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.
O GitLab lançou a versão 19.4 da sua plataforma DevSecOps com novidades no GitLab Duo CLI, incluindo um modo goal-driven e mais ferramentas via Model Context Protocol (MCP). O novo comando /goal, em beta público, aceita um objetivo em linguagem natural e continua trabalhando até concluir a tarefa ou atingir um limite de iterações, mantendo ações dentro das permissões e regras de aprovação do projeto.
A atualização também adiciona modelos hospedados open-weight (Kimi K3, MiniMax M3 e GLM 5.3) ao Duo Agent Platform e amplia os controles para gastos com IA. Os créditos passam a ter exportação com detalhamento por evento e uma página de configurações permite definir limites por usuário, com alertas para gestores quando o uso sob demanda chega a 50% ou 80% do teto mensal.
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 CTO e fundador da CloudZero, Erik Peterson, afirmou em apresentação que a “conta” de custos de IA no cloud virou um problema: ele diz que não consegue confiar totalmente no próprio bill e que os dados de despesas vindos de provedores de nuvem e de IA estão “bagunçados”. Peterson relaciona o aumento de gastos ao uso de LLMs no dia a dia, em que cada decisão e até cada pensamento passam a ser monetizados pelo custo de consultas e geração.
Ele também citou a escalada de métricas como “tokenmaxxing” e estimou que o fenômeno pode representar um custo de cerca de US$ 5 bilhões a US$ 15 bilhões. No mesmo contexto, Peterson defendeu que a produtividade pode até crescer, mas a medição ainda é imprecisa, enquanto o gasto com IA já triplicou e segue subindo.
A Microsoft anunciou o Azure Maia 300, nova geração de seu chip próprio de inteligência artificial, que deve virar a principal plataforma de processamento de IA dos produtos e sistemas da companhia a partir de 2027. A empresa posiciona o Maia 300 como um sistema completo para executar tarefas de agentes, indo além das respostas típicas de um chatbot.
O chip promete mais de 40% de ganho em tokens por megawatt na comparação com sistemas líderes baseados em GPUs, medindo eficiência entre conteúdo processado e energia consumida. A estratégia combina chip, software, redes e data centers para otimizar inferência e lidar com contextos extensos e tarefas que exigem muita memória, com foco em agentes que raciocinam, agem e colaboram em várias etapas.
Elon Musk afirmou que o Grok @Bot, lançado pela SpaceXAI em beta em agosto, vai usar o modelo mais adequado para cada tarefa. A orientação inclui opções como Claude Opus 5.5, além de integrações com serviços como MidJourney e Suno, com foco em maximizar o resultado em cada caso.
O texto também descreve como empresas estão adotando “model triage” para controlar custos: uma abordagem comum é usar modelos menores para triagem e reservar modelos mais caros para etapas que realmente exigem desempenho superior. A mudança traz ganhos de eficiência, mas exige testes e avaliação antes de trocar modelos, já que substituições podem quebrar fluxos e depender de ajustes como limites e rotinas de validação.
A Anthropic anunciou o Claude Haiku 5.5, um novo modelo compacto voltado a velocidade, baixo custo e tarefas de alto volume. A empresa afirma que a versão pode reduzir os custos de operação em cerca de 75% na comparação com o Haiku 4.5 e que o modelo é indicado para atividades repetitivas e sensíveis ao custo, como resumos, compactação de informações, consultas a bancos de dados e classificação de dados.
O Haiku 5.5 também estreia na linha uma configuração de esforço ajustável, permitindo equilibrar execução mais econômica e maior capacidade de raciocínio conforme a tarefa. A Anthropic diz que ele é o modelo mais rápido da empresa na configuração padrão e que pode atuar como subagente de programação junto aos modelos Opus 5.5 e Sonnet 5.5, além de ter atualização de SDKs para Python e TypeScript com suporte beta a recursos de uso do computador e do navegador.
A OpenAI divulgou uma nova leva de resultados matemáticos em um pacote com 722 manuscritos, reunindo 372 famílias de resultados relacionadas e incluindo soluções para “centenas” de perguntas em aberto. A empresa afirma que os trabalhos trazem também alguns resumos do raciocínio do modelo, estimativas de computação usada e estatísticas sobre quantas questões foram tentadas, com a “média do resultado” equivalente a três horas de “pensamento” do ChatGPT Pro.
Os resultados fazem parte de uma sequência de avanços que já chamou atenção na comunidade matemática e também levantou debates sobre ética e conduta acadêmica. Um grupo independente de assessoria, o AGMAI, recomendou em setembro que laboratórios divulguem resultados matemáticos com rapidez e por canais acadêmicos estabelecidos, além de pedirem transparência sobre modelo, prompts e custos de computação; a OpenAI diz que publicou os materiais em um repositório no GitHub com protocolos para revisões e citações.
Um playbook de platform engineering para produção de LLMs descreve como uma camada de infraestrutura pode reduzir alucinações sem trocar o modelo base. Em um sistema de recomendação de inventário para uma grande organização do varejo, a taxa de respostas alucinatórias caiu de cerca de 15% para 1,5% ao usar um loop automatizado de retry que captura erros de formatação, grounding e infraestrutura durante a execução.
A abordagem também inclui um gate de validação de intenção que retorna “unclassified” em vez de seguir o agente com maior pontuação, evitando alucinações fora do objetivo e melhorando o roteamento em sistemas multiagente. O texto ainda destaca práticas como registrar prompts com histórico para atualizar ou reverter instruções em runtime, aplicar autorização de ferramentas com política default-deny no servidor de recursos e instrumentar taxas de alucinação e custos de tokens na entrada das requisições.
A Nvidia anunciou que o Shield TV Pro vai ficar US$ 100 mais caro, com reajuste imediato para US$ 299,99. A versão mais recente do aparelho estreou em 2019 com Android TV, incluindo recursos de AI upscaling e decodificação de hardware para diferentes tipos de mídia.
A empresa atribuiu o aumento ao encarecimento dos componentes, incluindo memória, que teria subido “substancialmente” no setor. Com o novo preço, o Shield TV Pro passa a custar mais do que a faixa anterior e a disponibilidade do produto vinha sendo limitada nos últimos meses, enquanto o aparelho segue à venda no varejo.
A Bit Cloud lançou o Bit Cloud 2.0 com o Hope, um “builder” integrado de IA para ajudar a transformar um app gerado a partir de prompts em algo que equipes possam manter e evoluir. A proposta conecta a criação do aplicativo com as etapas seguintes, como execução, revisão de mudanças e infraestrutura para que novas versões funcionem como esperado.
A plataforma traz um dashboard interno com login, banco de dados e integrações externas e permite reutilizar componentes já criados e testados pela equipe. O fluxo também inclui colaboração entre desenvolvedores, designers e gestores, além de recursos para desenvolvimento mobile com prévias de staging, verificações de build e revisão de código, reduzindo trabalho repetido e custos de tokens.
Assistentes de IA voltados ao consumidor voltaram ao centro do mercado com produtos como o Muse da Meta e o Dots da OpenAI, além do Instinct, que atingiu avaliação de US$ 10 bilhões. Mesmo com a promessa de agentes capazes de tarefas do dia a dia, o desafio aparece na hora de transformar uso em receita sustentável.
Dados citados no relatório State of Markets da Andreessen Horowitz indicam que, em maio, 2,2% dos consumidores pagavam por serviços de IA, com gasto médio de US$ 31 por mês. A análise também aponta que o crescimento do número de pagantes e do valor gasto tem ritmo “linear”, enquanto custos de operação da IA seguem altos, pressionando o break-even e favorecendo contratos enterprise e expansão por setores.
Agentes de IA que “passam” em demos podem falhar quando chegam ao mundo real por causa de dados inconsistentes, fontes diferentes, mudanças frequentes de informação e desafios como permissões de sistema. Mesmo quando retrieval e RAG funcionam no ambiente controlado, o agente pode não ter o contexto de negócios necessário para tomar ações com base em informações atuais e confiáveis.
No dia 14 de outubro, Ravi Marwaha, COO e Chief Product & Technology Officer da Arango, vai explicar seis requisitos de dados para tirar agentes da fase de demonstração e preparar a arquitetura para produção. O conteúdo inclui exemplos sobre clientes que aparecem de formas diferentes em sistemas distintos, necessidade de entender “por que” uma decisão foi tomada e como manter governança e contexto unificado para reduzir latência, custos e trabalho manual.
A OpenAI anunciou no DevDay uma Decisions API voltada a modelos de decisão, com respostas pré-definidas e “confidence scores” em vez de formato de chat. A API é baseada no modelo Luna, descrito como o menor e mais acessível da linha atual, e está disponível em preview limitado, com lançamento amplo previsto para os próximos dias.
A empresa afirma que a API retorna resultados em 150 milissegundos, enquanto o GPT-6 Luna levaria 1,6 segundo, e diz que o desenvolvedor precisa fornecer perguntas, respostas e contexto. A OpenAI também destaca que esse tipo de modelo pode ser útil para classificação, roteamento de requisições e para escolher a próxima ação de um agente entre opções limitadas, mas ainda não detalhou custos por chamada, quantidade de respostas candidatas e possibilidade de ajuste pelos desenvolvedores.
Empresas passaram a avaliar custo, capacidade e contexto antes de escolher qual solução de inteligência artificial usar em cada tarefa. Com a expansão do uso da IA generativa, a decisão deixa de ser apenas sobre “capacidade” e passa a considerar se uma alternativa mais rápida e barata atende ao que é necessário.
A adoção em escala também muda a conta: quando há milhões de solicitações por dia, preço, consumo de processamento, velocidade e infraestrutura passam a pesar mais. Além disso, equipes podem combinar soluções conforme o tipo de trabalho e o nível de precisão exigido, usando modelos mais simples para tarefas repetitivas e opções mais sofisticadas para atividades com raciocínio complexo.
Hospitais que passaram a usar ferramentas de inteligência artificial ao enviar pedidos de reembolso para seguradoras teriam provocado um aumento de US$ 942 milhões nos gastos com saúde em um período de dois anos, segundo análise da Blue Cross Blue Shield Association (BCBSA). O levantamento aponta um crescimento acentuado no número de pacientes registrados como tendo condições complexas, mas afirma haver uma desconexão entre a codificação e o tratamento recebido.
A discussão ganhou destaque com a cobertura do The New York Times, que citou o caso como mais um sinal de que a IA pode estar elevando custos. O fundador da Abridge, Shiv Rao, reconheceu riscos de um cenário ruim, mas disse que a tecnologia também poderia reduzir tensões e cortar despesas, enquanto o vice-presidente sênior da BCBSA, Luke Chalker, rejeitou a ideia de “guerra” e descreveu o conflito como “completamente unilateral”.
Bill Gates defendeu a criação de leis para regular o desenvolvimento de inteligência artificial nos Estados Unidos. Em entrevista à NBC News, o cofundador da Microsoft disse que a autorregulação das empresas não é suficiente e que autoridades precisam estabelecer regras obrigatórias para monitorar a tecnologia.
Gates afirmou que mecanismos de segurança e proteção devem ser exigidos, mesmo que isso aumente custos para as companhias, sem provocar uma desaceleração drástica nos avanços. Ele também argumentou que empresas não conseguem avaliar sozinhas impactos sociais mais amplos, como efeitos no emprego, segurança e desenvolvimento infantil.
A ferragem Thony, de Porto Alegre, entrou em recuperação judicial no início de 2026 com dívida superior a R$ 8,5 milhões e agora tenta destravar a operação com cortes de custos, expansão via e-commerce e uso de inteligência artificial. A empresa, que deve faturar cerca de R$ 15 milhões em 2026, mira R$ 20 milhões em 2027.
Desde 2025, a Thony vem incorporando ferramentas de IA à gestão para decidir o que comprar, analisar estoque, acompanhar resultados financeiros e administrar campanhas de marketing. Todos os domingos, o empresário usa o Claude (da Anthropic) para cruzar a posição do estoque com a curva ABC e montar um plano de compras por prioridade para a semana.
O Google prepara para 1º de outubro o lançamento do satélite experimental MVP, parte do Project Suncatcher, para processar consultas simples do Gemini em órbita. A iniciativa busca testar a viabilidade de data centers formados por frotas de satélites alimentados por energia solar, conectados para dividir cargas de processamento de IA.
O MVP levará quatro TPUs, com capacidade equivalente à de um servidor convencional, e painéis solares de cerca de 1 kW para executar consultas curtas e avaliar o comportamento do hardware no ambiente espacial. O projeto também enfrenta desafios como resfriamento no vácuo e efeitos da radiação, além de custos e dificuldades de manutenção e comunicação entre satélites.
A Agência de Segurança Nacional (NSA) informou a legisladores que está gastando bilhões de dólares de recursos do contribuinte, neste ano, para avaliar e testar modelos avançados de inteligência artificial. O valor, segundo duas fontes com acesso a estimativas classificadas, seria bem maior do que o previamente conhecido, elevando a preocupação de que um sistema regulatório federal mais amplo possa custar dezenas de bilhões por ano.
Após uma série de incidentes de hacking e falhas de segurança, o Artificial Intelligence Security Center da NSA passou a testar modelos de “fronteira” para identificar vulnerabilidades ligadas à segurança nacional. O debate agora envolve quem deve bancar essas verificações, com propostas de auditorias independentes e discussões sobre a possibilidade de as próprias empresas de IA financiarem parte dos custos, em vez de o ônus recair sobre os contribuintes.
Projetos complexos costumam envolver dezenas de variáveis, e qualquer mudança fora do planejado pode afetar cronograma e orçamento. A inteligência artificial pode ser usada para analisar informações, identificar padrões e sinalizar riscos antes que virem problemas maiores, apoiando decisões com mais dados.
Uma das aplicações é cruzar grandes volumes de dados sobre tarefas, recursos, custos e histórico para apontar sequências atrasadas e tarefas com maior potencial de impactar outras etapas. Modelos de IA também ajudam a prever riscos ao reconhecer sinais associados a atrasos, aumento de custos e falhas na distribuição de recursos, enquanto o Project Management Institute (PMI) relata uso de GenAI em planejamento, gerenciamento de riscos, cronogramas e custos.
Líderes mundiais se reuniram em Manhattan para a Assembleia Geral da ONU e a New York Climate Week, com investidores, formuladores de políticas, defensores e jornalistas discutindo os impactos da inteligência artificial no clima. O secretário-geral António Guterres afirmou que a crise climática impulsiona instabilidade e deslocamento, e que a IA pode tanto ajudar a enfrentar esses desafios quanto piorá-los.
O encontro também destacou o peso do setor de data centers na demanda por eletricidade e as emissões associadas ao avanço da IA, além do crescimento do investimento em climate tech: US$ 26 bilhões no primeiro semestre de 2026, segundo dados citados da Currence. Ao mesmo tempo, Simon Stiell alertou que líderes de IA enfrentam perda de apoio público e pediu evidências de que os benefícios superam os custos, enquanto parte do setor climático demonstra ceticismo diante do ritmo de expansão movido por energia.
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 Qodo levantou US$ 70 milhões na Série B e, mesmo assim, impôs limites para o consumo interno de IA: os engenheiros podem acessar até US$ 10 mil em tokens por mês. Segundo o CEO Itamar Friedman, o teto não foi criado para restringir uso, mas para dar visibilidade e eficiência, ajudando a escolher “o melhor caminho” para gastar com automação.
Enquanto isso, a empresa aponta que o custo de sua infraestrutura de IA para rodar o produto para clientes cresce cerca de 5x ao ano, impulsionado por adoção e por agentes assumindo tarefas mais longas. Para medir retorno, Friedman propõe uma equação de AI ROI baseada em benefícios divididos por custos, conectando o aumento de PRs e a redução de bugs à ideia de mais velocidade com menos incidentes.
Centenas de bilhões de dólares por ano estão sendo direcionados para infraestrutura e bens de capital ligados à inteligência artificial, com expansão de centros de dados, compra de processadores avançados e desenvolvimento de sistemas proprietários. Estudos citados por Goldman Sachs e análises da Statista apontam que a escala desses investimentos reacende a discussão no mercado sobre a velocidade do retorno financeiro.
Os primeiros ganhos aparecem com provedores de nuvem e semicondutores, impulsionados pela demanda corporativa por capacidade computacional para modelos de linguagem e processamento de dados. Além disso, empresas de setores tradicionais começam a capturar resultados ao aplicar IA em automação e processos específicos, como análise preditiva em serviços financeiros, assistentes virtuais no atendimento e otimização de rotas e estoques na logística — embora a maioria ainda enfrente dificuldades para escalar projetos por custos e integração com sistemas legados.
A OpenAI lançou o GPT-6 Sol e o GPT-6 Luna com preços de tokens reduzidos: a empresa cortou em 50% o custo de entrada em relação aos equivalentes do GPT-5.6, e a Luna teve 58% de queda nos tokens de saída. Os novos modelos também buscam ficar mais próximos do alinhamento do GPT-6 Astra, embora ainda não alcancem o modelo principal.
Além da redução de preços, a OpenAI destaca melhorias em caching e inferência para baixar ainda mais os custos no uso via API. O GPT-6 Sol e o Luna vêm com maior taxa de acerto de cache por padrão, permitem preservar contexto anterior mesmo com mudanças em esforço de raciocínio e disponibilidade de ferramentas e incluem um Prompt Caching Dashboard para monitorar e diagnosticar o desempenho do caching, com desconto de 90% para leituras de tokens de entrada em cache.
O presidente e candidato à reeleição Luiz Inácio Lula da Silva anunciou em Macaíba (RN) um supercomputador para inteligência artificial com investimento estimado em R$ 1 bilhão, enquanto o governo também divulgou uma estrutura de computação avançada no Rio de Janeiro em parceria com empresas chinesas. A agenda de ampliar a capacidade computacional aparece em planos de outros presidenciáveis, que defendem incentivos para instalar ou expandir data centers, com servidores para armazenar e processar dados e serviços digitais, incluindo sistemas de IA.
Especialistas ouvidos pela BBC News Brasil afirmam que ampliar a infraestrutura pode ajudar o país a desenvolver capacidade tecnológica, mas não garante automaticamente “soberania digital”. Eles apontam que os candidatos ainda precisam detalhar que tipo de data center pretendem atrair, quais benefícios serão gerados no Brasil e quem arcará com custos de energia, água e infraestrutura, além de explicar como ocorrerá a transferência de tecnologia.
Na 81ª Assembleia Geral da ONU, Lula e Donald Trump colocaram a inteligência artificial no centro de seus discursos. Lula defendeu a regulamentação das big techs e criticou uma “corrida sem freios éticos”, enquanto Trump anunciou que o governo vai deixar de usar “inteligência artificial” e passar a adotar “superinteligência”.
No mesmo contexto, a OpenAI ampliou sua nova geração de modelos com o lançamento do GPT-6 Sol e do GPT-6 Luna. A empresa afirma que as versões foram treinadas com métodos semelhantes aos do GPT-6 Astra e buscam entregar parte dos avanços com custos menores, incluindo melhorias para programação, uso de computadores e alinhamento.
A OpenAI anunciou os modelos GPT-6 Sol e GPT-6 Luna, voltados a reduzir custos e acelerar o uso de IA em tarefas profissionais e aplicações em larga escala. Os modelos chegam ao ChatGPT Work e ao Codex para usuários dos planos Plus, Pro, Business, Enterprise e Edu, enquanto no Free e Go o GPT-6 Luna pode ser usado pelo aplicativo para desktop. Para desenvolvedores, a disponibilidade ocorre via API, com chegada ao ChatGPT prevista de forma gradual ao longo do dia.
O GPT-6 Sol mira tarefas complexas e programação, enquanto o Luna é direcionado a trabalhos de alto volume, como resumos e extração de informações. A OpenAI destaca otimizações para fluxos longos e agentes de IA, incluindo cache de prompts com 90% de desconto na leitura de tokens de entrada, além de cortes de 50% nos preços em relação à linha GPT-5.6 e melhorias de segurança, com taxas menores de alegações enganosas em testes de programação e tentativas de contornar avisos.
A Anthropic lançou o Opus 5.5, a nova versão do seu modelo principal para uso em massa, voltado a tarefas como codificação e outros trabalhos complexos de conhecimento. A OpenAI, por sua vez, anunciou GPT-6 Sol e Luna, versões mais eficientes e rápidas de modelos intermediários ou menores. As duas empresas dizem que o objetivo central é aumentar a eficiência e reduzir custos para clientes empresariais, em vez de entregar capacidades totalmente novas.
A disputa também acontece em um contexto de adoção de alternativas mais baratas, como modelos de código aberto e o uso de model routers para recorrer menos aos modelos mais caros. No caso do Opus 5.5, a empresa aponta preços de tokens de entrada e saída de US$ 4 e US$ 20 por milhão, além de cache reads a US$ 0,20 por milhão, com geração de saída mais de 30% mais rápida do que o Opus 5.
Mais de 60% dos americanos defendem limitar a construção de novos data centers, segundo pesquisas citadas no contexto de expansão da infraestrutura usada para IA. Projetos avaliados em US$ 68 bilhões foram interrompidos por opositores locais no 2º trimestre de 2026, de acordo com o Data Center Watch.
Um relatório da nonprofit Data & Society, baseado em 18 meses de trabalho de campo com entrevistas com 44 moradores da Pensilvânia entre 2024 e 2026, descreve como as pessoas vivenciam o debate sobre a construção. O estudo aponta que a resistência não se resume a um único grupo, envolvendo desde preocupações com custos de energia e valores de imóveis até críticas ao modo como empresas e coalizões defendem os projetos, além de desconfiança sobre influência e transparência.
:quality(85)/844bd97d-40f0-45b6-8293-94b5c1289832.jpeg)
:quality(85)/29775db9-4492-4bdb-8689-9f442e3775af.jpg)
:quality(85)/f2d2b728-0881-4d85-8561-8a2f43401b00.png)
/https://i.s3.glbimg.com/v1/AUTH_59edd422c0c84a879bd37670ae4f538a/internal_photos/bs/2025/L/T/s1ODH8SxOCBqhIGEREcA/imagem-01-1-.png)
:quality(85)/40889176-cee1-4d66-b38a-61c7eed94110.jpg)
