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.
Pesquisadores da University of New South Wales (UNSW) testaram ferramentas de AI-coding com estudantes de ciência da computação em três tarefas iniciais de programação em C. O grupo que usou ChatGPT-4.5 obteve 89% de acerto, contra 69% no grupo que usou busca tradicional. Porém, ao medir o que realmente foi retido, a pontuação caiu para 41% imediatamente depois, frente a 53% sem IA, e ficou em 39% após dois dias, contra 52%.
Os próprios participantes indicaram o motivo: quem usou ChatGPT estimou que apenas 45% do código submetido era realmente “deles”, enquanto o grupo com busca convencional apontou 81%. Para lidar com o problema, a proposta citada é ajustar programas de formação, com pareamento de juniores com seniors e treinamento para revisar e “policiar” o que a ferramenta gera, evitando confundir quantidade de código com qualidade e entendimento.
Ferramentas de IA estão mudando o desenvolvimento de software e exigindo que engenheiros foquem mais em arquitetura, revisão e entendimento de requisitos com ambiguidade. Com a capacidade crescente de gerar código, equipes também enfrentam risco de sobrecarga e necessidade de validar o que foi produzido.
No podcast, Erin Doyle defende que a adoção de IA depende de um ambiente de trabalho seguro e sem julgamentos, onde o time consiga compartilhar sucessos e falhas, pedir ajuda e manter ceticismo. Ela também aponta falta de um plano para treinar engenheiros juniores, além da urgência de criar ferramentas avançadas de verificação e telemetria, com responsabilidade total de desenvolvedores e organizações sobre a saída gerada por IA.
Em 2025, o autor tentou usar um LLM para acelerar a programação em Rust e obteve código que nem compilava. Em janeiro de 2026, a abordagem funcionou melhor: o modelo conseguiu implementar uma classe complexa e ainda apontou um bug ligado ao polling crate e à implementação Windows IOCP. Mesmo assim, a qualidade do código continuou baixa, com estrutura ruim e falta de comentários.
Em março de 2026, o uso de IDEs com agentes (como Antigravity e o plugin Claude Code no VS Code) permitiu iterar sobre o código “staged” e revisar com sugestões de boas práticas, elevando a qualidade para algo próximo do que ele faria manualmente. Para reduzir retrabalho, ele passou a usar um arquivo agent.md carregado pelo coding harness, com regras de estilo e critérios de revisão, e relata que também é possível pedir ao agente para atualizar esse arquivo quando surgem novas preferências.
O GitHub lançou o Code Quality em disponibilidade geral no GitHub Enterprise Cloud e no GitHub Team, combinando análises do CodeQL com detecção assistida por IA de problemas de manutenibilidade e confiabilidade. A ferramenta usa o Copilot Autofix para sugerir mudanças que passam por revisão em pull requests, enquanto no branch padrão identifica “quality debt” já existente no repositório.
A atualização inclui habilitação em nível de organização, dashboards com scores de manutenibilidade e confiabilidade, métricas de cobertura de testes e rulesets para quality gates, com modo evaluate para uma adoção gradual. O serviço é pago à parte, com preço base de US$ 10 por committer ativo por mês, e o GitHub afirma que 67,3% dos achados levantados na própria engenharia são resolvidos antes da mesclagem dos pull requests.
