No Meta Connect, Mark Zuckerberg voltou a apresentar o Muse, agente pessoal lançado semanas antes. A empresa promete uma arquitetura de privacidade mais forte, mas a versão que impediria a própria Meta de acessar os dados ainda não chegou ao público.

Além disso, temos casos de mercado mostrando como LLMs estão sendo integrados de forma prática em sistemas de recomendação. DoorDash usa LLMs para entender melhor o que seus usuários querem de comida. Spotify vai além, propondo um modelo de personalização onde o usuário pode conversar com o sistema e ajustar a experiência na hora.

De caixa preta para conversa generativa

Teaching LLMs to Speak Spotify · 19min40s

A ideia de recomendação sempre foi parecida: o sistema olha seu histórico, vê o que você consumiu antes e recomenda algo “parecido”. Spotify, com 760 milhões de usuários e mais de 100 milhões de faixas, enfrenta esse gargalo de escala de forma brutal.

No vídeo, a empresa descreve a personalização generativa como uma forma de incorporar instruções do usuário às recomendações. No Spotify DJ, por exemplo, você pode direcionar a sessão de música enquanto ela toca. É uma mudança em relação a depender só do histórico de consumo, sem dispensar os sinais de curadoria e recomendação que a plataforma já usa.

Compreensão semântica supera engajamento

Distill the LLM, Don’t Serve It: Search & Personalization at DoorDash · 22min11s

DoorDash tem um problema diferente, mas igualmente difícil. Quando alguém busca “pasta sem glúten”, a recomendação baseada em popularidade costuma falhar: o item sem glúten pode ter menos pedidos e cair para baixo da ordem de relevância, mesmo sendo exatamente o que o usuário quer.

O vídeo mostra como LLMs ajudam aqui. Em vez de depender apenas de avaliações e cliques, o sistema usa LLMs para criar “relevância graduada” — níveis 0, 1 e 2 para cada par consulta-item. O LLM explica o contexto: que tipo de pasta, quais restrições, que tipo de usuário. Isso permite recomendações que fazem mais sentido do que pura engenharia de engajamento.

Muse e a questão da confiança

Meta is pivoting again… everything you missed from Connect 2026 · 5min41s

No Meta Connect 2026, Zuckerberg deu destaque ao Muse. Segundo a descrição técnica da Meta, cada agente roda em uma máquina virtual Linux dedicada, com um sistema chamado Sentinel que controla as ações externas. Esse isolamento não impede, por si só, que a Meta acesse os dados.

O vídeo lembra que o assistente M, lançado em 2015, dependia de operadores humanos. Hoje, a Meta informa que o usuário pode recusar o uso de suas interações para treinar modelos, mas essa opção exige uma decisão explícita. A empresa também diz que a versão confidencial da máquina virtual, projetada para impedir o acesso da própria Meta, virá mais tarde. Quanto ao preço, fala em uso básico gratuito e planos pagos. A afirmação do vídeo sobre comissão por compras não aparece nessa descrição oficial.

Não é que tudo seja ruim. A mudança de foco do metaverso para IA pessoal é perceptível. Mas antes de apostar na confiabilidade de Muse, faz sentido esperar e ver como a própria Meta tratará os dados no dia a dia.

O futuro da recomendação parece menos sobre algoritmos mais complexos e mais sobre dar o poder de decisão para quem usa. Se Muse e os sistemas de personalização generativa conseguirem entregar isso de forma transparente, isso pode ser um passo na direção certa. Se não, será mais uma promessa bonita disfarçada de monitoramento.