Notícias IA · 22 de outubro de 2026
A IA já não se ganha com modelos maiores: ganha-se em memória, custo e supervisão
Esta semana trouxe três anúncios que apontam no mesmo sentido. A Databricks diz que triplicou a taxa de sucesso dos seus agentes sem trocar de modelo, apenas ao dar-lhes memória. A Inception mostrou que uma arquitetura diferente do transformer entrega respostas a 1000 tokens por segundo por uma fração do preço. A SpaceX transformou a venda de capacidade de IA no seu maior negócio, à frente da Starlink. No mesmo período, a Google DeepMind mediu o outro lado da equação: uma única dica errada do utilizador corta o desempenho dos agentes quase para metade. O fio condutor é claro — o gargalo saiu do modelo e passou para o sistema que o rodeia. E esse sistema inclui quem o usa.
Memória persistente: o upgrade que não passa pelo modelo
A Databricks apresentou na terça-feira o MemCurrent, uma camada de memória para agentes que retém conhecimento entre sessões e constrói memória institucional para empresas. Segundo os números divulgados pela empresa, a taxa de sucesso dos agentes em tarefas reais triplicou, de 22% para 68%, num benchmark interno. As tarefas ficaram 26% mais rápidas e consumiram 31% menos tokens.
O dado mais relevante é outro. Em três benchmarks públicos, o MemCurrent igualou o desempenho de entregar ao agente todas as conversas anteriores, mas com 12 vezes menos tokens. A Databricks afirma ainda que a camada superou três sistemas de memória open source — OpenClaw, Mem0 e PropMem — em precisão e eficiência.
O produto já está integrado no Genie, assistente de dados da empresa. A versão Agent Bricks Memory, em beta, permite aplicar a mesma capacidade a agentes próprios, com qualquer modelo ou harness, dentro do Lakebase.
A leitura estratégica é direta: o problema mais caro dos agentes não é raciocinar, é recordar. Sem memória, cada sessão obriga o agente a reaprender hábitos, contexto e histórico do cliente — e a pagar por isso em tokens.
Uma arquitetura alternativa muda a conta do custo
A Inception lançou o Mercury 3, um LLM de difusão que gera texto por um método diferente dos modelos tradicionais. A empresa indica 1000 tokens por segundo e um desempenho comparável aos modelos de gama baixa e média da Anthropic e da OpenAI.
"O Mercury 3 é o modelo de difusão mais capaz do mercado", afirmou ao The Deep View o CEO da Inception, Stefano Ermon. "É comparável aos modelos Luna e Haiku, mas muito mais rápido."
O preço segue a mesma lógica: 0,10 dólares por milhão de tokens de entrada e 0,35 dólares por milhão de saída. A Inception reporta ainda um exercício de auto-melhoria recursiva, com enxames de agentes Mercury 3 a acrescentar 16% de velocidade às melhorias feitas pela própria equipa.
No mesmo período, a DeepSeek colocou em open source o DeepInfer, o motor que serve os seus modelos em produção, e lançou o V4.1-Flash com API de pesquisa gratuita. A MiniMax continua a aproximar os modelos abertos chineses da fronteira, a uma fração do custo. O resultado agregado é uma descida estrutural do preço por token.
Para uma PME, isto muda o cálculo. A pergunta deixa de ser "qual é o melhor modelo" e passa a ser "que tarefas justificam o modelo caro". A resposta prática é segmentar: modelo rápido e barato para volume, modelo de topo para o que leva a assinatura da empresa.
A IA começa a fazer ciência — e a auditar código
A Anthropic usou o Claude para desenhar 318 mil proteínas dirigidas a toxinas de escorpião, num processo autónomo. O trabalho enquadra-se numa tendência mais ampla: a IA deixa de comentar ciência e começa a produzir candidatos que os laboratórios podem testar.
O mesmo padrão aparece na segurança de software. O scanner gratuito da Anthropic encontrou 77 bugs críticos em projetos open source numa semana, segundo o relatório da AlphaSignal.
Na investigação, um artigo sobre o método GRAFT ataca um dos problemas antigos da aprendizagem por reforço: o reward hacking. A técnica deixa o modelo "trapacear" à vontade num adaptador descartável e elimina esse adaptador depois. A motivação é explícita — impedir que o modelo otimize a métrica em vez do objetivo.
Há também sinais do lado da autonomia. Investigadores cortaram a censura do Qwen3 de 58% para 2% sem treino adicional, e a Nvidia reportou 99% de sucesso do seu framework de aprendizagem robótica em 80 tarefas de manipulação. A capacidade sobe, mas cada avanço traz uma pergunta de controlo atrás.
Quando a IA passa a ser o maior negócio da empresa
A SpaceX reportou o terceiro trimestre com 14,58 mil milhões de dólares de receita, um crescimento de 161% face ao ano anterior, e 4,4 mil milhões de lucro líquido — o primeiro trimestre lucrativo desde a entrada em bolsa. O segmento Super Intelligence, ligado a infraestrutura e serviços de IA, gerou 7,56 mil milhões e ultrapassou a Starlink como maior área de negócio.
O custo desta transformação é visível: as despesas de capital do trimestre chegaram a 19,6 mil milhões de dólares. A empresa fala em 1,7 gigawatts de capacidade computacional instalada e numa meta de 13 gigawatts até ao final do próximo ano.
A Anthropic seguiu por outra via para responder à mesma pressão social. A empresa anunciou o Anthropic Public Benefit Fund, com 5% das suas ações comprometidas e mais 2% por cada aumento de 50% na avaliação, sujeito a aprovação dos acionistas. É filantropia com lógica estratégica: quem constrói infraestrutura à escala precisa de licença social para operar.
No lado do produto, o ChatGPT passou a controlar separadores do Chrome, ao mesmo tempo que perde quota de mercado para o Gemini e para o Claude, segundo relatos do setor. A corrida já não se decide só na capacidade, decide-se na distribuição.
O elo mais fraco continua a ser humano
A Google DeepMind quantificou o que muitos utilizadores suspeitavam. Uma dica errada do utilizador reduz a taxa de sucesso dos agentes em quase metade. O modelo não é o limite — a instrução é.
Este dado cruza-se com o resto da semana. A Databricks compensa a memória fraca com uma camada externa. A Inception compensa o custo com outra arquitetura. A Anthropic compensa o risco de código com um scanner automático. Em todos os casos, o ganho vem do desenho do processo, não de um modelo maior.
Para quem trabalha em PME, a consequência é prática. Antes de comprar mais capacidade, vale a pena arrumar o contexto: histórico do cliente, regras do negócio, critérios de aceitação. Um agente com boa memória e instruções medíocres continua a falhar. Um agente com instruções claras e memória organizada resolve.
🧰 Toolkit: IA no Terreno
- Notion Auto: escolhe o modelo certo por tarefa e, segundo a Notion, corta o custo em créditos até 90%.
- DeepSeek V4.1-Flash: modelo aberto rápido, com API de pesquisa gratuita incluída.
- DeepInfer: motor de inferência da DeepSeek em open source, para baixar o custo de servir modelos.
- Agent Bricks Memory (Databricks, beta): memória persistente para agentes próprios, com qualquer modelo.
- Anthropic OSS Scanner: scanner gratuito que deteta bugs críticos em projetos open source.
- Mercury 3 (Inception): LLM de difusão a 1000 tokens/s, pensado para volume e respostas quase instantâneas.
- Speechmatics STT: modelo de reconhecimento de voz com latência de 350 ms para agentes telefónicos.
A semana fecha com uma inversão de prioridades. Durante dois anos, a conversa foi sobre parâmetros, benchmarks e tamanho do modelo. Os anúncios destes dias medem outra coisa: memória que persiste, custo por token que cai, capital que se acumula em infraestrutura e seres humanos que continuam a estragar o resultado com uma frase mal dada. A próxima vantagem competitiva não estará em aceder ao modelo mais forte, mas em construir o sistema que o impede de falhar — e em saber quando não lhe entregar a decisão.
#IAPortugal #noticiasIA