A conferência Internet Economy da Stripe, que acontecerá de 29 a 30 de abril, abordará como a IA, o comércio baseado em agentes e as criptomoedas estão redefinindo os pagamentos e os modelos de negócios no cenário digital.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
16837 notícias encontradas
O Customers Bank está em parceria com a OpenAI em um esforço plurianual para integrar IA avançada em suas operações essenciais, visando transformar a forma como um banco regional funciona no dia a dia. A iniciativa foca na automação de fluxos de trabalho em empréstimos, depósitos e pagamentos, utilizando modelos personalizados treinados com dados internos e implementados sob rigorosos padrões de governança. Se bem-sucedida, a medida poderá direcionar os bancários de tarefas manuais para o atendimento ao cliente, oferecendo uma visão de como instituições de médio porte podem competir em um cenário financeiro cada vez mais nativo em IA.
As stablecoins escalam rapidamente, com mais de US$ 33 trilhões em volume de transações anuais e US$ 300 bilhões em circulação, consolidando-as como uma camada de pagamento fundamental para a internet. A Coinbase se posiciona como provedora de infraestrutura full-stack, combinando a distribuição de USDC, sua rede Base e ferramentas para desenvolvedores para impulsionar pagamentos globais e programáveis para empresas e agentes de IA. Com o crescimento das transações orientadas por IA e a integração dos trilhos cripto pelas finanças tradicionais, a próxima fase muda da adoção para onde e como as stablecoins são realmente usadas em escala.
A Hyperliquid está entrando nos mercados de previsão, aproveitando sua plataforma de negociação multi-ativos de alto volume para competir com players estabelecidos como Kalshi e Polymarket. Sua abordagem integra contratos baseados em eventos juntamente com criptoativos, commodities e ações dentro de um único sistema de negociação, oferecendo distribuição imediata e estratégias de nível de portfólio. Essa iniciativa destaca uma convergência crescente entre os mercados de derivativos e de previsão, com a concorrência se intensificando tanto em plataformas regulamentadas quanto em descentralizadas.
Diretores financeiros estão elevando os orçamentos de IA em toda a empresa e especificamente nas áreas de finanças, com 83% planejando aumentos nos próximos dois anos, mesmo diante de resultados iniciais variados. O diferencial chave é a escala: equipes financeiras que implementaram IA em produção reportam resultados notavelmente mais fortes do que aquelas ainda em fase de piloto. Velocidade e ciclos mais rápidos são os benefícios primários, enquanto as principais barreiras migraram da tecnologia para gestão de mudanças, talentos e redesenho de workflow.
A Robinhood está apresentando um desempenho financeiro mais forte, impulsionado por novas fontes de receita, como apostas baseadas em eventos e assinaturas premium, que começam a compensar a atividade de negociação mais fraca. A receita de assinaturas do seu nível Gold aumentou 32%, enquanto a receita geral cresceu 15%, ajudando a amortecer as quedas na negociação de cripto, que diminuiu acentuadamente em comparação com o ano anterior. O movimento mais amplo da empresa em direção a produtos financeiros diversificados sinaliza uma mudança para um modelo mais resiliente, embora sua dependência do engajamento de clientes de varejo ainda a exponha às flutuações do mercado.
A Mercury garantiu aprovação condicional do Office of the Comptroller of the Currency (OCC) para lançar seu próprio banco nacional, marcando um passo importante para ter controle sobre sua infraestrutura financeira. Essa medida permite que a fintech focada em startups expanda para serviços de empréstimos, pagamentos e funcionalidades como o Zelle, ao mesmo tempo em que reduz a dependência de bancos parceiros. Contudo, ainda são necessárias aprovações finais de reguladores, incluindo o FDIC e o Federal Reserve. Se concretizada, a licença posiciona a Mercury para competir mais diretamente com bancos digitais full-stack, sinalizando uma tendência mais ampla de fintechs que buscam maior controle sobre sua economia e seu product stack.
A Visa anunciou a expansão de seu programa global Agentic Ready para clientes na Ásia-Pacífico e América Latina. Lançado inicialmente com bancos e parceiros emissores na Europa, incluindo o Reino Unido, o Agentic Ready foi desenvolvido para apoiar o ecossistema de pagamentos enquanto se prepara para o surgimento do comércio baseado em agentes.
A Backbase introduziu uma nova plataforma orientada por IA, projetada para unificar a forma como os bancos gerenciam interações com clientes, equipes internas e agentes automatizados em um único ambiente operacional. O sistema se sobrepõe à infraestrutura existente para coordenar fluxos de trabalho, aplicar permissões e gerar insights em tempo real, visando os processos fragmentados 'intermediários' que compõem a maior parte do trabalho bancário de linha de frente. Se for eficaz, a abordagem pode reduzir significativamente o custo operacional, permitindo que os bancos escalem serviços sem aumentar o quadro de funcionários.
A Tempo introduziu novas funcionalidades de pagamento corporativo em sua blockchain nativa de stablecoin, abrangendo assinaturas, pagamento automático, faturamento baseado em uso e endereços virtuais para atribuição e reconciliação de depósitos. Essas capacidades preenchem lacunas importantes em pagamentos recorrentes e gerenciamento de carteiras multi-inquilino, permitindo que empresas executem fluxos de trabalho de pagamento completos onchain com menor operational overhead. A atualização aproxima as stablecoins do suporte a operações financeiras empresariais de ponta a ponta, indo além de transferências únicas.
A IA não deve ser valorizada puramente como um substituto para o trabalho humano, mas como uma impulsionadora de mercados inteiramente novos, moldados por custos mais baixos e demanda significativamente mais alta. Enquanto a IA comprime o preço do trabalho, ela expande o volume através de novos casos de uso e disponibilidade constante, muitas vezes aumentando o tamanho total do mercado além das bases de software e mão de obra. O resultado é um novo framework de TAM onde a IA expande a produção econômica em vez de simplesmente deslocá-la.
Fintechs como Revolut, Nubank e Mastercard estão desenvolvendo modelos de fundação específicos de domínio, treinados em vastos conjuntos de dados de transações, entregando ganhos significativos de desempenho em score de crédito, detecção de fraude e personalização. Esses modelos consolidam múltiplos sistemas de ML em uma arquitetura única e podem redefinir a principal vantagem competitiva do setor bancário: risco e tomada de decisões. À medida que o tooling se torna acessível, o desafio muda da pesquisa para a execução, com a diferenciação a longo prazo provavelmente indo além dos modelos para dados proprietários e workflows agentic.
A Kashable levantou US$ 60 milhões em uma rodada Série C liderada pela Goldman Sachs Alternatives, destacando o interesse dos investidores em modelos de empréstimos integrados ao empregador. A empresa oferece empréstimos pessoais de custo mais baixo e ferramentas de bem-estar financeiro ao alavancar dados da folha de pagamento, o que melhora a análise de crédito e reduz o risco de inadimplência. Com US$ 2 bilhões em empréstimos concedidos, lucratividade e crescimento de 40%, o modelo da Kashable a posiciona como uma alternativa estruturada ao crédito de consumo com juros altos.
As Materialized Tables no Apache Flink permitem que os usuários definam uma tabela diretamente com sua query de população, fazendo o embedding tanto do schema quanto da lógica de atualização contínua ou agendada dentro do catálogo. Isso simplifica os pipelines de ETL ao gerenciar automaticamente o ciclo de vida do job, a evolução do schema e as atualizações.
O Shopify Flow emprega um agente de IA que capacita os comerciantes a construir fluxos de automação utilizando linguagem natural, eliminando a necessidade de regras complexas. A Shopify aprimorou notavelmente este agente ao aplicar fine-tuning em um modelo de código aberto menor, utilizando dados específicos do domínio do Flow. Essa otimização resultou em uma precisão substancialmente maior, menor latência e custos reduzidos em comparação com modelos de propósito geral de grande porte.
O Linux 7.0 acidentalmente cortou pela metade o desempenho do PostgreSQL porque uma mudança de agendamento aumentou o tempo de retenção dos spinlocks durante as falhas de página de memória, gerando um desperdício massivo de CPU. A solução encontrada para o problema é a migração para huge memory pages.
A Vinted reconstruiu seu sistema de autocompletar busca, transicionando de sugestões estáticas e genéricas para uma abordagem híbrida. Esta nova abordagem combina um robusto modelo de pontuação heurística com um modelo Learning-to-Rank (LTR). As sugestões são pontuadas offline utilizando popularidade, taxa de sell-through e sinais de uso, e indexadas com técnicas inteligentes de prefix e fuzzy matching. Posteriormente, um modelo LightGBM é aplicado em tempo real, incorporando o comportamento e o contexto do usuário para re-rankear os resultados.
O Pinterest desenvolveu um modelo de retrieval two-tower dedicado para gerar candidatos a anúncios de compras mais eficazes, otimizados para conversões offsite. Essa abordagem supera os sinais tradicionais baseados em cliques e engajamento, que, embora abundantes, possuem baixa correlação com a intenção real de compra. O sistema utiliza uma arquitetura unificada multi-tarefa, incorporando camadas cruzadas paralelas DCN v2 e MLP, e emprega técnicas de treinamento inovadoras para lidar com dados de conversão esparsos e ruidosos, juntamente com uma função de perda aplicada em nível de anunciante.
Sistemas de recomendação em tempo real precisam agora combinar features contextuais ricas com latência inferior a 100 ms em escala, frequentemente abrangendo bilhões de registros de interação. Para isso, feature stores atuam como a camada de consistência entre o treinamento offline e o serving online, reduzindo o training-serving skew, enquanto plataformas de batch computam features e embeddings de alto custo. O Redis é utilizado para busca de similaridade de vetores com baixa latency, retrieval de candidatos e caching de filtros de elegibilidade, mantendo os caminhos de requisição rápidos e eficientes.
As falhas em testes A/B são muito mais frequentemente causadas por infraestrutura deficiente e práticas de experimentação ruins do que pelas ideias sendo testadas. Falhas comuns incluem o Sample Ratio Mismatch (SRM) devido a randomização inadequada, early peeking que inflaciona falsos positivos, poder estatístico insuficiente e a otimização de métricas incorretas sem os devidos guardrails, levando a resultados enganosos.