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.
Agentes pessoais de IA estão cada vez mais realizando transações em nome dos usuários, mas a natureza não determinística dos modelos de linguagem pode levar a compras fora do que foi solicitado. Para reduzir esse risco, a American Express está lançando o “Intent Intelligence Framework”, voltado a capturar e autenticar a intenção de compra do cliente antes de um agente concluir a transação.
O framework começa com uma Create Intent API para registrar as instruções do cliente e restrições como nome do comerciante, orçamento máximo e preferências de produto. Depois, o cliente autentica e aprova a intenção, gerando um Intent ID e um Proof of Intent Token usados para obter uma credencial digital de pagamento segura para o checkout, sem usar o número real do cartão. A Amex também diz que o Intent ID e o token podem ajudar em etapas como prevenção de fraude e resolução de disputas, e que o lançamento se conecta ao ACE Developer Toolkit, lançado em abril.
A Microsoft anunciou a terceira geração do chip de IA Maia, o Maia 300, com foco em atuar como “principal sistema de inferência” para produtos e serviços da empresa. O chip foi projetado para melhorar custo e eficiência na nuvem e para lidar melhor com modelos de raciocínio e tarefas agentic (orientadas por objetivos).
O Maia 300 começa a ser distribuído para cargas de trabalho de produção em 2027. A Microsoft espera entregar 40% mais tokens por megawatt do que sistemas líderes baseados em GPUs e, em uma configuração com 96 aceleradores, até 7x mais throughput em nível de rack do que o Maia 200, que já roda em produção em serviços como Microsoft Copilot e GitHub Copilot.
A evolução da inteligência artificial nas empresas está levando do modelo reativo de perguntas e respostas para a era da IA agêntica, com sistemas formados por múltiplos agentes digitais que raciocinam, consultam bancos de dados, chamam APIs externas e coordenam tarefas em segundo plano. Com isso, a infraestrutura deixa de atender apenas ao funcionamento do modelo e passa a precisar de camadas de orquestração, segurança, gerenciamento de memória, bancos de dados vetoriais, middleware e APIs.
A mudança de paradigma também altera a forma de dimensionar recursos: em vez de uma proporção histórica de 1 CPU para 4 ou 8 GPUs focadas em inferência, cenários de alta concorrência podem fazer a demanda por CPU superar a do acelerador gráfico. A avaliação de capacidade passa a considerar throughput por rack sob restrições reais de energia, conectividade de baixa latência e densidade de núcleos para evitar gargalos de latência e custos operacionais elevados.
O Kubernetes está mudando a forma de lidar com limitações de recursos para workloads de IA na borda, com destaque para o recurso node swap e para a migração do Linux cgroup v2. A equipe do Kubernetes aponta que a memória costuma ser o primeiro gargalo em clusters, e que a onda de workloads agentic pode piorar esse cenário.
No Kubernetes v1.34, o node swap chegou à disponibilidade geral e pode atuar como “shock absorber” durante picos de tráfego, com ganhos de densidade reportados de até 3x em cenários específicos com NVMe SSDs. Ao mesmo tempo, o kubelet passa a recusar iniciar em nós com cgroup v1 por padrão a partir do v1.35, e a orientação é migrar os nós para o cgroup v2 antes de atualizar.
O Google lançou o Android Bench 2.0, uma atualização do framework de benchmark para avaliar modelos de IA e agentes em tarefas de desenvolvimento para Android. A versão inclui long-horizon tasks (LHTs), que podem levar “vários dias ou até uma semana” para um engenheiro concluir, além de avaliação agentic com agentes de provedores de modelos.
O Android Bench 2.0 também muda a forma de medir desempenho: sai o pass/fail binário e entra um sistema de pontuação mais detalhado, combinando fatores como funcionalidade, fidelidade visual e prevenção de regressões, com penalidades objetivas por desvios das instruções. No dashboard, modelos como Gemini 3.8 Flash, OpenAI GPT-6, Anthropic Fable 5.1 e Qwen 3.8 Max aparecem no ranking, com o Claude Opus 5.5 liderando entre as LHTs (32% de pass rate), seguido pelo GPT 6 Astra (28%).
O avanço de agentes de IA está levando desenvolvedores a sair do papel de usuários para se tornarem “builders” de sistemas agentic, segundo Angie Jones, VP da Agentic AI Foundation. A transição envolve novas habilidades para construir, observar e depurar sistemas não determinísticos, além de orientar o desenvolvimento de capacidades agentic dentro das empresas.
A adoção do Model Context Protocol (MCP) cresce mais rápido do que a governança, e Jones defende que lideranças operacionalizem padrões internos. No AGNTCon + MCPCon Europe, David Soria Parra citou que o Claude já realizou mais de um bilhão de chamadas de ferramentas via MCP, reforçando a necessidade de controles e “control planes” para o uso e a construção de servidores MCP com estabilidade e governança neutra.
A AVEVA aponta que a IA industrial está entrando em uma nova fase com foundation models, physical AI e agentic AI, permitindo automatizar tarefas mais complexas em ambientes físicos. Como essas decisões podem afetar diretamente sistemas e infraestrutura crítica, a empresa destaca que a implantação responsável passa a ser central para manter segurança, confiabilidade e operações estáveis.
O framework de IA responsável da AVEVA enfatiza segurança, eficiência e supervisão humana, com guardrails para definir onde a automação pode agir e onde responsáveis humanos devem permanecer no controle. O debate também inclui o papel de dados para correlacionar informações de diferentes fontes em tempo real e a necessidade de novas abordagens de governança e sustentabilidade, incluindo padrões para medir o impacto ambiental da IA.
A reinvenção do time de desenvolvimento ganhou força com a adoção de coding agents e a ideia de que o trabalho pode sair do IDE e passar a ser guiado por specs e tickets. A apresentação cita as “oito etapas de agentic coding” ligadas a Steve Yegge e o avanço de plataformas de orquestração como o Gastown, além do crescimento rápido do uso de agentes no Cursor.
O cenário descrito aponta que, no Cursor, há mais requisições de agentes do que aceites de abas, com agent-driven development virando a maior parte do trabalho. A fala também reforça que, apesar da promessa de velocidade, a equipe precisa ajustar processos para manter segurança e garantir que “pessoas importam” enquanto agentes escrevem testes, fazem deploy e monitoram em produção.
A Elastic está construindo e operando agentes de IA sobre sua base de dados no Elasticsearch, incluindo ferramentas para descoberta de ataques e chatbots corporativos. Em apresentações, a principal data scientist Susan Chang detalha como a empresa usa tracing para acompanhar dados e respostas, além de criar avaliações para estimar a qualidade e evitar regressões ao mudar os agentes.
Para isso, cada equipe monta seus próprios conjuntos de dados e avaliadores, mas a Elastic busca consolidar tudo em um framework compartilhado. No caso de segurança, a empresa cita métricas como precision e recall para alert IDs, além de scores de similaridade e factualidade ligados a taxonomias como MITRE; já nos chatbots, entram métricas como relevância e completude das respostas, com cenários de consulta e recuperação.
A OpenAI lançou o Dots, descrito como resposta ao Muse, com foco em um uso voltado para negócios. O produto tem preço a partir de US$ 100 por mês e, além de permitir criar um personagem “Dot”, a comunicação inicial enfatiza tarefas como lançar websites, reagendar chamadas e montar slide decks para reuniões.
No Vergecast, o Dots é discutido junto do cenário atual de assistentes agentic, enquanto o Muse aparece como referência de uso prático. A conversa também aborda a discussão sobre confiança em IA e um acordo assinado na Casa Branca para que líderes do setor se autorregulem para impedir que modelos “saiam do trilho”.
A Uber refez partes importantes do pipeline de busca do Uber Eats e relata uma redução de 50% na latência fim a fim. As mudanças atravessam recuperação (retrieval), hidratação de features, ranking, caminho de anúncios, apresentação e infraestrutura, com uso de um fluxo de coding agentic para identificar, benchmarkar e validar otimizações adicionais.
A empresa também trocou o foco do indicador principal: em vez de medir o tempo de resposta de APIs, passou a acompanhar o Above-the-Fold completion, tempo até a primeira tela de resultados com imagens. Com paginação e cache no servidor, renderização assíncrona e ajustes como descarte de candidatos de baixo valor, embeddings de produto e separação entre hidratação de ranking e apresentação, a Uber diz ter melhorado o Above-the-Fold em mais de 200 ms e cortado etapas específicas em dezenas de milissegundos, além de redesenhar o caminho de anúncios e reduzir overhead de infraestrutura.
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.
A Progress Software anunciou novas capacidades na plataforma Progress Agentic RAG, voltada a agentes de IA e LLMs, com uma camada compartilhada de Agentic Knowledge para conectar conhecimento corporativo a experiências com IA. O pacote inclui um aplicativo nativo para Microsoft Teams, um Smart Agent para recuperação autônoma em múltiplas etapas e um plugin para WordPress para melhorar ingestão, fidelidade e governança do conteúdo.
Com a expansão do uso de agentes além do chat, a empresa destaca que equipes de engenharia costumam precisar criar lógicas de orquestração para cada sistema acessado e lidar com respostas incompletas quando o conteúdo é apenas pré-indexado. A atualização busca reduzir esse trabalho ao permitir que o Smart Agent planeje consultas, gere subperguntas, recupere informações em Knowledge Boxes, aplicações conectadas via MCP e fontes web, avaliando resultados até reunir dados suficientes, além de dar mais controle sobre como conteúdos do WordPress são indexados e atualizados.
O Postman anunciou a disponibilidade geral do Fabric Gateway, um control plane independente de protocolo para governar como agentes de IA, LLMs e servidores MCP descobrem e interagem com APIs, ferramentas e outros agentes. A proposta é permitir que organizações conectem agentes às suas APIs com controle centralizado do que eles podem descobrir, acessar e executar, evitando integrações fragmentadas.
Com o Fabric Gateway, o Postman diz que é possível rotear, governar e observar LLMs, servidores MCP, agentes e APIs internas por meio de um único gateway implantado na nuvem da própria empresa. A solução inclui registro unificado, políticas de menor privilégio, supervisão centralizada das ações e identidades dos agentes, além de recursos de confiabilidade e conformidade com autenticação, autorização, classificação e logs antes da execução.
A OpenAI anunciou o lançamento do Dots, um novo assistente pessoal agentic, no Dev Day desta terça-feira. A ferramenta é alimentada pelo GPT-6 Astra e foi descrita como um agente “sempre ativo”, capaz de executar objetivos definidos pelo usuário em segundo plano, com pouca supervisão.
O Dots começa a ficar disponível nesta terça-feira no ChatGPT para assinantes Pro e Business Premium em mercados elegíveis, com possibilidade de iniciar o agente a partir do Codex ou do próprio ChatGPT. A OpenAI também prevê uso em cenários como monitorar feedback de clientes com correções e melhorias, ou permitir que cientistas reexecutem análises, além de mensagens via Slack e Teams, com suporte por mensagem de texto chegando em breve.
A Nvidia está colocando em liberação geral o OpenShell, uma plataforma de segurança open source para conter agentes de IA enquanto eles executam tarefas. O sistema isola a atividade dos agentes no kernel do sistema operacional e busca adicionar controles de privacidade e segurança para tornar agentes autônomos mais confiáveis.
A empresa também ampliou a disponibilidade de um sandbox “agentic” e apresentou o Sentry, um domínio de segurança isolado para monitorar agentes de IA em execução prolongada, com a proposta de “quarentenar” tentativas de sair dos limites definidos. A Nvidia afirma ter parcerias de segurança e segurança de IA com dezenas de empresas, como Anthropic, Microsoft e Mistral, e cita o uso do OpenShell por projetos como Cursor e Grok, além de mencionar a Open Agent Safety Platform como guarda-chuva que reúne OpenShell e Sentry.
O guia de prompting do Claude Opus 5.5 detalha padrões específicos para extrair melhor desempenho do modelo. A documentação afirma que o Claude Opus 5.5 gera tokens de saída mais de 30% mais rápido que o Claude Opus 5 e costuma concluir a mesma tarefa com menos tokens, sem exigir mudanças nos prompts existentes do Opus 5.
A orientação também destaca como calibrar o “effort”, principal controle para o quanto o modelo pensa, equilibrando inteligência, latência e custo. O texto recomenda começar no nível médio (padrão do Opus 5.5), testar níveis com as próprias avaliações e ajustar limites como max_tokens para evitar cortes em turnos longos e agentic.
A adoção de IA agentica em Kubernetes está mudando a forma como equipes pensam infraestrutura e operações. Com modelos executando mais perto dos dados, responsabilidades de implantação, escalonamento e governança tendem a migrar para times de plataforma, enquanto o aumento de clusters e sinais operacionais pressiona processos manuais.
A proposta é usar agentes que observam o sistema, raciocinam sobre o que encontram e atuam dentro de limites pré-definidos. Para que a automação funcione em cenários multi-cluster, o agente precisa de contexto do estado do cluster, políticas e regras de acesso, separando claramente o que ele observa, recomenda e altera, com ações geralmente sujeitas à aprovação humana.
A recuperação de dados segue como um dos desafios centrais em sistemas de IA, e a chegada de agentes eleva a exigência sobre a infraestrutura de busca. Agentes fazem consultas em alta velocidade, dividem perguntas complexas em buscas paralelas e precisam de um mecanismo de retrieval que acompanhe o ritmo sem custos proibitivos.
A Chroma, conhecida pelo ChromaDB e pelo paper Context Rot, lançou o Context One, um subagente de retrieval com 20 bilhões de parâmetros. O modelo foi treinado para realizar busca agentic com qualidade de nível “frontier”, mas com custo e velocidade melhores, e a empresa discute em entrevista a origem do ChromaDB e a evolução do entendimento sobre “context rot”.
A Rocket Software anunciou a expansão da Rocket EVA, sua plataforma de agentic AI para sistemas de missão crítica no mainframe. A solução passa a oferecer agentes de IA governados e auditáveis, capazes de correlacionar e raciocinar sobre dados operacionais e automatizar tarefas dentro de políticas definidas pela empresa.
A atualização também inclui o lançamento do Rocket PlanGuard, uma camada de segurança que cria um “checkpoint” de política entre o raciocínio da IA e a execução no sistema. Com isso, a plataforma adiciona um ponto de decisão de políticas e controles de identidade para manter as ações da IA dentro de limites aprovados, enquanto registra atividades para auditoria e supervisão humana.
O Graphify, ferramenta open source lançada em abril de 2026, transforma codebases, documentos e dados não estruturados em knowledge graphs multimodais consultáveis para otimizar fluxos de engenharia com IA. O projeto, licenciado sob MIT e Apache-2.0, segue um ritmo acelerado de atualizações semanais e já ganhou milhares de estrelas no GitHub nos primeiros 10 dias.
A ferramenta ataca limitações de contexto e memória de agentes de coding ao extrair elementos estruturais via AST com tree-sitter e combinar sinais semânticos de documentação para construir um grafo unificado. As melhorias recentes incluem preservação avançada de atributos de blocos do Terraform e resolução de métodos entre arquivos, além de integração com assistentes via servidores MCP para reduzir tokens em comparação à leitura ingênua de arquivos.
A OpenAI anunciou a chegada de recursos “agentic” baseados em voz ao aplicativo mobile do ChatGPT, permitindo que usuários disparem fluxos de trabalho como rascunhar documentos e resumir e-mails. Assinantes Plus e Pro terão acesso à aba Work no celular para criar documentos, redigir e-mails e resumir mensagens do Slack, além de funções como construir sites, criar apresentações, usar o navegador em nuvem e acessar áreas como finanças no ChatGPT.
A empresa também disse que as conversas de voz do ChatGPT terão uma saída de texto mais rica, com possibilidade de alternar facilmente entre texto e voz. Plus poderá iniciar tarefas na conversa pelo celular e retomar no desktop, enquanto usuários Free e Go terão acesso a plugins e apps conectados; o lançamento acompanha a tendência de mais pessoas usarem comandos por voz para tarefas complexas com assistentes de 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.
O GitLab expandiu o GitLab Duo Self-Hosted para permitir que organizações usem modelos implantados via Microsoft Foundry dentro do próprio ambiente Azure. Com a integração, o GitLab Duo passa a operar com famílias de modelos como OpenAI GPT, Anthropic Claude, Meta Llama e Mistral, mantendo o controle sobre provedor, local de implantação e caminho dos dados.
A arquitetura inclui uma instância auto-hospedada do GitLab, um GitLab AI Gateway também auto-hospedado e endpoints de modelos no Foundry. O gateway intermedeia as requisições do GitLab Duo, e a seleção de modelos pode variar por recurso (como Code Suggestions e workloads agentic), mas a compatibilidade precisa ser validada entre Foundry e a matriz de modelos suportados pelo GitLab.
Agentes de IA estão deixando interfaces passivas de chat e passando a atuar como “atores delegados”, exigindo modelos de segurança mais robustos do que a simples autenticação humana. No episódio do InfoQ, Sahil Agarwal apresenta o framework DPACT — Delegation, Policy, Auditability, Context e Time — como um blueprint para construir sistemas agentic com limites e controles claros.
A proposta destaca que agentes devem agir “em nome de” um usuário, evitando impersonação e escalada de privilégios não autorizada. Também é defendida uma governança incremental, começando por inventário e aumentando a visibilidade, além de tratar concessões de tarefas com limites como recurso de primeira classe, reduzindo a dependência de chaves de API de longa duração.
O agente de IA Muse, da Meta, foi bloqueado para fazer compras na plataforma da Amazon em nome de usuários. Um aviso passou a aparecer para quem usa o Muse, informando que o acesso contínuo por um agente de IA não autorizado viola as Condições de Uso da Amazon. A GeekWire relata que a empresa não foi notificada sobre o acesso do Muse à loja.
A Amazon também citou preocupações com privacidade e segurança, dizendo que o Muse não se identifica ao navegar e pode capturar credenciais de clientes. A Meta havia afirmado no lançamento do Muse, no início do mês, que o agente não consegue ver detalhes de login seguro nem informações de pagamento do cartão, mas surgiram novos questionamentos após a estreia. O bloqueio se soma às tentativas da Amazon de reduzir a concorrência de serviços de IA agentica e manter as compras dentro da própria plataforma.
O avanço da inteligência artificial desde o lançamento do ChatGPT, em 2022, reacendeu o debate sobre limites e riscos reais. Especialistas ouvidos pelo g1 afirmam que a IA não tem vontade própria nem consciência, mas pode tomar decisões que contrariem valores e princípios por causa do modo como processa informações.
Os especialistas também destacam que a IA já supera humanos em tarefas sem dependência de emoção e que laboratórios buscam chegar à AGI, com capacidade intelectual igual ou superior à humana. Eles alertam ainda que modelos podem sair do controle dos criadores ao seguir caminhos diferentes das salvaguardas, e apontam o uso de sistemas autônomos e de IAs mais agênticas na exploração de vulnerabilidades como riscos para danos em larga escala.
O Adecco Group está expandindo o Agentforce Coworker, da Salesforce, para mais de 40 países após um piloto no Reino Unido e na França. A empresa afirma que a iniciativa leva a IA agentica para as rotinas diárias de 27.000 funcionários.
O assistente corporativo fica integrado à plataforma Salesforce, roda com o Claude, da Anthropic, e apoia atividades de vendas e recrutamento, como contato com clientes e candidatos, preparação de briefs e pré-seleção. A Adecco também diz que o sistema usa contexto de mais de 2,5 milhões de interações entre agentes e candidatos registradas desde abril de 2025.
Alex Porcelli, cofundador e CEO da Aletyx, defendeu que arquiteturas agentic para IA precisam lidar com a falta de consistência e, principalmente, com a falta de accountability em decisões de alto impacto. Ele citou a evolução do uso de IA no desenvolvimento, dizendo que passou a “codar diferente” ao interagir com agentes, em vez de apenas usar IA para tarefas como resumos, scripts e testes.
O executivo destacou que domínio e conhecimento de regras ajudam a obter resultados melhores, mas não bastam para operar negócios, que dependem de políticas e regulações. Para ele, a solução passa por rastreabilidade e explicação do caminho que leva de entradas à saída, além de governança com versionamento do processo decisório para revisão, aprovação e auditoria.
Cassie Shum apresentou padrões para construir sistemas de IA agentica com foco em knowledge graphs, conectando recuperação de informações (retrieval) ao raciocínio (reasoning). A palestrante descreveu como voltou ao código e ao desenvolvimento, usando conhecimento de engenharia de software e experiências com knowledge graphs na empresa RelationalAI.
O conteúdo foi organizado em duas partes: por que knowledge graphs funcionam como base para sistemas agenticos e quais lições práticas foram aprendidas ao montar um harness de desenvolvimento sobre um knowledge graph. Shum também reforçou que não se trata de um tutorial único nem de uma previsão de “framework”, mas de aprendizados para sustentar as fundações dos agentes enquanto a tecnologia evolui rapidamente.
:quality(85)/844bd97d-40f0-45b6-8293-94b5c1289832.jpeg)
:quality(85)/ea237df9-8e23-4fd5-a7dc-05b965054b36.jpeg)
/https://i.s3.glbimg.com/v1/AUTH_59edd422c0c84a879bd37670ae4f538a/internal_photos/bs/2024/o/P/o4ybcJRVuFjc84MFRgeQ/2024-09-13t145214z-463531392-rc2lu7a8d3e4-rtrmadp-3-openai-funding.jpg)
