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.
Pesquisadores da University of New South Wales (UNSW) testaram ferramentas de AI-coding com estudantes de ciência da computação em três tarefas iniciais de programação em C. O grupo que usou ChatGPT-4.5 obteve 89% de acerto, contra 69% no grupo que usou busca tradicional. Porém, ao medir o que realmente foi retido, a pontuação caiu para 41% imediatamente depois, frente a 53% sem IA, e ficou em 39% após dois dias, contra 52%.
Os próprios participantes indicaram o motivo: quem usou ChatGPT estimou que apenas 45% do código submetido era realmente “deles”, enquanto o grupo com busca convencional apontou 81%. Para lidar com o problema, a proposta citada é ajustar programas de formação, com pareamento de juniores com seniors e treinamento para revisar e “policiar” o que a ferramenta gera, evitando confundir quantidade de código com qualidade e entendimento.
Ferramentas de IA estão mudando o desenvolvimento de software e exigindo que engenheiros foquem mais em arquitetura, revisão e entendimento de requisitos com ambiguidade. Com a capacidade crescente de gerar código, equipes também enfrentam risco de sobrecarga e necessidade de validar o que foi produzido.
No podcast, Erin Doyle defende que a adoção de IA depende de um ambiente de trabalho seguro e sem julgamentos, onde o time consiga compartilhar sucessos e falhas, pedir ajuda e manter ceticismo. Ela também aponta falta de um plano para treinar engenheiros juniores, além da urgência de criar ferramentas avançadas de verificação e telemetria, com responsabilidade total de desenvolvedores e organizações sobre a saída gerada por IA.
Em 2025, o autor tentou usar um LLM para acelerar a programação em Rust e obteve código que nem compilava. Em janeiro de 2026, a abordagem funcionou melhor: o modelo conseguiu implementar uma classe complexa e ainda apontou um bug ligado ao polling crate e à implementação Windows IOCP. Mesmo assim, a qualidade do código continuou baixa, com estrutura ruim e falta de comentários.
Em março de 2026, o uso de IDEs com agentes (como Antigravity e o plugin Claude Code no VS Code) permitiu iterar sobre o código “staged” e revisar com sugestões de boas práticas, elevando a qualidade para algo próximo do que ele faria manualmente. Para reduzir retrabalho, ele passou a usar um arquivo agent.md carregado pelo coding harness, com regras de estilo e critérios de revisão, e relata que também é possível pedir ao agente para atualizar esse arquivo quando surgem novas preferências.
O GitHub lançou o Code Quality em disponibilidade geral no GitHub Enterprise Cloud e no GitHub Team, combinando análises do CodeQL com detecção assistida por IA de problemas de manutenibilidade e confiabilidade. A ferramenta usa o Copilot Autofix para sugerir mudanças que passam por revisão em pull requests, enquanto no branch padrão identifica “quality debt” já existente no repositório.
A atualização inclui habilitação em nível de organização, dashboards com scores de manutenibilidade e confiabilidade, métricas de cobertura de testes e rulesets para quality gates, com modo evaluate para uma adoção gradual. O serviço é pago à parte, com preço base de US$ 10 por committer ativo por mês, e o GitHub afirma que 67,3% dos achados levantados na própria engenharia são resolvidos antes da mesclagem dos pull requests.
