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 Dell entrou na corrida para permitir que agentes de inteligência artificial entendam o significado dos dados que acessam dentro das empresas. A companhia apresentou tecnologias para conectar informações de sistemas diferentes e indicar à IA quais termos, relações e fontes devem ser considerados em cada tarefa, com previsão de chegada dos principais recursos no primeiro semestre de 2027.
O foco é criar uma camada de contexto entre modelos de IA e dados corporativos, problema que ganhou força com a adoção de agentes em tarefas reais. Levantamento da Modern Data Company com mais de 540 profissionais em 66 países aponta que 57,3% das organizações já testam ou usam agentes, mas só 8,4% confiam nos dados para uso em produção, e falta de contexto aparece entre as principais barreiras.
A TOTVS apresentou como arquitetar a camada de dados para agentes de IA em ambientes corporativos, destacando o desafio de ter “muito dado” que não está preparado para ser acessado por loops de raciocínio que fazem consultas imprevisíveis. A empresa explicou que, em sistemas transacionais como ERP e CRM, os dados foram otimizados para aplicações determinísticas e com alta precisão, enquanto agentes usam raciocínio probabilístico e exigem preparação adicional.
A apresentação também abordou como decidir onde buscar dados e como preparar plataformas para a era “agentic”, combinando fontes transacionais e de dados. Segundo a TOTVS, é comum usar a plataforma de dados para processamento histórico e busca semântica (com apoio de vector database e protocolos como MCP), enquanto o acesso direto ao sistema transacional é indicado quando é necessário escrever dados, obter informações mais recentes ou executar regras de negócio codificadas no próprio sistema.
Uma apresentação do lead engineer Dumanshu Goyal, da Airbnb, usa a história do programa do Ônibus Espacial da NASA para defender “design para eficiência” e aplicar a mesma lógica a sistemas modernos de IA. O ponto central é que, na prática, requisitos pouco revisados podem inflar custos e complexidade — como ocorreu com as milhares de telhas de sílica no Ônibus Espacial — enquanto uma análise rigorosa de requisitos e trade-offs leva a soluções mais simples e eficientes.
No contexto de IA, o talk conecta essa mentalidade ao uso de OSS Valkey e a padrões de arquitetura voltados a reduzir latência e melhorar throughput, especialmente quando a meta deixa de ser milissegundos e passa a ser microsegundos. Para devs, isso reforça a importância de projetar camadas de dados e cache com observabilidade e decisões de engenharia orientadas por desempenho real, que impacta diretamente aplicações de IA em tempo quase real.
:quality(85)/caa565f6-c377-4023-9d75-750c505f2401.png)
