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

Eu acho mais interessante uma frase do anúncio do que a compra da DuckLabs pela AWS: o código do DuckDB continua MIT e a propriedade intelectual segue com uma fundação independente.

Promessa de comprador é bonita. Licença, governança e plano de saída são o que salvam seu produto numa segunda-feira ruim. Se minha empresa dependesse de um projeto open source, eu faria uma visita hoje à DuckDB Foundation e responderia: quem controla o código, consigo manter um fork e quanto custa trocar?

Open source não elimina dependência. Só dá uma porta de saída, se você souber onde ela está.

https://ducklabs.com/news/2026/08/26/ducklabs-to-join-aws

Eu tenho uma implicância com empresa que paga o modelo mais caro pra tudo. É como mandar o diretor buscar café porque ele é o melhor profissional da sala.

O Experiential me chamou atenção porque coloca os modelos atrás de uma porta só e permite limitar quem usa o quê e quanto pode gastar. Se fosse no meu time, eu faria assim: pegaria uma rotina repetitiva, colocaria um teto pequeno e compararia custo, tempo e correção humana contra o modelo caro.

Se o resultado empatar, o modelo menor fica com o trabalho chato. Inteligência boa também é saber onde não gastar inteligência cara.

https://github.com/experientiallabs/experiential