Uma prosa lapidada costumava exigir esforço. Hoje, qualquer fundador pode produzir um comunicado de lançamento de funcionalidade claro em dez minutos, mas a maioria deles soa como o mesmo anúncio. Faça o teste: troque o nome da sua empresa pelo de um concorrente e releia sua última publicação. Se ela ainda fizer sentido, você escreveu apenas um comunicado de imprensa genérico. Para ir além, não entregue ao modelo uma especificação de funcionalidade e peça um texto lapidado. Em vez disso, forneça o ticket do cliente, a discussão no Slack e o áudio em que você explica por que essa funcionalidade realmente importa, garantindo autenticidade e relevância.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
16837 notícias encontradas
A Chainguard agora espera que seus gerentes de engenharia estejam no percentil 50 de uso de tokens entre seus subordinados diretos. Gerentes que utilizam poucos tokens carecem do contexto necessário para gerenciar e impulsionar resultados. Por outro lado, gerentes que usam tokens em excesso precisam focar em aumentar o uso de tokens por suas equipes. Estar no meio termo significa que tanto os gestores quanto suas equipes compreendem plenamente o potencial das ferramentas que utilizam.
Durante a maior parte da história do software, era possível simular produtividade entregando muito. A IA quebrou essa fachada, pois protótipos são baratos, as especificações se escrevem sozinhas, e a entrega parece a mesma, quer você esteja construindo a coisa certa ou a errada. Isso exige equipes menores de quatro ou cinco pessoas, com o PM mais próximo do trabalho, especialmente em funcionalidades de IA onde a pergunta 'isso é bom?' não pode ser respondida por uma métrica. O modelo pode construir a coisa para você, mas ainda não consegue dizer por que alguém deveria se importar.
É ingênuo supor que o Total Addressable Market (TAM) para inteligência artificial será simplesmente igual ao tamanho atual do mercado de trabalho humano global. Esta publicação propõe um novo framework para dimensionar os mercados de IA, baseado na equação econômica clássica de Preço multiplicado por Quantidade (TAM = TAM do Trabalho Humano × Fator de Compressão de Preço × Fator de Expansão de Volume).
Um cliente pediu uma funcionalidade em uma chamada. A equipe a construiu, lançou rapidamente e seguiu em frente. Ninguém realmente a utilizou. A velocidade só ajuda se você entender o problema antes de começar a construir. Analise suas últimas cinco funcionalidades lançadas e conte quantos clientes ainda estavam usando cada uma delas um mês depois.
Estamos caminhando para uma estrutura de preços baseada em token e o fim das camadas de preço fixo.
Por uma década, a pergunta dos compradores era: "Integra-se com Salesforce?". Agora, eles querem saber se agentes podem operar seu produto, se suas APIs são limpas e se há um conector MCP. Compradores que fazem essas perguntas estão calculando se vale a pena mantê-lo. A situação piora quando um fornecedor que eles já pagam adiciona uma versão de 60% do que você oferece, porque a IA preenche o restante o suficiente para que cortar seu contrato de US$ 80 mil deixe de parecer uma desvantagem. Contratos anuais têm escondido a frequência com que isso já está acontecendo.
O software revolucionou a distribuição, mas grande parte do trabalho ainda dependia da intervenção humana. A IA muda esse cenário, transformando o próprio trabalho em software. Agentes de IA são capazes de ler, raciocinar, interagir com ferramentas, verificar, revisar e executar tarefas de longa duração. Com a comoditização dos modelos, as aplicações que conseguirem capturar dados operacionais complexos serão as que evoluirão mais rapidamente e sustentarão sua vantagem competitiva por mais tempo.
Agentes de longa duração se destacam por sua capacidade de manter o progresso contínuo ao longo do tempo, operando através de múltiplas janelas de context e sandboxes. Essa persistência permite que eles se recuperem de falhas, gerem artefatos estruturais importantes e retomem suas tarefas exatamente do ponto onde foram interrompidos. O artigo aborda o estado atual dos agentes de longa duração e demonstra como engenheiros podem implementá-los agora, sem precisar construir todo o sistema do zero, abrindo novas portas para a automação e otimização de fluxos de trabalho.
Praticamente todos os incidentes de cadeia de suprimentos open source registrados nos últimos dezoito meses têm uma conexão direta com funcionalidades do GitHub Actions que operaram exatamente conforme esperado. A questão central é que o Actions se comporta como um gerenciador de pacotes desprovido de lockfile, hashes de integridade e visibilidade transitiva, elementos cruciais para a segurança. Embora o conjunto de recursos oferecidos pelo GitHub Actions seja inegavelmente conveniente, sua arquitetura facilita a criação de combinações perigosas. O GitHub já está ciente da situação e planeja introduzir melhorias, contudo, a empresa adverte que a alteração das configurações padrão pode impactar negativamente os workflows já estabelecidos.
O universo open source era significativamente menor antes da ascensão do GitHub, e os projetos tinham a responsabilidade de gerenciar toda a sua própria infraestrutura. Este cenário exigia uma abordagem diferente e mais complexa para o desenvolvimento e a colaboração.
Elon Musk afirma que a transição da OpenAI de uma organização de caridade para uma empresa com fins lucrativos é equivocada e cria um precedente preocupante para outras iniciativas filantrópicas. Ele está processando a OpenAI e seus co-fundadores, buscando a anulação da reestruturação que transformou a empresa em um modelo com fins lucrativos. Musk alega que os fundadores da OpenAI se aproveitaram de seu dinheiro, reputação e orientação para alavancar a startup, apenas para depois abandonar seus princípios originais de foco no público e capitalizar o projeto em benefício próprio. Em contrapartida, os advogados da OpenAI argumentam que a ação judicial é, em sua essência, uma tentativa de enfraquecer um concorrente direto da empresa de IA do próprio Musk.
A plataforma de anúncios da OpenAI opera em duas frentes. Nos bastidores do ChatGPT, objetos estruturados são injetados na conversa enquanto o modelo está respondendo. Do lado do comerciante, um tracking SDK é executado no navegador do visitante e reporta as visualizações de produtos de volta para a OpenAI. Essas duas partes são interligadas por tokens de clique criptografados com Fernet. Este artigo detalha cada segmento desse ciclo de distribuição, revelando a mecânica por trás da veiculação de publicidade dentro da plataforma.
Apesar de seus fundadores as definirem como 'máquinas da verdade', os mercados de previsão atendem majoritariamente aos seus traders, e não àqueles que buscam a verdade.
O projeto Ghostty anunciou sua saída do GitHub, citando as interrupções frequentes da plataforma. As constantes falhas no GitHub têm se tornado um problema significativo, impactando negativamente a capacidade dos desenvolvedores de realizar seu trabalho de forma eficiente.
Agentes de IA enfrentam desafios com a ambiguidade, tornando APIs estritas um diferencial crucial para o seu desempenho. A clareza e a previsibilidade fornecidas por APIs bem definidas são fundamentais para que esses sistemas operem com maior eficiência e confiabilidade.
David Silver é professor na UCL e ex-líder da equipe de reinforcement learning da DeepMind.
A Batch API oferece um desconto de 50%, mas adiciona latência, tornando-a menos adequada para uso por um único agente. Para frotas de agentes onde múltiplas requisições podem ser agrupadas, a abordagem de batching se torna economicamente viável. O uso ideal envolve rotear modelos mais lentos e custosos através de batches, enquanto modelos mais rápidos são empregados por caminhos síncronos, possivelmente gerenciados por proxies inteligentes como o LunaRoute, que está em desenvolvimento.
Pesquisadores da Amazon apresentaram o ESRRSim, um framework de avaliação baseado em agentes que utiliza uma taxonomia estruturada para fazer benchmark de riscos. A ferramenta permite identificar e analisar comportamentos problemáticos como engano e reward hacking, revelando uma ampla variação na forma como 11 LLMs distintos se comportam diante desses desafios.
O TurboQuant comprime cada coordenada em grandes tabelas de vetores de alta dimensão para 2 a 4 bits, com uma distorção comprovadamente quase ótima, sem overhead de memória para fatores de escala e sem necessidade de treinamento ou calibração. Ele é entre quatro e seis ordens de magnitude mais rápido que as alternativas na indexação de 4 bits, apresentando também um recall superior. Esta página explica como o TurboQuant funciona.