Modelos Frontier cortando preço em 80%, open source ganhando tração real, agentes de IA construindo sistemas completos sem uma linha de código manual. Os quatro vídeos desta edição contam a mesma história de formas diferentes: a IA deixou de ser diferencial competitivo — virou commodity barata, rápida e autônoma.

📉 Commodity: preço despencou, capacidade subiu

Why ChatGPT just became the Best Way to Use AI · Matthew Berman · 14min45s

A OpenAI reduziu os preços de API em até 80% para o GPT 5.6 Luna, usando seu modelo de fronteira (Soul) para encontrar ganhos de eficiência recursivos. A métrica que importa não é mais preço por token — é custo por tarefa concluída. Luna entrega qualidade comparável a GLM 5.2 e Claude Opus 5 com uma fração do custo. A auto-melhoria recursiva cria um ciclo virtuoso: modelo melhora → menos tokens necessários → custo cai → modelo melhora de novo. O cavalo de batalha acessível que a OpenAI precisava.

Agents at Scale: Inside MiniMax’s Model and the Infrastructure Behind It · AI Engineer · 20min14s

Enquanto a OpenAI comprime preços verticalmente, a MiniMax abre o M3 como open source. A parceria com Together AI é o caso clássico de divisão de trabalho: MiniMax treina, Together serve inferência em escala. A Together virou o maior provedor de tokens do M3. O que começou numa conversa em Las Vegas mostra como relacionamentos pessoais ainda definem o ecossistema — mas o resultado é estrutural: modelo aberto + inferência otimizada = adoção acelerada.

🤖 Agentes que agem sozinhos: do RL ao produto pronto

Reinforcement Learning without Verifiable Rewards · AI Engineer · 19min27s

Will Brown (Prime Intellect) ataca o gargalo central do RL em produção: a ausência de recompensas verificáveis. A solução é inferir recompensas a partir de observações retrospectivas, unificando GRPO, REINFORCE e SISPO sob o conceito de gradiente de política. A Prime Intellect está construindo a stack completa — computação, framework, ambientes, plataforma — para que qualquer equipe vire seu próprio laboratório de pesquisa. O ponto-chave: sem recompensa verificável, você não tem gradiente; e sem gradiente, não tem aprendizado.

I tested Manus with a real project · Matthew Berman · 19min18s

Se o RL resolve como agentes aprendem, o Manus mostra o que eles já conseguem construir hoje. A partir de uma spec de 8 páginas e zero código manual, o Manus gerou um sistema completo de gestão de ordens de serviço para franquias — autenticação, briefing dinâmico, notificações, relatórios, integração com WhatsApp/ClickUp/Google Drive. A qualidade final depende da precisão do prompt inicial, mas a demo prova: para MVPs funcionais, o agente já substitui parte da engenharia de software.

Modelos open source barateando, inferência otimizada despencando custo por tarefa, RL resolvendo o problema de aprendizado sem recompensa, e agentes construindo sistemas completos sem código. A pergunta não é mais se IA vai substituir trabalho — é quanto custa, em tokens, para fazer isso amanhã.