Hoje o radar veio cheio de sinais contraditórios: de um lado, dados reais sobre o custo de escalar agentes de codificação; do outro, relatos de regressão nas próprias ferramentas que usamos todo dia. Fica o retrato de um momento em que a tecnologia anda rápido, mas nem sempre para frente.
Toda semana alguém me pergunta se vale a pena colocar IA pra rodar de verdade dentro do time de produto, ou se é só hype.
Um caso que vi essa semana ajuda a responder isso com números, não com opinião.
A Lovable, startup de desenvolvimento com IA, contou como escalou de 20 a 30 pull requests por semana para mais de 150, usando vários agentes de codificação ao mesmo tempo. O custo desde janeiro: US$ 85 mil em tokens.
O que me chamou atenção não foi o valor gasto. Foi a estrutura por trás dele. Eles classificaram as mudanças por nível de risco, colocaram revisão automatizada em camadas e criaram “skills” reutilizáveis para os agentes.
É exatamente o que a gente discute quando o assunto é escalar automação em produtos financeiros. Não adianta ligar um robô e sair do caminho. O trabalho de verdade está em desenhar a governança, decidir onde o humano entra e onde a máquina resolve sozinha.
Atuo do lado de produto em crédito e recebíveis, e a lógica é a mesma. Automatizar sem critério de risco vira dor de cabeça rápido. Automatizar com camadas de revisão e classificação de impacto é o que transforma velocidade em ganho real.
Fica o aprendizado: mesmo com dezenas de agentes rodando em paralelo, a atenção humana continua sendo o recurso mais escasso do processo.
Para quem ficou curioso e quer ver os detalhes de como eles fizeram essa escala, o link está aqui: https://lovable.dev/blog/85000-in-tokens-later-scaling-agentic-coding-at-lovable
O resto do radar
Codex do GPT-5.5 com regressão de raciocínio — mostra falha de confiabilidade num agente de codificação amplamente usado; vale monitorar antes de shippar features que dependam dele. Ler mais
Modelos melhores, ferramentas piores — Opus 4.8 e Sonnet 5 inventam campos ao chamar tools fora do padrão do Claude Code, risco de integração para quem constrói sobre a API da Anthropic. Ler mais
Possível vazamento de sessão no Claude Code — issue com quase 300 pontos aponta risco de isolamento entre contas, relevante para due diligence de fornecedores. Ler mais
sqlite-utils 4.0rc2, escrito majoritariamente por IA — Simon Willison gastou US$149,25 em tokens com Claude Fable; dado real de custo de codificação agêntica em projeto de porte médio. Ler mais
Camadas em memória para reduzir sobrecarga de LLM — padrão da RidgeText reduz uso de contexto de ~125 mil para ~150 tokens por interação; arquitetura reaproveitável para produtos que orquestram várias fontes. Ler mais
GLM-5.2 da Z.ai pressiona a Anthropic — modelo chinês de peso aberto mira codificação de longo horizonte e segurança, ampliando opções de custo e self-hosting. Ler mais
EUA agora também limitam modelos da OpenAI — depois de restringir a Anthropic, governo americano limita acesso aos novos modelos da OpenAI por segurança nacional; risco real de disponibilidade para quem depende de fronteira nos EUA. Ler mais
Meta promete paridade com GPT-5.5 (sem provar ainda) — Chief AI Officer fala em empatar com 10x mais computação, mas sem benchmark público; tratar como direcional, não como base de decisão. Ler mais
Vale a pena perseguir todo modelo novo? — artigo argumenta que migrar a cada lançamento raramente compensa; melhor avaliar estabilidade e ganho real antes de trocar de modelo em produção. Ler mais
É isso pro radar de hoje. Sigo de olho no que vem por aí e trago mais amanhã.