Dez itens no radar de hoje, e um deles mexeu numa premissa que eu carregava sem questionar. O resto da lista puxa para o mesmo lado: menos anúncio de modelo, mais conversa sobre como sustentar o que já foi para produção.

Em resumo

Toda feature de IA tem três camadas de custo: desenvolvimento, inferência em escala e retreino ou ajuste quando o modelo começa a derivar. Priorizar apenas por impacto e esforço deixa uma parte relevante da conta de fora. Para produto com IA, a régua precisa incluir o impacto por chamada de inferência, a escolha de modelo por etapa e controles de qualidade, feedback e governança.

Tem uma pergunta que virou rotina nas minhas discussões de roadmap: quanto custa rodar essa funcionalidade mil vezes por dia?

Li hoje um guia de estratégia de produto de IA para 2026 que colocou o dedo exatamente nessa ferida. O ponto central é simples: toda feature de IA tem três camadas de custo, e a maioria dos times só enxerga uma.

A primeira é o desenvolvimento, que todo mundo estima. A segunda é a inferência em escala, que quase ninguém coloca na conta na hora de priorizar. A terceira é o retreino e o ajuste quando o modelo começa a derivar, e essa geralmente aparece só depois que a feature já está em produção.

Isso quebra uma premissa que carregamos há anos. Software tradicional tem custo marginal perto de zero: se dobrar o uso, o custo quase não se mexe. Com IA, não. Cada chamada tem preço.

Eu atuo do lado de produto em crédito estruturado, e essa lógica muda bastante a forma de olhar para um fluxo. Automatizar a leitura de um documento de lastro ou a conferência de uma duplicata pode fazer todo sentido no piloto e não fechar a conta quando o volume multiplica. O inverso também acontece: tem processo com pouca visibilidade que, no volume certo, paga a operação inteira sozinho.

Por isso a régua de priorização precisa mudar. Não é só impacto pelo esforço, é impacto por chamada de inferência. Essa é uma decisão de gestão de produtos com IA: modelar o custo junto do resultado esperado, em vez de descobrir a restrição depois de colocar a feature no ar.

Também vale escolher o modelo por etapa, porque boa parte das tarefas não precisa do topo de linha. Em fluxos compostos, a escolha entra no desenho de agentes de IA: cada etapa precisa de um modelo compatível com seu volume, risco e tipo de decisão.

O guia fecha com uma frase que ficou na minha cabeça: o desafio de 2026 não é mais adoção, é execução. Sem métrica de qualidade, ciclo de feedback e governança de IA, a feature sai da demo bonita e chega na produção com resultado instável e custo subindo. A matriz de risco de IA ajuda a calibrar controles, confirmação humana e evidências quando a automação entra em fluxos mais sensíveis.

Nada disso me deixa menos animado com IA. Só deixa a conversa mais madura, e é assim que essas coisas viram produto de verdade.

Para quem quiser ler o guia completo, vale o tempo: The 2026 AI Product Strategy Guide.

O resto do radar

Kimi-K3 no HuggingFace — modelo aberto multimodal de fronteira com 1M de contexto muda a conta de build vs. buy e o custo unitário de features de IA. Ler mais

Dynamic Workflows no Claude Code — orquestração automática de subagentes em paralelo encurta discovery técnico e refactors, mas explode o custo de inferência. Ler mais

Step 3.7 Flash — mais um modelo rápido e barato na fila: latência e preço por token seguem em queda, vale renegociar as premissas de custo do roadmap. Ler mais

Anthropic lança o Opus 5 — performance quase de fronteira pela metade do preço, mas com incidentes de erro elevado registrados no mesmo dia; dependência de fornecedor é risco de produto. Ler mais

Robinhood permite que agentes de IA operem ações — caso real de agente com permissão de ação irreversível; referência de até onde dar autonomia a agentes no seu produto. Ler mais

Avaliadores LLM ruidosos ainda melhoram agentes — derruba a desculpa de “não temos eval bom o suficiente”: mesmo métrica ruidosa já orienta decisão de roadmap. Ler mais

AISlop, CLI para detectar code smells de IA — com features escritas por IA em escala, qualidade de código vira risco de velocidade futura, e agora é mensurável. Ler mais

Estudo mapeia dark patterns em chatbots de IA — engajamento otimizado em produto conversacional escorrega fácil para manipulação: risco de marca, de confiança e regulatório. Ler mais

Spec final do MCP, LangGraph 1.0 e Bedrock AgentCore em GA — a camada de infraestrutura de agentes está padronizando, e decisões de arquitetura tomadas agora ficam mais fáceis de reverter depois. Ler mais

Fecho por aqui. Se for mexer na priorização hoje, leve a conta da inferência junto.