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 Uber refez partes importantes do pipeline de busca do Uber Eats e relata uma redução de 50% na latência fim a fim. As mudanças atravessam recuperação (retrieval), hidratação de features, ranking, caminho de anúncios, apresentação e infraestrutura, com uso de um fluxo de coding agentic para identificar, benchmarkar e validar otimizações adicionais.
A empresa também trocou o foco do indicador principal: em vez de medir o tempo de resposta de APIs, passou a acompanhar o Above-the-Fold completion, tempo até a primeira tela de resultados com imagens. Com paginação e cache no servidor, renderização assíncrona e ajustes como descarte de candidatos de baixo valor, embeddings de produto e separação entre hidratação de ranking e apresentação, a Uber diz ter melhorado o Above-the-Fold em mais de 200 ms e cortado etapas específicas em dezenas de milissegundos, além de redesenhar o caminho de anúncios e reduzir overhead de infraestrutura.
A Alibaba abriu o código do OpenCodeReview, um CLI de code review com IA que combina pipelines determinísticas para seleção de arquivos, empacotamento e correspondência de regras com um agente baseado em LLM para análise dinâmica. A ferramenta inclui verificações embutidas para problemas como null-pointer exceptions, thread safety, XSS e SQL injection.
O OpenCodeReview foi publicado sob licença Apache-2.0 e é um CLI em Go que evita usar IA para decisões que podem ser tratadas de forma determinística, como escolher arquivos e validar comentários contra o diff. A empresa afirma que, em um benchmark interno com 200 pull requests em 10 linguagens, o OpenCodeReview teve maior precisão e F1 do que Claude Code usando cerca de um nono dos tokens, e o projeto pode revisar diffs, branches ou arquivos inteiros, funcionando com modelos compatíveis com OpenAI e Anthropic.
O Google argumenta que a popularização de código gerado por IA está mudando os critérios que desenvolvedores usam para avaliar linguagens de programação, com mais peso para legibilidade, verificação e manutenção de longo prazo. A empresa diz que o Go foi pensado para facilitar leitura, testes, manutenção e atualização contínua, em vez de priorizar apenas a velocidade com que o código é escrito.
Com assistentes e agentes que produzem grandes volumes de código rapidamente, o Google afirma que cresce a necessidade de revisão e validação humana, mesmo após a primeira geração. A empresa também destaca recursos do ecossistema do Go, como gofmt para padronização, toolchain para testes e análise, sistema de tipos estático para validações no compilador e ciclos compile-and-correct que podem ser usados por agentes, além do cuidado com dependências e checagens que não substituem testes e revisão.
