Pesquisadores de segurança alertam que conteúdo sexual explícito gerado por IA sem consentimento segue se espalhando sem controle, com compartilhamento em mensagens diretas e armazenamento em nuvens privadas, o que dificulta detecção e denúncia. Um estudo coautorado pela Google com usuários da internet nos Estados Unidos, Austrália e Reino Unido, publicado em julho, aponta que o ponto de intervenção mais crítico está na origem das ferramentas usadas para criar as imagens falsas.
Em testes recentes, pesquisadores do White Circle afirmam que guardrails de geradores de imagens de texto de Google e OpenAI podem estar falhando à medida que os modelos ficam mais capazes. Um preprint divulgado no mês passado descreve vulnerabilidades em DALL·E 3, Nano Banana 2 e GPT-Image-2, com a equipe dizendo que, usando ferramentas disponíveis publicamente e chamadas via API, conseguiu gerar conteúdo explícito cerca de 13% das vezes.
O Wellhub revelou o Panorama do Bem-Estar Corporativo 2027 e indica que a adoção de inteligência artificial pode aumentar a carga de trabalho para quem já domina a tecnologia. No Brasil, 37% dos trabalhadores “avançados em IA” relatam que o uso da ferramenta elevou o volume de tarefas, ante 13% entre quem está nos primeiros estágios de adoção. O levantamento também mostra que, no recorte brasileiro, oito em cada dez usuários avançados orientam outras pessoas sobre as ferramentas.
Os dados ainda apontam diferenças nos relatos de esgotamento: 23% dos profissionais mais avançados dizem ter sintomas de burnout diariamente, contra 11% dos iniciantes. A pesquisa destaca que políticas claras e bem comunicadas sobre IA se associam a maior resiliência, e que 75% dos usuários avançados citam recursos de bem-estar como apoio para se adaptar ao ambiente impulsionado pela tecnologia. O estudo foi conduzido entre 12 e 19 de junho de 2026 com mais de 5 mil profissionais em dez países.
O pendant Friend 2, chatbot em formato de pingente sempre “listening”, chegou em julho custando US$ 249 e usa os “latest language models” da OpenAI. O dispositivo responde a comandos e também pode falar sem ser provocado, com um recurso de “silenciar” que exige toques no aparelho.
A Avi Schiffmann, criadora do Friend, afirmou que a próxima atualização vai tornar os chatbots mais “agentically” e mudar a personalização: em vez de personalidades únicas por usuário, todos conversariam com a mesma entidade, compartilhando contexto entre usuários. A proposta aponta para um “hivemind” do Friend, com mudanças que devem afetar como o sistema se comporta e como a privacidade é tratada.
A Workday colocou a Sana, seu assistente de IA, como a nova “home screen” para módulos de RH, finanças e TI. Na demonstração, a interface é montada dinamicamente: ao pedir informações como valor do pagamento, o sistema exibe um cartão com o montante oculto até um clique; ao solicitar folga, aparece um seletor de datas com o restante do formulário preenchido pela assistente.
A construção usa o Jev, modelo de decisão da TypeSafe, para escolher componentes atômicos do design system em vez de gerar a interface inteira. A empresa afirma que o Jev responde em 70 a 500 milissegundos, e que a lógica de seleção não é codificada pelo time, com a necessidade de acertar também o pré-carregamento de dados para que elementos apareçam em tempo real durante a interação.
A TypeSafe, desenvolvedora do modelo de IA Jev, levantou US$ 870 milhões em uma rodada que colocou a empresa em uma avaliação de US$ 7,5 bilhões. O aporte foi liderado pela Andreessen Horowitz, com participação da Sequoia e do investidor DCVC.
O Jev ganhou popularidade rapidamente após seu lançamento em 15 de setembro e, segundo a startup, já é usado por um terço das empresas da Fortune 500. O modelo usa arquitetura transformer, mas não gera texto como um LLM: ele produz probabilidades, chamadas de “calibrated decisions”, com a promessa de operar mais rápido e usar menos tokens, com foco em automação de tarefas.
A Typesafe AI levantou uma rodada Série A de US$ 870 milhões, liderada pela Andreessen Horowitz, com participação da Sequoia Capital e do investidor existente DCVC. A empresa também contou com a entrada de anjos investidores, e a operação ocorre com valuation de US$ 7,5 bilhões.
A Typesafe AI informou que Martin Casado vai integrar o conselho. Com o aporte, a companhia diz que pretende ampliar modelos “machine-native” e reforçar a infraestrutura para construir software inteligente, além de adicionar recursos voltados a empresas e afirmar que parte do Fortune 500 já usa o Jev.
A Musubi anunciou o PolicyLM-1.7B, um modelo leve de decision model para moderação de conteúdo em tempo real, lançado com pesos abertos. A proposta é aplicar políticas escritas em linguagem natural a mensagens em menos de 50 milissegundos, com foco em custo e velocidade semelhantes aos classificadores usados por plataformas sociais.
O PolicyLM-1.7B foi desenhado para lidar com políticas complexas sem exigir novo treinamento quando as regras mudarem, permitindo que equipes humanas iterem a moderação. A empresa também posiciona o modelo como uma forma de rotular conteúdo de maneira escalável e customizável, em um contexto de crescente interesse por decision models após o Jev da TypeSafe AI e iniciativas de OpenAI e Amazon.
A Cloudflare lançou dois modelos de decisão, Clef e Clef-flash, treinados pela empresa e hospedados no Workers AI. A proposta é entregar saídas estruturadas e tipadas de forma determinística, para serem usadas em fluxos que exigem decisões programáticas, com compatibilidade via Jev-API. A empresa também disponibilizou os modelos no Hugging Face sob licença Apache 2.0 para rodar localmente.
Além do uso direto nos modelos hospedados, a Cloudflare anunciou um produto de reinforcement learning (RL) para permitir que clientes façam fine-tuning do Clef para seus casos de uso. Em testes internos com Threat Intelligence, a classificação de domínios levou 2,2s usando Clef, enquanto um LLM geral (gpt-oss-120b) levou 4,7s e retornou apenas duas classificações, com a empresa destacando ganhos de latência e mais resultados para decisões rápidas.
A OpenAI anunciou no DevDay uma Decisions API voltada a modelos de decisão, com respostas pré-definidas e “confidence scores” em vez de formato de chat. A API é baseada no modelo Luna, descrito como o menor e mais acessível da linha atual, e está disponível em preview limitado, com lançamento amplo previsto para os próximos dias.
A empresa afirma que a API retorna resultados em 150 milissegundos, enquanto o GPT-6 Luna levaria 1,6 segundo, e diz que o desenvolvedor precisa fornecer perguntas, respostas e contexto. A OpenAI também destaca que esse tipo de modelo pode ser útil para classificação, roteamento de requisições e para escolher a próxima ação de um agente entre opções limitadas, mas ainda não detalhou custos por chamada, quantidade de respostas candidatas e possibilidade de ajuste pelos desenvolvedores.
Um wrapper “Jev-like” para LLMs usa um truque para ler as probabilidades de tokens do modelo e escolher respostas por alternativas. A técnica força a geração de apenas um token (por exemplo, a letra da melhor opção) e adiciona parâmetros como logprobs e top_logprobs para que a API devolva as probabilidades das opções consideradas.
O método também funciona com modelos de visão: o formato permite anexar imagens (como frames de webcam em base64) e fazer perguntas como “há uma pessoa visível?”, “estamos em ambiente interno ou externo?” e “quão brilhante está a cena?”. Em testes, o autor relata cerca de 1 FPS com Gemma 4 12B em uma RTX 3090 e por volta de 0,2 FPS com gpt-6-luna, destacando a flexibilidade de descrever condições em texto.
O Jevmem foi lançado como uma “automatic project memory” para o Claude Code, com suporte também para Cursor e Codex. A ferramenta registra automaticamente decisões, restrições, bugs e todos das conversas em um arquivo JEVMEM.md, marcando linhas antigas como [superseded] em vez de apagá-las quando o usuário muda de ideia.
Na próxima sessão, as linhas relevantes voltam para o contexto do Claude. O Jevmem usa Postgres 16 como armazenamento principal (com SQLite em cenários de carga), permite configurar políticas em jevmem.config.json e inclui etapas de segurança como “scrub” de credenciais e auditoria em CI para bloquear instruções potencialmente maliciosas.
A TypeSafe AI lançou o Jev, um modelo de inteligência artificial voltado para automatizar decisões a partir de dados corporativos. Diferente de assistentes conversacionais, a ferramenta não gera textos nem responde em linguagem natural: ela devolve respostas estruturadas para integração com outros softwares.
O Jev opera com saídas em formatos predefinidos e usa aprendizado por reforço para otimizar escolhas diretas, reduzindo erros de formatação e evitando alucinações. A proposta mira tarefas repetitivas e de alto volume, como classificação de chamados, análise preliminar de risco em seguros, verificação de fraude e roteamento de documentos entre setores, mudando o papel das equipes para supervisão e validação de critérios automatizados.
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.
