O código ficou rápido. A conferência, não.
Quatro vídeos sobre o trabalho que sobra depois que a IA escreve código: revisão, testes de agentes e o controle sobre correções propostas.
YouTube Digest
O agente acertou. Mas podia ler aquilo?
Três palestras sobre a rotina de quem constrói agentes de IA: como avaliar respostas, revisar os próprios avaliadores e respeitar as permissões dos documentos consultados.
A IA sai do laboratório e encontra contratos, pessoas e limites
Um modelo disponível antes de seus pesos, contratos de computação negociados em privado e agentes que precisam esperar por pessoas: cinco vídeos sobre os limites da autonomia.
O modelo melhora. O resto acompanha?
Chips, capacidade de computação, equipes de engenharia e interfaces: vídeos sobre o trabalho que continua existindo mesmo quando o modelo melhora.
Quanto rigor cada mudança merece?
Código descartável, revisão por risco e uma experiência de modernização na GEICO: três maneiras de decidir o que um agente pode fazer sem confundir velocidade com segurança.
O modelo melhora. Quem confere o trabalho do agente?
Um teste de troca de modelos, a evolução da infraestrutura dos agentes e um critério para reduzir a supervisão humana: o que cada etapa exige de verificação.
A tarefa termina quando alguém consegue verificar o resultado
OpenProse declara critérios para agentes; a Wisedocs enfrenta prontuários conflitantes; a Y Combinator cobra evidências concretas nas discussões sobre segurança de IA.
Mil agentes não consertam dados ruins
Da autorização de agentes à montagem de carteiras financeiras: seis apresentações mostram por que limites, contexto e dados preparados importam mais que multiplicar executores.
Entregar agentes em produção não é só ter o modelo rodando
Entregar agentes em produção não é só ter o modelo rodando. É garantir que os agentes sejam autenticados, que o estado seja persistente e que ações sensíveis precisem de aprovação. Harish Gaggar, do Credit Karma, mostra como construir essa infraestrutura com um gateway central, memória por threads e monitoramento completo. 🔐 Agentes empresariais: de experimentos a produção Paving the Road to Production: Governed Enterprise AI Agents — Harish Gaggar, Credit Karma · 29min27s
Um agente com acesso à produção não obedece a um aviso no chat
Permissões e isolamento para agentes de código; por que construir mais rápido não garante um produto diferente.
A IA está saindo do chat e entrando no trabalho
A seleção desta vez gira em torno de uma mudança prática: a IA deixa de ser apenas uma interface de conversa e passa a executar tarefas, tomar decisões tipadas e operar sistemas inteiros. Ao mesmo tempo, os vídeos lembram que velocidade e autonomia não bastam. É preciso medir o trabalho que o agente realmente entrega. Fluxos controlados no lugar do piloto automático Agents in Orbit: Workflows, Not Autopilot — Eduardo Simon & Javier Casal, Flywire · AI Engineer · 18min53s
A IA já executa. Agora precisa provar que merece confiança.
Engenharia de prompt é só o primeiro passo. O problema real é construir sistemas que, mesmo quando a instrução falha, ainda entreguem resultados confiáveis. Os vídeos de 13 e 14 de outubro convergem para a mesma discussão: revisão, custo, autonomia e métricas honestas importam mais do que uma demonstração bonita. 🔗 Onde o prompt não chega A engenharia de prompt ajuda, mas nenhuma instrução bem formulada corrige, sozinha, as limitações do modelo.
Um agente que resolve tudo pode ser o pior da equipe
Um agente atende quase todas as conversas sem pedir ajuda. Outro encaminha parte delas a uma pessoa. Se a equipe medir apenas quantos atendimentos foram encerrados sem intervenção humana, vai premiar o primeiro, mesmo que ele esteja tomando decisões ruins. Os vídeos de hoje ajudam a separar velocidade, execução e acerto. Duas notas anteriores sobre observabilidade e limites de automação dão o contraponto. A decisão também precisa saber parar Testei o Jev com 34 comentários reais: 4,5x mais rápido que o Claude · Pasqua Dev · 25min09s
A próxima disputa da IA acontece na arquitetura, não no marketing
A seleção de hoje junta quatro problemas que parecem diferentes, mas acabam na mesma pergunta: como construir sistemas de IA que façam mais com menos dependência, desperdício e truques de demonstração? Há descompilação de jogos, atenção esparsa, agentes de voz e o custo de manter contexto demais aberto. Código que se verifica e modelos que gastam menos Everything has been solved · 17min37s Descompilar um jogo deixa de ser um exercício quase artesanal quando a IA pode propor um trecho, comparar o resultado com o original e repetir o ciclo.
Modelo pequeno, dados bons e infraestrutura de IA
Modelos especializados, grafos de contexto e a disputa pelos modelos de pesos abertos nos vídeos da semana.
Agentes em produção: enxergar erros e fechar compras
Um workshop da Braintrust sobre observabilidade e uma demonstração do PayPal sobre pagamentos iniciados em assistentes de IA.
Observabilidade e pagamentos: como construir agentes de IA confiáveis
Dois vídeos sobre observabilidade de agentes e pagamentos em chatbots: o que acontece antes e depois de uma decisão automatizada.
O modelo é só uma parte do sistema
Três vídeos desta edição discutem o que acontece ao redor do modelo: memória, recuperação de informação, observabilidade e desempenho em produção.
Catálogos para agentes, código para manter
Três vídeos discutem catálogos para agentes, manutenção de código gerado por IA e ferramentas criadas durante a execução.
Quando a IA chega ao limite do hardware atual
Quando a IA chega ao limite do hardware atual O desenvolvimento de modelos grandes deixou de se preocupar apenas com acurácia e começou a colidir com as limitações físicas dos chips. Do debate sobre GPUs e eficiência energética ao problema de monitorar aplicações de IA em produção, a semana mostrou três problemas centrais: o hardware precisa de um novo paradigma, o código 200 OK não é mais garantia de que o sistema está funcionando, e os agentes autônomos precisam de novas camadas de governança.
Gerar código ficou fácil. Entregar software, nem tanto.
Cinco vídeos sobre o descompasso entre gerar código, entregar software e manter agentes sob controle.
O modelo constrói. Quem revisa?
Um modelo faz um oceano em 3D e um jogo no navegador. Outro vídeo pergunta o que sobra do trabalho de programar quando agentes escrevem o código. Entre a demonstração e a aplicação útil, alguém ainda precisa definir o problema e conferir o resultado. Do prompt para a experiência Sonnet 5.5 Is Here. Look What It Can Build. · Matthew Berman · 17min O vídeo mostra o Sonnet 5.5 criando uma simulação de oceano em 3D no navegador, com ondas, clima e iluminação variáveis, além de um jogo jogável inspirado em Fall Guys.
Agentes precisam de experimentos, não de autonomia irrestrita
Duas conversas sobre agentes se cruzam aqui. Uma pergunta como melhorar o que acontece durante a execução; a outra, quanto trabalho podemos delegar sem perder a capacidade de avaliar o resultado. Os vídeos passam por pesquisa, produção de software e robótica. Experimentar antes de ampliar a autonomia Long-Horizon Agents Need Experiments, Not Just Prompts — Erina Karati · AI Engineer · 21min27s Em tarefas longas, escrever mais instruções não mostra em que etapa o agente se desviou.
Muse, DoorDash e Spotify: como IA muda a relação com o usuário
Spotify e DoorDash experimentam novas formas de busca e recomendação com modelos de linguagem. A promessa de privacidade do agente Muse, da Meta, ainda precisa passar pelo teste do uso real.
Quando a IA deixa de responder e começa a agir
De decisões rápidas a robôs e drones autônomos: quatro vídeos mostram como a IA enfrenta o desafio de agir fora da tela com confiabilidade.
IA sai da tela: preços em queda e corpos no mundo real
OpenAI mira na carteira com os GPT-6 Sol e Luna, enquanto pesquisadores treinam modelos de visão do zero e sonham com agentes que agem no mundo físico.
A fronteira ficou barata. E a infraestrutura, não.
De enxames com 10 mil agentes a decisões tipadas: a inferência muda de escala e de custo, enquanto a rede tenta acompanhar.
Os bugs que não avisam ninguém
Dois bugs silenciosos no vLLM e uma aula de otimização algébrica: o que a semana ensinou sobre rodar modelos em produção.
O modelo parou de ser o produto
IA que decide em milissegundos, IA que se aprimora sozinha e o YC girando para o hardware: o dia em que o modelo deixou de ser a peça central.
Busca: a parte chata da IA que ninguém consegue matar
Bilhões de documentos jurídicos, agentes treinados por reforço e a defesa do chunking: três vídeos sobre o mesmo problema, recuperar informação em escala.
Rivais pediram freio. O mau uso já está em produção.
Os CEOs que disputam a fronteira da IA concordaram em desacelerar, a Anthropic documentou o uso indevido em 154 páginas e três palestras mostram a engenharia de voz amadurecendo.
Onde o agente vai morar
Do código declarativo ao banco de dados, e do espetáculo dos benchmarks à prova que ainda precisa convencer: doze vídeos ajudam a localizar os novos gargalos da engenharia de IA.
O que sobra quando o modelo é commodity
Modelos abertos comendo o mercado corporativo, harness como vantagem competitiva e a conta de US$ 320 por mês que ninguém quer mais pagar.
O harness virou protagonista
Cinco vídeos sobre o que rodeia o modelo: o harness que multiplica o desempenho, o contexto longo como memória de trabalho e a ironia do eterno lançamento.
A fronteira ficou 40 vezes mais barata e o benchmark chegou no talo
Duas rodadas de vídeos com um fio condutor: o preço da fronteira despencou sem tocar no token, o GPT-6 Astra saturou as métricas, um enxame de agentes atacou o Hugging Face por incentivo e não por ordem, e quem constrói agentes para empresa aponta o próximo gargalo: o acesso ao conhecimento
Quando a pesquisa vira o produto
Quatro vídeos, um arco: automação da pesquisa em IA e cronogramas de superinteligência, o Google transformando mídia generativa em commodity de API e a cultura de lançamento rápido explicada por quem trocou o DeepMind pelo OpenAI
Depois do modelo
Quatorze vídeos, um fio: o gargalo migrou do modelo para o contexto, o processo e a conta — produtividade medida em estudos, agentes novatos em cada tarefa, provas formais, comunicação entre GPUs e o GLM 5.3 Flash apertando os preços
Agentes no meio do funil
O gráfico que todo mundo está discutindo, GTM virando pipeline de dados e o fim do developer advocate
O compute se concentra em poucas mãos, e a ciência abre a porta para agentes
Dylan Patel explica por que a economia do compute está virando oligopólio, e James Zou mostra uma arena científica feita para agentes de IA, não para humanos.
O gargalo dos agentes migrou do modelo para a coordenação
Nove vídeos da semana desenham o mesmo movimento: a vantagem competitiva desce do modelo para a camada de orquestração, o atalho do fine-tuning cobra parcela, e as assinaturas de IA começam a se consolidar.
A corrida da IA agora passa por velocidade e contexto
De ChatGPT mais rápido a agentes que quebram fora do laboratório e infraestrutura de dados frescos: quatro vídeos apontam para o mesmo gargalo entre o modelo e o mundo real.
A IA aberta virou jogada política (e ninguém sabe avaliar agentes)
Zuckerberg ataca a Anthropic, a Meta lança Muse Glimmer com pesos abertos, e três palestras do AI Engineer World's Fair mostram que a indústria ainda não sabe medir os agentes que coloca em produção.
Quando a IA acelera tudo e ninguém controla mais nada
Três palestras da AI Engineer World's Fair 2026 sobre o preço de acelerar código com IA e como manter agentes sob controle.
Velocidade sem rumo: três diagnósticos sobre IA e engenharia
Três palestras convergem para o mesmo ponto: a IA acelera a engenharia, mas ninguém chegou a lugar nenhum mais rápido.
Software nativo de IA, código aberto exausto
Três conversas sobre o que a IA está fazendo com software, código aberto e aprendizado contínuo.
O open source está cansando. O que vem depois ainda não tem nome.
Três vídeos desta semana tocam no mesmo nervo: a IA deixou de ser uma camada por cima do software e passou a mexer no que está embaixo. Um criador de agentes de codificação descreve a comunidade open source sendo engolida pelo volume de contribuições automáticas. Um CEO diz que estamos em 1995, só que para software nativo de IA. E alguém levanta um problema mais fundo: se os modelos aprenderem sem parar depois de implantados, toda a nossa ideia de avaliação de segurança perde o sentido.
O Google tropeçou. A borda avançou.
O Google tinha um produto equivalente ao ChatGPT um ano antes da OpenAI lançar o seu. Três painéis desta edição mostram o outro lado da história: o que acontece quando os modelos de fronteira ficam caros demais e a indústria precisa fazer a IA funcionar fora da nuvem. O incumbente que inventou tudo e não conseguiu entregar What is Google even doing? · Matthew Berman · 13min59s O vídeo reconstrói o declínio do Google em IA a partir de um fato: os pesquisadores que escreveram “Attention Is All You Need” em 2017 trabalhavam no Google.
A IA acelera o código. O sistema ainda precisa acompanhar.
Quatro vídeos desta edição chegam a uma conclusão pouco confortável: a IA está ficando muito boa em produzir coisas, mas as partes que exigem contexto, revisão e confiança continuam nas mãos das pessoas. Isso aparece tanto no desenvolvimento de software quanto em carteiras de Bitcoin e no jeito como usamos o próprio ChatGPT. Mais código não significa mais produtividade The AI Paradox: Productivity vs. Reality · pasquadev · 7min52s O vídeo separa a sensação de produtividade do resultado da empresa.
IA virou commodity: preço despencou e agentes já constroem sozinhos
GPT 5.6 Luna corta preços 80%, MiniMax abre M3, RL sem recompensas verificáveis, e Manus constrói sistemas completos sem código.
Open source venceu. E agora?
A briga entre IA aberta e fechada chegou ao fim técnico — mas a guerra de negócios está só começando. Mais: agentes em event-sourcing, o fim do indie hacker, e por que seu bottleneck é você mesmo.