A Spotify ampliou o uso de desenvolvimento assistido por IA e mais que dobrou as mudanças mensais mescladas, de cerca de 8.100 para 17.000 ano a ano em agosto. Com o aumento do volume de alterações nos sistemas de produção, a empresa ajustou controles de qualidade e confiabilidade para lidar com a nova escala.
A companhia opera quase 3.000 serviços de produção para 777 milhões de usuários ativos mensais e relata desafios em processamento de conteúdo, automação de frota e capacidade de computação. Entre as respostas estão melhorias em monitoramento e testes, salvaguardas de rollout e capacidade de rollback, além da adoção do Honk, um agente de codificação em background que executa o Claude via Agent SDK em pods no Kubernetes.
Pesquisadores apresentaram na conferência KDD o estudo “GEO: Generative Engine Optimization”, voltado a melhorar a visibilidade de conteúdos nas respostas de mecanismos generativos. Nos testes descritos, intervenções específicas aumentaram a presença em até 40%, variando conforme o tema pesquisado.
O movimento é comparado ao SEO, mas com uma diferença: ao perguntar a uma inteligência artificial, muitas vezes o usuário recebe uma resposta pronta em vez de uma lista de opções. O texto destaca ainda como a construção de um “rastro público” — entrevistas, artigos, participações e fontes — pode influenciar o que sistemas como os buscadores associados ao ChatGPT encontram e citam, exigindo que assessorias e relações públicas considerem como esses dados são lidos e organizados.
A Starlink já permite que celulares se conectem diretamente aos satélites por meio da tecnologia Direct to Cell, sem a antena usada no serviço residencial. A proposta evoluiu de mensagens de texto para acesso a dados e chamadas via aplicativos, com operação feita em parceria com operadoras de telefonia que disponibilizam parte das frequências.
No Brasil, Vivo e Starlink participam de um ambiente experimental autorizado pela Anatel, com permissão válida até abril de 2029, mas ainda sem oferta comercial ampla. Enquanto isso, a SpaceX recebeu autorização da FCC para implantar até 15 mil satélites de nova geração, com novas frequências para ampliar cobertura e capacidade, inclusive em ambientes internos, aproximando a tecnologia de serviços móveis mais avançados.
Lauren Tan, engenheira do time Grok na SpaceXAI, compartilhou o workflow do seu agente pessoal, o pstack, que permite enviar 2.000 pull requests por mês para produção com alta confiança. Com isso, um único engenheiro chega a quase 100 PRs por dia útil, e as mudanças de fato chegam ao ambiente final, não ficam apenas no código.
No centro do processo está a verificação: um “skill” que checa o próprio trabalho e mantém o agente trabalhando até a tarefa estar concluída. Para isso, o agente precisa de um runtime rico que ele possa iniciar, inspecionar e obter respostas estruturadas; em sistemas distribuídos, a verificação exige ambientes que suportem muitos testes em paralelo sem interferência entre mudanças.
Um engenheiro do LinkedIn descreveu como a empresa usa “context engineering” para criar uma camada de contexto organizacional que ajuda agentes de IA a depurar incidentes em serviços críticos. No exemplo, um alerta de aumento de latência é enviado a um coding agent como o GitHub Copilot, que busca instruções, analisa logs, métricas e mudanças recentes e identifica a causa em um serviço downstream com muitos erros.
O agente também gera um resumo detalhado com a raiz do problema e os próximos passos, atualiza o sistema de incidentes e cria uma PR para mitigar a falha. Segundo o relato, o fluxo ocorre em poucos minutos e substitui tarefas que levariam horas, apoiado por “Contextual Agent Playbooks and Tools” e por centenas de workflows automatizados.
Organizações de engenharia estão vendo métricas de “adoção” dispararem — como ativações de assentos e gasto com tokens — mas, ao observar reuniões e rotinas, quase nada muda no processo de desenvolvimento. O texto critica que indicadores de uso (tokens, commits, “% de código gerado por IA”) medem atividade, não melhoria real do trabalho. Também destaca que “adoção” pode significar desde uso pontual até mudanças permanentes de workflow, sendo que só a última tende a sobreviver a prazos e troca de pessoas.
A implicação para times dev é direta: dashboards podem virar incentivo para “jogar o jogo” da métrica, sem garantir qualidade, entrega ou aprendizado. Em vez de focar em licenças e volume de uso, a recomendação é avaliar o que quebra se a ferramenta sumir, e tratar prompts e fluxos como artefatos versionados e revisados no repositório — além de definir com clareza o que pode ser delegado a agentes com checagem leve e o que exige revisão mais cuidadosa.
Coinbase, Shopify e Ramp estão desenvolvendo agentes internos para apoiar o desenvolvimento de software, mas sem abandonar totalmente ferramentas comerciais. A Coinbase criou o Forge para transformar relatos de bugs em pull requests com integração a Slack, GitHub e Linear, incluindo validação e até build para revisão no mobile. A Shopify desenvolveu o River, que atua em um ambiente de engenharia reproduzível e já participa de 1 a cada 8 pull requests mescladas. A Ramp criou o Inspect, que executa em sandboxes com máquinas virtuais parecidas com o ambiente local e integra Datadog, Sentry e LaunchDarkly.
A tendência é que as empresas passem a “insourcer” o harness do agente — o ambiente de execução com contexto, permissões, orquestração de workflow e verificação — enquanto modelos de fundação continuam sendo fornecidos por players como Anthropic, OpenAI e Google. Na prática, isso muda o jogo para devs: o controle de custos, segurança e roteamento do modelo fica mais centralizado na plataforma, e os assistentes comerciais tendem a complementar fluxos interativos no editor/terminal.
Uma equipe da Brex descreveu um padrão para construir workflows de IA que funcionam tanto em produção quanto em rotinas de avaliação (evals) offline. A ideia é separar a “lógica de orquestração” (passos, ordem e ramificações) do runtime: a mesma lógica roda sem mudanças em ambientes duráveis e também em loops leves para testar centenas de variações. O artigo explica por que engines focadas em execução durável (com persistência e replay) tornam as evals caras e lentas, enquanto harnesses leves não garantem resiliência para agentes longos.
Na prática, isso reduz bugs causados por divergência entre o que foi avaliado e o que vai para o ar—já que existe apenas uma versão da lógica. Para devs, a arquitetura precisa “forçar” o caminho correto (build falha se alguém escrever código não-agnóstico) e aceitar um custo: a orquestração perde acesso direto a recursos nativos de cada runtime, exigindo uma camada intermediária para novas capacidades. O resultado é um fluxo mais confiável para ajustar prompts e modelos sem sacrificar estabilidade em produção.
