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.
A Grab padronizou mais de 500 serviços internos de agentes de IA usando o LLM-Kit, um framework interno que já entrega o “agent loop” básico com avaliação, tracing, tratamento de segredos e conexões com tool-servers. Com isso, novos serviços passam a descobrir ferramentas em tempo de execução a partir de mais de 50 servidores MCP e acessam modelos por um gateway único, permitindo adicionar capacidades e provedores via registro ou configuração, sem redeploy.
Integrar um novo agente em produção na Grab passou a levar cerca de uma hora, antes eram duas semanas ou mais. A empresa atribui a economia principalmente ao “wrapper” de produção — segredos, tracing, service discovery e avaliação — e descreve um fluxo em que um engenheiro preenche um formulário e recebe um repositório GitLab com um serviço FastAPI pronto, módulos LangGraph, OpenTelemetry, Vault e endpoint de avaliação já no primeiro commit.
A Amazon Web Services (AWS) lançou o Pizza Bot, um aplicativo open-source que oferece uma “caixa de entrada” no estilo de e-mail para gerenciar agentes de IA que rodam em segundo plano. A proposta é substituir a interface de chat, já que o trabalho do agente pode continuar mesmo quando o usuário sai para almoço ou dorme, com tarefas concluídas chegando como threads “não lidas” e itens que exigem decisão humana sendo destacados para ação.
O Pizza Bot inclui um painel de atividades com jobs repassados a agentes especialistas, mostrando uso de ferramentas e progresso. O projeto é independente da AWS e pode ser self-hosted, com app para macOS, Windows e Linux e clientes via navegador e terminal, além de suporte a modelos como Anthropic, Amazon Bedrock, Google Gemini, OpenAI, OpenRouter e Ollama, usando LangGraph para persistência e retomada de execuções.
A Diagrid lançou o Catalyst 2.0 em 28 de julho de 2026, trazendo recuperação de falhas e verificação criptográfica para agentes construídos com frameworks como LangGraph, Microsoft Agent Framework, Google ADK e Dapr Agents. A atualização inclui integrações com LangGraph Deep Agents, AWS Strands, OpenAI Agents SDK, Claude Managed Agents, CrewAI e Pydantic AI.
Com o Catalyst, desenvolvedores adicionam um pacote a aplicações de agentes existentes para transformar chamadas de modelo e de ferramentas em atividades duráveis de workflow, permitindo retomar execuções interrompidas sem repetir trabalho já concluído. A verificação usa o Dapr 1.18 para assinar e encadear hashes do histórico do workflow, com checagem ao carregar o estado e validação fora da aplicação que gerou o histórico, embora o recurso de assinatura dependa de feature flag e mTLS.
A Amazon Web Services adicionou runtime instances ao Bedrock AgentCore, criando uma segunda opção de computação para executar agentes em instâncias gerenciadas do Amazon EC2 na conta do cliente. A novidade mantém as APIs do AgentCore e o modelo de identidade e observabilidade, mas mira equipes cujos agentes não se encaixam no limite de oito horas das microVMs.
Com sessões persistentes que podem durar até 14 dias, o runtime oferece sistema de arquivos compartilhado, tipos de instância com aceleração por GPU e suporte a Python e imagens de contêiner. Vários agentes podem ser implantados no mesmo runtime para colaborar no mesmo diretório de trabalho, usando frameworks como CrewAI, LangGraph, LlamaIndex e Strands via um decorator @app.entrypoint, sem mudar o modelo de empacotamento.
A Embabel, framework para construir agentes de IA em Java e Kotlin, chegou ao lançamento geral (GA) na versão 1.0. A proposta é permitir que devs definam agentes como objetos de domínio tipados (metas, ações e condições), em vez de escrever sequências manuais de prompts e chamadas a ferramentas. O framework usa um passo de planejamento inspirado em GOAP (Goal-Oriented Action Planning) para encontrar, em tempo de execução, a melhor sequência de ações até o objetivo, podendo recalcular o caminho se o contexto mudar durante a tarefa.
A Embabel funciona em cima do Spring AI, herdando suporte a provedores como OpenAI, Anthropic, Gemini, Bedrock, Mistral e DeepSeek, além de opções locais via Ollama/Docker e endpoints compatíveis com OpenAI (como o LMStudio). Na prática, isso facilita orquestrar agentes com múltiplos modelos e separar “declaração do que fazer” do “como sequenciar”, diferindo de abordagens baseadas em grafos como LangGraph. Para times que já usam Spring Boot, a versão 1.0 marca um ponto de avaliação mais concreto do framework.
