Modelos menores de inteligência artificial podem estar a poucos meses de conseguir se replicar em dispositivos conectados à internet sem ajuda humana, segundo alerta da Anthropic. A empresa testou essa capacidade em aparelhos como televisores com Android e eletrodomésticos inteligentes.
O avanço chama atenção para os riscos de disseminação automática de IA em ambientes do dia a dia, fora do controle direto de usuários. Com a replicação em dispositivos domésticos, cresce a necessidade de avaliar segurança e limites para esse tipo de tecnologia em produtos conectados.
A Meta anunciou a série de modelos de inteligência artificial Muse Wonder, com versões Muse Wonder e Muse Wonder Full, voltadas a executar tarefas complexas com mais autonomia. Os agentes contam com memória entre conversas e conseguem manter um objetivo mesmo diante de erros, com aplicações que vão de organização de finanças pessoais à análise de contratos e ao desenvolvimento de softwares.
O Muse Wonder já está disponível para desenvolvedores e criadores via Meta Model API e Muse Code, enquanto o Muse Wonder Full é exclusivo para assinantes do Muse Code. A Meta diz que os modelos usam Active Memory para recuperar informações relevantes de interações anteriores e Active Focus para perseguir objetivos, testar abordagens, corrigir erros e solicitar confirmação do usuário antes de ações importantes, além de reforçar segurança e proteção de dados.
Um engenheiro da OpenAI é acusado de esconder um dispositivo de gravação de áudio em um pedaço de papel higiênico e instalá-lo atrás de um monitor em uma sala de reuniões executivas em um escritório em São Francisco. Segundo uma queixa criminal tornada pública, Abdulrahman Alfozan teria passado semanas consultando um “productivity agent” e um chatbot de IA para planejar a operação, incluindo o uso de uma ferramenta interna para checar reuniões no local.
A acusação também afirma que ele teria usado uma conta de chatbot ligada à esposa para tirar dúvidas técnicas sobre a instalação do equipamento. Após uma varredura de contravigilância em 30 de setembro, a equipe de segurança da OpenAI encontrou o dispositivo e acionou o FBI, além de desativar gradualmente o acesso de Alfozan aos sistemas da empresa durante a investigação.
O CEO da Fender, Edward “Bud” Cole, voltou a gerar repercussão ao dar uma entrevista à T3 sobre música e IA. Ele afirmou que aprender covers seria uma forma “analógica” de IA e comparou a dinâmica de uma banda (ideias de um músico somadas por outros) a como um sistema de IA “treina”. As falas reacenderam críticas após a empresa enviar cartas de cessar e desistir a construtores por alegar direitos sobre a forma do corpo de modelos como a Stratocaster.
A polêmica importa porque coloca em debate a comparação entre processos criativos humanos e treinamento de modelos com conteúdo protegido. Para o público tech e dev, o caso reforça como narrativas sobre IA na música podem influenciar percepção, confiança e discussões sobre autoria, dados e impacto no aprendizado — especialmente quando a promessa de “ajudar a criar” é contestada por efeitos de desqualificação.
A The Verge relata a disputa em torno de IA generativa treinada com obras de artistas sem consentimento e destaca a startup Pippa, lançada em maio, que tenta mudar esse modelo. A empresa diz que compensa criadores quando o estilo usado nas imagens e clipes gerados por assinantes deriva do trabalho de um artista parceiro, com valores de US$ 0,005 por imagem e US$ 0,003 por segundo de vídeo, além de participação em um pool de royalties de 5% financiado pelas assinaturas (planos de US$ 14,99 a US$ 99,99). A Pippa afirma ter cerca de 800 assinantes pagantes e acordos com quatro artistas, em processo de expansão, com um fluxo de validação para aprovar quem pode entrar.
Apesar do discurso de “ética”, a matéria aponta que a tecnologia ainda usa modelos abertos que passam por treinamento inicial com um conjunto mais amplo de conteúdo disponível na internet — ou seja, não elimina totalmente o problema de “creative theft”. Para devs e makers, o caso reforça que “pagamento” e “consentimento” precisam andar juntos: em produtos de IA, a transparência sobre dados de treino e mecanismos de compensação tende a virar requisito prático para adoção e para reduzir riscos legais e reputacionais.
Empresas que fornecem dados para treinar modelos de IA, como a ISBNdb, têm sido apontadas como fonte para alimentar LLMs com livros impressos. A justificativa é que esses materiais seriam “mais limpos”, ajudando a reduzir problemas como AI slop e melhorando a qualidade das respostas. O lado controverso é a falta de transparência nas compras em grande escala e o receio de que exemplares sejam destruídos após a digitalização, inclusive com impactos em obras raras. O tema também reacende debates sobre origem e governança dos dados usados por sistemas generativos.
