Hoje o radar trouxe bastante lançamento de modelo — Sonnet 5, GPT-5.6, Kimi K3 — mas o que me prendeu mesmo foi uma discussão mais silenciosa: até onde a revisão humana ainda segura alguma coisa quando o volume de agentes multiplica. Fica o resto da curadoria do dia logo abaixo.

Tem uma pergunta que volta sempre que penso em automação de esteira de crédito: quanto de aprovação humana é proteção de verdade, e quanto é só ritual que a gente mantém por hábito.

Um artigo que circulou bastante essa semana levanta um ponto direto: o modelo de “humano no loop”, onde uma pessoa revisa cada ação de um agente de IA antes de ela valer, está ficando insustentável. Os agentes multiplicaram, ficaram mais rápidos, e o volume de decisões que passam por revisão manual cresceu junto. O gargalo não é mais a IA. É a capacidade humana de acompanhar o ritmo dela.

Isso bate direto com o que vivo do lado de produto em crédito. Toda esteira que automatizamos carrega essa mesma pergunta: onde colocar o ponto de checagem humana sem transformar ele em gargalo, e sem virar aprovação de carimbo, que ninguém lê de verdade porque o volume é grande demais.

O artigo defende uma virada de revisão granular, item por item, para supervisão por exceção. Em vez de aprovar cada ação, você desenha o sistema para sinalizar o que foge do padrão e concentra atenção humana ali. Faz sentido. Revisão de tudo, no fim, vira revisão de nada, porque cansaço e volume corroem a qualidade da checagem.

Para produto financeiro, recebíveis e crédito estruturado, isso é desenho de risco, não só de UX. Definir o que é exceção, o que dispara alçada humana e o que pode fluir direto exige tanto rigor quanto qualquer modelo de score. É produto pensando em governança desde a concepção, não como camada extra depois.

Gosto dessas provocações porque tiram a discussão do “IA sim ou não” e colocam no lugar certo: como desenhar confiança em escala.

Para quem quiser ler o artigo completo, deixo o link aqui.

O resto do radar

Claude Sonnet 5 — Baixa o custo de rodar agentes em produção sem perder desempenho, abrindo espaço para features agentic mais ambiciosas. Ler mais

GPT-5.6 — A OpenAI passou a segmentar por camada de capacidade, não só por versão, mudando como se escolhe o modelo certo por caso de uso e orçamento. Ler mais

Muse Image, da Meta — Geração de imagem vira agente multimodal embutido em produtos de consumo, subindo a régua de UX esperada. Ler mais

Kimi K3 — Modelo aberto de ponta que reduz lock-in de fornecedor e pressiona preço de APIs fechadas, relevante em decisões de build-vs-buy. Ler mais

LM Studio Bionic — Agente para rodar sobre modelos abertos localmente, útil para quem avalia arquitetura self-hosted por custo ou privacidade. Ler mais

Dynamic Workflows no Claude Code — Padrão de orquestração em que o agente adapta os passos em vez de seguir script fixo, replicável em produtos próprios. Ler mais

Avaliadores LLM ruidosos ainda ajudam — Dá respaldo prático para começar avaliação automatizada de qualidade de IA mesmo sem um avaliador perfeito. Ler mais

NotebookLM virou Gemini Notebook — Mostra como naming e branding de produtos de IA mudam rápido conforme a estratégia de portfólio evolui. Ler mais

Robinhood libera agentes de IA para operar ações — Testa os limites de autonomia de agentes em decisões financeiras de alto risco. Ler mais

É isso que ficou na minha lista de hoje. Amanhã tem mais.