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.
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.
Assistentes de codificação com IA deixaram de ser novidade e viraram infraestrutura: em 2026, a maioria das equipes de engenharia usa essas ferramentas semanalmente e uma parcela crescente do código de produção é gerada por IA. Com isso, o desafio mudou de escrever código para verificar se ele está correto, seguro e alinhado ao que foi realmente pretendido.
Um estudo apresentado na GAISS 2026 avaliou a prática de revisar a especificação como “baseline” de governança. Os resultados indicam que a especificação não tornou revisores melhores para achar bugs, mas transformou a revisão em uma atividade ancorada em contrato, com rastreabilidade e maior confiança — ainda com impacto mensurável em tempo e custo, especialmente em tarefas com múltiplas restrições feitas por modelos capazes, porém imperfeitos.
Um “gap” entre o que empresas gastam com inteligência artificial e o valor duradouro que conseguem capturar está no centro do debate do setor. Apesar da adoção entusiasmada de assistentes de código e chatbots por funcionários, os ganhos ainda não se traduzem em transformação no nível organizacional.
Emily Xue, Head de Enterprise AI na Scale AI, participa de um episódio do Software Engineering Daily para explicar por que a IA pode estar “travando” em empresas e quais fatores separam as poucas organizações que obtêm resultados das que não conseguem. Ela aborda camadas em que a adoção falha, limitações de benchmarks de modelos de fronteira e o problema da base de dados, além de como empresas combinam expertise interna com especialistas externos.
