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.
O guia de prompting do Claude Opus 5.5 detalha padrões específicos para extrair melhor desempenho do modelo. A documentação afirma que o Claude Opus 5.5 gera tokens de saída mais de 30% mais rápido que o Claude Opus 5 e costuma concluir a mesma tarefa com menos tokens, sem exigir mudanças nos prompts existentes do Opus 5.
A orientação também destaca como calibrar o “effort”, principal controle para o quanto o modelo pensa, equilibrando inteligência, latência e custo. O texto recomenda começar no nível médio (padrão do Opus 5.5), testar níveis com as próprias avaliações e ajustar limites como max_tokens para evitar cortes em turnos longos e agentic.
Redis está usando engenharia de contexto para viabilizar aplicações com LLM em cenários com restrições reais de tempo. Em uma apresentação, Ricardo Ferreira contou como desenvolveu o Agent Memory Server (AMS), um projeto open source para criar camadas de memória de curto e longo prazo sobre Redis, com foco em permitir conversas mais naturais.
Para testar o AMS, ele criou a skill “My Jarvis” para Alexa, com respostas limitadas por um timeout fixo de 8 segundos. A arquitetura inclui uma função Lambda no backend, o SDK da Alexa e o LangChain4j (Java), que orquestra o acesso a um LLM via OpenAI, enquanto o desenvolvimento enfrenta problemas como context poisoning, distração por excesso de dados, confusão e “context rots”.
A OpenAI anunciou que atualizou o GPT-5.6 Sol dentro do ChatGPT voltado ao uso cotidiano, mantendo inalteradas as versões usadas no Codex e no ChatGPT Work. Segundo a empresa, essa variante foi otimizada para conversas “do dia a dia” e, por isso, fica disponível apenas na experiência de chat. A mudança também inclui um controle deslizante para Plus e Pro escolherem quanto “pensamento” o modelo aplica antes de responder, funcionando no web, mobile e desktop.
Nos bastidores, a OpenAI afirma que o GPT-5.6 Sol atualizado reduz erros factuais: em testes internos, respostas com ao menos um erro foram 68% menos frequentes do que no GPT-5.5 Instant, e a Luna (futura padrão para Free e Go) teria reduzido erros em cerca de 62%. Para devs e times que testam prompts antes de levar para ambientes como Codex/Work, a recomendação é validar na prática onde o modelo vai rodar, já que a API não teve mudanças anunciadas e os comparativos não trazem detalhes reproduzíveis.
Um post no Hacker News argumenta que, apesar de LLMs deixarem qualquer pessoa “bom o suficiente” em tarefas como escrever CSS ou redigir textos, a diferença real está na expertise do domínio. O autor cita a conversa de Terence Tao com o ChatGPT sobre um contraexemplo ligado à Jacobian Conjecture, destacando que Tao conseguiu avançar mais do que ele, mesmo com limites de tokens. A análise aponta que o segredo não é só pedir mais, mas formular perguntas curtas, sinalizar o contexto correto e reconhecer quando a resposta “parece estranha”.
Na prática, a mensagem é direta para devs: conhecimento do seu problema (código, arquitetura, regras do domínio) permite extrair muito mais valor do mesmo modelo, guiando o LLM para soluções melhores e mais simples. Sem esse repertório, o sistema até ajuda a chegar a algum resultado, mas tende a ficar preso a respostas genéricas ou mal direcionadas.
