A Apple anunciou o HomeView, uma tela inteligente de 7 polegadas que reúne entretenimento, videochamadas e controle da casa inteligente. O dispositivo estreia uma nova versão da Siri com inteligência artificial e respostas personalizadas para os moradores.
O HomeView custa US$ 299 nos EUA (cerca de R$ 1.490) e chega às vendas em 13 de novembro em mercados como Estados Unidos, Canadá, Reino Unido, Austrália, Índia e Nova Zelândia, sem previsão para o Brasil no lançamento inicial. A interface ajusta brilho e informações conforme a iluminação e a distância do usuário, identifica até seis pessoas por reconhecimento facial e integra funções como chamadas FaceTime, comandos de voz e monitoramento de até nove câmeras.
A Apple anunciou a nova geração da Apple TV 4K com inteligência artificial integrada à Siri, chip A19 e suporte a som surround com quatro alto-falantes. A assistente fica mais “conversacional”, ajudando a encontrar filmes e séries por interface em tela cheia, com cartazes e recomendações ligadas ao que o usuário pede.
A Apple TV 4K também traz três microfones de longo alcance para controlar a reprodução e buscar conteúdos sem segurar o controle remoto, além de descrições de vídeos e resumos de notificações gerados por IA com processamento local via HomeKit Secure Video. No mesmo evento, o HomePod mini 2 ganhou melhorias de áudio, novas cores e suporte futuro à Siri com IA, com reconhecimento de até seis vozes e integração com Mensagens, lembretes e temporizadores.
A Apple apresentou o novo Apple TV 4K, o primeiro modelo em quatro anos, com disponibilidade a partir de sexta-feira, 13 de novembro. O aparelho traz o chip A19 e promete conectividade sem fio melhor do que a geração anterior, além de microfones integrados.
A Siri com recursos de IA será parte do lançamento, mas deve funcionar em beta nos Apple TV 4K de segunda geração e nos modelos mais novos. O novo Find My de rastreamento funciona com o controle Siri de segunda geração e mais recentes, enquanto o preço do lançamento é de US$ 299.
A Samsung começou a liberar a One UI 9.0, baseada no Android 17, para celulares Galaxy S25 no Brasil. A atualização já pode ser instalada em aparelhos compatíveis e inclui novidades de inteligência artificial, ferramentas de segurança e mudanças na interface do sistema.
A distribuição começou em 6 de outubro e, em um Galaxy S25 verificado pelo Canaltech, o pacote tem cerca de 3,6 GB e inclui o pacote de segurança de setembro de 2026. Para atualizar, basta ir em Configurações > Atualização de software > Baixar e instalar, com recomendação de usar Wi‑Fi estável, manter pelo menos 50% de bateria e fazer backup antes do procedimento.
Um playbook de platform engineering para produção de LLMs descreve como uma camada de infraestrutura pode reduzir alucinações sem trocar o modelo base. Em um sistema de recomendação de inventário para uma grande organização do varejo, a taxa de respostas alucinatórias caiu de cerca de 15% para 1,5% ao usar um loop automatizado de retry que captura erros de formatação, grounding e infraestrutura durante a execução.
A abordagem também inclui um gate de validação de intenção que retorna “unclassified” em vez de seguir o agente com maior pontuação, evitando alucinações fora do objetivo e melhorando o roteamento em sistemas multiagente. O texto ainda destaca práticas como registrar prompts com histórico para atualizar ou reverter instruções em runtime, aplicar autorização de ferramentas com política default-deny no servidor de recursos e instrumentar taxas de alucinação e custos de tokens na entrada das requisições.
GPTZero, Originality.ai e Turnitin analisam padrões estatísticos da escrita para estimar se um texto pode ter sido produzido por modelos de linguagem. Eles tendem a funcionar melhor em textos longos e pouco editados, mas podem errar em textos humanos formais e em conteúdos revisados. Mesmo quando exibem percentuais como “80% IA”, o número não indica quanto do texto foi gerado nem a chance de o autor ter usado ferramentas como ChatGPT.
Em julho de 2023, a OpenAI reconheceu limites desse tipo de método ao desativar seu classificador, após constatar baixa taxa de acerto e falsos positivos. Órgãos como o NIST alertam que interpretar a pontuação como probabilidade direta leva a erros, e estudos-piloto mostram que diferentes detectores podem ser enganados por variações de modelos e prompts. A recomendação é tratar os resultados como ponto de partida e reunir outras evidências, já que detecção de IA não equivale a detecção de plágio.
Pedir à inteligência artificial um livro parecido com o último romance lido virou um uso comum de chatbots, que devolvem listas de títulos com justificativas em poucos segundos. No Reino Unido, livreiros de lojas independentes relatam que clientes chegam com recomendações geradas no celular e reclamam quando as sugestões se repetem para pessoas diferentes.
A confiabilidade dessas recomendações também já gerou casos como uma lista publicada em maio de 2025 pelo Chicago Sun-Times com 15 recomendações para o verão em que dez obras não existiam, atribuídas a autores reais. Mesmo quando os livros existem, profissionais apontam limitações como foco no que já vende bem e menor visibilidade para editoras menores e autores estreantes, enquanto bibliotecas públicas na Coreia do Sul usam quiosques com tecnologia de empresas como a Flybook e planejam um agente de IA para indicar obras por perfil de leitura.
A OpenAI anunciou a aposentadoria dos GPTs personalizados em todas as versões do ChatGPT, incluindo planos gratuitos, Plus e Enterprise. A mudança faz parte de uma transição para uma arquitetura baseada em plugins, que reúne instruções, arquivos de referência e aplicativos conectados em uma estrutura única.
Os GPTs ainda podem ser usados e editados no momento, mas a empresa definiu prazos para encerrar a criação de novos modelos e o acesso aos existentes. Para contas pessoais, a recomendação é organizar instruções e arquivos em Projetos ou plugins, enquanto usuários corporativos terão uma ferramenta específica de migração; após a migração, o GPT original fica em modo somente leitura até a data de aposentadoria.
Ataques impulsionados por inteligência artificial estão acelerando a criação de exploits, enquanto o tempo para explorá-los diminui e a descoberta de vulnerabilidades ganha velocidade. Com isso, cresce a distância entre o que as equipes de segurança conseguem identificar e o que conseguem investigar e corrigir de forma efetiva.
O texto destaca que “severidade” não é “risco”: uma mesma CVE pode representar ameaças muito diferentes dependendo de exposição, execução de código e caminhos de ataque. Para reduzir esse descompasso, a recomendação é trocar a pergunta “quantas CVEs temos?” por “quais geram risco relevante no ambiente”, com processos mais contínuos e automatizados, além de foco em reduzir a superfície antes do deploy e escanear o que realmente está rodando em produção.
Um estudo do NetLab (UFRJ) mapeou o fluxo de desinformação até chegar ao grande público durante o primeiro turno das eleições de 2022, analisando 115,3 mil mensagens no WhatsApp e 180,9 mil no Telegram. As narrativas costumam nascer em canais menores e grupos de mobilização e, quando ganham tração, são adaptadas para redes como Instagram, TikTok, Kwai e Facebook, onde atuam recomendação algorítmica, influenciadores e impulsionamento pago.
No centro do alcance está o vídeo curto, apontado como o formato mais “viralizável” para catalisar a desinformação. Com a popularização da IA generativa, o impacto dos deepfakes cresce: um relatório da ANPD indica que o Brasil concentra 39% dos casos na América Latina em 2025 e registra aumento de 126% nos ataques com imagens, vozes e identidades falsas, ampliando o desafio de transparência e fiscalização das plataformas.
O avanço das interfaces de inteligência artificial generativa está deslocando a descoberta de produtos da busca tradicional para recomendações sintetizadas em tempo real. Levantamentos do setor apontam um salto de 200% no uso da busca agêntica como primeiro passo da jornada de compra em apenas um ano, e dados da Gartner indicam que respostas diretas por IA devem reduzir o volume de pesquisas na web tradicional.
Com isso, varejistas enfrentam a “elegibilidade algorítmica”: para aparecer quando o consumidor pedir uma recomendação, a marca precisa manter catálogo, preço, estoque, políticas e especificações bem estruturados e atualizados para os sistemas de IA. O estudo com executivos C-level citado no texto mostra que 98% dos líderes temem perder visibilidade, enquanto 63% acreditam que agentes inteligentes terão influência decisiva nas compras mediadas por IA.
Agentes de coding com inteligência artificial passaram a investigar código-fonte, arquivos de configuração, saída do terminal e mensagens de erro para entender projetos e propor correções. Esse acesso a contexto, porém, aumenta o risco de vazamento de credenciais quando o agente lê arquivos locais ou recebe conteúdo colado que acaba sendo enviado a um serviço de IA.
O problema é que, em fluxos agentic, um secret pode escapar antes de commit, code review ou CI, e depois aparecer em logs do provedor do modelo, telemetria de gateways, históricos de prompts ou registros de depuração. A recomendação é tratar o “contexto do agente” como uma superfície de saída e aplicar detecção de secrets determinística e em camadas, independente do modelo, bloqueando ou redigindo credenciais antes da transmissão.
Uma arquitetura “governance-first” para personalização em empresas propõe que regras de consentimento, fadiga, sensibilidade do canal, custo e explicabilidade façam parte do caminho de decisão antes de a recomendação ser entregue ao usuário. O modelo pode gerar candidatos, mas políticas selecionam como a inferência acontece e podem mostrar, suavizar, atrasar, suprimir ou usar fallback genérico.
O desenho também inclui memória de jornada entre sessões para que a mesma oferta mude conforme estágio, confiança e fadiga evoluem, além de explicações integradas ao contrato da API. A implementação de referência usa FastAPI, políticas externas em YAML, pontuação modular e escalonamento opcional para LLM, com o objetivo de tornar decisões rastreáveis e auditáveis no ambiente de produção.
Mulheres usam inteligência artificial no trabalho 22% menos do que homens, segundo dados da Lean In após uma pesquisa com mais de 1.000 americanos. O levantamento indica que a diferença não está ligada a uma lacuna de habilidades, mas a menos incentivo de gestores e menor acesso a treinamento.
O estudo Global Evidence on Gender Gaps and Generative AI Over Time também aponta o “AI competence penalty”: engenheiras que usam IA podem ser avaliadas como 13% menos competentes por colegas, enquanto o impacto para homens é de 6%. Para reduzir o risco de virar uma “lacuna de carreira”, a recomendação é medir a adoção de forma direta e corrigir incentivos, reconhecimento e critérios de avaliação ligados ao uso de IA.
Um guia propõe duas regras para usar modelos de linguagem (LLMs) como revisores de texto, sem “pasteurizar” a escrita. A recomendação é escrever primeiro por conta própria e, depois, pedir a um modelo para identificar falhas. O texto alerta que leitores tendem a perceber quando o resultado parece “output” de IA, mesmo após tentativas de humanização.
As regras centrais dizem para não usar nenhuma palavra ou expressão que o LLM sugira e para evitar qualquer tipo de incentivo do modelo. Em vez de aceitar elogios sobre estrutura e escolhas, o guia orienta a tratar o modelo como ferramenta para apontar problemas — como excesso de voz passiva, repetições e palavras de reforço — e aplicar correções em passes, com reescritas e comparação cuidadosa.
O Dia do Cliente, comemorado em 15 de setembro, ganhou mais destaque nos últimos anos com a adoção de novas tecnologias, incluindo inteligência artificial, na jornada de compra. A data também é usada para aquecer as vendas do comércio com promoções e ações específicas. Com ferramentas digitais, a pesquisa de preços e a comparação de produtos passam a acontecer com mais apoio de sistemas inteligentes.
Especialistas apontam que a competição deixa de ser apenas por cliques em buscadores e passa a ser por relevância nas respostas geradas por modelos de IA. Para aparecer nessas recomendações, empresas precisam garantir presença digital consistente e confiável, além de manter dados atualizados, já que agentes de IA podem descartar lojas com informações desatualizadas. A discussão inclui ainda o papel do Open Finance para permitir que a IA, com autorização do usuário e regras de segurança, acesse informações financeiras e avance da recomendação para ações automatizadas.
A Apple liberou o iOS 27 nesta segunda-feira (14) para iPhones compatíveis, com atualização gratuita. A instalação do sistema não garante acesso a todos os recursos: as funções de Apple Intelligence, incluindo a nova Siri com IA, ficam restritas ao iPhone 15 Pro e aos modelos lançados depois dele.
Quem tem iPhone 11, 12, 13, 14 ou a versão padrão do iPhone 15 recebe o iOS 27, mas sem os recursos mais avançados de inteligência artificial. Para esses modelos, a atualização traz principalmente correções de segurança, ajustes de desempenho e melhorias de interface, e a recomendação é fazer backup antes de instalar.
O LinkedIn detalhou a infraestrutura de treinamento por trás da busca de empregos com IA, com uma pipeline de multi-teacher distillation que comprime conhecimento de modelos grandes em um modelo de ranking com 0,6B de parâmetros. A empresa destaca que o ganho de velocidade vem principalmente do trabalho de sistemas: um framework customizado sobre SGLang serve os modelos teacher diretamente no loop de treinamento.
No processo, o LinkedIn criou a Online Multi-teacher Distillation, em que um cliente assíncrono consulta os teachers durante o treino e usa as saídas para compor as perdas de distilação; ao escalar com réplicas locais, a distilação ficou 3x mais rápida. Para reduzir custos e evitar cálculos repetidos, a empresa também usa a Offline Multi-teacher Distillation, pré-computando as saídas dos teachers e reutilizando-as no treinamento, além de otimizações como LiGer, multi-node training, FSDP2 e clusters H200, que somam um speedup de cerca de 8x.
Larridin reuniu um playbook para reduzir custos de coding com IA sem travar o trabalho das equipes. A empresa afirma que caps de orçamento não resolvem: em um caso citado com a Coinbase, 91% dos engenheiros nunca atingiram os limites, e os tetos atrapalharam mais quem era menos produtivo.
O guia destaca que cache de prompt é o ponto-chave para cortar gastos, com recomendação de usar cache de 1 hora em vez de 5 minutos para evitar expirar durante pausas, code reviews e execuções de CI. A proposta também inclui medir leituras e escritas do cache, acompanhar custo por unidade de trabalho entregue e usar um gateway/roteador para impor políticas de cache e rastrear gastos por pessoa e ferramenta, com estimativa de corte de 10% a 15% em contas enterprise de Claude.
O gasto com inteligência artificial no setor de tecnologia saltou de cerca de US$ 1.500 para US$ 44.000 no intervalo de 12 meses, um aumento de quase 28 vezes, segundo o DX’s State of AI Impact in Engineering Report. Apesar do salto nos investimentos, a parcela do trabalho de engenharia dedicada a novas features permaneceu em torno de 58%, indicando que a capacidade extra gerada por IA não está virando inovação.
O levantamento também aponta que apenas 6% dos executivos conseguem identificar o ROI de IA, enquanto 90% das organizações já pagam por modelos de IA, com uso que sai da experimentação. A recomendação é acompanhar o “innovation ratio” e reinvestir a capacidade liberada em descoberta, experimentação, redução de dívida técnica e novos produtos, evitando que o ganho seja absorvido por gargalos e overhead do processo.
A Coca-Cola está usando inteligência artificial para recomendar quais produtos varejistas na Malásia devem pedir e em quais quantidades pela plataforma Coke Buddy. A função “Perfect Basket” utiliza o Central Recommendation Engine para analisar pedidos anteriores, frequência de compra, sazonalidade, clima e padrões de consumo de negócios semelhantes.
O Perfect Basket sugere itens e quantidades antes de o varejista finalizar o pedido no app, site ou WhatsApp, mantendo o controle sobre a compra. A empresa informou que a plataforma já atende cerca de 39.000 pontos de venda no país e que, na campanha “Perfect Basket, Perfect Ride” (jan–abr/2026), 83% dos participantes adotaram as recomendações, com aumento de receita para quem seguiu os sugestões, sem detalhar o tamanho do ganho.
Zhou Yu, cofundador da Arklex AI e professor na Columbia University, defende que a maioria dos agentes de IA ainda fica presa em demos e não entrega valor real em produção. Ele apresenta uma abordagem baseada em simulações para testar e melhorar agentes, com foco em como levar modelos para ambientes que executam tarefas de verdade.
O conteúdo destaca exemplos de agentes conversacionais e voice agents, citando shopping agents como Sparky (Walmart) e Rufus (Amazon), além de um fluxo de atendimento por voz para recomendação e solicitação de cartão. A proposta é usar simulações para avaliar o comportamento desses agentes com ferramentas e ações, reduzindo a distância entre demonstrações e uso prático.
A Meta tentou reduzir equipes de engenharia com a adoção de “AI pods” — grupos menores de 3 a 5 pessoas apoiados por ferramentas e agentes de IA. Em um dos resultados divulgados, as mudanças de código nas plataformas internas teriam subido 220% ano a ano, mas o avanço em recursos entregues aos usuários cresceu apenas 36%. Ao mesmo tempo, incidentes técnicos e de segurança aumentaram 40%, e o tempo gasto pelos funcionários apagando “incêndios” subiu 70%.
Em uma análise com mais de 500 organizações, a taxa de pull requests teria aumentado 37% ao longo de quatro trimestres, enquanto o Developer Experience Index caiu de 67 para 65. A conclusão é que produzir mais código não garante mais valor, já que revisões, testes, deploy e operação podem virar gargalos. A recomendação é que o “right-sizing” de equipes (em geral, de 5 a 8 pessoas) seja feito por último, com experimentos incrementais de baixo risco para identificar tarefas que podem ser delegadas a agentes de IA.
A Meta fechou um acordo legal de cerca de US$ 18 bilhões que impõe mudanças no Facebook e no Instagram para proteger usuários menores de 18 anos. O acordo, aprovado por um juiz federal em 26 de agosto de 2026, inclui limite padrão de duas horas diárias combinadas entre as duas plataformas, restrições de uso entre meia-noite e 6h, controles mais rígidos nas notificações e verificações de idade mais rigorosas, com auditoria independente para acompanhar o cumprimento.
A disputa vai além do valor do acordo ao colocar sob escrutínio como as plataformas são projetadas, incluindo algoritmos de recomendação e recursos de rolagem infinita que buscam prender a atenção. Com tribunais e reguladores testando a responsabilização das empresas por elementos do produto, as restrições podem afetar o modelo de negócio baseado em atenção e pressionar concorrentes a adotar salvaguardas semelhantes.
Uma estrutura simples de prompt pode orientar a IA e reduzir rodadas de ajustes nas respostas. Em vez de pedidos genéricos como “faça um texto sobre marketing”, a recomendação é definir quatro elementos: papel (a função que a IA deve assumir), tarefa (a ação principal), contexto (dados, público, objetivos e restrições) e formato (como o conteúdo deve ser organizado).
A lógica vale tanto para demandas profissionais quanto para situações do dia a dia. Ao incluir perspectiva, objetivo e formato, o comando diminui ambiguidades e facilita que a ferramenta entregue exatamente o que o usuário espera, mesmo que a primeira resposta ainda possa precisar de pequenas correções.
IA passou a atuar como apoio para decisões técnicas e revisões de design, e não como ferramenta para acelerar a codificação. Ao iniciar um ADR (Architecture Decision Record), a abordagem mudou: a liderança descreve o contexto de forma informal, deixa a IA rascunhar algo imperfeito e usa a discordância para tornar o raciocínio mais claro.
Um estudo da METR apontou que desenvolvedores levaram 19% mais tempo com IA, mas relataram sensação de 20% mais rapidez; a recomendação é medir melhorias reais e não apenas a percepção. Na prática, a preparação para design reviews passou a focar nas partes menos compreendidas, permitindo formular perguntas precisas e revisar suposições antes que virem implementação.
Plataformas de tecnologia passaram a criar mecanismos para que usuários denunciem conteúdos feitos com inteligência artificial ou para que a publicação traga indicadores mais claros de autoria. O LinkedIn, por exemplo, passou a exibir um botão em português chamado “Parece lixo de IA” e afirma estar aprimorando classificadores para reduzir esse tipo de conteúdo nas recomendações.
A Substack anunciou uma ferramenta que estima, em porcentagem, quanto de um texto foi escrito por IA, em parceria com o Pangram. Já o YouTube retirou a monetização de vídeos genéricos com histórias repetitivas geradas por IA, enquanto Snapchat e outras redes adotaram regras de transparência e recomendação para conteúdos produzidos ou editados com IA.
Ao abrir o Instagram e ver um post de um político, depois entrar no Facebook e encontrar um vídeo do mesmo candidato e, no TikTok, ver novamente conteúdos parecidos, a diferença de exibição costuma estar nos algoritmos. Esses sistemas identificam interesses de cada usuário e entregam conteúdo personalizado, levando em conta sinais como tempo de visualização, curtidas, compartilhamentos, perfis seguidos e pesquisas feitas dentro da rede.
A recomendação também pode aumentar o alcance quando uma publicação tem potencial de interessar mais pessoas, elevando as chances de viralizar. A principal crítica é a falta de transparência sobre quais abordagens o algoritmo usa e se há viés na entrega; especialistas destacam ainda que, embora não escolham governantes, esses sistemas podem influenciar quais informações chegam ao eleitor, inclusive com impulsionamento pago durante o período oficial de campanha.
Muita gente monta sistemas RAG de forma “over-engineered”, indo direto para embeddings, bases vetoriais e pipelines de reranking, mas o texto defende que o ponto de partida pode ser mais direto. A recomendação é escolher a abordagem conforme necessidades como atualização dos dados, características do corpus, padrões de consulta, escala de uso e capacidade do time.
O guia sugere começar pelo “MVP” com busca full-text usando BM25 (como Elasticsearch ou Postgres full-text search) quando as consultas são mais baseadas em palavras-chave e a prioridade é evitar complexidade de ML. Para consultas conversacionais ou com vocabulário desalinhado, a proposta é usar um LLM para reescrever a pergunta em uma busca keyword, e, quando fizer sentido, evoluir para busca híbrida combinando BM25 para candidatos e embeddings para reranking.
Usuários que baixam modelos locais, inclusive versões quantizadas, podem ter a impressão de que o LLM “fica pior” do que o esperado. O texto explica que cada combinação de hardware e software executa a inferência de forma diferente, alterando como as probabilidades do próximo token são calculadas e convertidas em texto durante o decode.
A recomendação é medir o desempenho com benchmarks que representem o uso real, evitando testes curtos e zero-shot com poucos prompts. Também é destacada a cautela com alegações de baixa KLD em cards de modelos quantizados, já que interpretar esses números depende de detalhes como ambiente de execução, checkpoints de referência e metodologia completa.
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 interface web do Claude (claude.ai) e os apps móveis usam um system prompt para iniciar cada conversa com informações atualizadas, como a data corrente. O prompt também orienta comportamentos específicos, incluindo a recomendação de fornecer trechos de código em Markdown. Esse system prompt é atualizado periodicamente para melhorar as respostas do assistente.
As atualizações do system prompt não se aplicam à API do Claude. A documentação também indica que, a partir da geração Claude 4.6, cada ID de modelo passa a ser um snapshot fixo, com uma única entrada na página de versões.
A DoorDash está avançando de previsões pontuais para uma plataforma de recomendações mais “agentic”, com foco em contexto do consumidor em escala. Em apresentação no QCon AI, Sudeep Das, Head de Machine Learning & AI para New Business Verticals, descreveu o uso de uma memória nativa de linguagem para reter preferências e informações relevantes do usuário.
A empresa também citou o uso de RQ-VAE semantic IDs para representar o catálogo e uma busca “grounded” para melhorar a aderência das recomendações. O objetivo é elevar métricas de relevância e conversão, apoiando sistemas de personalização e busca em áreas como grocery, conveniência, álcool e varejo.
:quality(85)/84926d77-53de-4b20-94a1-d78cce54dc3f.png)
:quality(85)/3a12ef79-6a76-4842-b97f-7e9742989807.png)
:quality(85)/fc040d26-4528-412f-8f01-0695e9b4e7ec.png)
:quality(85)/ea237df9-8e23-4fd5-a7dc-05b965054b36.jpeg)
/https://i.s3.glbimg.com/v1/AUTH_59edd422c0c84a879bd37670ae4f538a/internal_photos/bs/2026/S/B/gFLZVXQ2Ak1gjw5uAOXg/instagram-tiktok-1-redimensionado-para-1200x676.jpeg)
/https://i.s3.glbimg.com/v1/AUTH_59edd422c0c84a879bd37670ae4f538a/internal_photos/bs/2026/B/C/mvYNPuSbG4MOwky3bV8w/whatsapp-image-2026-08-10-at-08.37.20.jpeg)
/https://i.s3.glbimg.com/v1/AUTH_59edd422c0c84a879bd37670ae4f538a/internal_photos/bs/2026/e/I/JAke60StyIAJZBI3QBsw/presidente.png)
