetir execuções para lidar com não determinismo e usar camadas como qualidade da mudança, trajetória, intervenção humana, custo e impacto em produção, porque um único número não captura tudo.
