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 leitor escreveu a Mark Seemann uma carta com perguntas sobre como aprender programação na era dos LLMs, e ele respondeu publicamente com trechos extensos do texto. Seemann relata que, há cerca de um ano, começou a construir um sistema grande com TypeScript/JavaScript usando LLMs, envolvendo APIs, PostgreSQL, pipelines com modelos e fluxos multi-modelo. No início, a experiência pareceu “mágica”, mas ao tentar levar o sistema a um produto de verdade, ele diz que passou a corrigir erros e, em seguida, surgirem novos problemas em partes que não compreendia totalmente.
A dificuldade, segundo ele, é que o sistema pode ficar “acima do nível de entendimento” de quem o criou: quando tudo funciona, a lacuna quase não aparece, mas quando falha, ela se torna evidente. Seemann afirma que, em alguns momentos, não sabe o que fazer sem pedir ajuda a outro modelo, e levanta a questão sobre qual deve ser a relação correta entre profissionais e LLMs para manter domínio real do que está sendo construído.
Machine learning, ou aprendizado de máquina, é uma área da computação em que o programa aprende com exemplos em vez de seguir regras escritas por humanos. Em vez de programar “se X acontecer, faça Y”, o sistema recebe milhares de dados e identifica padrões para fazer previsões, como no reconhecimento de gatos a partir de fotos. O termo foi popularizado por Arthur Samuel na década de 1950.
Machine learning não é a mesma coisa que inteligência artificial: a IA é o campo maior e o machine learning é um dos caminhos, com o deep learning usando redes neurais de várias camadas. O aprendizado acontece em etapas como dados, treinamento e ajuste, com ciclos repetidos até melhorar as previsões, e existem tipos como supervisionado, não supervisionado e por reforço. Mesmo assim, algoritmos erram quando os dados são incompletos, desatualizados ou enviesados, além de limitações como alucinação e overfitting.
Você provavelmente já usou inteligência artificial hoje, mesmo sem perceber: o celular reconhece seu rosto, o app de mapas sugere desvio no trânsito e o banco bloqueia compras suspeitas. Por trás disso, a IA reúne técnicas que permitem que máquinas façam tarefas como reconhecer imagens, entender frases e prever comportamentos, aprendendo com exemplos em vez de seguir regras fixas.
O avanço recente foi impulsionado por mais dados, maior poder de processamento e métodos como o Transformer, que ajudaram a popularizar modelos de linguagem como o ChatGPT no fim de 2022. Ao mesmo tempo, a tecnologia traz riscos como vieses nos dados, “alucinações” em modelos de linguagem e impactos no emprego, além de discussões sobre regulação em países como a União Europeia e projetos no Congresso do Brasil.
Cientistas apontam um “gap de eficiência de dados” entre crianças e máquinas: enquanto modelos de linguagem como GPT, Claude e DeepSeek conseguem conversar com fluência, eles dependem de volumes enormes de texto para chegar a esse nível. A discussão ganha força quatro anos após o lançamento do ChatGPT, destacando que ensinar computadores a usar linguagem humana ainda exige uma quantidade de dados muito maior do que a observada na infância.
Pesquisadores citam que uma criança pode ouvir algo na ordem de 100 milhões de palavras em um ambiente linguístico rico, chegando a cerca de 300 milhões com a alfabetização, enquanto modelos modernos são treinados com dezenas de trilhões de tokens. Ao “reverter” o modo como crianças aprendem, a meta é criar modelos de IA mais eficientes em dados e com aplicações como treinar IA para vídeo e desenvolver chatbots para comunidades que falam línguas minoritárias.
