Uma demonstração de IA cabe na tela. Colocar a mesma tecnologia para funcionar durante dias envolve outras perguntas: onde rodar, quem pode agir e o que exige aprovação humana? Os vídeos de hoje chegam a essas perguntas por caminhos bem diferentes.
Acesso ao modelo não é execução local
They actually did it… (Kimi K3.1) · Matthew Berman · 25min50s
Matthew Berman mostra uma simulação interativa de cubo mágico gerada com o Kimi K3.1 Pro pelo serviço da empresa. Ele mexe no cubo e comenta detalhes da interface. É uma demonstração, não uma medida geral de desempenho. A Moonshot AI informa que pretende liberar os pesos completos até 4 de novembro de 2026; em 24 de outubro, o modelo estava disponível em seus produtos e na API, mas os pesos ainda não tinham sido liberados.
Who is local AI really for? · Matthew Berman · 32min20s
No outro vídeo, Berman separa duas ideias que costumam ser confundidas. Ter acesso aos pesos de um modelo permite que diferentes provedores o ofereçam; executá-lo no próprio computador é outra decisão, com custo de equipamento e trabalho de configuração. Ele diz que gostaria de usar IA local, mas recorre a serviços remotos quando precisa concluir uma tarefa. A ressalva interessa mais do que um veredito definitivo: a vantagem de controlar os dados não elimina, por si só, o custo de uso.
A capacidade tem preço e prazo
Why Compute Still Trades in Group Chats — Affaan Mustafa & Alejandro Soumah Fernandez, Jump Trading · AI Engineer · 20min37s
Affaan Mustafa e Alejandro Soumah Fernandez descrevem contratos de capacidade de computação com prazo e equipamento definidos, negociados em conversas privadas. Existem mercados para contratação sob demanda, mas muitos contratos por prazo e volume definidos ainda são cotados privadamente, com corretores e negociação bilateral, segundo os palestrantes. Isso acrescenta uma camada à discussão sobre onde executar um modelo: conseguir as máquinas nas condições necessárias também é parte do produto.
Um agente precisa trabalhar sem receber carta branca
Inside Arca’s Long-Horizon Agents That Run the Business - Aman Singh, Arca · AI Engineer · 13min15s
Aman Singh descreve tarefas financeiras que atravessam vários dias, com esperas entre mensagens, decisões e transferências. No exemplo que apresenta, o agente prepara um plano, mas uma pessoa aprova o plano e a mensagem antes do envio; depois, uma resposta da cliente pode alterar os próximos passos. A autonomia aqui não significa executar tudo de uma vez. Significa manter o contexto enquanto o trabalho fica parado à espera de alguém ou de um evento.
Real AI Agent Attacks and What Would Have Stopped Them — Andrey Rybka, Bloomberg · AI Engineer · 15min44s
Andrey Rybka olha para o outro lado dessa autonomia. Sua proposta é dar identidade própria a cada agente, usar credenciais temporárias e limitar as ações que ele pode executar. Também defende verificar chamadas de ferramentas por código externo ao modelo e exigir aprovação humana para ações de alto impacto. Lido junto ao caso da Arca, o vídeo deixa uma pergunta concreta: em quais passos o sistema deve esperar, e quais ele jamais deveria conseguir realizar sozinho?
Um agente útil precisa lembrar o que estava fazendo; um agente confiável também precisa encontrar portas fechadas.