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.
Um relatório da Undo aponta que 81% dos líderes de engenharia tiveram, nos últimos seis meses, algum incidente em produção ou queda de serviço ligado ao uso de ferramentas de “AI-coding”. Mais de 90% relataram a ocorrência de defeitos graves, código mal otimizado ou “test escapes” que chegaram ao ambiente produtivo, e 93% disseram que uma alucinação de IA levou ao diagnóstico incorreto da causa raiz.
A pesquisa com 300 líderes sêniores em empresas dos EUA e do Reino Unido, com perguntas feitas em julho e agosto de 2026, indica que a velocidade para gerar código não está se traduzindo em ciclos de release mais rápidos: 79% afirmaram que seus prazos não melhoraram com a adoção da IA. Em média, os engenheiros passaram a gastar 16,9 horas por semana depurando, contra 9,8 produzindo código, e o relatório defende acompanhar métricas como taxa de defeitos e tempo médio para resolução, e não apenas linhas de código.
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 coding com inteligência artificial já viraram parte do dia a dia de desenvolvedores: uma pesquisa informal com 103 pessoas aponta que 87% usam ou planejam adotar assistentes de IA para programar. Apesar da adoção alta, a confiança no código gerado segue baixa, com apenas 31% dizendo confiar na precisão do que a IA produz.
O levantamento também indica que 56% relatam ganhos de produtividade com ferramentas ou agentes de IA, citando geração mais rápida de código, menos tempo com documentação e apoio no debugging. No ranking de preferências, o Claude Code aparece como o mais citado (41%), seguido por Cursor (21%) e GitHub Copilot (10%), enquanto a principal barreira apontada é a falta de confiança, que mantém a revisão humana como etapa indispensável antes de qualquer código chegar à produção.
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.
A Adronite afirma que a escolha do “harness” — a forma como o contexto é montado e entregue ao modelo — pode mudar a economia de tarefas de IA para programação, mesmo mantendo modelo, prompt e ferramentas idênticos. Em benchmarks internos no Codistry, a empresa relata redução de tokens e queda de custo por tarefa ao fornecer apenas o contexto mais relevante ao longo do trabalho.
A plataforma usa o Adronite Context Engine (ACE), que mantém uma visão relacional do código, mapeando arquitetura e dependências conforme o progresso avança. Com isso, a Codistry teria usado cerca de metade dos tokens e entregue aproximadamente 48% menos custo por tarefa, incluindo um caso em que o custo por tarefa caiu de US$ 2,12 para US$ 1,10.
O GitHub detalhou como usar comandos “/” no app do GitHub Copilot para acelerar o fluxo de trabalho. Ao digitar “/” no campo de chat, aparece um menu com opções conforme o contexto, permitindo gerenciar sessões, navegar por projetos e ajustar o modo de interação com o assistente.
Entre os comandos citados estão /plan (transforma uma tarefa em etapas e ativa o “Plan mode”), /spar (pressiona hipóteses e aponta riscos/limitações antes de decidir), /autopilot (conduz a implementação por objetivos, iterando mudanças) e /rubber-duck (revisão com “segunda opinião” para achar pontos cegos em refactors e decisões de arquitetura). Na prática, isso ajuda devs a manterem o foco, reduzirem retrabalho e chegarem mais rápido a código e planos mais robustos.
