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 GitLab lançou a versão 19.4 da sua plataforma DevSecOps com novidades no GitLab Duo CLI, incluindo um modo goal-driven e mais ferramentas via Model Context Protocol (MCP). O novo comando /goal, em beta público, aceita um objetivo em linguagem natural e continua trabalhando até concluir a tarefa ou atingir um limite de iterações, mantendo ações dentro das permissões e regras de aprovação do projeto.
A atualização também adiciona modelos hospedados open-weight (Kimi K3, MiniMax M3 e GLM 5.3) ao Duo Agent Platform e amplia os controles para gastos com IA. Os créditos passam a ter exportação com detalhamento por evento e uma página de configurações permite definir limites por usuário, com alertas para gestores quando o uso sob demanda chega a 50% ou 80% do teto mensal.
O CTO e fundador da CloudZero, Erik Peterson, afirmou em apresentação que a “conta” de custos de IA no cloud virou um problema: ele diz que não consegue confiar totalmente no próprio bill e que os dados de despesas vindos de provedores de nuvem e de IA estão “bagunçados”. Peterson relaciona o aumento de gastos ao uso de LLMs no dia a dia, em que cada decisão e até cada pensamento passam a ser monetizados pelo custo de consultas e geração.
Ele também citou a escalada de métricas como “tokenmaxxing” e estimou que o fenômeno pode representar um custo de cerca de US$ 5 bilhões a US$ 15 bilhões. No mesmo contexto, Peterson defendeu que a produtividade pode até crescer, mas a medição ainda é imprecisa, enquanto o gasto com IA já triplicou e segue subindo.
Empresas passaram a avaliar custo, capacidade e contexto antes de escolher qual solução de inteligência artificial usar em cada tarefa. Com a expansão do uso da IA generativa, a decisão deixa de ser apenas sobre “capacidade” e passa a considerar se uma alternativa mais rápida e barata atende ao que é necessário.
A adoção em escala também muda a conta: quando há milhões de solicitações por dia, preço, consumo de processamento, velocidade e infraestrutura passam a pesar mais. Além disso, equipes podem combinar soluções conforme o tipo de trabalho e o nível de precisão exigido, usando modelos mais simples para tarefas repetitivas e opções mais sofisticadas para atividades com raciocínio complexo.
A Anthropic lançou o Opus 5.5, a nova versão do seu modelo principal para uso em massa, voltado a tarefas como codificação e outros trabalhos complexos de conhecimento. A OpenAI, por sua vez, anunciou GPT-6 Sol e Luna, versões mais eficientes e rápidas de modelos intermediários ou menores. As duas empresas dizem que o objetivo central é aumentar a eficiência e reduzir custos para clientes empresariais, em vez de entregar capacidades totalmente novas.
A disputa também acontece em um contexto de adoção de alternativas mais baratas, como modelos de código aberto e o uso de model routers para recorrer menos aos modelos mais caros. No caso do Opus 5.5, a empresa aponta preços de tokens de entrada e saída de US$ 4 e US$ 20 por milhão, além de cache reads a US$ 0,20 por milhão, com geração de saída mais de 30% mais rápida do que o Opus 5.
Tokens viraram a unidade de cobrança que mais assusta departamentos financeiros, mas a head de marketing de produto para IA da SAS, Manisha Khanna, diz que o aumento de gastos é mais sintoma do que causa. Para ela, o problema aparece quando empresas aplicam modelos de linguagem a tarefas que exigiriam resultados determinísticos e quando a adoção vira excesso de experimentação sem arquitetura bem definida.
Khanna também aponta falta de confiança nos resultados da IA em produção: profissionais podem ignorar ou sobrepor decisões mesmo quando a tecnologia indica alta probabilidade. Ela critica ainda projetos que começam com a pergunta “quanto vamos economizar com a tecnologia”, defendendo governança integrada às plataformas de IA para lidar com a “dispersão” de casos de uso e reduzir riscos.
Escolher o modelo de inteligência artificial pelo tamanho pode impactar diretamente o orçamento, já que versões maiores tendem a exigir mais processamento e custam mais por uso. Para empresas que rodam milhares de solicitações por dia, usar sempre o modelo mais avançado pode virar um gasto desnecessário.
A recomendação é começar pela tarefa: perguntas simples, classificação de informações e transformações de texto podem ser feitas com modelos menores, enquanto análises com mais raciocínio, interpretação de contexto e documentos extensos podem justificar modelos mais sofisticados. A avaliação pode comparar qualidade, velocidade, erros e custo por solicitação, além de permitir o roteamento de modelos para enviar tarefas simples a versões econômicas e reservar as avançadas para casos que realmente exigem mais capacidade.
A SAP suspendeu a maior parte das viagens e das contratações no mês passado, segundo um e-mail interno obtido pela 404 Media. A medida teve exceções apenas para deslocamentos e contratações ligados a projetos de IA. Um funcionário atual da empresa afirmou que as restrições continuam em vigor e que o tema foi retomado em uma reunião global recente. A SAP também estaria distribuindo uma nova ferramenta de IA para toda a companhia, o que, na visão do funcionário, pode elevar ainda mais os custos.
O caso reforça que IA não está apenas “barateando” operações: em alguns ambientes, o gasto pode disparar e forçar controle mais rígido do uso. Para times de dev e tech, isso significa mais atenção a governança, políticas de uso de modelos e planejamento de custos (FinOps/LLMOps) antes de escalar ferramentas de IA.
