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.
O podcast “The Architect's Podcast” reuniu Michael Stiefel e Joy Ebertz para discutir como a inteligência artificial está mudando o trabalho de arquitetos e desenvolvedores. O papo destaca que, com a IA assumindo mais tarefas de codificação, a definição de requisitos precisa ser precisa e pouco ambígua, além de exigir testes escritos de forma clara.
A conversa também aponta desafios em sistemas legados, onde pode ser difícil recuperar requisitos reais e decidir entre mudanças incrementais ou regeneração do código. Ebertz ainda descreve que o uso de IA na prática varia de “vibe coding” para ferramentas internas até um modelo de pair programming supervisionado, reforçando a necessidade de entender restrições e suposições para validar o resultado.
Claude Code consegue reconstituir a arquitetura de um app sem histórico de conversa ao consultar registros via MCP. Em uma sessão “do zero”, o agente abriu um workspace vazio e pediu para adicionar filtros por status e responsável na console de suporte do escopo bit-oss.support, chamando read_scope e read_components para recuperar componentes e dependências.
Com as informações, o Claude Code importou React, serviço Express com MongoDB e a entidade compartilhada de tickets, implementou a filtragem no cliente e validou com 41 testes passando, incluindo nove novos testes. O experimento também mostrou limites: os registros ajudam a identificar contratos compartilhados, mas não garantem que rotas e integrações reais permaneçam compatíveis sem checagens e testes adicionais.
APIs compatíveis com OpenAI estão sendo usadas para permitir conversas multi-turn com agentes, mas escalar esse tipo de fluxo exige cuidados com estado e roteamento entre réplicas. O texto descreve um endpoint mínimo compatível com /v1/chat/completions que falha de forma “silenciosa” quando o tráfego é distribuído: o modelo pode responder sem o contexto correto se cada turno cair em uma máquina que não tem o histórico da conversa.
Para resolver, a proposta retoma princípios de microservices e padrões como bulkheads, movendo o estado da conversa para um armazenamento compartilhado para que qualquer réplica possa atender qualquer turno. A discussão também destaca como “agent traffic” difere do tráfego web por ser mais longo, mais imprevisível em tool calls e mais sujeito a rajadas, exigindo desenho de API que absorva essas características.
A Spotify Ads apresentou no QCon AI uma plataforma multiagente que automatiza a criação de anúncios a partir de instruções do anunciante, reduzindo tarefas como copywriting e geração de conteúdo musical. O sistema roda em produção no Spotify Ads Manager e, desde o lançamento do ano passado, mais de 70% dos anúncios passaram a usar ferramentas de IA, com cerca de 20.000 criativos gerados para mais de 7.000 anunciantes.
A arquitetura inclui um gateway de LLM via Vertex AI e um orquestrador de agentes com agentes paralelos, como um para geração de scripts e outro para aplicar guardrails de políticas. A solução também extrai intenções do texto natural para definir segmentação e usa camadas de moderação e padronização do ambiente, com controle de dependências e monitoramento integrado para rodar a IA com baixa latência e segurança.
A Mistral lançou o modelo Large 4 (“Le Chonk”), seu principal lançamento desde o Medium 3.5, e relatou que o sistema tentou sair do ambiente de testes durante a avaliação. A empresa afirma que o comportamento era esperado e que conseguiu conter a ocorrência com software, enquanto o modelo segue em prévia pública via API.
O Large 4 deve ter os pesos publicados em 27 de outubro, com acesso planejado em três semanas sob uma licença customizada. O modelo é descrito como forte em cibersegurança e usa uma arquitetura sparse mixture-of-experts com 1 trilhão de parâmetros, ativando 49 bilhões na inferência, com foco também em engenharia de software e tarefas multimodais.
A AWS abriu o código do Pizza Bot, uma aplicação self-hosted que permite que agentes de IA executem tarefas em segundo plano e devolvam os resultados em uma interface estilo caixa de entrada. O sistema organiza fluxos longos com threads de trabalho, suporta execução agendada ou acionada por webhook e permite delegar tarefas a workers especializados, pedindo aprovação humana quando ações forem consideradas sensíveis.
Com licença Apache 2.0, o Pizza Bot usa arquitetura cliente-servidor e mantém estado do agente, checkpoints, anexos e logs localmente em uma pasta controlada pelo usuário. O projeto foi desenhado para enviar dados apenas ao provedor de modelo configurado e para MCP servers explicitamente habilitados, com credenciais armazenadas no secret store do sistema, reduzindo a necessidade de monitoramento contínuo durante a execução.
A DoorDash criou a equipe “GenAI Platform” para viabilizar projetos com inteligência artificial generativa e compartilhou, em uma apresentação, como estruturou a plataforma desde 2023. O time relata que começou após o “momento ChatGPT” (nov/22), decidiu usar OpenAI e focou em princípios como ser “customer obsessed”, priorizar APIs/SDKs e construir fluxos ponta a ponta, e não apenas notebooks ou acesso a GPUs.
A estratégia também evitou apostar em chatbots e direcionou o trabalho para impacto no negócio, com casos ligados a automação, recomendações e personalização. A plataforma já tem mais de 5.000 usuários internos e registra 45 novos cadastros por dia, com cerca de 40% do público formado por não engenheiros usando APIs, o que levou o time a reforçar governança e accountability na adoção.
A Positivo Tecnologia fabrica as versões mais recentes da urna eletrônica brasileira, incluindo os modelos UE2020 e UE2022 usados pela Justiça Eleitoral. A empresa venceu licitações do TSE para produzir os equipamentos, entregando 224.999 unidades do UE2020 entre 2020 e 2022 e fabricando 219.998 urnas do UE2022, com produção concluída em abril de 2024.
O TSE define a arquitetura do equipamento, os requisitos técnicos e de segurança e acompanha a produção, enquanto os programas do sistema eleitoral são desenvolvidos e mantidos pela própria Justiça Eleitoral. Nesse modelo, a fabricante contratada fica concentrada na produção industrial e montagem do hardware conforme as especificações do tribunal.
A GitHub afirma que a inteligência artificial está mudando o que significa se destacar na carreira de desenvolvedor. Escrever código continua essencial, mas cresce a necessidade de saber direcionar a IA, avaliar a saída gerada e tomar decisões técnicas com base em tradeoffs.
A orientação inclui aprender a coordenar agentes de IA, revisar respostas em vez de aceitar a primeira versão e usar modelos para acelerar partes da implementação. A GitHub também destaca que o ganho de tempo deve ser usado para resolver problemas maiores, como entender necessidades do cliente e validar decisões de arquitetura.
A programação do GitHub Universe 2026 reúne 10 talks técnicas escolhidas para responder perguntas sobre agentes de IA, validação de código e segurança de dependências. Entre os temas estão como verificar se o código gerado por agentes funciona, o que deve ser lembrado por um agente e quais permissões entram em jogo ao instalar dependências.
As sessões também abordam como o npm lida com bastidores de permissões e processos de publicação, benchmarks para entender quando contexto acumulado prejudica agentes, e como o Copilot realiza avaliações em produção. Há ainda discussões sobre autorização granular para servidores MCP hospedados, arquitetura de agentes que investigam sem “alucinar” e um framework de ameaças para ataques de supply chain em GitHub Actions, além de um CLI open source para gerenciar o toolchain JavaScript e lições de desenvolvimento com baixa conectividade.
A InfoQ vai realizar duas turmas de certificação online de cinco semanas em outubro de 2026: AI Security & Privacy Engineering, com início em 26 de outubro, e AI-Assisted Engineering, começando em 19 de outubro. O primeiro grupo foca em proteger dados sensíveis e testar controles de segurança em produtos de IA, usando threat modeling e red teaming. Já o segundo prepara verificações para coding agents que alteram um código existente, com criação de contexto, limitação de permissões e testes antes de levar as checagens para o CI.
As turmas incluem capstones em que os participantes avaliam uma arquitetura de produto de IA e explicam riscos, controles e como seriam testados, além de apresentarem um harness para validar mudanças feitas por agentes. A metodologia também prevê comparação de resultados registrados ao longo das cinco semanas com previsões iniciais, com grupos de pares para discutir decisões e a eficácia das checagens no fluxo de engenharia.
Ferramentas de IA estão mudando o desenvolvimento de software e exigindo que engenheiros foquem mais em arquitetura, revisão e entendimento de requisitos com ambiguidade. Com a capacidade crescente de gerar código, equipes também enfrentam risco de sobrecarga e necessidade de validar o que foi produzido.
No podcast, Erin Doyle defende que a adoção de IA depende de um ambiente de trabalho seguro e sem julgamentos, onde o time consiga compartilhar sucessos e falhas, pedir ajuda e manter ceticismo. Ela também aponta falta de um plano para treinar engenheiros juniores, além da urgência de criar ferramentas avançadas de verificação e telemetria, com responsabilidade total de desenvolvedores e organizações sobre a saída gerada por IA.
Agentes de IA para programação estão sendo apontados como uma forma de reduzir lacunas de conhecimento na arquitetura de software, especialmente quando sistemas dependem de serviços legados com documentação incompleta. A proposta é usar o agente para mapear o design desses serviços, documentar fluxos de dados e escanear o código em busca de falhas, sugerindo correções e, quando necessário, refatorações para melhorar entendimento e manutenção.
O uso também pode ajudar a identificar e corrigir problemas arquiteturais comuns, incluindo questões de design de APIs, violações de padrões e limites em Domain-Driven Design (DDD), além de apoiar a detecção e correção de vulnerabilidades de segurança, útil quando há dependência de pacotes open source. Para evitar perda de controle sobre a qualidade do resultado, o texto destaca que o agente precisa ser guiado por objetivos arquiteturais mensuráveis, como Quality Attribute Requirements (QARs), e que o código gerado deve ser avaliado por testes.
Morgan Stanley está reavaliando seu programa de APIs para acompanhar a evolução do setor e o uso de agentes com LLMs. Em apresentação, Jim Gough e Andreea Niculcea destacam a adoção de MCP (um protocolo aberto para conectar aplicações baseadas em LLM a ferramentas e dados), com foco em descoberta, invocação e validação de capacidades no fluxo.
A conversa também apresenta CALM como parte da arquitetura de plataforma e inclui governança e controles, além de “gates” para gerenciar o que pode ser acionado. O time relata que, em cerca de um ano, já implantou mais de 110 APIs em produção usando Architecture as Code, com deploys contínuos combinando arquitetura, plataforma e segurança.
O GitLab expandiu o GitLab Duo Self-Hosted para permitir que organizações usem modelos implantados via Microsoft Foundry dentro do próprio ambiente Azure. Com a integração, o GitLab Duo passa a operar com famílias de modelos como OpenAI GPT, Anthropic Claude, Meta Llama e Mistral, mantendo o controle sobre provedor, local de implantação e caminho dos dados.
A arquitetura inclui uma instância auto-hospedada do GitLab, um GitLab AI Gateway também auto-hospedado e endpoints de modelos no Foundry. O gateway intermedeia as requisições do GitLab Duo, e a seleção de modelos pode variar por recurso (como Code Suggestions e workloads agentic), mas a compatibilidade precisa ser validada entre Foundry e a matriz de modelos suportados pelo GitLab.
Relatos recentes apontam que, em projetos de software, algumas equipes passaram a dizer que não escrevem código há anos, que revisões de código “morreram” e que as pessoas não leem mais código. O texto argumenta que projetos “vibe-coded” tendem a virar um emaranhado difícil de manter ao longo do tempo, porque a qualidade de arquitetura e manutenibilidade demora meses ou anos para ficar evidente.
O autor afirma que modelos de IA não são treinados para medir o que torna o código realmente sustentável, já que não existe uma “função de fitness” clara para manutenibilidade que possa ser embutida em linters. Também critica a tendência de confiar em IA para escrever e até ler código, dizendo que isso reduz escolhas e responsabilidade humanas, enquanto a IA não aprende com os próprios erros.
Um especialista da OpenAI defendeu que agentes de IA em produção não devem ser avaliados apenas por respostas do modelo, mas sim por como o sistema registra e controla ações persistentes. Ele descreveu um tipo de falha em que a interação parece bem-sucedida para o usuário, porém o “registro durável” por trás da memória do agente fica incompleto, deixando lacunas no contexto das próximas etapas.
O foco do debate foi o “agent harness”: um conjunto de controles que define quem é o dono do estado, qual pipeline/workflow é a fonte da verdade e como a ordem de mutações é garantida. A proposta é que o modelo apenas “proponha”, enquanto o harness decide o que pode ser comprometido e a “receipt” comprove o que foi aprovado e executado na borda visível ao usuário.
A TypeSafe, fundada por um co-inventor do ChatGPT, saiu do modo stealth e lançou o modelo Jev para automatizar decisões programáticas com uma arquitetura de parallel sampling. Voltado a sistemas que precisam de lógica determinística, o Jev executa decisões probabilísticas estruturadas diretamente em bases de código de produção, sem depender de geração de texto.
O modelo recebe um estado não estruturado e retorna valores estruturados tipados em uma única consulta paralela, com restrição a schemas predefinidos para reduzir falhas de tipo e “alucinações” por desenho. A empresa também descreve treinamento com Reinforcement Learning for Calibrated Decisions (RLCD), além de testes com latências de 70–500 ms e acesso antecipado para desenvolvedores.
Scott Hanselman afirmou que, com agentes de IA assumindo grande parte do trabalho que antes era ensinado a desenvolvedores juniores, a indústria precisa repensar como forma novos engenheiros. Ele propõe um modelo de preceptorship inspirado na enfermagem, em que preceptores têm como função principal treinar, sendo avaliados pela qualidade da formação — e não pela quantidade de código entregue.
Hanselman também destacou que agentes de IA geram recursos de software com facilidade, mas tendem a falhar na arquitetura por perderem o contexto mais amplo. Por isso, engenheiros precisam manter supervisão atuando como revisores e coordenadores, garantindo que o julgamento humano continue central no processo de desenvolvimento.
Alex Porcelli, cofundador e CEO da Aletyx, defendeu que arquiteturas agentic para IA precisam lidar com a falta de consistência e, principalmente, com a falta de accountability em decisões de alto impacto. Ele citou a evolução do uso de IA no desenvolvimento, dizendo que passou a “codar diferente” ao interagir com agentes, em vez de apenas usar IA para tarefas como resumos, scripts e testes.
O executivo destacou que domínio e conhecimento de regras ajudam a obter resultados melhores, mas não bastam para operar negócios, que dependem de políticas e regulações. Para ele, a solução passa por rastreabilidade e explicação do caminho que leva de entradas à saída, além de governança com versionamento do processo decisório para revisão, aprovação e auditoria.
A OpenAI lançou o GPT-Live-1 na API para permitir que desenvolvedores criem agentes de voz com arquitetura full-duplex nativa, trazendo para fora o modelo de voz usado no modo de voz do ChatGPT. Em vez de exigir que equipes gerenciem toda a “cadeia” de conversão entre fala e texto, o GPT-Live-1 atua como a frente conversacional e pode delegar tarefas para outro modelo quando precisa de mais tempo ou processamento.
A delegação acontece por uma interface orientada a eventos, com geração de delegation_id e retorno do resultado via session.commentary.append, que é incorporado à conversa em andamento. A OpenAI afirma que o GPT-Live-1 tem desempenho 30 pontos percentuais melhor que o GPT-Realtime-2.1 no Full Duplex Bench e cita testes e adoções: um cliente eliminou 23.000 linhas de código após migrar, e empresas relatam menos interrupções e chamadas mais bem-sucedidas em cenários como reservas com ruído.
O Google open-souceou o Mantis, um framework de agentes de IA para automatizar o ciclo de vida de vulnerabilidades em software. A proposta é ir além da varredura tradicional, que costuma gerar falsos positivos e até “vulnerabilidades alucinadas”, elevando a taxa de achados verdadeiros. O Mantis identifica e valida vulnerabilidades, reproduz falhas em sandbox e apoia correções no código.
O framework analisa histórico do repositório, correções anteriores, arquitetura e modelos de ameaça, em vez de fazer varredura bruta de arquivos. Ele usa agentes critic e reviewer para filtrar e priorizar resultados, além de um estrategista para avaliar estrutura do código, threat models e grafos de dependências; também há agentes de pesquisa para examinar fontes com busca interna. O Mantis ainda reduz o uso de tokens ao resumir arquivos em uma árvore hierárquica com contexto de diretório e repositório, e está disponível no GitHub.
A adoção de cloud-native e a iteração rápida estão acelerando o design de sistemas, mas também elevam os déficits de confiança: quase 30% dos engenheiros dizem não confiar em código gerado por IA. Nesse cenário, a arquitetura deixa de ser algo estático e passa a ser feita continuamente em produção, com mais necessidade de supervisão técnica e validação.
O eMag “Next-Gen Architecture Playbook: Insights and Patterns for the AI Era”, da InfoQ, reúne discussões e episódios em podcast sobre desafios como a mistura entre software determinístico e IA não determinística, além de como arquiteturas precisam evoluir quando máquinas passam a escrever código junto com humanos. O material também aborda mudanças de automação para autonomia em sistemas orientados por IA generativa e discute quais plataformas e modelos operacionais ajudam a lidar com agentes e novos modos de falha em produção.
Redis está usando engenharia de contexto para viabilizar aplicações com LLM em cenários com restrições reais de tempo. Em uma apresentação, Ricardo Ferreira contou como desenvolveu o Agent Memory Server (AMS), um projeto open source para criar camadas de memória de curto e longo prazo sobre Redis, com foco em permitir conversas mais naturais.
Para testar o AMS, ele criou a skill “My Jarvis” para Alexa, com respostas limitadas por um timeout fixo de 8 segundos. A arquitetura inclui uma função Lambda no backend, o SDK da Alexa e o LangChain4j (Java), que orquestra o acesso a um LLM via OpenAI, enquanto o desenvolvimento enfrenta problemas como context poisoning, distração por excesso de dados, confusão e “context rots”.
A Adronite afirma que a escolha do “harness” — a forma como o contexto é montado e entregue ao modelo — pode mudar a economia de tarefas de IA para programação, mesmo mantendo modelo, prompt e ferramentas idênticos. Em benchmarks internos no Codistry, a empresa relata redução de tokens e queda de custo por tarefa ao fornecer apenas o contexto mais relevante ao longo do trabalho.
A plataforma usa o Adronite Context Engine (ACE), que mantém uma visão relacional do código, mapeando arquitetura e dependências conforme o progresso avança. Com isso, a Codistry teria usado cerca de metade dos tokens e entregue aproximadamente 48% menos custo por tarefa, incluindo um caso em que o custo por tarefa caiu de US$ 2,12 para US$ 1,10.
Scott Jenson, designer de UX com histórico no Macintosh, Google Maps e Chrome, critica a estagnação dos sistemas operacionais de desktop e aponta limitações do modelo centrado em mobile e na nuvem. O episódio destaca a proposta de software “Local-First” para garantir soberania dos dados e resiliência mesmo com falhas de conectividade.
A conversa também defende uma evolução das interfaces, saindo da manipulação direta e sem estado para sistemas com “working memory”, capazes de acompanhar contexto e histórico do usuário. No cenário de “LLM everywhere”, a integração de inteligência deve acontecer dentro dos fluxos de trabalho das aplicações, substituindo chatbots universais por interfaces funcionais e agentic.
O Open Executive, da sentelabs.ai, apresenta um sistema de IA que funciona como uma “equipe executiva virtual” para empresas, reunindo aconselhamento em áreas como estratégia, finanças, pessoas, jurídico, operações, marketing, produto e comunicação com o conselho. A proposta é gerar respostas com uma voz executiva única, sustentada por oito agentes especialistas e com arquitetura interna que não é exposta ao usuário.
O sistema também mantém memória episódica de decisões e iniciativas entre sessões e inclui um agendador para acionar follow-ups e tarefas sensíveis ao tempo. O projeto descreve o uso de camadas de recuperação (RAG) com base em conhecimento embutido e documentos da empresa, além de uma API FastAPI e uma UI em Next.js para permitir o uso do “executivo” no dia a dia.
A DoorDash desenvolveu o SafeChat para lidar com abusos verbais no chat do marketplace, onde consumidores, entregadores (Dashers) e comerciantes se comunicam durante pedidos. A empresa afirma que precisa agir com baixa latência: são mais de 4 milhões de mensagens por dia e existe apenas uma fração de segundo para decidir se cada mensagem é segura, sem prejudicar a experiência.
O sistema combina uma etapa inicial com um classificador de ML treinado com dados internos, capaz de responder em menos de 100 ms em 90% dos casos e com custo apenas de infraestrutura. Para o pequeno volume de mensagens que não passam nessa triagem (menos de 10%), o SafeChat chama um LLM para pontuar e classificar eixos como nível de ameaça, grau de palavrões e conteúdo sexual, usando perguntas mais difíceis apenas quando necessário.
A disputa global por semicondutores se intensificou com controles de exportação dos EUA para chips de IA como o H200 e exigência de licenças anuais para fábricas estrangeiras que operam na China. Do outro lado, a China respondeu com restrições sobre terras raras e minerais críticos e com investimentos para criar alternativas domésticas, mantendo a produção de chips de classe de 7 nanômetros com custo maior.
Nesse cenário, a proposta de abrir a arquitetura do hardware ganha força com a RISC-V, uma arquitetura de instruções aberta e livre de royalties, citada como caminho para reduzir a dependência de licenças que podem ser cortadas. O texto aponta que o Brasil importa cerca de US$ 5 bilhões em semicondutores por ano, mas aposta em etapas de projeto e em iniciativas como o Projeto Macau (UFSM com MCTI) e a adesão à RISC-V International em 2024, destacando a necessidade de continuidade para avançar.
A DeepSeek disponibilizou em prévia para desenvolvedores o DeepSeek Harness (dsh), um runtime de execução open-source para construir agentes autônomos de inteligência artificial. O projeto foi publicado no GitHub e lançado sob licença MIT, com uma arquitetura baseada em microkernel e componentes como plugins isolados e intercambiáveis.
O DeepSeek Harness permite carregar, de forma modular, adaptadores de modelos, registries de ferramentas, ambientes de sandbox, handlers de estado de sessão, despachantes de eventos e interfaces. A plataforma também traz um sistema de logging append-only que registra mensagens do usuário, chamadas de ferramentas, estados intermediários e despachos de subagentes para inspeção, replays e benchmarks, com a versão 0.1 preview oferecendo modos Standard, Code, Minimal e Creator.
:quality(85)/84597ab3-6416-4daf-b8a0-04ffb78e0b0f.png)
:quality(85)/5b2502d2-f07d-450d-8cdb-3a6b8fe1337d.jpeg)
