Episode 87: GPT-5.6 Sol, Bonsai 27B, Gemini 3.5 Flash e

Episódio 087 — 15 de julho de 2026

[00:00] Gancho do episódio

O GPT-5.6 Sol da OpenAI é direcionado a agentes que podem navegar em software, chamar ferramentas e entregar resultados finalizados, com uma janela de contexto grande o suficiente para projetos extensos. Um aplicativo ChatGPT Desktop redesenhado reforça essa mudança ao combinar conversa, criação de trabalho intelectual e programação em um único lugar. Além dos modelos de fronteira, donos de pequenas empresas contaram ao Congresso como a IA está economizando horas, aumentando vendas e produzindo sistemas funcionais como um agente de contas a pagar — enquanto legislators pesavam os custos e riscos. A IA local também deu um grande passo: a Prismml comprimiu seus modelos multimodais Bonsai 27B para tamanhos tão pequenos quanto aproximadamente 3,9 gigabytes, e o Google mostrou o Gemma 4 E2B rodando nativamente em Pixel TPUs para planejamento e transcrição offline. Uma descoberta em robótica adiciona uma fronteira útil: o Claude teve dificuldades com controle motor direto e em frações de segundo, sugerindo que modelos de linguagem são mais adequados para planejamento e supervisão do que para substituir os loops de controle rápido dos robôs.

[02:00] GPT-5.6 Sol Impulsiona Agentes Rumo ao Trabalho Finalizado

Um agente de IA agora pode assumir uma mudança em todo o repositório, inspecionar o resultado em um navegador e avançar mais em direção a um artefato finalizado em vez de parar com conselhos. Essa é a proposta prática para o GPT-5.6 Sol, o novo modelo focado em capacidades da OpenAI para codificação complexa, uso de computador, pesquisa e segurança.

O alias da API gpt-5.6 roteia para o Sol. Sua página de modelo lista uma janela de contexto de 1.050.000 tokens, até 128.000 tokens de saída, e entrada de texto e imagem. As ferramentas disponíveis incluem pesquisa na web e em arquivos, geração de imagens, um interpretador de código, shell hospedado, aplicação de patches, uso de computador, habilidades, pesquisa de ferramentas e MCP, um padrão para conectar modelos a ferramentas e dados externos.

Uma mudança especialmente útil é a chamada programática de ferramentas. O Sol pode escrever JavaScript que coleta e reduz resultados de ferramentas dentro de um fluxo de trabalho limitado. Isso pode tornar um trabalho longo menos parecido com uma sessão de chat cheia de transferências intermediárias e mais parecido com um programa que coleta evidências, processa e retorna o resultado útil. O raciocínio persistido carrega o trabalho entre as voltas, enquanto um modo multiagente em beta pode dividir tarefas independentes entre subagentes paralelos. O Sol também pode inspecionar imagens em suas dimensões originais, e um modo pro está disponível para trabalhos onde a qualidade vem em primeiro lugar.

A OpenAI relata que o desempenho de uso de computador subiu de 47,5 por cento no GPT-5.5 para 62,6 por cento no GPT-5.6. Sua pontuação relatada no BrowseComp aumentou de 84,4 para 90,4, enquanto o BenchCAD subiu de 44,4 para 70,6. O parceiro de lançamento Lovable relata menos etapas, menos chamadas de ferramentas e menos execuções travadas; a Qodo relata aproximadamente três vezes menos tokens por pull request revisado e cerca de metade da latência. Esses são números publicados pela OpenAI e parceiros, não resultados universais e independentes.

Para construtores, a oportunidade está em garantia de qualidade de navegador, pesquisa em documentos grandes e fluxos de trabalho intensos em ferramentas projetados em torno da conclusão. Observe se esses ganhos sobrevivem a restrições reais de produção. A OpenAI posiciona o Terra como o nível equilibrado para uso diário e o Luna para trabalho rápido e de alto volume.

[03:10] ChatGPT Unifica Conversa, Entregáveis e Programação

Agora você pode pedir mais do que uma resposta ao ChatGPT: a OpenAI quer que equipes atribuam uma peça completa de trabalho e recebam um entregável revisável. Em 9 de julho, a OpenAI apresentou um novo aplicativo desktop que coloca Chat, Work e Codex sob o mesmo teto, mantendo cada faixa distinta. Chat é para conversa. Work lida com pesquisa e artefatos de trabalho intelectual finalizados. Codex permanece a experiência dedicada para construir e reparar software; não foi simplesmente renomeado ou removido.

Para usuários existentes do Codex, projetos e configurações são mantidos. As pessoas podem manter o Codex como a visualização padrão, reter o ícone do Codex e acessar projetos do Codex a partir do ChatGPT mobile. Essa continuidade importa porque a consolidação de interface é menos interessante do que os fluxos de trabalho que ela deve suportar.

Work pode produzir documentos, planilhas, apresentações e Sites em vez de parar em uma resposta de chat. A OpenAI descreve a mudança como passando de pedir uma resposta para atribuir um entregável que pode envolver fontes, ferramentas, revisão e uma saída que alguém pode revisar. Equipes de finanças, por exemplo, podem transformar dados brutos em modelos, gráficos, memorandos e apresentações dentro desse processo mais amplo.

A evidência mais concreta vem de contas de clientes publicadas pela OpenAI. A OpenAI diz que a Zapier construiu um sistema de revisão de leads que encontrou sete dígitos em pipeline perdido. A RingCentral transformou verificações manuais de lançamento em um fluxo de trabalho usado por aproximadamente 50 gerentes de produto. A Virgin Atlantic reduziu a pesquisa competitiva de semanas para horas. A NVIDIA automatizou a preparação de conferências que consumia cerca de 40 por cento de seu tempo pré-evento.

Para construtores, a oportunidade é direcionar processos com uma entrada clara, uso repetido de ferramentas e um artefato final concreto: uma revisão de lançamento, pacote de pesquisa, modelo financeiro, apresentação ou reparo de software. A próxima coisa a observar é se as equipes podem confiar na revisão e reutilização dessas saídas em trabalho recorrente, em vez de tratar cada resultado como uma resposta única.

[05:03] Pequenas Empresas Transformam IA em Horas, Vendas e Peças Funcionais

Um problema de empacotamento de café, uma máquina velha sem peça facilmente disponível e horas perdidas com faturas: esses eram alguns dos alvos concretos de IA descritos em uma audiência do Comitê de Pequenas Empresas da Câmara dos EUA em 14 de julho. Os exemplos importam porque mostram negócios cotidianos aplicando IA a tarefas específicas onde o sucesso pode ser medido em tempo, dinheiro ou uma peça de equipamento funcionando.

Uma farmácia de Chicago com 151 anos está construindo um agente de contas a pagar destinado a devolver aos funcionários mais de 20 horas por semana. Seu dono também disse que o emprego aumentou cerca de 20 por cento desde que a empresa adotou IA. A Henry's House of Coffee usou o ChatGPT para ajudar a projetar e programar um borrifador controlado por sensor que resolveu um problema físico de empacotamento de café. Em Detroit, empreiteiros combinam plantas com anotações ditadas para completar orçamentos em seus caminhões antes de sair da garagem do cliente.

A audiência também incluiu resultados comerciais diretos. A GT Coffee informou que sua taxa de conversão aumentou de 1,5 por cento para 2,3 por cento, enquanto o valor médio do pedido subiu de 38 dólares para 47 dólares. Um marceneiro de Oklahoma disse que peças de reposição para equipamentos envelhecidos agora podem ser projetadas e impressas em 3D em horas em vez de exigir esperas de semanas. Em outro caso, a IA apresentou uma opção de licença para cozinha residencial para um restaurante tailandês, reduzindo supostamente os custos de inicialização em mais de 90 por cento.

Esses números devem ser lidos com cuidado: são declarações juradas de testemunhas, não descobertas governamentais auditadas independentemente. Ainda assim, o padrão é útil para construtores. Nenhum desses exemplos depende de resolver todas as partes das operações de uma empresa. Cada um começa com um obstáculo limitado — faturas, orçamentos, embalagem, marketing, licenças ou um componente indisponível — e aplica IA diretamente a ele.

O que vem a seguir é evidência de que esses ganhos persistem além de relatos individuais. Os produtos mais fortes vão tornar a linha de base e o resultado fáceis de comparar, enquanto se encaixam nas ferramentas bagunçadas e nos processos físicos que pequenos negócios já usam.

[06:59] Bonsai 27B Comprime IA Multimodal em Memória do Tamanho de um Telefone

Um telefone poderia inspecionar uma foto de equipamento, ler uma captura de tela ou ajudar com um documento sem enviar esse material para um serviço de nuvem. Essa é a promessa prática por trás do Bonsai 27B, um novo lançamento da PrismML que comprime o Qwen 3.6 27B em pacotes pequenos o suficiente para caber na memória de dispositivos de consumo.

Este não é um modelo recém-pretraindado. A PrismML criou versões comprimidas do modelo multimodal existente, incluindo variantes ternárias de 1 bit e 1.58 bits. Ternário significa que os pesos armazenados do modelo usam um conjunto muito pequeno de valores possíveis, reduzindo acentuadamente a quantidade de memória que ocupam. A PrismML relata uma pegada tão baixa quanto cerca de 3.9 gigabytes e demonstra operação em hardware de classe iPhone.

O lançamento inclui arquivos GGUF para runtimes compatíveis com llama.cpp, além de builds MLX para silício Apple. Isso dá aos construtores de IA local formatos práticos para testar o modelo em laptops e telefones em vez de tratar o resultado da compressão como uma demonstração de laboratório.

A capacidade multimodal é o que torna a redução de tamanho especialmente útil. Isso não se limita a聊天 textual offline. Um construtor poderia prototipar um assistente de inspeção que examina fotos de equipamentos, um ajudante de viagem que interpreta placas ou capturas de tela sem conexão de rede, ou um agente de documento que mantém arquivos sensíveis no laptop do usuário. A operação local também pode importar em ambientes de trabalho onde enviar imagens ou registros é inaceitável.

Existem ressalvas importantes. A compressão extrema pode mudar a qualidade da saída, e encaixar um modelo na memória não garante uma experiência suave. O calor do dispositivo e a largura de banda da memória ainda afetam o desempenho prático. Os números de velocidade e benchmark da PrismML também são relatados pelo fornecedor, então precisam de reprodução independente em telefones e laptops reais.

O que importa a seguir não é simplesmente se o Bonsai funciona, mas se suas respostas permanecem úteis em imagens reais, capturas de tela e documentos. Se essa qualidade se mantiver, um tamanho de modelo que uma vez sugeria uma estação de trabalho poderia se tornar um bloco de construção prático para aplicativos multimodais privados e offline.

[08:56] Google Transforma Telefones Pixel 10 em Plataformas de IA Offline

Um telefone da família Pixel 10 suportado agora pode se tornar uma plataforma de aplicativos de IA offline, não apenas uma tela para um modelo de nuvem. O Google introduziu o Gemma 4 E2B junto com um beta do Tensor SDK projetado para executar o modelo nativamente no TPU do Pixel, o processador dedicado usado para cargas de trabalho de aprendizado de máquina. O resultado é um caminho para aplicativos que podem entender fotos, gravações e instruções sem enviar cada entrada para um serviço remoto.

Os exemplos do Google tornam essa mudança concreta. Ele mostrou aplicativos de código aberto para planejamento de viagem offline, automação residencial, transcrição, reconhecimento de plantas, assistência de compras e diagnóstico de equipamentos. Imagine apontar um telefone para uma planta ou um pedaço de equipamento e obter ajuda imediatamente, mesmo onde a conectividade é fraca. Ou transcrever uma gravação sensível mantendo-a no dispositivo. Essas são vantagens práticas, não apenas mais uma pontuação de modelo pequeno: menor latência, melhor operação longe de redes confiáveis e mais controle sobre entradas privadas.

A experiência do desenvolvedor também importa. Construtores podem solicitar acesso ao beta do Tensor SDK e adaptar os exemplos do Google em vez de começar com drivers de dispositivo e integração de acelerador. O Google está co-projetando um modelo pequeno, sua rota de software e seu próprio silício móvel, o que poderia tornar a IA local consideravelmente mais acessível para aplicativos Pixel.

Ainda existem limites importantes em torno do anúncio. O suporte atual está limitado ao Pixel 10, 10 Pro, 10 Pro XL e 10 Pro Fold. O Google estabeleceu o Gemma 4 E2B, a direção do SDK, a execução nativa do TPU do Pixel e várias demonstrações, mas ainda não respondeu como esses aplicativos afetam a vida da bateria ou quão rápidos permanecem durante uso sustentado. A disponibilidade do produto e os resultados das demonstrações também são relatados pelo Google.

Para construtores, a oportunidade imediata é repensar fluxos de trabalho que atualmente assumem uma conexão de nuvem: diagnósticos de campo, captura de notas privadas, assistência de câmera e controles domésticos. A próxima coisa a observar são testes práticos, especialmente se o desempenho útil dura além de uma demonstração curta sem calor inaceitável, dreno de bateria ou lentidão.

[10:51] Resumo de pesquisa: Teste de Robótica do Claude Traça uma Limite Clara de Controle

Um trabalhador de armazém poderia dizer a um robô o que precisa ser movido em linguagem comum, mas o Claude não deveria decidir o tempo de cada volta de roda ou movimento de articulação. Esse é o limite prático que a Anthropic encontrou após testar o Claude em tarefas de movimento quadrúpede e manipulação de robô. O controle direto de baixo nível falhou principalmente porque um modelo de linguagem não pode substituir de forma confiável os loops de controle rápidos e os sistemas de segurança que mantêm uma máquina física estável. Os resultados melhoraram quando o Claude trabalhou um nível mais alto: escrevendo pequenas ferramentas, inspecionando feedback visual simples e supervisionando um controlador pré-treinado. Em um armazém, isso poderia significar traduzir o pedido de um trabalhador em uma rota e sequência de ações, e então entregar cada movimento para controladores de navegação e movimento certificados. Essa divisão dá aos construtores a flexibilidade do planejamento em linguagem natural sem tornar o modelo responsável pelo tempo do motor ou segurança física. A descoberta importa além de um teste de robô: oferece uma arquitetura concreta para IA incorporada útil hoje. Observe se produtos de robótica adotam essa abordagem em camadas, com modelos de linguagem planejando e se recuperando de erros comuns enquanto software comprovado permanece firmemente no controle do movimento.

[11:58] AMD Traz Desktops de IA Local de 128 Gigabytes para Varejo

Um desenvolvedor agora pode entrar em uma Micro Center e comprar um desktop com memória compartilhada suficiente para experimentar modelos de IA substancialmente maiores sem primeiro alugar um servidor gráfico remoto. O desktop Ryzen AI Halo da AMD chegou ao varejo em configurações oferecendo até 128 gigabytes de memória unificada, posicionando a IA local menos como um projeto de hardware especialista e mais como um produto disponível na prateleira.

O número importante não é apenas a capacidade de memória, mas como essa memória é organizada. Memória unificada significa que o processador central e os gráficos integrados usam um grande pool. Isso evita o teto de memória dedicada relativamente pequeno que impede muitos cartões gráficos de consumidor de carregar modelos maiores. A AMD diz que a máquina pode suportar modelos de até 200 bilhões de parâmetros—os valores ajustáveis que um modelo aprende durante o treinamento.

Essa é uma afirmação de capacidade, não uma garantia de velocidade. Um modelo cabendo na memória não significa que ele vai responder rapidamente, lidar com prompts longos suavemente ou executar todas as cargas de trabalho bem. Os resultados práticos vão depender da quantização, que comprime um modelo para reduzir suas necessidades de memória, junto com o comprimento do contexto, largura de banda da memória, suporte de runtime e a tarefa específica.

Ainda assim, a nova opção de varejo muda o que os desenvolvedores podem testar em suas mesas. Pode servir como uma máquina de desenvolvimento privada para assistentes, sistemas de recuperação que respondem a partir dos próprios documentos de uma empresa, agentes de codificação e fluxos de trabalho que combinam texto com outras mídias. Arquivos sensíveis podem permanecer no computador, e uma equipe pode avaliar se o desempenho local é suficiente antes de pagar pela escala da nuvem.

A comparação útil é com IA local de classe telefônica. Modelos como Bonsai e Gemma são voltados para tarefas que cabem em um bolso. O Halo mira o estágio ao lado da mesa, onde desenvolvedores exploram sistemas privados maiores. O que observar a seguir é o desempenho utilizável: quais modelos e runtimes transformam essa capacidade de 128 gigabytes em ferramentas diárias responsivas, em vez de experimentos que apenas cabem.

[13:54] JetBrains Copilot Agora Pode Usar o Backend de IA da Sua Equipe

Um desenvolvedor agora pode continuar usando o Copilot dentro de um editor JetBrains enquanto envia o trabalho real de IA para um modelo que sua organização escolhe. O GitHub expandiu o suporte a bring-your-own-key para o Copilot em ferramentas baseadas em IntelliJ, adicionando a capacidade de conectar um endpoint customizado compatível com OpenAI, incluindo um serviço privado ou um modelo servido localmente.

Essa separação é a mudança importante. O Copilot permanece como a interface que os desenvolvedores veem em seus editores, mas o backend de inferência — o serviço que recebe uma requisição e gera a resposta do modelo — pode ser controlado pela equipe. Uma organização pode servir o Bonsai, outro modelo aberto ou um fine-tune interno atrás de um endpoint compatível, e então disponibilizá-lo sem pedir que os desenvolvedores substituam seu ambiente de desenvolvimento normal.

Isso cria uma ponte prática entre o suprimento crescente de modelos locais e os editores onde o trabalho de software já acontece. Uma equipe que constrói um modelo de codificação interno não precisa necessariamente construir uma integração completa de editor ao redor dele. Pode expor o modelo através do formato de endpoint suportado e deixar o Copilot fornecer o frontend familiar.

A mudança também importa para organizações com regras sobre onde prompts e código-fonte podem ser processados. Um backend privado lhes dá mais escolha sobre o serviço de modelo. Mas conectar um endpoint privado não torna automaticamente todo o fluxo de trabalho privado. O resultado ainda depende de onde esse endpoint roda, como o tráfego chega até ele, o que é registrado e como o próprio Copilot está configurado. Esses detalhes determinam o limite real dos dados.

Para os desenvolvedores, isso torna a avaliação lado a lado mais realista: manter o fluxo de trabalho do editor constante e testar se um modelo local ou interno aprovado pode lidar com assistência diária de codificação. A questão-chave agora é o desempenho. Se modelos locais podem fornecer qualidade de codificação suficiente com latência aceitável, isso pode se tornar uma escolha flexível de modelo para desenvolvimento comum. Se não, seu apelo mais forte pode continuar sendo conformidade e controle.

[15:48] Nova York Pausa Alguns Permisos de Data Centers Hiperscale

Construir um data center gigante de IA em Nova York agora pode levar mais tempo — não porque o estado proibiu cada projeto, mas porque quer calcular os custos antes de conceder certos permisos ambientais. A governadora Kathy Hochul lançou o que seu escritório chama de primeira moratória estadual em novos data centers hiperscale através da Ordem Executiva 62, anunciada em 14 de julho de 2026.

A pausa se aplica a projetos qualificados que precisam de permisos ambientais discricionários, significando aprovações onde os reguladores devem avaliar um projeto em vez de simplesmente processar um direito automático. Pode permanecer em vigor por até um ano enquanto Nova York estuda os efeitos na rede elétrica, uso de água, qualidade do ar, tarifas de serviços públicos para clientes e comunidades vizinhas.

Esse escopo importa. Data centers existentes não estão sendo fechados, e novos projetos que não precisam dos permisos afetados não estão automaticamente bloqueados. Então a conclusão precisa é uma pausa temporária em um caminho de aprovação definido, não um fim para toda a construção de data centers em Nova York.

Para empresas de IA, isso transforma a política de infraestrutura em uma restrição de produto. Garantir aceleradores é apenas uma parte da implantação de instalações de computação grandes. Uma região também deve ser capaz de fornecer eletricidade e água, absorver efeitos ambientais e decidir se as famílias podem acabar arcando com parte do custo através de tarifas mais altas. A revisão local pode, portanto, afetar onde um serviço roda, quanta capacidade está disponível e quando essa capacidade fica online.

Desenvolvedores e empresas que planejam implantações agora têm outra categoria de dependência para modelar. Região de nuvem, disponibilidade de energia e permisos podem criar risco de cronograma e precificação tão certamente quanto a escassez de hardware. Um projeto diseñado alrededor de um local pode enfrentar um cronograma diferente se cair dentro do processo pausado.

O próximo passo a observar é o que o estudo de Nova York produz: evidências sobre custos de infraestrutura e comunidade, seguidas das regras que substituem ou seguem a pausa. Essas decisões podem moldar quais projetos hiperscale prosseguem e que obrigações os desenvolvedores devem cumprir.

[17:50] GOLD EAGLE Traz IA de Fronteira para a Coordenação Nacional de Vulnerabilidades

Uma falha de software recém-divulgada pode desencadear uma corrida familiar: múltiplos grupos escaneiam o mesmo problema, descobertas urgentes competem por atenção, e as organizações que realmente precisam aplicar patches podem receber informações fragmentadas. A Casa Branca quer que a IA de fronteira ajude a desemaranhar essa transferência em escala nacional.

Anunciado em 14 de julho, GOLD EAGLE é uma câmara de compensação de cibersegurança governo-indústria para coordenar intake de vulnerabilidades, verificação de scanning, priorização e remediação. Seu objetivo declarado é reduzir scanning duplicado e fornecer ao governo, ao setor financeiro e operadores de infraestrutura crítica informações de ameaça e reparo priorizadas e acionáveis.

Isso faz disso uma história de implantação, não um benchmark de modelo. O GOLD EAGLE já começou a receber e priorizar vulnerabilidades identificadas e coordenar scans de verificação. O teste útil será se reduz o trabalho repetido e leva informações claras e acionáveis aos defensores mais rapidamente.

O anúncio não identifica o modelo ou nomeia nenhum fornecedor de IA. Também não diz que a IA vai autonomamente aplicar patches na infraestrutura nacional. O GOLD EAGLE é descrito como suporte à coordenação e priorização entre governo e indústria; as organizações humanas participantes permanecem responsáveis pela remediação.

Para equipes de segurança, a pressão prática pode chegar downstream. Coordenação mais rápida só ajuda se uma organização sabe qual software ela executa, quem é o responsável por cada decisão de patch, e quão rapidamente evidências podem passar de um relatório de vulnerabilidade para a equipe responsável. Inventários precisos, propriedade clara de patches, divulgação coordenada e decisões de severidade defensáveis podem todos precisar operar mais rapidamente.

Para desenvolvedores, a oportunidade está nesses trânsitos: intake estruturado de vulnerabilidades, apresentação de evidências por trás das decisões de prioridade, manutenção de inventários de software e roteamento de informações de remediação para os operadores afetados. A próxima coisa a observar é como GOLD EAGLE transforma sua missão ampla de coordenação em procedimentos operacionais — e quais evidências as organizações participantes precisarão fornecer e consumir.

[19:48] Anthropic Divide Seu Flagship por Risco, Acesso e Preço

A oferta mais capaz da Anthropic não é mais uma questão simples de escolher o modelo mais forte. Agora é uma decisão de três vias envolvendo o que o trabalho é, quem o está fazendo, quanto risco ele carrega, e o que o cliente está disposto a pagar.

Fable 5 e Mythos 5 compartilham um modelo subjacente, mas a Anthropic os empacota de forma diferente. Fable adiciona salvaguardas amplas destinadas ao uso mainstream. Mythos é restrito a parceiros verificados trabalhando em cyber e ciência, onde a Anthropic está permitindo acesso sob regras de elegibilidade mais rígidas. Sonnet 5 é o default geral mais barato, projetado para lidar com fluxos de trabalho de navegador, terminal, debugging e negócios com o que a Anthropic descreve como comportamento de agente próximo ao Opus.

O pitch prático é automação substancial em trabalho difícil e de longa duração. A Anthropic diz que a Stripe usou Fable para uma migração envolvendo uma base de código Ruby de 50 milhões de linhas, concluindo em um dia de trabalho que de outra forma teria levado mais de dois meses para uma equipe. Essa é uma afirmação de cliente publicada pela Anthropic, não um benchmark verificado independentemente, mas dá uma imagem concreta da carga de trabalho que a empresa quer que Fable atenda.

A vigilância governamental também mudou diretamente a disponibilidade. O governo dos EUA aplicou controles de exportação em junho, e a Anthropic suspendeu o acesso porque não podia verificar nacionalidade em tempo real. O acesso retornou depois que esses controles foram suspensos. Separadamente, a Anthropic diz que fortaleceu seus classificadores de segurança e expandiu testes governamentais após o incidente.

Para desenvolvedores, isso transforma a seleção de modelos em uma escolha de design operacional. Um agente de debugging rotineiro ou fluxo de trabalho de navegador pode caber no Sonnet em custo e latência. Trabalho sensível de cyber ou científico pode requerer Mythos, verificação de clientes e aceitação de que a elegibilidade pode mudar. Fable fica entre esses casos, oferecendo capacidade de fronteira com restrições mais amplas.

A questão-chave é previsibilidade: as organizações podem saber antecipadamente quando salvaguardas, classificadores ou requisitos de acesso vão interromper um fluxo de trabalho de produção? Capacidade importa, mas acesso confiável está se tornando parte da especificação do produto.

[21:40] Gemini 3.5 Flash Pode Operar Telas e Construir Software

Um agente de IA agora pode olhar para uma tela, usar os controles que encontra lá, alterar software e devolver um resultado finalizado. O Google lançou o Gemini 3.5 Flash com uso de computador nativo para agentes de navegador, mobile e desktop, levando seu modelo rápido além de responder perguntas para operar interfaces ordinárias.

A evidência mais útil é o que o Google mostrou para as pessoas construindo. Em uma demonstração, o modelo gerou várias variantes de uma interface de pagamento. Em outra, construiu um jogo a partir do artigo do AlphaGo. O Google também demonstrou agentes paralelos organizando grandes coleções de arquivos e um agente automatizando testes de software contínuos. Esses exemplos abrangem design, implementação, trabalho de desktop e garantia de qualidade em vez de uma única tarefa de clicar restrita.

Uso de computador nativo importa porque muitos fluxos de trabalho reais estão espalhados por telas e software que carecem de integrações limpas. Um agente que pode observar a interface e agir através dela pode potencialmente conectar esses passos sem que cada aplicativo exponha uma ferramenta dedicada. Ele também pode escrever ou alterar software como parte do trabalho, então a saída não é meramente uma sequência de cliques, mas um artefato concluído.

Os próprios resultados de benchmark do Google argumentam contra declarar um vencedor universal. A empresa relata que o Gemini 3.5 Flash supera o GPT-5.5 no MCP Atlas enquanto fica atrás dele no Terminal-Bench. A conclusão prática é que a escolha do modelo depende de se o trabalho se centra em ferramentas de software, tarefas de terminal ou interação com tela, não em um número geral.

A cautela é igualmente tangível. Um agente que opera telas pode clicar no alvo errado, entender mal uma interface em mudança, ou obedecer instruções maliciosas incorporadas em uma página. Ambientes restritos, aprovações visíveis e mudanças que podem ser revertidas permanecem salvaguardas importantes.

O que observar a seguir é quão confiavelmente esses agentes lidam com fluxos de trabalho longos e bagunçados fora das demonstrações. O Gemini 3.5 Pro é descrito apenas como chegando em breve, então o produto disponível aqui é o Flash — e sua oportunidade imediata é trabalho de computador limitado onde a conclusão pode ser verificada.

[23:39] Austrália Vincula Expansão de IA a Energia, Água e Controle de Criadores

Austrália está propondo um acordo prático para o crescimento de IA: se grandes data centers querem mais eletricidade e água, seus operadores devem carregar mais do custo — e criadores australianos devem manter o controle sobre se seu trabalho treina sistemas de IA.

O governo estabeleceu um Escritório de IA imediatamente e anunciou padrões nacionais propostos em 15 de julho. Sob essas propostas, grandes data centers financiariam nova oferta de energia, pagariam os custos de conexão à rede elétrica, reduziriam sua demanda quando exigido e minimizariam o uso de água. O governo também diz que obras criativas australianas não devem ser usadas para treinamento de IA sem que os criadores mantenham o controle.

Nenhum desses padrões é lei ainda. Consideração pelo Conselho Nacional está planejada para agosto, e legislação é alvejada para início de 2027. Esse cronograma importa porque as empresas devem ler isso como uma direção de viagem, não como uma lista de obrigações atualmente em vigor.

Para construtores, a mudança útil está em como a capacidade de IA é medida. Chips continuam importantes, mas um galpão cheio de aceleradores não pode operar sem geração, conexão com a rede elétrica, recursos de refrigeração e aceitação local. Se os operadores precisam financiar nova oferta e reduzir o consumo quando a rede está sobrecarregada, a flexibilidade se torna parte do design da infraestrutura em vez de um projeto opcional de eficiência. A obtenção de dados de treinamento também pode se tornar uma decisão mais explícita de produto e licenciamento quando o controle criativo está envolvido.

A abordagem da Austrália pode ser comparada com a pausa temporária de permissões de Nova York. Os dois governos estão usando diferentes alavancas, mas ambos estão respondendo à mesma pressão: a rápida expansão de data centers cria custos além do hardware de computação em si.

O que acontece a seguir dependerá da consideração de agosto e da legislação prevista para 2027. Os detalhes a observar são como a Austrália define grandes data centers, o que o controle do criador exige na prática, e como os compromissos de energia, conexão, redução de demanda e água seriam avaliados.

[25:32] Google Recria o Gol Perdido de Pelé em 1959 Com IA

Um gol famoso de Pelé que havia efetivamente desaparecido da história visual agora pode ser visto novamente—mas o que o Google criou é uma reconstrução, não imagens recuperadas. O gol foi marcado em 1959, e não se conhecia nenhum filme sobrevivente. Para reconstruir o momento, o Google e o Google DeepMind combinaram documentos de arquivo, plantas do estádio, relatos de testemunhas, historiadores, filmmaking prático e IA generativa.

Essa distinção importa porque não foi um simples prompt pedindo a um modelo de vídeo para fazer Pelé marcar. A equipe teve que conciliar o que os registros estabeleciam, o que as testemunhas lembravam, onde uma câmera poderia plausivelmente ter sido posicionada, e como a ação deveria permanecer visualmente contínua. Vários sistemas de IA, incluindo Veo, Gemini Omni e Nano Banana Pro, contribuíram para o projeto, mas a parte envolvente é o processo em camadas ao redor deles: fontes, evidências espaciais, memória humana, julgamento especializado, filmmaking e geração trabalhando juntos.

Isso dá a museus, arquivos esportivos, equipes de documentários e educadores um modelo útil para cenas que nunca foram filmadas ou cujas gravações foram perdidas. Em vez de apresentar uma aproximação genérica, eles podem criar uma interpretação vinculada a evidências. Uma exposição histórica pode visualizar um evento público ausente enquanto mostra quais detalhes vieram de documentos, quais vieram de testemunhos, e quais exigiram inferência. Um documentário poderia类似的 absent tornar um momento ausente compreensível sem fingir que uma câmera estava lá.

O risco é óbvio: imagens geradas convincentes podem ser confundidas com filme histórico autêntico, especialmente depois de recortadas e compartilhadas sem contexto. Então a apresentação é parte do produto. O público deve ser informado claramente de que está vendo uma reconstrução, com registros, memórias, incertezas e escolhas artísticas mantidos visíveis.

O que vem a seguir é menos sobre imagens mais nítidas do que melhor procedência: se futuras reconstruções permitem que os espectadores rastreiem detalhes importantes de volta às suas evidências de apoio. Feito com cuidado, vídeo generativo pode ajudar as pessoas a encontrar história perdida sem reescrevê-la silenciosamente.

[27:26] Fila prática

Das histórias de hoje: Para construtores, Sol torna edições de repositório completo, garantia de qualidade do navegador, pesquisa de documentos grandes e outros fluxos de trabalho multi-step mais plausíveis como tarefas de agente ponta a ponta. Para construtores e equipes, isso significa que um espaço de trabalho pode carregar uma tarefa da exploração até um artefato finalizado ou software funcional. Para construtores, isso sugere que as oportunidades mais fortes para pequenas empresas podem estar dentro de trabalho administrativo repetitivo, gargalos físicos e questões regulatórias obscuras. Para construtores, isso torna protótipos multimodais privados em telefones e laptops mais plausíveis, particularmente onde conectividade ou sensibilidade de dados excluem processamento em nuvem. Para construtores, isso cria um caminho mais direto para assistentes móveis offline que funcionam com câmeras, gravações e instruções enquanto mantêm dados sensíveis no telefone. Para construtores de robótica, isso sugere uma divisão clara do trabalho: modelos de linguagem podem transformar solicitações humanas em planos, enquanto controladores comprovados executam movimentos físicos. Para construtores, isso torna um desktop de varejo um ambiente de prototipagem plausível para assistentes privados, sistemas de recuperação, agentes de codificação e fluxos de trabalho multimodais. Para construtores, isso significa que modelos de codificação locais e internos podem encontrar desenvolvedores dentro de um editor estabelecido em vez de exigir uma interface separada. Para construtores, região de nuvem e localização de implantação física agora carregam riscos de cronograma e custo além da disponibilidade de computação. Para equipes de segurança, isso aumenta o valor de inventários precisos de software, propriedade explícita de patches e evidências que apoiam decisões de severidade. Para construtores, a escolha de modelo agora inclui se um fluxo de trabalho pode tolerar salvaguardas ou mudanças nas regras de acesso, não apenas se o modelo pode completar a tarefa. Para construtores, isso significa que um agente pode potencialmente pontear interação de tela e criação de software em fluxos de trabalho onde integrações diretas estão faltando ou incompletas. Para construtores de infraestrutura de IA, a seleção de local pode depender cada vez mais da capacidade de financiar geração de eletricidade, garantir acesso à rede, gerenciar demanda e limitar consumo de água. Para construtores, isso mostra como vídeo generativo pode se tornar parte de um fluxo de trabalho de arquivo em vez de um espetáculo independente.