Eu tenho uma implicância com protótipo bonito: ele dá coragem antes de dar certeza.

O Onshape Labs está levando IA para dentro do CAD. Você descreve uma peça, a ferramenta gera geometria editável e ajuda a chegar mais rápido numa primeira versão. Isso pode cortar custo antes de conversar com engenharia, fornecedor ou comprador.

Eu usaria pra matar ideia ruim cedo, não pra pular validação. Testa uma versão, muda uma medida importante e pede ao engenheiro para achar o erro. Ninguém consegue revisar? Então você não ganhou velocidade. Só adiantou o susto.

https://www.onshape.com/en/blog/featurescript-mcp-server-enables-text-code-cad

Eu fiquei pensando no tanto de trabalho que existe só porque uma tarefa precisa atravessar uma área para chegar a outra. Dados da OpenAI mostram que quase metade das conversas profissionais específicas analisadas já tratava de tarefas ligadas a outra ocupação.

Minha leitura não é que todo mundo deva fazer tudo. A oportunidade está em remover handoffs pequenos sem remover responsabilidade.

Eu testaria uma fronteira por vez e definiria três coisas: alçada, prova de aceite e hora de chamar o especialista. Escrevi como fazer isso aqui: https://www.gustavocaetano.com/blog/ia-expande-fronteiras-do-trabalho?utm_source=telegram&utm_medium=channel&utm_campaign=blog_fronteiras_trabalho_20260814&utm_content=telegram_blog_divulgacao #PenseSimples

Eu gosto de IA com memória. Só não gosto quando a empresa descobre tarde demais do que ela se lembrou.

O novo Computer History do ChatGPT transforma o que você faz em apps e sites numa linha do tempo que a IA consulta depois. A função começa desligada, deixa escolher o que entra, pausar e apagar. Não grava tela nem áudio. Ainda assim, eu não liberaria pra empresa inteira no embalo.

No ChatGPT Computer History, eu faria um piloto com uma função só e tiraria da coleta banco, RH, CRM e contratos. Depois de uma semana, perguntaria: isso poupou contexto ou só criou outro risco com informação sensível? Memória boa ajuda a trabalhar. Memória sem regra ajuda a arrumar problema.

https://learn.chatgpt.com/docs/customization/computer-history

Eu confesso que a discussão sobre usar ou não usar IA já me cansou. A pergunta útil é outra: quem responde pelo trabalho quando a IA ajudou?

O Debian abriu uma votação com nove caminhos, do banimento ao uso com condições. Isso vale muito além de software. Relatório, proposta, contrato, campanha: se ninguém consegue explicar de onde veio uma afirmação, a economia de tempo virou dívida com juros.

Eu usaria a votação do Debian como régua pra escrever uma regra curta: IA pode ajudar, mas alguém precisa assinar a entrega, conferir as fontes e corrigir o erro. Sem dono, não sai. A ferramenta muda toda semana; a responsabilidade não deveria mudar junto.

https://lists.debian.org/debian-devel-announce/2026/08/msg00002.html

Eu desconfio quando cinco agentes de IA concordam rápido demais. Às vezes não é inteligência coletiva. É o mesmo erro ganhando cinco crachás.

A Anthropic colocou agentes pra trabalhar juntos e encontrou um problema bem humano: eles repetem escolhas, escondem informação diferente e podem lotar um sistema tentando passar na frente. Num teste, foram 2,4 milhões de pedidos para apenas 117 tarefas aceitas. Reunião ruim, só que em velocidade de computador.

Eu usaria o estudo da Anthropic antes de contratar uma “equipe digital”. Vários agentes só entram quando o trabalho puder ser dividido de verdade, como pesquisar mercados diferentes. Limite de gasto, comparação com um agente sozinho e uma pessoa decidindo no fim. Mede se a equipe entrega mais ou apenas conversa mais rápido.

https://www.anthropic.com/research/multiagent-systems

Eu desconfio de empresa que mede IA pelo número de licenças compradas. É como comemorar matrícula na academia olhando o débito no cartão.

Um estudo da OpenAI acompanhou mais de 1.500 organizações e 17 milhões de mensagens. O uso variou muito entre áreas e pessoas; gente no começo da carreira usou mais que líderes seniores. Comprar acesso foi a parte fácil. Transformar uso solto em capacidade da empresa continua sendo o trabalho.

Eu faria um teste num processo só com ChatGPT Enterprise, como revisar propostas. Por duas semanas, compararia tempo até a entrega, correções humanas e resultado aceito. A pergunta é: o que melhorou? Sem resposta, você comprou login, não produtividade.

https://cdn.openai.com/pdf/how-organizations-use-chatgpt.pdf

Eu gosto de IA vertical porque ela é obrigada a encarar os detalhes que uma demonstração bonita consegue esconder. A Proxy Foods captou US$ 6 milhões para levar IA à pesquisa de alimentos, onde trocar um ingrediente muda sabor, custo, fábrica e até o rótulo.

Minha leitura é simples: gerar uma receita plausível não é o produto. O valor está em reduzir tentativas sem perder ciência, conformidade e responsabilidade.

Se fosse no meu time, eu começaria por uma reformulação pequena e mediria quatro coisas: hipóteses úteis, protótipos evitados, tempo e desvios. Escrevi o caso completo aqui: https://www.gustavocaetano.com/blog/proxy-foods-ia-pesquisa-alimentos?utm_source=telegram&utm_medium=channel&utm_campaign=blog_proxy_foods_20260817&utm_content=telegram_blog_divulgacao #PenseSimples

Eu fico desconfiado quando um agente acerta na demonstração e ninguém pergunta como reage aos casos ruins. O OpenEnv, da Hugging Face, cria uma pista de treino antes da operação real.

Se fosse no meu time, eu escolheria uma tarefa reversível e montaria 30 cenários: dez normais, dez exceções e dez tentativas de quebrar as regras. Só avançaria com resultado aceito, sem mais risco ou correção humana.

Minha leitura: o melhor ambiente não prova que o agente é confiável. Ele revela onde ainda não é. Escrevi o teste completo aqui: https://www.gustavocaetano.com/blog/openenv-ambiente-treino-agentes-ia?utm_source=telegram&utm_medium=channel&utm_campaign=blog_openenv_20260818&utm_content=telegram_blog_divulgacao #PenseSimples

Me chamou atenção uma falha que passou pelo Copilot e pela revisão automática: um título de issue no GitHub virou acesso ao Jira interno da Snowflake. A brecha ficou aberta cinco dias. Cinco.

Minha regra pra qualquer time acelerando código com IA seria bem pouco sofisticada: correção gerada ou revisada por IA nunca se aprova sozinha quando toca automação, credencial ou produção. O risco engole o ganho de velocidade no primeiro incidente.

Eu faria um teste com o Wiz Red Agent, ou uma revisão ofensiva independente, antes do merge desses fluxos. IA revisando IA parece moderno. Sem um freio independente, é só pressa com crachá.

https://www.wiz.io/blog/red-agent-snowflake-copilot-cicd-bug

Eu gosto da ideia de uma IA pequena preparando o rascunho, desde que a IA grande continue com a caneta vermelha. É assim que funciona a decodificação especulativa: uma propõe vários tokens e a outra verifica antes de responder.

Se fosse no meu time, eu não aprovaria isso olhando só para tokens por segundo. Mediria a taxa de palpites aceitos e a latência ponta a ponta numa tarefa real, depois aumentaria a concorrência até descobrir se a fila voltou.

Dois modelos só valem mais que um quando a velocidade melhora sem empurrar o problema para a capacidade. Expliquei o teste aqui: https://www.gustavocaetano.com/blog/o-que-e-decodificacao-especulativa-na-ia?utm_source=telegram&utm_medium=channel&utm_campaign=blog_decodificacao_especulativa_20260819&utm_content=telegram_blog_divulgacao #PenseSimples

Eu desconfio de toda comissão que vem acompanhada da palavra “simples”. A Apple mudou as regras dos apps na Europa: dependendo de onde o pagamento acontece, a mordida vai de 5% a 26%. E a opção escolhida fica travada por 12 meses.

Eu faria uma planilha com quatro rotas antes de mexer num app vendido por lá: loja e pagamento Apple, pagamento alternativo, link externo e distribuição fora da loja. Receita menos comissão, imposto, fraude, suporte e conversão. A menor taxa pode sair bem cara pro seu negócio.

Minha implicância é essa: distribuição parece decisão de tecnologia até aparecer na margem. Aí já era decisão de dono desde o começo.

https://www.apple.com/newsroom/2026/08/apple-announces-changes-for-apps-in-the-european-union/

Eu fiquei pensando no que muda quando um agente de IA deixa de sugerir uma compra e passa a ter crédito para fazê-la. A Natural conseguiu uma linha de até US$ 100 milhões para esse mercado, mas capacidade disponível ainda não é demanda real.

Se fosse no meu time, eu testaria uma despesa pequena e reversível. Definiria quem pode gastar, o que conta como resultado aceito e como reconstruir cada decisão. Só aumentaria o limite depois de medir erros, estornos e tempo economizado.

Agente com crédito precisa de alçada, aceite e auditoria. Expliquei os sinais e o hype aqui: https://www.gustavocaetano.com/blog/natural-credito-pagamentos-agentes-ia?utm_source=telegram&utm_medium=channel&utm_campaign=blog_natural_credito_agentes_20260820&utm_content=telegram_blog_divulgacao #PenseSimples

Eu fiquei curioso com o Stripe se juntando à OpenRouter. Uma cuida do dinheiro que entra; a outra, de um pedaço cada vez maior do dinheiro que sai em produtos com IA. Não parece coincidência.

Eu faria uma conta por função e por usuário antes de vender um produto com IA: quanto entrou, quanto a IA consumiu e quanto sobrou. A OpenRouter ajuda a enxergar o custo por modelo. Melhor ver isso antes de inventar plano barato ou “uso ilimitado”.

Minha leitura é simples: faturamento bonito pode esconder uma conta que dá prejuízo a cada clique. IA sem custo por uso visível vira promoção paga pela sua margem.

https://openrouter.ai/blog/announcements/openrouter-is-joining-stripe/

Eu tenho uma implicância com pesquisa cheia de link que ninguém consegue abrir. Parece trabalho pronto até o sócio clicar e bater num paywall. Aí começa a romaria do “manda um print?”.

Confesso que achei engraçado pagar por um buscador para fugir de outro paywall, mas a Kagi agora deixa esconder esses resultados. Eu ligaria isso nas pesquisas que precisam circular pelo time. Fonte inacessível não ajuda a decidir; só terceiriza o retrabalho.

Minha régua seria simples: a pesquisa só terminou quando quem recebeu consegue conferir as fontes sem pedir socorro.

https://kagi.com/changelog#11296

Eu confesso que a promessa de clonar o time me dá vontade de esconder o cartão da empresa. Se ninguém sabe dizer quando um trabalho terminou, a cópia só erra mais rápido e em horário integral.

O Munder Difflin cria agentes de IA com a memória e o jeito de trabalhar de cada pessoa. Eu faria um teste com uma rotina chata e repetida, tipo preparar o briefing de uma reunião, e daria um limite claro: fonte permitida, custo máximo e o que precisa voltar pra decisão humana.

Clonar bagunça continua sendo bagunça. Só ganhou turno da madrugada.

https://munderdiffl.in/

Eu pensei no custo de ensinar um robô a errar dentro de uma fábrica. A Veeda AI captou mais de US$ 90 milhões para levar esses erros a uma simulação, onde máquinas podem praticar sem quebrar equipamento nem parar a operação.

Se fosse no meu time, eu escolheria uma tarefa repetitiva e faria um teste cego no robô real. Só avançaria se a simulação reduzisse horas de coleta sem aumentar colisões, exceções ou correção humana escondida.

Vídeo bonito não prova transferência. Eu expliquei as três fidelidades que cobraria antes de comprar essa promessa: https://www.gustavocaetano.com/blog/veeda-ai-modelos-de-mundo-robotica?utm_source=telegram&utm_medium=channel&utm_campaign=blog_veeda_ai_20260824&utm_content=telegram_blog_divulgacao #PenseSimples

Eu tenho uma implicância com empresa que compra “memória de IA” antes de decidir o que pode ser lembrado. Parece moderno até o histórico do navegador, um contrato e a pasta de clientes virarem a mesma sopa.

O Hister me chamou atenção porque cria uma busca sobre páginas e arquivos escolhidos, roda no servidor da empresa e não exige nuvem. Eu faria assim: uma única pasta de pesquisa, tudo que é sensível fora e dez perguntas cuja resposta o time já conhece.

Se ele encontra mais rápido sem inventar resposta, ganhou um piloto. Memória boa começa pelo direito de esquecer.

https://hister.org/

Eu pensei em quantas skills de IA entram num time porque o nome parece confiável. Uma skill parece só texto, mas pode mandar o agente ler arquivos, executar comandos e tocar credenciais. Esse é um risco concreto.

Eu testei o SkillSpector, da NVIDIA, em modo estático. Ele encontrou um alerta e avisou que a análise ficou parcial. Minha decisão prática: antes de instalar, eu cobraria três coisas: origem fixa, alcance limitado e prova de cobertura completa.

Scanner não é selo. É a lupa antes de abrir a caixa de ferramentas: https://www.gustavocaetano.com/blog/skillspector-seguranca-skills-agentes-ia?utm_source=telegram&utm_medium=channel&utm_campaign=blog_skillspector_20260825&utm_content=telegram_blog_divulgacao #PenseSimples

Eu confesso que achei engraçado ver a Thomson Reuters lançar um modelo próprio de IA. Parece empresa brincando de laboratório. Só que eles colocaram US$ 40 milhões numa base aberta treinada com conteúdo jurídico e tributário que só eles têm.

Pra mim, a pergunta antes de construir qualquer IA própria é: qual vantagem exclusiva vai entrar ali? Se a resposta for “nossos PDFs”, eu compraria uma boa ferramenta e iria trabalhar. Se houver dados difíceis de copiar e especialistas, eu faria um piloto numa tarefa cara e mediria erro e custo. Foi onde eles usaram o Thomson, dentro do CoCounsel Legal.

O Thomson não prova que toda empresa precisa de modelo próprio. Prova quase o contrário: sem um ativo raro, é só uma forma sofisticada de comprar servidor.

https://www.thomsonreuters.com/en/press-releases/2026/august/thomson-reuters-leverages-its-world-class-data-assets-to-launch-its-own-frontier-model

Eu fiquei com uma dúvida meio incômoda: se a IA tira a vaga de entrada, de onde vai sair o próximo sênior?

O novo recorte do Stanford Digital Economy Lab encontrou um buraco de 19% no emprego de jovens de 22 a 25 anos nas funções mais expostas à IA. Não é um apocalipse geral de empregos. É uma porta de entrada ficando mais estreita.

Antes de congelar vaga júnior, eu faria uma coisa: abriria o Stanford Canaries Dashboard e separaria o trabalho que a IA faz sozinha daquele em que ela ajuda alguém a aprender mais rápido. Automatizar tarefa chata faz sentido. Automatizar o começo da carreira inteira é economizar folha e parcelar a falta de gente boa no futuro.

https://digitaleconomy.stanford.edu/project/indicators/canaries-dashboard/

Eu fiquei pensando no que vale mais na corrida da IA: encontrar energia nova ou usar melhor a que já existe. A Emerald AI levantou US$ 150 milhões para fazer data centers reduzirem consumo quando a rede aperta, sem parar o trabalho crítico.

O teste mais forte cortou 25% da potência por três horas. É sinal real, mas não prova os 100 GW que a empresa estima tornar disponíveis. Minha decisão prática seria cobrar três provas antes de comprar a promessa: carga deslocada, resultado preservado e economia dividida em contrato.

Se funcionar em contrato, energia flexível reduz fila de conexão e custo de pico: https://www.gustavocaetano.com/blog/emerald-ai-energia-flexivel-data-centers?utm_source=telegram&utm_medium=channel&utm_campaign=blog_emerald_ai_20260827&utm_content=telegram_blog_divulgacao #PenseSimples