The Agent Watch
Briefing · Artigos · Ferramentas · Sobre EN FR DE ES 中文 IT PT SV FI DA

Briefing diário

8 de novembro de 2026 · 5 historias

🔥 Em destaque

1

Velhos tickets de erro fazem os agentes trabalhar à toa

O Google analisou centenas de milhões de passos de agentes de programação nas suas próprias equipas. O resultado devia ser conhecido por todos: em 13 % das sessões o agente tropeça num comentário do tipo « corrigir mais tarde, ticket 12345 », que ficou no código embora o problema tivesse sido resolvido há anos. Seis em cem vezes ele agarra-se a isso, e em 83 % desses casos ninguém l' tinha pedido. Vai então atrás de um erro já corrigido ou alarga um trabalho que ninguém queria. O preço: 70 % mais passos, 77 % mais texto processado e 105 % mais tempo de espera. O Google respondeu mandando os seus próprios agentes de limpeza percorrerem os repositórios de código. Fonte: https://developers.googleblog.com/agent-distraction/

2

Um pequeno laboratório norte-americano tirou a propaganda de um modelo chinês

A Nous Research, um pequeno laboratório norte-americano, pegou num modelo chinês muito usado, o Qwen3.8-27B, e retreinou-o para retirar as respostas alinhadas com a posição oficial de Pequim. O resultado, Arete-27B, sai com licença livre Apache 2.0, portanto utilizável comercialmente, e os pesos foram transferidos e verificados esta manhã. As respostas « propagandísticas » caem de 22 % para menos de 1 %, enquanto a precisão factual sobe de 2,32 para 2,98 em 5. O mais surpreendente não é o resultado mas o preço: 53 milhões de palavras e duas passagens de treino, sem aprendizagem por reforço. O alinhamento passa a ser uma camada que se compra à parte da capacidade. Uma ressalva: os números vêm das avaliações do próprio editor, que aliás escreve não ter corrigido todos os comportamentos relacionados. Fonte: https://nousresearch.com/arete

3

Os agentes já geram 80 % do tráfego na plataforma de partilha de modelos

O relatório anual da Menlo Ventures, um fundo de investimento norte-americano, inverte a ordem de força. Os agentes representam 80 % de todo o texto consumido na OpenRouter, a plataforma por onde passam os pedidos aos modelos: sete vezes o uso humano. O gasto das empresas em IA atingiu 176,8 mil milhões de dólares em setembro, multiplicado por 5,4 num ano. E no mercado livre dos modelos com pesos transferíveis, os modelos chineses ficam com 89 % do gasto mundial, e só a família Kimi da Moonshot AI captura 61 %. Um paradoxo que o relatório assume: os modelos abertos processam 19 % das palavras mas recebem só 4 % do dinheiro. Uma ressalva: a Menlo investe na Anthropic e na plataforma que fornece os dados de tráfego. Fonte: https://menlovc.com/2026-the-state-of-enterprise-ai/

4

Um modelo local promissor, com uma licença que trava o comércio

A 28 de outubro, este modelo da Liquid AI foi apresentado como o mais utilizável para correr agentes num telemóvel: cabe num gigabyte e guarda 256 000 palavras de texto na cabeça. Ficou uma pergunta em aberto, a da licença. Hoje foi lida, no repositório: o uso comercial está proibido às entidades que realizam 10 milhões de dólares ou mais de volume de negócios por ano. Os pesos continuam utilizáveis, o treino à medida e a investigação continuam livres, mas o nosso próprio uso comercial acima desse patamar não. O patamar aplica-se ao volume de negócios de quem usa o modelo, não ao tamanho do projeto. Compare-se com o modelo publicado no mesmo dia sob licença livre Apache 2.0, sem qualquer patamar. Fonte: https://huggingface.co/LiquidAI/LFM3-1.7B/blob/main/LICENSE

5

Uma camada de controlo livre decide qual modelo responde a quem

A Buoyant, a editora do software de rede Linkerd, lança um componente livre que se coloca à frente de um conjunto de máquinas e decide para onde vai cada pedido enviado a um modelo. Podem-se escrever regras simples: quem pode usar qual modelo, quantas palavras por minuto, que dados nunca podem sair do edifício e o que fazer quando os servidores locais estão saturados. O ponto-chave: uma regra pode recusar o pedido em vez de o executar. Nas medições da própria editora, a demora até à primeira palavra cai de 6,88 para 0,31 segundos quando vários pedidos partilham o mesmo início. Licença livre, escrito em Rust, instalável em Kubernetes. Os números são da editora, que admite que outras ferramentas são mais rápidas: a diferença que se reivindica é o controlo, não a velocidade. Fonte: https://kinference.ai/docs/

📡 A vigiar

A Ocient angaria 100 milhões de dólares porque os agentes querem tudo, não uma amostra

A Ocient, fabricante de motores de análise de alta velocidade em Chicago, angaria 100 milhões de dólares. O motivo importa mais do que o montante: os clientes que procuram a empresa juntam todos os seus dados para interrogar agentes sobre eles, sem amostragem. Em dezenas de petabytes, uma amostra perde o rasto de uma intrusão, que é precisamente o que se procura. A empresa diz que os seus clientes não tinham nem a vazão nem o armazenamento a preço razoável para absorver esse volume. Ressalva: o comunicado não dá nem calendário nem base publicada da triplicação da receita que anuncia. Fonte: https://ocient.com/newsroom/press-releases/ocient-raises-100m-in-series-c-funding/

A Anthropic e os seus aliados gastaram 63 milhões de dólares para eleger deputados

Um grupo de política pública apoiado pela Anthropic gastou mais de 63 milhões de dólares nas eleições intercalares norte-americanas de 3 de novembro, e dez dos seus dezassete candidatos foram eleitos. É a primeira vez que um laboratório de inteligência artificial financia eleições desta dimensão. O grupo rival, apoiado por um cofundador da OpenAI, comprometeu cerca de 54 milhões. A inversão está aí: eleitos do campo do código aberto defendem agora leis mais severas, incluindo uma contra os agentes de conversa. Fonte: https://publicfirstaction.us/news/pro-safeguards-candidates-win-in-both-parts-as-voters-reject-big-techs-bid-to-buy-congress

Empresas sem escritório real obtiveram autorização para comprar chips H200 na China

O New York Times visitou os endereços de várias empresas chinesas autorizadas por Washington a comprar ou montar chips H200 da Nvidia. Nos dois casos visitados, os locais estavam vazios. Uma está ligada a um fundo de investimento norte-americano sancionado; a outra partilha pessoal e patentes com a Inspur, que os Estados Unidos incluíram na lista de entidades ligadas ao exército chinês. A investigação não diz que os chips chegaram: diz que o controlo assenta em formulários, nunca numa verificação dos locais. Fonte: https://www.nytimes.com/2026/11/07/business/economy/nvidia-chips-chinese-firms.html

A Perplexity lança agentes que continuam a trabalhar enquanto dorme

A Perplexity lança agentes permanentes: dá-lhes um objetivo, trabalham continuamente, passam o trabalho entre si e avisam quando precisam de uma decisão. Cada um corre na sua própria máquina virtual, com ecrã e navegador próprios, e fica acessível pelo Slack ou pela aplicação. O serviço está reservado para assinantes do plano Max, a 200 dólares por mês, e é gratuito durante um período promocional antes da faturação por utilização. A editora já tinha uma ferramenta para tarefas pontuais; esta visa projetos que duram dias. Fonte: https://www.perplexity.ai/hub/blog/teammates-are-agents-for-complex-ongoing-work

📊 Tendência

De manhã, dois números frente a frente. Por um lado, 80 % de todo o texto que passa pela principal plataforma de modelos vem de agentes, e o gasto empresarial em IA multiplicou-se por 5,4 num ano: os agentes passaram a ser o primeiro uso real da IA. Por outro, o Google mede que um comentário antigo esquecido no código pode custar a um agente mais 77 % de texto processado quando vai atrás de um erro já corrigido. Ao meio há uma decisão jurídica: a licença de um modelo que cabe num gigabyte proíbe o uso comercial acima de 10 milhões de dólares de volume de negócios. As pontuações decidem cada vez menos; licenças, âmbito e medição dos nossos próprios agentes decidem cada vez mais. O nosso orçamento deve seguir o volume realmente consumido, e não o número de chamadas. E a pergunta do mês já não é qual o melhor modelo, mas até onde deixamos os nossos agentes agir sozinhos. A 12 de novembro, a política de utilização da Anthropic torna exigíveis as regras sobre agentes ligados a material físico. Isso é um calendário, não uma ameaça.