A Adyen está adquirindo a plataforma de fidelidade Talon.One por €750 milhões para integrar promoções e precificação em tempo real diretamente ao seu payments stack. O negócio fortalece a estratégia de “unified commerce” da Adyen, combinando dados de transação com a tomada de decisões, permitindo que os comerciantes personalizem ofertas no momento do checkout. Isso reflete uma mudança mais ampla, onde plataformas de pagamento estão subindo no stack, transformando-se de infraestrutura em sistemas que geram receita.
CEVIU News
As melhores notícias de tecnologia, curadas diariamente para quem vive tech.
16837 notícias encontradas
O software está passando de interações guiadas por UI para fluxos de trabalho mediados por agentes, onde agentes de IA interagem diretamente com sistemas via APIs, MCPs e CLIs, em vez de interfaces humanas. Isso exige que as empresas redesenhem produtos focados em interações de agente para agente, o que inclui melhor compartilhamento de contexto, instruções estruturadas e loops de feedback para aprimorar o desempenho ao longo do tempo. A implicação é que os futuros vencedores no setor de software otimizarão para agentes como usuários primários, tornando as interfaces humanas secundárias.
Bancos e fintechs como Revolut, Nubank e Mastercard estão treinando foundation models específicos para o setor em vastos conjuntos de dados de transações. Essa iniciativa está gerando avanços significativos em áreas como score de crédito, detecção de fraude e personalização de serviços financeiros. O modelo PRAGMA da Revolut, por exemplo, substituiu múltiplos sistemas de ML legados e demonstrou melhorias notáveis, como um aumento de 65% no recall de fraude e 130% no desempenho do score de crédito. Isso ressalta o papel dos dados proprietários como um diferencial competitivo fundamental. A vantagem estratégica de longo prazo não se limitará ao modelo em si, mas ao stack completo de dados, fluxos de trabalho e orquestração de agentes que serão construídos sobre ele, resultando em um IP acumulado para as instituições financeiras.
A Thrive Capital está investindo no San Francisco Giants como parte de uma nova estratégia de capital permanente, focada na aquisição de ativos escassos e não replicáveis, como franquias esportivas e instituições culturais.
A API de inteligência de rede oferece insights de dados instantâneos e de nível de rede que complementam as capacidades de gestão de risco existentes dos participantes, fornecendo mais informações, e confiança, antes da realização de uma transação.
O Google está desenvolvendo um sistema baseado em créditos para seu aplicativo Gemini, no qual os usuários receberão uma cota mensal para usar em diferentes modelos e funcionalidades. Será possível recarregar os créditos quando esgotarem. Essa mudança tornará o orçamento para cargas de trabalho intensivas mais previsível e fornecerá ao Google uma forma mais direta de introduzir recursos premium sem obrigar os usuários a adquirir planos mais caros. Empresas como OpenAI, Anthropic e Notion já utilizam um modelo de consumo similar.
É muito difícil medir a contribuição que os modelos de IA trazem para uma base de código. Por vezes, os melhores casos de uso para a IA são prompts investigativos que não necessariamente produzem qualquer código. Linhas de código não são uma boa métrica de qualidade, e pode ser complicado distinguir o trabalho realizado por engenheiros do que foi feito pela IA. Aparentemente, há um viés para reportar uma porcentagem maior de IA, o que é benéfico para empresas de IA, mas métricas distorcidas podem ser prejudiciais.
O Thinking Machines Lab tem contratado mais pesquisadores da Meta do que de qualquer outro empregador. A startup de IA está em plena expansão em diversas frentes e acaba de fechar um acordo multibilionário de cloud com o Google, o que lhe garante acesso aos chips GB300 mais recentes da Nvidia. Apesar dos pacotes salariais robustos da Meta serem amplamente reconhecidos, a avaliação de US$ 12 bilhões da Thinking Machines e seu quadro de 140 funcionários indicam um significativo potencial financeiro para quem se junta à startup.
Agentes de programação são o primeiro produto de IA pelo qual as pessoas estão pagando em volume e de forma regular. No entanto, a demanda por compute começou a crescer mais rápido do que qualquer um consegue construir, indicando que a indústria não está preparada para o boom dos agentes. A medida mais óbvia para os laboratórios de IA agora é cortar limites e aumentar os preços.
O monitoramento do comportamento de LLM exige a adoção do AI Evaluation Stack, separando os testes em asserções determinísticas, focadas na integridade de sintaxe e roteamento, e avaliações baseadas em modelo, que verificam a qualidade semântica. Engenheiros utilizam pipelines offline para testes de regressão pré-implantação com "Golden Datasets" revisados por humanos. Já os pipelines online monitoram o desempenho em tempo real para detectar drift e falhas. Um feedback contínuo da telemetria de produção garante que os sistemas de IA se adaptem e mantenham alta performance à medida que o comportamento do usuário evolui.
A tese dos laboratórios nacionais é legítima para as nações, mas para todos os outros, é uma solução para um problema que não possuem.
Embora a saída bruta da prova gerada pelo ChatGPT fosse bastante rudimentar e exigisse que especialistas a analisassem e compreendessem, parece que a IA descobriu uma nova forma de abordar grandes números e sua estrutura.
Modelos de geração de imagem ajustados por instrução podem atuar como sistemas de visão generalistas, alcançando resultados de ponta em diversas tarefas ao recontextualizar a percepção como geração de imagens.
Os avanços em inteligência de vídeo eficiente incluem encoders de visão universais compactos, como o EUPE, que destilam capacidades de modelos especializados como DINO e SAM. Técnicas como LongVU utilizam alocação adaptativa de tokens e compressão para a compreensão de vídeo de longa duração, enquanto a implantação em edge e em dispositivos gerencia o processamento em tempo real. Os desafios persistentes abrangem a compreensão de streaming, a detecção de eventos esparsos, a inferência sub-watt em tempo real para óculos de RA e o raciocínio multimodal robusto.
O Google planeja investir entre US$ 10 bilhões e US$ 40 bilhões na Anthropic. O valor exato do investimento dependerá da capacidade da Anthropic de atingir determinadas metas de desempenho. Recentemente, a Anthropic já havia recebido um investimento de US$ 5 bilhões da Amazon, também com opção de aporte adicional condicionado a performance. As recentes rodadas de investimento avaliam a startup em US$ 350 bilhões. Estes fundos serão cruciais para ajudar a startup a diminuir a lacuna entre a demanda e a oferta de compute, fundamental para o treinamento e a inference de IA.
A Andon Labs está conduzindo um experimento para verificar se agentes de IA podem gerenciar empreendimentos no mundo real. Para isso, inaugurou em 10 de abril uma boutique de varejo operada por uma agente chamada Luna. Até o momento, Luna tem enfrentado dificuldades com os horários dos funcionários e parece incapaz de parar de fazer pedidos de velas. A missão do experimento era gerar lucro, mas a loja já acumulou um prejuízo de $13.000 desde sua abertura.
O que significa quando uma empresa com receita anualizada de US$ 2,7 bilhões apresenta margens brutas de -23%? No caso da Cursor, isso significa que as ferramentas de codificação de IA inverteram o modelo tradicional do SaaS, onde atender o próximo cliente deveria ser barato. Usuários avançados consomem mais capacidade de modelo e compute, fazendo com que os melhores clientes se tornem os mais caros. Isso reformula o suposto acordo com a SpaceX como algo mais do que uma manchete de US$ 60 bilhões. O acesso ao Colossus reduziria a dependência da Cursor das taxas da Anthropic e da OpenAI, que são a origem dessa margem negativa de 23%.
A Anthropic lançou um recurso chamado Memory para seus Claude Managed Agents. Ele permite que os agentes lembrem e utilizem informações de sessões anteriores, acumulando conhecimento ao longo do tempo sem a necessidade de atualizações manuais de prompt. O Memory funciona como uma camada baseada em sistema de arquivos, onde os dados são armazenados como arquivos que podem ser exportados, gerenciados via APIs e configurados com permissões para atender a diversas necessidades organizacionais. O recurso já está disponível em public beta para todos os usuários de Managed Agents.
Cohere e Aleph Alpha estão unindo forças para criar uma alternativa de IA soberana e de nível empresarial, combinando a escala em IA canadense com a expertise em pesquisa alemã.
Um framework da Meta permite o escalonamento em tempo de teste para agentes de codificação, resumindo execuções anteriores em representações estruturadas. Isso facilita uma melhor seleção e reuso, otimizando o desempenho em benchmarks.