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 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.
O criador do Zig, Andrew Kelley, detalhou em entrevista ao JetBrains por que o projeto adotou uma proibição formal a contribuições com IA e decidiu migrar o repositório do GitHub para o Codeberg. Kelley afirma que submissões automatizadas tendem a reduzir a qualidade do código, além de consumir tempo de revisão e enfraquecer o aprendizado de quem contribui.
A migração também foi motivada por falhas persistentes de CI no GitHub Actions, que deixaram o pipeline sem resultados. Com o Codeberg, o servidor de integração contínua voltou a funcionar, e o projeto busca uma melhor estabilidade alinhada a incentivos de uma organização sem fins lucrativos.
A AWS publicou uma implementação de referência para testar agentes de IA via GitHub Actions, permitindo que desenvolvedores rodem avaliações automatizadas dentro de pipelines de CI/CD. O fluxo pode falhar uma etapa de avaliação quando as pontuações do agente ficarem abaixo de um limite configurado, impedindo o merge ao configurar o job como check obrigatório.
A solução usa Amazon Bedrock AgentCore Evaluations para avaliar o agente após mudanças no código, no system prompt, no modelo ou na configuração de ferramentas. No exemplo, a AWS implanta o agente em um ambiente de desenvolvimento, o invoca com prompts de teste, analisa traces via OpenTelemetry/CloudWatch e aplica avaliadores como GoalSuccessRate, Correctness, ToolSelectionAccuracy e ToolParameterAccuracy, com limiar de 0,8 para reprovar resultados.
