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 Duolingo apresentou como sua equipe DevEx AI redesenhou o processo de code review usando educação e práticas para adoção de IA. A engenheira Sarah Deitke descreveu como o time foca em capacitar engenheiros a usar IA de forma efetiva nos fluxos de trabalho, incluindo a evolução para sistemas autônomos e agentes de IA. O tema também aborda como a mudança cultural afeta confiança, responsabilidade e a forma como tarefas “sagradas” como revisão de código são conduzidas.
Para apoiar essa transição, a empresa aplica workshops estruturados em formato de laboratório, com conteúdos pré-validados internamente, como uso de MCP servers, regras no Cursor, batching de requisições a LLMs e avaliações. A Duolingo também mantém dashboards de observabilidade de IA para acompanhar uso, custos e modelos por equipes e IDEs, além de oferecer office hours de 15 minutos para suporte prático. Em um all-hands, 95% da engenharia relatou ter aprendido algo novo e recomendado esse estilo de treinamento.
A Meta tentou reduzir equipes de engenharia com a adoção de “AI pods” — grupos menores de 3 a 5 pessoas apoiados por ferramentas e agentes de IA. Em um dos resultados divulgados, as mudanças de código nas plataformas internas teriam subido 220% ano a ano, mas o avanço em recursos entregues aos usuários cresceu apenas 36%. Ao mesmo tempo, incidentes técnicos e de segurança aumentaram 40%, e o tempo gasto pelos funcionários apagando “incêndios” subiu 70%.
Em uma análise com mais de 500 organizações, a taxa de pull requests teria aumentado 37% ao longo de quatro trimestres, enquanto o Developer Experience Index caiu de 67 para 65. A conclusão é que produzir mais código não garante mais valor, já que revisões, testes, deploy e operação podem virar gargalos. A recomendação é que o “right-sizing” de equipes (em geral, de 5 a 8 pessoas) seja feito por último, com experimentos incrementais de baixo risco para identificar tarefas que podem ser delegadas a agentes de IA.
Um relatório da DX, o “State of AI Impact in Engineering”, analisou organizações de engenharia em velocidade, efetividade, qualidade e impacto e encontrou um descompasso: apesar do investimento em IA ter crescido 28 vezes na maioria das empresas, métricas de velocidade (velocity) ficaram estagnadas e até caíram, especialmente em times com mais de 99 engenheiros. O deputy CTO da DX, Justin Reock, afirma que o custo subiu de forma exponencial, mas o ritmo de entrega não acompanhou.
O estudo também destaca tensões no Developer Experience Index (DXI), com manutenção de código melhorando, enquanto a “change confidence” piora — os times passam a confiar menos no que liberam em produção. Além disso, o tamanho médio das PRs (pull requests) aumentou de 42 linhas em julho de 2025 para 72 linhas um ano depois, e a entrega incremental foi o indicador que mais sofreu, sugerindo impacto na qualidade e na estabilidade das mudanças.
