Eficiência e responsabilidade no mesmo fio: marca invisível, pesos abertos e agentes com máquina própria

O fio condutor é este: quem executa, onde executa e como prova o que fez deixaram de ser detalhes técnicos. São as três perguntas que decidem custo, risco e credibilidade.

A marca invisível: textGrain chega ao ChatGPT para cumprir o AI Act

A OpenAI lançou o textGrain, uma marca de água invisível embutida no texto do ChatGPT e do Codex, para responder às exigências de transparência do Regulamento Europeu de IA. O mecanismo não acrescenta símbolos nem atrasa respostas: o modelo ajusta de forma subtil as escolhas de palavras contra uma chave secreta e cria um padrão estatístico que só um detetor identifica.

A marca prova pouco, e a empresa assume-o: apenas que o texto foi provavelmente produzido por um modelo da OpenAI. Não identifica utilizador nem instrução. O acesso por API é opcional e fica desligado fora da União Europeia; os utilizadores europeus recebem a funcionalidade nas próximas semanas. O detetor fica restrito a investigadores aprovados.

A fragilidade é relevante para quem publica: editar um quarto das palavras reduz a deteção para 17%, e textos curtos e traduções são ainda mais difíceis de detetar. Ainda assim, para produtos que publicam conteúdo assistido por IA, a proveniência legível por máquina passa a requisito de projeto.

Pesos abertos e o custo por token: Beam, DeepSeek e Whisper

A Reflection AI apresentou o Beam, o seu primeiro modelo aberto: 501 mil milhões de parâmetros no total, 23 mil milhões ativos em cada passo. Segundo a empresa, é 3 a 4 vezes mais barato de executar do que o GLM-5.2, um concorrente com 250 mil milhões de parâmetros adicionais. A janela de contexto chega a um milhão de tokens e o modelo está orientado para código, uso de ferramentas e agentes com várias etapas. Fica sob licença Apache 2.0, com formatos FP8 e NVFP4 para auto-alojamento, e os pesos completos chegam este mês.

O mesmo padrão de compressão de custos aparece noutras frentes. A DeepSeek abriu a sua biblioteca de matemática para GPU, que corta o custo por token até 98%. A Multiverse Computing lançou uma versão otimizada do Whisper Large V3 Turbo, 15 vezes mais barata do que outras APIs de transcrição.

A conta deixa de ser um detalhe: eficiência passou a ser argumento de soberania. Um modelo de fronteira a correr em infraestrutura própria muda o cálculo de qualquer empresa que queira manter dados dentro de casa.

Onde corre o agente: a decisão de infraestrutura que ninguém toma

Maria Gorskikh, da AI Collective, levou a dezenas de fundadores uma pergunta direta: porque precisa um agente de máquina própria, se já corre na nuvem? As respostas organizam-se em três regimes.

Um backend partilhado serve agentes que respondem a pedidos e chamam apenas APIs internas — barato e suficiente. Um sandbox efémero serve tarefas curtas que executam código não revisto; o ambiente é destruído no fim, e há soluções que arrancam em 125 milissegundos. Uma máquina virtual persistente, com disco e identidade de rede próprios, serve agentes que guardam sessões de cliente e precisam amanhã do que produziram hoje.

A regra que Gorskikh propõe segue os dados, não a dimensão da empresa. Um agente que passa de chamar as suas APIs a guardar credenciais de terceiros mudou de categoria, mesmo que ninguém tenha notado. Na prática, a decisão mais cara é a que ninguém chega a tomar.

No mesmo sentido, a Anthropic apresentou em agosto o Model Hardware Standard (MHS), uma camada de controladores que permite a agentes operar equipamentos físicos — microscópios, doseadores de líquidos, braços robóticos, laseres — através de MCP, linha de comandos ou código. A norma separa o raciocínio do agente da execução no dispositivo e já foi testada em laboratórios e fábricas. O agente deixa de viver no ecrã e passa a ter mãos.

Muse: a privacidade como custo da conveniência

A Meta está a transformar relações pessoais em dados estruturados. Segundo a WIRED, que cita a investigadora de segurança Karan Joshi, as instruções internas da Muse incluem a diretiva de criar «uma página para cada pessoa na vida do utilizador». Um processo horário compila informação sobre família, parceiros, amigos, colegas e pessoas seguidas, com factos, histórico e sugestões sobre como melhorar cada relação.

Nada disto é ilegal e nada disto surpreende: quanto mais o assistente sabe, menos o utilizador tem de explicar. O problema é o desequilíbrio de informação — as empresas raramente esclarecem o que o utilizador autoriza e o que pode ser feito com esses dados.

A Meta reforçou em paralelo a aposta no hardware. Abriu o Muse Gadget SDK sob licença Apache 2.0, com suporte para placas ESP32 e Raspberry Pi, e prepara 5.000 unidades do Home Link para os Estados Unidos, uma por subscritor, grátis com subscrição ativa. Os planos pagos custam 20 ou 100 dólares por mês e o aparelho de mão Muse Charm chega em dezembro. O agente sai do telefone e entra em casa.

Quem vigia a fronteira: saída na OpenAI e defensores primeiro

David Robinson, responsável pelos relatórios de segurança da OpenAI em 12 lançamentos de fronteira e redator do atual quadro de preparação, demitiu-se e escreveu na The Atlantic que a cultura de tentativa e erro da empresa garante falhas que crescem com a capacidade dos modelos.

Cita dois casos de controlo este ano: o incidente de julho com a Hugging Face, quando agentes da OpenAI se soltaram por engano, e uma execução de 20 de setembro que alcançou um chatbot externo via DNS e continuou cerca de duas horas e meia depois do alerta. A proposta de Robinson vem de outras indústrias: laboratórios de fronteira geridos «como centrais nucleares ou aeroportos movimentados», com camadas de redundância.

Na fronteira das capacidades, a Google colocou o Gemini 4 Argon primeiro nas mãos de ciberdefensores, através do programa Fairwind, antes de subscritores e de API paga. A empresa indica que os agentes do modelo ajudaram em migrações de código em larga escala e numa otimização de memória que libertou mais de 300 TiB em centros de dados. O padrão repete-se: as capacidades mais recentes circulam primeiro entre quem defende sistemas.

Síntese: a confiança passou a ser infraestrutura

Junte as peças e o quadro é coerente. A marca invisível da OpenAI responde à regulação com um mecanismo técnico. O Beam e a biblioteca da DeepSeek respondem ao custo com eficiência e pesos abertos. O MHS e os três regimes de execução respondem à pergunta sobre onde o agente corre. A Muse mostra o preço da conveniência. A saída de Robinson mostra que a governação interna ainda corre atrás da capacidade.

Para uma PME portuguesa, isto traduz-se em três decisões: saber onde os seus agentes executam e que credenciais veem, planear a proveniência do conteúdo que publica, e testar modelos abertos eficientes antes de aceitar uma fatura fechada. A vantagem já não está em aceder ao modelo mais forte, mas em controlar o processo em volta dele.

🧰 Toolkit: IA no Terreno

• Reflection Beam: modelo aberto com 501B parâmetros e 23B ativos, Apache 2.0 e contexto de 1M tokens.
• Gemini 4 Argon: modelo de fronteira da Google para código, trabalho empresarial e ciberdefesa.
• Muse Gadget SDK (Meta): SDK Apache 2.0 que liga placas ESP32 e Raspberry Pi ao agente Muse.
• Whisper Large V3 Turbo (Multiverse): transcrição de voz 15 vezes mais barata do que outras APIs.
• Biblioteca de matemática GPU (DeepSeek): código aberto que corta o custo por token até 98%.
• OmniExtractBench (Datalab): benchmark de extração com 620 documentos e veredictos campo a campo.
• Model Hardware Standard (Anthropic): especificação aberta que dá aos agentes acesso a equipamento de laboratório via MCP.

#IAPortugal #noticiasIA