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.
Agentes de IA para codificação conseguem gerar mais código e mais atividades em repositórios, mas o ganho não se converte em mais software entregue. Uma pesquisa com práticas reais de centenas de empresas aponta que o uso desses agentes eleva em média as linhas de código geradas em 30%, os commits em 20% e os pull requests em 23%. Ao mesmo tempo, a revisão humana continua sendo um gargalo importante no fluxo de produção.
O estudo indica que o processo de code review fica mais longo, com pull requests mais propensos a exigir revisões e com mais comentários dos revisores. Mesmo com a maior produção de código, a taxa de resolução de Issues e Epics — recursos acompanhados por ferramentas como Jira — não muda de forma estatisticamente relevante após a adoção de ferramentas de IA. A análise foi feita com dados agregados de Jellyfish, cobrindo 300 milhões de eventos de trabalho e informações de mais de 700 mil colaboradores em mais de 700 empresas, de 2021 até março de 2026.
A Leapwork lançou o Leapwork Play, uma plataforma de validação contínua “AI-native” voltada para construir, executar e gerenciar suítes de testes em Playwright em escala. A empresa destaca que a popularidade do Playwright cresceu junto com o uso de código gerado por IA, mas que isso elevou o volume de testes e tornou mais difícil provar a origem de cada caso e gerenciar milhares deles entre várias equipes.
O Leapwork Play conecta o Play a fontes onde o conhecimento do produto já vive, como Jira, repositórios Git e documentação, para gerar testes Playwright baseados nesse contexto. A ferramenta também permite registrar uma jornada do usuário no navegador e transformar isso em um teste mantido, com saída em código Playwright padrão para rodar no Play, em pipelines de CI ou via servidor MCP de assistentes de código com IA.
Agentes estão sendo posicionados como a nova “developer platform” ao combinar contexto do sistema com comandos de desenvolvedores e acionar modelos e ferramentas. No KubeCon & CloudNativeCon Europe, Whitney Lee e Viktor Farcic defenderam o uso de semantic search com dados de Git, Slack e Jira, além de guardrails para bloquear ou liberar ações que exigem aprovação.
A apresentação também destacou observabilidade no nível do agente com logs, métricas e traces para entender comportamento, custos e caminhos de execução. Com OpenTelemetry e spans para chamadas de modelo, contagem de tokens e invocações de ferramentas, as equipes conseguem rastrear requisições do usuário até as ações tomadas e usar os traces como base de avaliação e auditoria.
A CodeRabbit anunciou a camada de controle “Agentic Change Management”, voltada a ajudar times de engenharia a entender, governar e entregar software criado por desenvolvedores humanos e por agentes. A empresa afirma que sistemas de issue tracking como Jira, GitHub Issues e Linear foram desenhados para um cenário em que era mais fácil alinhar capacidade, organizar backlog e definir requisitos antes de começar a codar.
Com a produção de código cada vez mais contínua por plataformas e agentes, a companhia diz que o pull request virou o último “chokepoint” auditável do SDLC. A proposta inclui validar mudanças com contexto do repositório, padrões da organização e pré-checagens antes do merge, além de loops automatizados de correção e reavaliação para que revisões humanas foquem em intenção, arquitetura, comportamento e riscos.
Um levantamento da CloudHQ (Workplace Email Statistics 2025) aponta que o profissional médio recebe mais de 120 e-mails por dia. Para reduzir a “carga de atenção” do inbox, o método inbox zero — popularizado por Merlin Mann em 2006 — ganhou camadas em 2026 com automações de IA: filtros que desviam ruído e apps que classificam urgência, resumem conversas e ajudam a montar rascunhos de resposta. A matéria também lista regras práticas para Gmail e Outlook, com categorias como newsletters, alertas automáticos (Jira/Slack/GitHub), comprovantes e cold emails.
Na prática, a mudança para devs e tech é transformar o e-mail em um fluxo mais gerenciável: menos mensagens exigindo decisão imediata e mais triagem antes do “momento de resposta”. Com prompts de classificação e extração de tarefas (checklist, datas e nomes), fica mais fácil priorizar o que realmente precisa de ação humana e processar a caixa em blocos, sem ficar refém de notificações.
