A Apple anunciou o HomeView, uma tela inteligente de 7 polegadas que reúne entretenimento, videochamadas e controle da casa inteligente. O dispositivo estreia uma nova versão da Siri com inteligência artificial e respostas personalizadas para os moradores.
O HomeView custa US$ 299 nos EUA (cerca de R$ 1.490) e chega às vendas em 13 de novembro em mercados como Estados Unidos, Canadá, Reino Unido, Austrália, Índia e Nova Zelândia, sem previsão para o Brasil no lançamento inicial. A interface ajusta brilho e informações conforme a iluminação e a distância do usuário, identifica até seis pessoas por reconhecimento facial e integra funções como chamadas FaceTime, comandos de voz e monitoramento de até nove câmeras.
A Apple anunciou a nova geração da Apple TV 4K com inteligência artificial integrada à Siri, chip A19 e suporte a som surround com quatro alto-falantes. A assistente fica mais “conversacional”, ajudando a encontrar filmes e séries por interface em tela cheia, com cartazes e recomendações ligadas ao que o usuário pede.
A Apple TV 4K também traz três microfones de longo alcance para controlar a reprodução e buscar conteúdos sem segurar o controle remoto, além de descrições de vídeos e resumos de notificações gerados por IA com processamento local via HomeKit Secure Video. No mesmo evento, o HomePod mini 2 ganhou melhorias de áudio, novas cores e suporte futuro à Siri com IA, com reconhecimento de até seis vozes e integração com Mensagens, lembretes e temporizadores.
A Apple apresentou o novo Apple TV 4K, o primeiro modelo em quatro anos, com disponibilidade a partir de sexta-feira, 13 de novembro. O aparelho traz o chip A19 e promete conectividade sem fio melhor do que a geração anterior, além de microfones integrados.
A Siri com recursos de IA será parte do lançamento, mas deve funcionar em beta nos Apple TV 4K de segunda geração e nos modelos mais novos. O novo Find My de rastreamento funciona com o controle Siri de segunda geração e mais recentes, enquanto o preço do lançamento é de US$ 299.
O Xcode 27.2 passa a usar um novo formato de arquivo em JSON para a configuração de projetos, substituindo o modelo tradicional baseado em property-list. A mudança foi pensada para melhorar a legibilidade, simplificar a manutenção e tornar a configuração mais fácil de ser entendida e modificada por agentes de coding com IA.
O formato open source xcode-project-format também ajuda a reduzir conflitos de merge, ao oferecer uma representação mais estável e previsível para comparação no repositório. A Apple ainda disponibilizou um pacote Swift para codificar e decodificar o novo formato, e a migração substitui o project.pbxproj por project.xcproj, mantendo o modelo subjacente — com a ressalva de verificar compatibilidade de ferramentas como fastlane, CocoaPods e Tuist.
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 reinvenção do time de desenvolvimento ganhou força com a adoção de coding agents e a ideia de que o trabalho pode sair do IDE e passar a ser guiado por specs e tickets. A apresentação cita as “oito etapas de agentic coding” ligadas a Steve Yegge e o avanço de plataformas de orquestração como o Gastown, além do crescimento rápido do uso de agentes no Cursor.
O cenário descrito aponta que, no Cursor, há mais requisições de agentes do que aceites de abas, com agent-driven development virando a maior parte do trabalho. A fala também reforça que, apesar da promessa de velocidade, a equipe precisa ajustar processos para manter segurança e garantir que “pessoas importam” enquanto agentes escrevem testes, fazem deploy e monitoram em produção.
“Agentic coding” tem sido tratado como útil, mas também criticado por seus efeitos no trabalho de engenharia e nas relações entre equipes. O texto reúne quatro problemas associados ao uso de agentes e código gerado por LLM, chamados de “quatro cavaleiros”: slop, alienação, deskilling e Team Fallout.
Entre os pontos citados, está o “slop” — código gerado por modelos que seria difícil de ler e manter por humanos — além do afastamento do engenheiro do código e da perda de habilidades com o uso prolongado. A crítica também afirma que agentes podem enfraquecer o tecido social das equipes ao reduzir a comunicação interpessoal e limitar a expressão de competências.
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.
Satya Nadella reuniu líderes de clientes corporativos para apresentar a nova estratégia do Copilot, agora posicionado como um “OS for work”. A Microsoft está unificando o Copilot em uma interface única e adicionando capacidades de coding e de agentes diretamente ao assistente, além de integrar o poder do Office ao Copilot pela primeira vez.
O app passa a ter abas separadas para chat, coding e o agente Autopilot, com foco em um visual mais alinhado ao uso empresarial. Nadella também reforçou a necessidade de controle das organizações na era dos agentes de IA, enquanto a empresa aponta que o Copilot deve funcionar como plataforma para mudar a forma como as pessoas trabalham, assim como o Office fez nas décadas de 1980 e 1990.
A InfoQ vai realizar duas turmas de certificação online de cinco semanas em outubro de 2026: AI Security & Privacy Engineering, com início em 26 de outubro, e AI-Assisted Engineering, começando em 19 de outubro. O primeiro grupo foca em proteger dados sensíveis e testar controles de segurança em produtos de IA, usando threat modeling e red teaming. Já o segundo prepara verificações para coding agents que alteram um código existente, com criação de contexto, limitação de permissões e testes antes de levar as checagens para o CI.
As turmas incluem capstones em que os participantes avaliam uma arquitetura de produto de IA e explicam riscos, controles e como seriam testados, além de apresentarem um harness para validar mudanças feitas por agentes. A metodologia também prevê comparação de resultados registrados ao longo das cinco semanas com previsões iniciais, com grupos de pares para discutir decisões e a eficácia das checagens no fluxo de engenharia.
A startup de IA Wabi, que permitia criar aplicativos usando prompts, está fazendo um pivot para uma experiência de “mensageiro” voltada a agentes. A empresa anunciou o Wabi 2.0 como um personal agent que executa tarefas e constrói a interface necessária no momento, acompanhando a crescente demanda por agentes de IA como os da Meta (Muse e Instinct).
Em vez de competir diretamente com ferramentas de “vibe-coding”, o Wabi 2.0 busca concorrer com agentes que unem conversa e produtividade na mesma interface. A proposta inclui gerar interfaces sob demanda conforme o pedido do usuário, com exemplos como app de controle de calorias e registros de treino, além de soluções para rotinas familiares; o Wabi 2.0 está disponível apenas por código de convite distribuído no X.
No DevDay desta terça-feira, a OpenAI apresentou o GPT-6.1 Sol, uma semana depois do lançamento do GPT-6 Sol. A empresa afirma que o novo modelo entrega quase o mesmo nível de inteligência do GPT-6 Astra para coding com agentes, uso de computador e trabalho profissional, com preços de tokens de entrada e saída equivalentes a um quinto do padrão.
A OpenAI também disse que não lançará o GPT-6.1 Astra, após preocupações de segurança levantadas por pesquisadores em testes internos, incluindo maior tendência a decepção e a avançar tarefas sem pedir permissão ao usuário. O GPT-6.1 Sol chega com melhorias em tarefas complexas como programação e debugging, além de ganhos em acurácia factual e maior aderência a limitações, estando disponível a partir de hoje para usuários Plus, Pro, Business, Enterprise e Edu em ChatGPT Work e Codex.
A OpenAI lançou o GPT-6.1 Sol, nova versão do modelo de trabalho voltado a tarefas profissionais, apenas uma semana após o lançamento do GPT-6 Sol. A empresa afirma que o GPT-6.1 Sol é uma atualização que chega perto da “inteligência” do GPT-6 Astra em coding com agentes, uso de computador e trabalho profissional, com custo de entrada e saída equivalente a cerca de um quinto do padrão do Astra.
O GPT-6.1 Sol já está disponível via API e para usuários Plus, Pro, Business, Enterprise e Edu no ChatGPT Work e no Codex, mantendo preços de US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de tokens de saída, com entrada cacheada com desconto. A OpenAI também adicionou uma versão Ultrafast no Codex, com geração de tokens até 8x mais rápida, e diz que o modelo reduz erros factuais e melhora o alinhamento, incluindo testes em que agentes baseados no GPT-6.1 Sol não tentaram contornar revisões automáticas de segurança.
Agentes de IA para programação estão sendo apontados como uma forma de reduzir lacunas de conhecimento na arquitetura de software, especialmente quando sistemas dependem de serviços legados com documentação incompleta. A proposta é usar o agente para mapear o design desses serviços, documentar fluxos de dados e escanear o código em busca de falhas, sugerindo correções e, quando necessário, refatorações para melhorar entendimento e manutenção.
O uso também pode ajudar a identificar e corrigir problemas arquiteturais comuns, incluindo questões de design de APIs, violações de padrões e limites em Domain-Driven Design (DDD), além de apoiar a detecção e correção de vulnerabilidades de segurança, útil quando há dependência de pacotes open source. Para evitar perda de controle sobre a qualidade do resultado, o texto destaca que o agente precisa ser guiado por objetivos arquiteturais mensuráveis, como Quality Attribute Requirements (QARs), e que o código gerado deve ser avaliado por testes.
Vibe coding descreve uma forma de desenvolver software em que a pessoa orienta a IA com comandos e descrições em linguagem natural, em vez de escrever cada trecho do código. A abordagem ganhou força em 2025 por reduzir a barreira de entrada e acelerar protótipos, mas enfrenta limites quando o resultado precisa ser confiável em sistemas usados por clientes, com alto volume de acesso e integrações.
Com o avanço do uso corporativo, o mercado passou a apontar que o vibe coding tradicional exige muita revisão e não cobre de forma adequada etapas como planejamento, testes, implantação e governança. Nesse contexto, ganha espaço a Engenharia de Software Agêntica, que prevê agentes especializados atuando em diferentes fases — do planejamento à escrita, execução de testes e correções — enquanto o profissional supervisiona a cadeia de tarefas para reduzir o risco de falhas entre etapas.
Um desenvolvedor decidiu restringir contribuições com IA em um projeto FOSS que mantém, o LibreWeddingPlanner, e passou a usar ferramentas de IA apenas no trabalho. Mesmo sem usar IA no projeto, ele relata que, no dia a dia profissional, o uso de autocomplete e modelos de geração de código no VS Code evoluiu para um fluxo com agentes de IA, que passaram a criar PRs e até coassinar commits.
Com o tempo, ele diz ter perdido a noção do que era realmente necessário em cada tarefa, além de ter enfrentado dificuldade para revisar mudanças grandes e entender alterações geradas por agentes. A experiência culminou em exaustão com múltiplos contextos e, após meses, ele afirma não ter escrito linhas de código nem feito commits no próprio período, levando à decisão de ficar um mês sem IA.
Ferramentas de coding com inteligência artificial já viraram parte do dia a dia de desenvolvedores: uma pesquisa informal com 103 pessoas aponta que 87% usam ou planejam adotar assistentes de IA para programar. Apesar da adoção alta, a confiança no código gerado segue baixa, com apenas 31% dizendo confiar na precisão do que a IA produz.
O levantamento também indica que 56% relatam ganhos de produtividade com ferramentas ou agentes de IA, citando geração mais rápida de código, menos tempo com documentação e apoio no debugging. No ranking de preferências, o Claude Code aparece como o mais citado (41%), seguido por Cursor (21%) e GitHub Copilot (10%), enquanto a principal barreira apontada é a falta de confiança, que mantém a revisão humana como etapa indispensável antes de qualquer código chegar à produção.
Jensen Huang, CEO da Nvidia, rejeitou a ideia de que agentes de IA vão eliminar a necessidade de engenheiros de software e disse que o “problema do júnior” deve se resolver em dois anos. Em entrevista ao Ezra Klein, ele separou o propósito do trabalho — “engenharia” — das tarefas do dia a dia, citando exemplos como a automação de leituras em radiologia sem mudar o objetivo do diagnóstico.
Huang afirmou que a nova geração “AI-native” chega ao mercado por volta de 2028, já que o tempo médio de graduação seria de dois anos a partir do início dessa onda. Ele também destacou que, embora algumas habilidades mais finas possam diminuir, desenvolvedores precisarão aprender a colaborar com sistemas baseados em agentes, enquanto tarefas como testes, leitura de stack traces e correção de bugs seguem exigindo checagem e julgamento.
O Graphify, ferramenta open source lançada em abril de 2026, transforma codebases, documentos e dados não estruturados em knowledge graphs multimodais consultáveis para otimizar fluxos de engenharia com IA. O projeto, licenciado sob MIT e Apache-2.0, segue um ritmo acelerado de atualizações semanais e já ganhou milhares de estrelas no GitHub nos primeiros 10 dias.
A ferramenta ataca limitações de contexto e memória de agentes de coding ao extrair elementos estruturais via AST com tree-sitter e combinar sinais semânticos de documentação para construir um grafo unificado. As melhorias recentes incluem preservação avançada de atributos de blocos do Terraform e resolução de métodos entre arquivos, além de integração com assistentes via servidores MCP para reduzir tokens em comparação à leitura ingênua de arquivos.
A Qodo levantou US$ 70 milhões na Série B e, mesmo assim, impôs limites para o consumo interno de IA: os engenheiros podem acessar até US$ 10 mil em tokens por mês. Segundo o CEO Itamar Friedman, o teto não foi criado para restringir uso, mas para dar visibilidade e eficiência, ajudando a escolher “o melhor caminho” para gastar com automação.
Enquanto isso, a empresa aponta que o custo de sua infraestrutura de IA para rodar o produto para clientes cresce cerca de 5x ao ano, impulsionado por adoção e por agentes assumindo tarefas mais longas. Para medir retorno, Friedman propõe uma equação de AI ROI baseada em benefícios divididos por custos, conectando o aumento de PRs e a redução de bugs à ideia de mais velocidade com menos incidentes.
Agentes de coding com inteligência artificial passaram a investigar código-fonte, arquivos de configuração, saída do terminal e mensagens de erro para entender projetos e propor correções. Esse acesso a contexto, porém, aumenta o risco de vazamento de credenciais quando o agente lê arquivos locais ou recebe conteúdo colado que acaba sendo enviado a um serviço de IA.
O problema é que, em fluxos agentic, um secret pode escapar antes de commit, code review ou CI, e depois aparecer em logs do provedor do modelo, telemetria de gateways, históricos de prompts ou registros de depuração. A recomendação é tratar o “contexto do agente” como uma superfície de saída e aplicar detecção de secrets determinística e em camadas, independente do modelo, bloqueando ou redigindo credenciais antes da transmissão.
Lauren Tan, engenheira do time Grok na SpaceXAI, compartilhou o workflow do seu agente pessoal, o pstack, que permite enviar 2.000 pull requests por mês para produção com alta confiança. Com isso, um único engenheiro chega a quase 100 PRs por dia útil, e as mudanças de fato chegam ao ambiente final, não ficam apenas no código.
No centro do processo está a verificação: um “skill” que checa o próprio trabalho e mantém o agente trabalhando até a tarefa estar concluída. Para isso, o agente precisa de um runtime rico que ele possa iniciar, inspecionar e obter respostas estruturadas; em sistemas distribuídos, a verificação exige ambientes que suportem muitos testes em paralelo sem interferência entre mudanças.
Um engenheiro do LinkedIn descreveu como a empresa usa “context engineering” para criar uma camada de contexto organizacional que ajuda agentes de IA a depurar incidentes em serviços críticos. No exemplo, um alerta de aumento de latência é enviado a um coding agent como o GitHub Copilot, que busca instruções, analisa logs, métricas e mudanças recentes e identifica a causa em um serviço downstream com muitos erros.
O agente também gera um resumo detalhado com a raiz do problema e os próximos passos, atualiza o sistema de incidentes e cria uma PR para mitigar a falha. Segundo o relato, o fluxo ocorre em poucos minutos e substitui tarefas que levariam horas, apoiado por “Contextual Agent Playbooks and Tools” e por centenas de workflows automatizados.
Claude Fable 5.1, executado via Claude Code, venceu o benchmark Real-SWE com 38,8%, mas falhou em mais de 6 de cada 10 tentativas. O Real-SWE, da Specific Labs, usa código privado de empresas e tarefas parecidas com as rotinas de engenheiros, em vez de problemas retirados de repositórios públicos.
Os testes incluíram oito tentativas por tarefa e avaliaram o modelo junto com sua ferramenta de coding agent: Fable 5.1 com Claude Code, Astra com Codex CLI e Gemini 3.8 Flash com Gemini CLI. Mesmo assim, seis dos 10 cenários tiveram taxas de sucesso abaixo de 15%, e nenhum modelo resolveu consistentemente tarefas como o analytics stream reducer e a linearizable scan.
Harness lançou um Code Repository reconstruído e um produto de AI Code Review para lidar com o volume de pull requests gerados por coding agents. Martin Reynolds, Field CTO da empresa, relata que o gargalo de revisão apareceu quando equipes passaram a receber mais PRs, mas com travas no fluxo de testes, pressionando os times responsáveis por validar mudanças.
A empresa diz que construiu um software delivery knowledge graph para dar contexto ao revisor e reduzir o retrabalho, citando economia de mais de 10.000 horas mensais de revisão manual. A reconstrução do repositório foi pensada como “ground-up AI-first”, com foco em manter partes determinísticas do pipeline e permitir que revisores foquem no que realmente mudou.
A Anthropic vende o plano Claude Max prometendo até 20x mais uso em relação ao Pro, mas desenvolvedores relataram que ainda podem esbarrar em um teto semanal. Uma ação coletiva ampliada, protocolada na terça-feira, afirma que a empresa não deixou essas restrições claras o suficiente durante a assinatura.
A documentação do Max indica que os multiplicadores 5x e 20x valem “por sessão”, com limites que se renovam a cada cinco horas, mas também existe um cap semanal que pode afetar usos em diferentes modelos, incluindo sessões de codificação interativa. O processo sustenta que os limites semanais foram introduzidos no fim de julho de 2025, meses depois do lançamento do Max, e discute se a Anthropic comunicou adequadamente essas condições antes da contratação.
O TechCrunch publicou um glossário para ajudar leitores a entender termos comuns de inteligência artificial, como LLMs, RAG e RLHF, além de novas expressões que vêm ganhando espaço na área. Entre elas está “opaque recurrence”, citada como uma técnica de raciocínio associada ao modelo Astra da OpenAI, que tem preocupado pesquisadores de segurança em IA.
O material também reúne explicações em linguagem simples sobre conceitos como AGI, agentes de IA e endpoints de API, conectando as definições ao uso prático em integrações e automações. A lista ainda aborda ideias de raciocínio em modelos de linguagem, coding agents e fundamentos como compute, deep learning e redes neurais.
Um estudo da Armature analisou como coding agents escolhem ferramentas para serem integradas ao código, com foco em como a decisão muda quando o “agente” passa a montar o stack em vez de o time humano selecionar tudo. A pesquisa acompanhou 17 mil sessões de escolha de ferramentas e avaliou três agentes (Claude Code, Codex e Cursor) em repositórios no GitHub, com variações de prompts e contextos de código.
Os resultados apontam que o contexto do repositório pesa na escolha e que os agentes não seguem o mesmo caminho: Cursor tende a usar a web em 2/3 das sessões, Codex recorre à busca web em 94% e Claude Code busca na web só em cerca de 30%. Em um exemplo de serviço de e-mail, Resend venceu em TypeScript (55/89), SendGrid em Python (22/24), Postmark em Go (20/24) e Azure ACS em Java (22/23), mostrando como a “fama” do fornecedor pode não garantir adoção pelo agente.
Uma pesquisa executou 16.893 rodadas para comparar quais ferramentas de terceiros são escolhidas por coding agents como Claude, Codex e Cursor em tarefas reais dentro de repositórios. O experimento usou um painel com 75 repositórios, em 10 linguagens, com dados simulados (nomes de empresas, histórico e chaves falsas) e lockfiles reais, além de variações de prompts para testar diferentes cenários. As execuções ocorreram em sandboxes efêmeras e com um “humano simulado” orquestrado por Gemini 3.7 Flash para tornar as conversas mais realistas.
Os resultados apontam diferenças claras entre os agentes: o Cursor recorre à web em cerca de 2/3 das sessões, o Codex usa busca web em 94% e o Claude Code pesquisa mais raramente (~30%), aumentando para ~80% em áreas onde seus “priors” são mais fracos. Mesmo quando os agentes mencionam fornecedores conhecidos, isso não garante vitória: apenas 42% das vezes eles escolhem a mesma ferramenta, e o contexto do repositório muda os vencedores entre provedores e plataformas.
A evolução do coding assistido tem chegado perto do “prompt-to-PR”, mas a manutenção de código existente em grandes repositórios segue como um problema pouco resolvido. O texto aponta que, mesmo com novos modelos, mudanças em monorepos continuam difíceis e a diferença no código gerado nem sempre é perceptível.
A proposta para o próximo salto é uma “codebase autônoma”, baseada em gatilhos e funções de agentes que investigam e corrigem falhas antes de alguém abrir uma janela de prompt. A abordagem depende de contexto do repositório e de um fluxo mais determinístico, com agentes específicos acionados por eventos e capazes de executar tarefas como análises, notificações e criação de PRs.
O GitHub Podcast reuniu Marlene Mhangami, GPS e o time do GitHub para destrinchar termos de IA que estão entrando no desenvolvimento de software, como loop engineering, Ralph loops, squads, harness engineering e hill climbing. A conversa também abordou conceitos como forward deployed engineer e as diferenças entre closed models, open weights e open source models.
Loop engineering, por exemplo, propõe criar sistemas repetíveis para agentes em vez de prompts pontuais, com validação e escalonamento quando algo “trava”. Já squads e fleets descrevem fluxos com múltiplos agentes em papéis diferentes ou em paralelo, enquanto harnesses são o conjunto de ferramentas, permissões, memória e orquestração que colocam o modelo para funcionar; hill climbing entra como a prática de melhorar agentes e harnesses com feedback e evals.
A Google reuniu em um roundup as principais atualizações de inteligência artificial anunciadas em agosto de 2026, destacando avanços em produtos e infraestrutura para levar IA ao dia a dia. Entre os destaques estão o Gemini 3.7 Flash para coding e agentes, a expansão do Gemini no Chrome para Android e ferramentas de voz sem uso das mãos no Google Workspace e no Gemini Live.
A empresa também citou a chegada do Gemini em uma nova linha Pixel 11 com o chip Google Tensor G6, a marca de 1 bilhão de usuários mensais do app Gemini e novos recursos de aprendizado no Search. No campo de pesquisa, a Google mencionou o Gemma para desenvolvedores em ambientes offline e resultados do WeatherNext 2 em artigo na Nature sobre previsão de ciclones.
A OpenAI anunciou que vai cortar o acesso direto do Cursor aos seus modelos a partir de novembro, citando incidentes envolvendo empresas de Elon Musk e a quebra de termos de serviço. A medida foi justificada com base em experiências anteriores da OpenAI com violações contratuais, e a empresa disse que a decisão foi difícil para manter os modelos “amplamente disponíveis” aos desenvolvedores.
Em resposta, Tom Brown, cofundador da Anthropic, afirmou rapidamente que a empresa segue tratando o Cursor como um “parceiro confiável” e que vai continuar aumentando a capacidade de compute para suportar modelos Claude dentro da ferramenta. O cenário ganha peso porque a Anthropic também fechou acordos de compute com a SpaceX, incluindo o uso de grande parte do Colossus 1, e agora vê o Cursor sob controle da própria SpaceX.
