Pesquisadores de segurança alertam que conteúdo sexual explícito gerado por IA sem consentimento segue se espalhando sem controle, com compartilhamento em mensagens diretas e armazenamento em nuvens privadas, o que dificulta detecção e denúncia. Um estudo coautorado pela Google com usuários da internet nos Estados Unidos, Austrália e Reino Unido, publicado em julho, aponta que o ponto de intervenção mais crítico está na origem das ferramentas usadas para criar as imagens falsas.
Em testes recentes, pesquisadores do White Circle afirmam que guardrails de geradores de imagens de texto de Google e OpenAI podem estar falhando à medida que os modelos ficam mais capazes. Um preprint divulgado no mês passado descreve vulnerabilidades em DALL·E 3, Nano Banana 2 e GPT-Image-2, com a equipe dizendo que, usando ferramentas disponíveis publicamente e chamadas via API, conseguiu gerar conteúdo explícito cerca de 13% das vezes.
O Wellhub revelou o Panorama do Bem-Estar Corporativo 2027 e indica que a adoção de inteligência artificial pode aumentar a carga de trabalho para quem já domina a tecnologia. No Brasil, 37% dos trabalhadores “avançados em IA” relatam que o uso da ferramenta elevou o volume de tarefas, ante 13% entre quem está nos primeiros estágios de adoção. O levantamento também mostra que, no recorte brasileiro, oito em cada dez usuários avançados orientam outras pessoas sobre as ferramentas.
Os dados ainda apontam diferenças nos relatos de esgotamento: 23% dos profissionais mais avançados dizem ter sintomas de burnout diariamente, contra 11% dos iniciantes. A pesquisa destaca que políticas claras e bem comunicadas sobre IA se associam a maior resiliência, e que 75% dos usuários avançados citam recursos de bem-estar como apoio para se adaptar ao ambiente impulsionado pela tecnologia. O estudo foi conduzido entre 12 e 19 de junho de 2026 com mais de 5 mil profissionais em dez países.
O pendant Friend 2, chatbot em formato de pingente sempre “listening”, chegou em julho custando US$ 249 e usa os “latest language models” da OpenAI. O dispositivo responde a comandos e também pode falar sem ser provocado, com um recurso de “silenciar” que exige toques no aparelho.
A Avi Schiffmann, criadora do Friend, afirmou que a próxima atualização vai tornar os chatbots mais “agentically” e mudar a personalização: em vez de personalidades únicas por usuário, todos conversariam com a mesma entidade, compartilhando contexto entre usuários. A proposta aponta para um “hivemind” do Friend, com mudanças que devem afetar como o sistema se comporta e como a privacidade é tratada.
Peter Farkas, CEO da Percona e co-criador do FerretDB, pediu para não tratar “open weight” e “open source” como sinônimos durante o Open Source Summit Europe, em Praga. Ele argumenta que “open source” só mantém o sentido se preservar as liberdades associadas ao termo, enquanto “open weights” não entregam o mesmo nível de acesso e transparência.
A distinção ganha força com a adoção crescente de modelos de pesos abertos em produção: em agosto, eles somaram 56% dos tokens processados pelo Vercel AI Gateway e 60% do consumo de tokens com origem nos EUA no OpenRouter. Farkas também citou o debate sobre “open washing” e lembrou que a definição de “open source AI” ainda é contestada, com a OSI reabrindo discussões e lançando um fellowship para buscar consenso.
Pesquisadores da Graphite analisaram hábitos de escrita de modelos de linguagem de ponta para identificar padrões que ajudem a reconhecer textos gerados por IA. O estudo compara 10.000 artigos publicados antes do lançamento do ChatGPT com versões reescritas por modelos, buscando diferenças na frequência de palavras e na construção das frases.
No caso do Claude Opus 5.5, a Graphite destaca o uso de “dependable” (23 vezes mais que em amostras humanas) e a preferência por expressões como “this matters” (116 vezes mais) e “why X matters” (92 vezes mais). Já a OpenAI Astra apresenta “corrective framing” (mais de 100 vezes mais comum) e tende a usar linguagem de ressalva como “may provide”/“can provide”, enquanto modelos reduziram o uso de travessões em relação a versões anteriores, mas os “sinais” continuam variando entre cada versão.
A OpenAI apresentou os Dots no DevDay, agentes persistentes baseados no GPT-6 Astra que rodam em computadores em nuvem próprios, usam navegadores dedicados e conseguem acessar mais de 4.000 apps via o ecossistema de plugins da empresa. Diferente de agentes que aguardam um novo comando, um Dot continua trabalhando quando o usuário sai, consegue tocar vários projetos ao mesmo tempo e mantém o que aprende entre ChatGPT, Slack e Microsoft Teams.
Nos exemplos para desenvolvedores, a OpenAI mostrou Dots acompanhando feedback de clientes para identificar solicitações recorrentes, definindo escopo para melhorias e correções, e entregando pull requests prontas com vídeos do que foi alterado. A empresa também descreveu um modo de “proactive research” com acesso somente leitura e um fluxo de “auto-review” para ações que possam afetar contas ou compartilhar informações, além de monitoramento para pausar ou interromper o agente quando houver risco.
Zed está reconstruindo a revisão de código gerado por agentes com o Delta em beta público, usando threads compartilhadas em vez de pull requests. A Anthropic, por sua vez, começou a unificar as capacidades do Cowork dentro do Claude Chat, reduzindo decisões prévias sobre em que “modo” cada tarefa se encaixa. OpenRouter também ampliou o controle para empresas com roteamento em região dos EUA, processando e atendendo requisições dentro do país quando a garantia de processamento local é atendida.
Com a queda do custo de inferência — Vercel reportou redução de 23,2% no preço por token em agosto — empresas passam a investir mais no software que envolve o modelo: contexto, roteamento, integração de ferramentas e checagem de resultados. A tendência reforça que, para agentes funcionarem na prática, o “harness” precisa entregar fluxo, governança e integração, enquanto benchmarks e tutoriais mostram onde agentes ainda falham e quando é possível evitar chamadas desnecessárias ao modelo.
A Ugreen, conhecida por soluções de energia e armazenamento NAS, lançou na IFA o HomeAgent, uma plataforma de smart home com foco em “local-first”. O sistema reúne um hub com armazenamento local, NVR para câmeras de segurança e um assistente de IA no dispositivo, interagindo por voz com a assistente Uliya.
A empresa promete que dados e processamento de vídeo ficam dentro de casa, com recursos como rastreamento entre câmeras, alertas inteligentes para pessoas, veículos, pets e pacotes, além de busca por vídeo e descrições de eventos. O HomeAgent chega em três versões (HA100, HA100 Pro e MasterAgent MA100 com NVIDIA Jetson Thor), com preços iniciais de US$ 899 a US$ 9.999, e suporte ao padrão Matter para integrar dispositivos de diferentes marcas.
A Anker está lançando o Eufy MindBase, um hub local de IA para suas câmeras de segurança que roda um LLM desenvolvido pela empresa no próprio dispositivo. A proposta é processar as imagens sem que elas saiam de casa, com recursos como busca em linguagem natural nos registros e resumos de eventos.
O MindBase também funciona como “cérebro central” para a casa inteligente, com conectividade local e suporte a Matter 1.5 como controlador. O sistema terá Wi‑Fi dual-band, Bluetooth, Thread e Zigbee, aceitará até 16 câmeras sem fio e quatro com fio, além de 34 sensores, e poderá integrar-se ao HomeKit Secure Video e a ecossistemas como Alexa, Google Home e Home Assistant.
A conversa sobre infraestrutura de IA tem focado GPUs e TPUs, mas a The New Stack destaca o papel crescente das CPUs com a mudança de chatbots para agentes. Mo Farhat, da Google Compute Engine, compara a função do processador a um “controlador de tráfego aéreo” para orquestrar fluxos de trabalho de agentes, incluindo preparação de dados, busca semântica e execução de lógica de controle. Ele também cita que modelos de 6 a 8 bilhões de parâmetros podem alcançar cerca de 25 tokens por segundo em cargas especializadas, o que pode ser suficiente para alguns cenários de agentes.
Para rodar código com segurança, os agentes precisam de sandboxes e isolamento, e a Google aponta o gVisor como camada de isolamento entre aplicação e sistema operacional. No GKE Agent Sandbox, a empresa afirma que é possível criar 300 sandboxes por segundo por cluster, usando pod snapshots e warm pools para escalar sem manter todos os ambientes totalmente provisionados. A discussão inclui ainda as máquinas Axion, com promessa de até 2x de preço-desempenho e mais de 60% de eficiência energética, além de opções C4A e N4A para diferentes perfis de execução e custo.
OpenAI, AWS, Cursor, GitHub e Microsoft apoiaram o Agent Plugins 1.0.0, um formato portátil para empacotar e distribuir componentes que estendem agentes de IA. A proposta foi iniciada pela Vercel, que publicou as especificações e detalhou o lançamento. O padrão organiza “Agent Skills” e servidores MCP em plugins com estrutura e manifestos padronizados, para que diferentes clientes (como editores e runtimes) descubram e carreguem capacidades de forma mais consistente.
Para devs, isso pode reduzir retrabalho: integrações e habilidades podem ser reutilizadas entre ambientes com menos variações de empacotamento. Ao mesmo tempo, especialistas alertam que interoperabilidade sem governança e controle de permissões pode aumentar riscos, já que políticas e segurança ficam a cargo do cliente que executa o plugin. Na prática, o padrão tende a acelerar a adoção corporativa ao diminuir atrito, mas exige atenção redobrada a identidade, acesso e visibilidade operacional.
A GSK fechou uma colaboração de pesquisa com a Relation Therapeutics, que pode chegar a US$ 110 milhões, para ampliar a descoberta de medicamentos com IA. A parceria prevê que a Relation gere grandes conjuntos de dados sobre como células humanas respondem a mudanças genéticas e intervenções com drogas, alimentando modelos para identificar alvos terapêuticos — incluindo modelos da plataforma MORGAN. O trabalho combina computação com experimentos em laboratório e já se conecta a iniciativas anteriores da GSK com foco em doenças fibróticas e osteoartrite.
A notícia reforça que, na prática, a “matéria-prima” da IA biomédica é tão crítica quanto o modelo: qualidade, diversidade e controle de ruído em dados de célula única (além de evitar vazamento entre treino e teste) podem determinar o desempenho. Para o público tech, o recado é claro: pipelines de dados, curadoria e desenho experimental viram parte central do desenvolvimento de sistemas de IA para biologia — e mais dados nem sempre significam ganhos automáticos.
