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 Binance lançou o Agent OS, uma plataforma que permite que agentes de IA analisem mercados e executem trades em nome dos usuários. A proposta é integrar aplicações e agentes à infraestrutura financeira da exchange, usando ferramentas como Binance APIs, Binance Wallet Agentic Hub, verificação de transações Binance x402, Binance Skill Hub e suporte ao Model Context Protocol (MCP).
O Agent OS também funciona com ferramentas como ChatGPT e Codex, Claude Code e Cursor, com autorização do usuário para acesso a dados de mercado, informações de conta e execução de ordens. Para reduzir riscos, a Binance enfatiza controles no nível da conta via sub-accounts, com bloqueio de saques por padrão e opção de exigir aprovação a cada ordem; a exchange afirma ainda que não vê o raciocínio por trás das decisões, apenas monitora a atividade resultante.
Decidir investimentos, lançamentos de produtos ou respostas a mudanças nos juros envolve variáveis difíceis de prever com precisão. Nesse contexto, a inteligência artificial é usada para construir cenários hipotéticos a partir das informações disponíveis, permitindo comparar caminhos e avaliar impactos prováveis.
O processo começa definindo o problema e fornecendo variáveis relevantes para a análise, como orçamento, custos, público-alvo e região. Depois, a ferramenta pode gerar cenários como crescimento, estabilidade e queda na demanda, além de permitir ajustes em uma variável por vez e análises sob perspectivas financeiras, comerciais e operacionais; ainda assim, a simulação não garante certeza e não substitui dados oficiais e especialistas.
O debate sobre o custo da infraestrutura de IA ganhou um novo teste com dados de Amazon, Alphabet e Microsoft, focados nos gastos de capex dos grandes provedores de nuvem. A análise aponta que o crescimento da demanda por IA está acelerando, que a lucratividade dos hyperscalers tende a escalar com o tamanho do negócio e que a eficiência do capex vem melhorando.
A discussão surge em meio a críticas financeiras de que AWS, Google Cloud e Azure estariam gastando demais em computação para IA, sem conseguir aproveitar toda a capacidade. Com os números reunidos, o argumento de “capex queimando recursos” perde força e sugere que a estratégia de investimento pode estar gerando retorno conforme a escala aumenta.
Pedir ao ChatGPT para “avaliar uma empresa” de forma genérica tende a gerar respostas vagas. A matéria destaca que a qualidade melhora quando o usuário fornece contexto e dados: demonstrativos como DRE, balanço patrimonial e fluxo de caixa, além de objetivo da análise, período e setor. Também recomenda orientar a IA com comandos objetivos e papéis específicos, como “atuar como analista financeiro focado em varejo”, priorizando lucratividade, endividamento, geração de caixa e eficiência.
Na prática, o diferencial não é escrever prompts longos, e sim garantir informações suficientes e perguntas bem direcionadas. Pedir justificativas baseadas nos números e solicitar que a IA aponte quando faltarem dados reduz inferências indevidas e facilita a checagem. Ainda assim, a matéria reforça que o ChatGPT funciona como apoio: decisões de investimento e avaliações estratégicas exigem validação humana.
Empresas estão desperdiçando grandes valores em infraestrutura de nuvem por falta de governança e visibilidade operacional. Um relatório da Harness (FinOps in Focus 2025) projeta US$ 44,5 bilhões de desperdício em cloud em 2025, citando falhas de governança e pouca integração entre engenharia e finanças. O levantamento também aponta que 52% dos líderes de engenharia veem a desconexão entre áreas técnicas e financeiras como causa de desperdício, enquanto menos da metade das organizações tem visibilidade em tempo real sobre recursos ociosos e workloads superdimensionados.
A análise da VendorBenchmark, com base em mais de 700 ambientes, estima que 28% a 34% do investimento em cloud é perdido com recursos ociosos, provisionamento excessivo e ambientes esquecidos. Na prática, isso reforça a importância do FinOps como disciplina de gestão: monitoramento contínuo, políticas de provisionamento, automação para desligar o que não é usado e definição de ownership para reduzir custos sem comprometer a operação — inclusive em ambientes que suportam IA e integrações críticas.
:quality(85)/0e4eb14a-75de-4dbe-8c25-c0ebff4bcdfe.jpeg)