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.
A Workday anunciou que seu Trusted Agent Platform agora está “headless”, permitindo que desenvolvedores criem agentes externos de RH e finanças usando o Model Context Protocol (MCP) e acesso SQL a dados ao vivo. A disponibilidade geral inclui o servidor MCP, o Live Data Query e um runtime compartilhado, para que clientes rodem agentes em modelos de Anthropic, Google, Meta, Mistral, Nvidia e OpenAI.
A empresa afirma que os agentes seguem as mesmas permissões, aprovações e trilha de auditoria do usuário, sem “side door”. Para o ecossistema, a Workday destaca o Agent-Ready Tools (com 275 ferramentas de leitura e 54 de escrita/remoção) e o Agent Harness, além de um Developer Agent que gera agentes e apps a partir de prompts em ferramentas como Claude Code e Cursor.
A Dell entrou na corrida para permitir que agentes de inteligência artificial entendam o significado dos dados que acessam dentro das empresas. A companhia apresentou tecnologias para conectar informações de sistemas diferentes e indicar à IA quais termos, relações e fontes devem ser considerados em cada tarefa, com previsão de chegada dos principais recursos no primeiro semestre de 2027.
O foco é criar uma camada de contexto entre modelos de IA e dados corporativos, problema que ganhou força com a adoção de agentes em tarefas reais. Levantamento da Modern Data Company com mais de 540 profissionais em 66 países aponta que 57,3% das organizações já testam ou usam agentes, mas só 8,4% confiam nos dados para uso em produção, e falta de contexto aparece entre as principais barreiras.
A TOTVS apresentou como arquitetar a camada de dados para agentes de IA em ambientes corporativos, destacando o desafio de ter “muito dado” que não está preparado para ser acessado por loops de raciocínio que fazem consultas imprevisíveis. A empresa explicou que, em sistemas transacionais como ERP e CRM, os dados foram otimizados para aplicações determinísticas e com alta precisão, enquanto agentes usam raciocínio probabilístico e exigem preparação adicional.
A apresentação também abordou como decidir onde buscar dados e como preparar plataformas para a era “agentic”, combinando fontes transacionais e de dados. Segundo a TOTVS, é comum usar a plataforma de dados para processamento histórico e busca semântica (com apoio de vector database e protocolos como MCP), enquanto o acesso direto ao sistema transacional é indicado quando é necessário escrever dados, obter informações mais recentes ou executar regras de negócio codificadas no próprio sistema.
Uma apresentação do lead engineer Dumanshu Goyal, da Airbnb, usa a história do programa do Ônibus Espacial da NASA para defender “design para eficiência” e aplicar a mesma lógica a sistemas modernos de IA. O ponto central é que, na prática, requisitos pouco revisados podem inflar custos e complexidade — como ocorreu com as milhares de telhas de sílica no Ônibus Espacial — enquanto uma análise rigorosa de requisitos e trade-offs leva a soluções mais simples e eficientes.
No contexto de IA, o talk conecta essa mentalidade ao uso de OSS Valkey e a padrões de arquitetura voltados a reduzir latência e melhorar throughput, especialmente quando a meta deixa de ser milissegundos e passa a ser microsegundos. Para devs, isso reforça a importância de projetar camadas de dados e cache com observabilidade e decisões de engenharia orientadas por desempenho real, que impacta diretamente aplicações de IA em tempo quase real.
:quality(85)/caa565f6-c377-4023-9d75-750c505f2401.png)
