O Roteiro de IA para 2026 Acabou de Vazar

O Forward Future se transformou discretamente em uma das salas de guerra de IA mais influentes da internet. O apresentador Matthew Berman agora fala diariamente para uma audiência de mais de 500.000 construtores e tomadores de decisão em plataformas como YouTube, X e seu boletim informativo Forward Future, unindo lançamentos de modelos, escassez de chips e disputas políticas em um único feed extremamente acionável. Seus streams Forward Future Live funcionam menos como programas do YouTube e mais como briefings de estratégia em tempo real para pessoas que apostam suas carreiras em IA.

A programação de 12/12/2025 parece um retrato da pilha de IA em 2026. A pesquisadora da OpenAI, Tejal Patwardhan, representa a camada de modelo fundamental que ainda define o ritmo para todos os outros. Fabian Stelzer, Co-Fundador da Glif, traz a camada de agentes que transforma esses modelos em fluxos de trabalho autônomos. Além disso, Christina Cacioppo e Jeremy Epling da Vanta ancoram segurança e conformidade, enquanto Spenser Skates, CEO e Co-Fundador da Amplitude, fecha o ciclo com análises de produtos e dados de comportamento do usuário.

Juntos, esses convidados cobrem toda a rota do GPU ao KPI empresarial. A OpenAI define capacidades e limitações. A Glif experimenta até onde você pode levar os agentes antes que eles falhem – ou causem problemas. A Vanta responde se algum disso pode passar por uma auditoria SOC 2 ou pelo comitê de riscos de um banco, e a Amplitude rastreia se os clientes realmente utilizam as funcionalidades de IA que as equipes continuam lançando.

Tudo isso acontece em um momento volátil pós-GPT-5.2. O desempenho dos modelos subiu novamente, mas a reação do mercado mudou de pura admiração para perguntas difíceis sobre custo, confiabilidade e controle. Os investidores de risco agora fecham negócios "apenas de IA" em menos de 15 minutos, mas esses investimentos exigem cada vez mais histórias reais de implantação, não apenas gráficos de referência.

As empresas, por sua vez, deixaram de tratar a IA como um experimento. As equipes da Fortune 500 agora integram modelos da classe GPT ao suporte ao cliente, à busca interna e à análise de dados, enquanto os reguladores correm para se atualizar e as leis estaduais sobre IA patinam nos tribunais. O painel de Berman está exatamente nessa linha de tensão: as pessoas que constroem os modelos, os agentes que atuam em seu nome, as barreiras que mantêm os reguladores tranquilos e os painéis que comprovam se tudo isso valeu a pena.

Fabian Stelzer, co-fundador da Glif, fala sobre agentes da mesma forma que os primeiros pioneiros da web falavam sobre navegadores: como o novo ambiente de execução, não apenas mais um aplicativo. Em vez de uma única janela de chatbot, ele imagina enxames de agentes autônomos coordenando-se através de APIs, armazéns de dados e ferramentas SaaS, passando tarefas como em uma linha de produção. Um agente elabora a estratégia, outro coleta análises, um terceiro negocia com fornecedores ou serviços em nuvem, tudo isso sem a intervenção de um humano conectando o fluxo de trabalho.

Essa mudança desloca a IA de "recurso inteligente" para "orquestrador de trabalho". O Glif de Stelzer trata os agentes como blocos de construção compostáveis — pequenos processos especializados que podem monitorar eventos, acionar ações e chamar outros agentes. Você não apenas solicita um modelo; você projeta um sistema onde os agentes mantêm o contexto ao longo de dias, lembram das regras de negócios e escalam apenas quando a confiança cai abaixo de um limite.

Para desenvolvedores, isso se relaciona diretamente ao Vibe Coding Playbook de Matthew Berman: descrever a intenção, as restrições e o “vibe” desejado, e então deixar os agentes cuidarem da parte técnica. Em vez de integrar manualmente 10 SDKs, um dev define objetivos como “monitorar risco de churn e lançar experimentos de retenção”, e um gráfico de agentes descobre quais APIs chamar, quais painéis atualizar e quando notificar um humano no Slack. Programar se torna mais sobre especificar limites e menos sobre escrever código de ligação.

As empresas veem isso como alavancagem, não como novidade. Uma startup de 10 pessoas pode criar uma “equipe de crescimento em IA” de agentes que: - Coletam mudanças dos concorrentes diariamente - Geram automaticamente testes A/B - Enviam atualizações para ferramentas como Amplitude e plataformas de anúncios

Cada agente opera 24 horas por dia, 7 dias por semana, custa centavos por hora e registra cada decisão para conformidade e análises posteriores.

As principais plataformas estão competindo para dominar essa camada. Executivos da AWS agora falam sobre fluxos de trabalho agentic na mesma frase que silício personalizado e bancos de dados vetoriais, posicionando o Bedrock e o Step Functions como a espinha dorsal para sistemas multi-agente. Microsoft, Google e OpenAI estão convergindo para pilhas semelhantes: modelos hospedados, armazenamentos de memória, barramentos de eventos e motores de políticas ajustados para agentes que atuam, não apenas conversam.

Um mundo focado em agentes parece diferente para criadores e empresas. Os produtos são lançados com “atribuir um agente a isso” já incorporado—pesquisa, prospecção, garantia de qualidade, finanças. Os roadmaps começam com “Quais agentes são responsáveis por esse processo?” em vez de “Qual equipe pode liberar um sprint?”.

A demanda por IA empresarial dentro dos painéis da OpenAI se assemelha menos a uma curva e mais a uma parede. Tejal Patwardhan descreveu o uso por clientes da Fortune 500 multiplicando a cada trimestre, à medida que equipes integram modelos no estilo GPT em operações de vendas, suporte ao cliente e sistemas internos de conhecimento, muitas vezes por meio de "projetos clandestinos" silenciosos antes que os CIOs deem sua aprovação. Para a OpenAI, esses padrões transformam pesquisa abstrata em requisitos de produto concretos: confiabilidade, latência, conformidade e ganchos de integração profunda.

Após o GPT-5.2, a agenda de pesquisa da OpenAI parece se inclinar para sistemas de autoaperfeiçoamento em vez de apenas monólitos maiores. Pense em frotas de modelos que se retreinam continuamente com dados aprovados pelos usuários, geram ferramentas automaticamente e aprendem a orquestrar agentes especializados. Essa mudança está alinhada com o que Fabian Stelzer está construindo na Glif, onde redes de agentes já encadeiam modelos, APIs e memória; para uma amostra desse futuro, veja o Site Oficial da Glif.

Os comentários de Patwardhan sugerem uma pilha onde os modelos atuam como meta-otimizadores: eles escrevem código, projetam experimentos, avaliam resultados e incorporam os melhores resultados em novas versões. O autojogo transformou a IA em jogos; a OpenAI agora deseja autoiteração em pesquisas, fluxos de trabalho empresariais e até mesmo na experiência do usuário dos produtos. A avaliação se torna tão estratégica quanto os dados de treinamento, com benchmarks sintéticos e testes de estresse baseados em agentes funcionando sem parar.

Os prazos para a IA gerar “a maior parte do novo conhecimento” até 2028 dividem o painel. Os otimistas argumentam que, uma vez que os modelos possam propor hipóteses de forma autônoma, realizar simulações e minerar dados multimodais, a produção científica poderia aumentar em até 10 vezes em campos específicos, como ciência dos materiais ou descoberta de medicamentos. Os céticos contra-argumentam que gargalos—validação em laboratório, regulação e conservadorismo institucional—limitarão o impacto muito tempo depois que os modelos superarem a revisão da literatura humana.

Os futuros hóspedes da Forward sinalizaram três limitações que tornam a previsão de 90% de conhecimento gerado por IA em 2 a 3 anos parecer agressiva: - Limitações de hardware e energia - Diretrizes legais e de segurança - Taxas de confiança e adoção humana

Para empresas que estão planejando roteiros para 2026–2028, a trajetória da OpenAI impõe escolhas difíceis. Apostar apenas em modelos fundamentais estáticos pode levar à obsolescência, à medida que concorrentes adotam pilhas autônomas e autoaperfeiçoadas que podem reestruturar fluxos de trabalho semanalmente. Equipes mais acompanhadas estão orçando para integração contínua com as APIs da OpenAI, governança de dados que antecipa o retrabalho automatizado e organogramas onde “operações de IA” estão ao lado de DevOps e segurança.

A confiança se quebra mais rápido do que qualquer modelo pode completar, e Christina Cacioppo e Jeremy Epling estão tratando isso como o verdadeiro limite de taxa da IA. Do ponto de vista deles na Vanta, as empresas não estão apenas adotando sistemas da classe GPT; elas os estão conectando silenciosamente a dados de clientes, código de produção e tomada de decisões sem qualquer revisão de segurança.

Apressar-se para integrar modelos em CRMs, repositórios de origem e sistemas de pagamento cria um novo raio de explosão. Um assistente de IA "inocente" que pode ler tickets do Jira, logs do Stripe e DMs do Slack se torna uma ferramenta perfeita para movimentação lateral assim que uma única chave de API vaza ou um token OAuth é phishing.

Checklists tradicionais de AppSec não se alinham perfeitamente ao comportamento da IA. Modelos podem exfiltrar dados através de saídas, vazar exemplos de treinamento e inferir atributos sensíveis a partir de logs “anonimizados”. Injeção de prompts, envenenamento de dados e jailbreaks não são mais hipotéticos; são a nova injeção SQL, e a maioria das equipes de segurança não possui manuais ou monitoramento para isso.

Cacioppo e Epling argumentam que as equipes de conformidade enfrentam um dilema: os reguladores exigem controle sobre sistemas opacos que os fornecedores não conseguem explicar completamente. Quando um modelo gera uma recomendação financeira errônea ou redireciona informações de saúde protegidas, quem é o responsável pelo relatório do incidente— a empresa, o fornecedor do modelo ou o integrador que junta tudo?

A regulamentação apenas amplifica o caos. Empresas que estão construindo produtos de IA em todo o país devem navegar por um mosaico de: - Projetos de lei de IA em nível estadual - Regras setoriais para saúde, finanças e educação - Estruturas emergentes de IA federal e da UE

Leis estaduais bloqueadas ou paralisadas não removem a fricção; elas criam incerteza. As equipes atrasam funcionalidades ou silenciosamente restringem capacidades geograficamente porque ninguém quer lançar uma ferramenta de subscrição de IA ou um filtro de contratação que possa violar um estatuto reativado ou uma nova interpretação da FTC seis meses depois.

A segurança, na visão da Vanta, não pode ser um item a ser verificado apenas em estágios avançados. Tratar confiança e conformidade como requisitos de produto em primeiro plano — minimização de dados, registros auditáveis para cada decisão de IA, proveniência clara dos modelos — se torna a única maneira de continuar entregando uma vez que reguladores, auditores e clientes avancem.

As empresas que vencerem a corrida da IA em 2026 não terão apenas agentes mais rápidos ou GPUs maiores. Elas terão uma trilha de evidências: relatórios SOC 2 que incluam sistemas de IA, avaliações de risco em tempo real para solicitações e saídas, e uma narrativa sobre segurança que possa resistir tanto a uma violação quanto a uma intimação.

Dados, não sensações, decidem se a IA está realmente funcionando. Esse é o argumento central de Spenser Skates: se você não está instrumentando cada clique, prompt e conclusão com uma pilha de análise de produto como a Amplitude, você está apenas adivinhando. DAUs, curvas de retenção e taxas de abandono no funil revelam quais recursos de IA os usuários adotam, ignoram ou contornam ativamente.

Skates impulsiona as empresas a monitorar o uso de IA em nível de funcionalidade, e não como um único bloco de "engajamento com IA". As equipes precisam saber se um assistente de escrita por IA aumenta a conclusão de documentos em 20%, ou se um copiloto de suporte reduz o tempo médio de atendimento de 7 minutos para 3. Sem essa telemetria comportamental, os executivos veem apenas um item na fatura da nuvem, e não se isso mudou o comportamento do usuário.

O ROI da IA, ele argumenta, reside em uma cadeia simples: chamada de modelo → ação do usuário → resultado comercial. Você mede isso vinculando eventos de IA a métricas como: - Taxa de conclusão de tarefas - Tempo até o valor ou tempo até a resolução - Conversão, expansão e churn

Se um recurso de busca com IA eleva consultas bem-sucedidas de 55% para 80% e aumenta a conversão em 5%, isso é um ROI rentável, não uma vitória de demonstração.

Os dados também cortam a guerra de marketing entre ChatGPT, Gemini, Claude e os demais. O mundo de Skates se importa menos sobre qual modelo tem pontuação mais alta em benchmark sintético e mais sobre qual deles gera mais documentos enviados, tickets fechados ou dashboards criados por usuário ativo. Quando você realiza testes A/B com modelos por trás da mesma interface, as análises revelam um vencedor claro em sucesso de tarefa e retenção de usuários.

Essa telemetria se torna um placar ao vivo para a corrida da plataforma de IA. Se a troca de um LLM para outro faz com que o uso ativo semanal caia silenciosamente em 10% ou aumenta os cliques de raiva acionados por erros, você sabe que o modelo “mais barato” acaba lhe custando dinheiro de verdade. O cenário competitivo deixa de ser um concurso de hype e se torna um conjunto de dados.

A iteração contínua se baseia nesta pilha de medição. Equipes que lançam recursos de IA semanalmente podem acompanhar gráficos de coortes e relatórios de caminhos para ver como os usuários se adaptam, e então refinar prompts, restrições e experiência do usuário. A mensagem de Skates: as empresas que vencerem na IA não apenas ajustarão modelos; elas ajustarão comportamentos, usando dados como seu ciclo de feedback.

Folhetos de termos de quinze minutos se tornaram silenciosamente o novo normal em IA, com rodadas de seed e Série A se fechando em uma única chamada pelo Zoom e uma página compartilhada no Notion. Investidores em busca de uma oportunidade "uma vez na geração" se antecipam uns aos outros com uma diligência leve, apostando que perder a próxima OpenAI dói mais do que apoiar 10 futurais descartes. Co-fundadores se gabam de capturas de tela de calendários onde uma introdução fria se transforma em um SAFE assinado antes do almoço.

O capital hiperacelerado tem vantagens óbvias. Equipes como a Glif podem contratar engenheiros, comprar tempo de GPU e lançar recursos agentes meses mais rápido do que startups tradicionais de SaaS jamais fizeram. Tejal Patwardhan, da OpenAI, descreveu empresas que passam de pilotos para contratos de multimilhões de dólares em um trimestre, o que torna a velocidade um padrão racional—se, arriscado.

Os custos aumentam rapidamente. Christina Cacioppo e Jeremy Epling alertaram que conformidade, SOC 2 e governança de dados raramente acompanham acordos de 15 minutos, deixando a segurança como um retrofitting em vez de uma restrição de design. O crescimento da Vanta reflete a necessidade que muitas empresas de IA têm de uma camada de confiança adicionada após a euforia do financiamento; mais detalhes estão no Site Oficial da Vanta.

Por trás da frenesi há uma brutal corrida de infraestrutura. Startups queimam capital novo em clusters NVIDIA H100, escassos contratos de locação A100, ou aceleradores estilo Groq, frequentemente se comprometendo a mínimas anuais de nuvem com AWS, Azure ou Google Cloud. Perder uma janela de alocação de GPU, e todo o seu planejamento desliza um trimestre.

Essa corrida se estende a pessoas, não apenas a chips. Co-Fundadores buscam ex-pesquisadores do DeepMind e OpenAI com uma compensação total superior a $500.000 e ações que assumem resultados de decacorn até 2027. Spenser Skates, da Amplitude, argumentou que empresas consolidadas ricas em dados podem gastar mais do que equipes em estágio inicial em talento e infraestrutura, forçando players menores a entrarem em verticais restritas ou a realizar fusões e aquisições agressivas.

Cronogramas comprimidos deformam a estratégia do produto. Em vez de validar casos de uso com análises cuidadosas, muitas startups de IA lançam copilotos mal elaborados e depois se desesperam quando a retenção e o uso diário ativo despencam. Os conselhos de administração esperam mudanças “no nível do GPT-4” a cada 6–9 meses, apesar de que o treinamento de modelos, avaliações e revisões de segurança não se comprimem na mesma curva.

Bolha ou não, o mercado já precifica resultados de ficção científica. Se esses avanços atrasarem—por causa da escassez de chips, do endurecimento dos reguladores ou se os usuários simplesmente estagnarem—os negócios de 15 minutos de hoje podem se transformar nas longas e feias rodadas de queda de amanhã.

A IA aberta vs. fechada não se parece mais com uma guerra cultural do GitHub; é uma luta sobre quem controla a cognição em larga escala. De um lado estão pilhas centralizadas como OpenAI, Anthropic e Google, agrupando modelos de ponta, hospedagem e camadas de segurança por trás de APIs. Do outro, a família Llama da Meta e uma infinidade de laboratórios menores promovem licenças permissivas, inferência local e pesos de modelo que você pode realmente tocar.

Os defensores de sistemas fechados argumentam que apenas sistemas rigidamente controlados podem lidar com modelos de trilhões de parâmetros, execuções de treino de bilhões de dólares e os regimes de segurança exigidos pelos reguladores. Os defensores do código aberto contra-argumentam que a reprodutibilidade e a possibilidade de bifurcação são os únicos verdadeiros controles sobre o poder concentrado da IA. Eles citam o Llama 3, Mistral e derivados abertos do DeepSeek como prova de que a qualidade não pertence mais exclusivamente a laboratórios fechados.

A geopolítica agora permeia diretamente os cartões de modelo. Startups americanas falam cada vez mais sobre a “americanização” de modelos estrangeiros poderosos, como o DeepSeek: removendo ou re-treinando dados alinhados ao PCC, adicionando proteções legais americanas e direcionando tudo através de provedores de nuvem americanos. Washington, Bruxelas e Pequim querem todos a IA de ponta que esteja alinhada com suas próprias leis, idiomas e valores.

Isso cria uma dinâmica estranha: pesos abertos treinados na China ou na Europa, levemente adaptados por empresas dos EUA, e depois reexportados como produtos empresariais "seguros". Os defensores de políticas mais rígidas se preocupam que isso ainda vaze capacidades através das fronteiras; os defensores do código aberto argumentam que tentar delimitar fronteiras nacionais em torno da matemática falhará, assim como ocorreu com a criptografia forte na década de 1990.

Por trás das disputas de licenciamento existe uma divisão filosófica mais profunda. Alguns laboratórios ainda buscam silenciosamente uma única superinteligência massivamente capaz que funcione como um serviço global: um modelo, muitos inquilinos. Outros, incluindo plataformas focadas em agentes como a Glif, imaginam bilhões de pequenos agentes personalizados ajustados às preferências, dados e tolerância ao risco de cada pessoa.

Os desenvolvedores estão na linha de frente. APIs fechadas oferecem escala instantânea, SLAs de tempo de atividade e caixas de verificação de conformidade que a Vanta pode auditar, mas prendem as equipes a preços, políticas de conteúdo e atualizações de modelo opacas. Modelos abertos permitem que os engenheiros fixem versões, ajustem com dados proprietários e executem localmente ou em GPUs mais baratas, ao custo de mais trabalho operacional e responsabilidade pela segurança.

A distribuição de poder na era da IA provavelmente seguirá essa escolha. Se as plataformas fechadas vencerem, um punhado de empresas dos EUA e da China se tornará, efetivamente, utilitários cognitivos, alugando raciocínio. Se os ecossistemas abertos continuarem a se expandir, a IA se parecerá mais com o Linux ou Android: bagunçada, fragmentada, mas, em última análise, controlada pelos muitos, não pelos poucos.

O Último Guia de Engenharia de Prompts da Humanidade, que Berman promove como um manual de sobrevivência, parece menos um resumo e mais uma descrição de trabalho para a próxima década: você não será a pessoa fazendo o trabalho, você será a pessoa dizendo a um exército de agentes de IA o que fazer. Formular prompts deixa de ser um truque de salão e se torna uma ciência de gestão, mais próxima da redação de uma especificação de produto ou de um parecer jurídico do que de uma conversa com um bot.

Os fluxos de trabalho que antes eram lineares agora se fragmentam em enxames de agentes. Um profissional de marketing não "cria uma campanha" mais; ele orquestra um conjunto de agentes que: - Coletam dados de concorrentes - Geram variações de texto - Executam automaticamente testes A/B no Amplitude - Enviam ativos para plataformas de anúncios

Nesse mundo, os títulos de trabalho mutam silenciosamente. Um “analista sênior” começa a se parecer com um líder de equipe de IA, supervisionando de 10 a 50 agentes, verificando casos extremos e estabelecendo diretrizes em vez de construir painéis linha por linha. Os desenvolvedores passam de escrever manualmente código padrão para projetar sistemas agentes que chamam APIs, monitoram logs e se auto-curam.

As interfaces também vão além da aba do navegador. UIs conversacionais já estão presentes no Slack, Notion e Figma; até 2026, o público de Berman espera superfícies nativas de IA como óculos inteligentes no estilo Gemini, wearables inspirados no Limitless da Meta e fones de ouvido contextuais que escutam reuniões e sussurram ações sugeridas. Seu "computador" se torna uma malha de sensores, câmeras e microfones alimentando um agente persistente que conhece sua agenda, base de código e contratos.

Isso muda o que “software de produtividade” realmente significa. Em vez de aplicativos, as pessoas assinam equipes de IA verticais: um grupo financeiro que fecha os livros, um grupo de vendas que prioriza leads, um grupo de conformidade que prepara auditorias da Vanta. O trabalho humano muda para a avaliação de trade-offs: custo vs. precisão, risco vs. velocidade, privacidade vs. personalização.

A narrativa apocalíptica—IA como um simples destruidor de empregos—não reconhece essa readequação. Os convidados de Berman repetidamente apresentam a IA como um multiplicador de forças que cria novas categorias de produtividade: uma pessoa gerenciando o que costumava ser um escritório de apoio de 20 pessoas, ou um cofundador solo montando uma máquina de lançamento no mercado em um final de semana. A parte difícil não será encontrar tarefas para a IA; será capacitar os humanos rapidamente o suficiente para gerenciar o que eles de repente se tornaram capazes de fazer.

Poder, não comandos, decide quem realmente lança IA. Por trás de cada demonstração de agente e atualização do GPT existe uma corrida brutal de infraestrutura que os habitués do Forward Future falam constantemente, mas que os consumidores raramente veem. GPUs, datacenters e links de fibra agora funcionam como os verdadeiros limites da API.

Os formuladores de políticas dos EUA finalmente tratam a capacidade de semicondutores como segurança nacional. O CHIPS and Science Act destina mais de US$ 52 bilhões para trazer fábricas avançadas de volta ao país, com a TSMC, Intel e Samsung construindo ou expandindo plantas no Arizona, Ohio e Texas. Quem controla a produção abaixo de 3 nm controla a velocidade com que a próxima geração de modelos pode ser treinada.

Essa mudança transforma as fábricas baseadas nos EUA em pontos de estrangulamento geopolíticos. Os controles de exportação já restringem o envio dos avançados chips NVIDIA H100 e B200 para a China, fragmentando a pilha global de IA. Blocos rivais agora correm para garantir seu próprio talento em design, ferramentas de litografia e capacidade de embalagem para evitar ficar do lado errado de uma interrupção no fornecimento.

O silício sozinho não vence esta guerra; as pessoas fazem isso. Principais pesquisadores de IA e engenheiros de infraestrutura recebem pacotes de compensação que frequentemente ultrapassam de 1 a 3 milhões de dólares por ano em dinheiro e ações. OpenAI, Google DeepMind, Meta e uma infinidade de startups bem financiadas silenciosamente recrutam umas às outras a cada trimestre, e uma única deserção pode inclinar todo um planejamento de produto.

Essa lacuna de talentos se manifesta na rapidez com que as equipes conseguem explorar novos hardwares. Treinar um modelo de ponta agora requer centenas de milhares de aceleradores, software de orquestração que não colapsa em mais de 10.000 nós, e engenheiros capazes de reduzir perdas de utilização em pontos percentuais. Empresas que não conseguem contratar esses especialistas acabam alugando capacidade de aquelas que podem.

A Groq ilustra a pressão sobre os nativos da infraestrutura. Seus clusters de inferência baseados em LPU oferecem um impressionante throughput de tokens, mas a demanda de plataformas de agentes e copilotos empresariais já pressiona as listas de espera e os limites de capacidade regional. Quando um único aplicativo viral pode aumentar o uso em 10 a 20 vezes da noite para o dia, até mesmo provedores bem capitalizados se apressam para adicionar racks, energia e refrigeração.

Guests do futuro da Forward veem isso como um novo tipo de dependência de plataforma. Os desenvolvedores que desejam entender onde estão as verdadeiras limitações—chips, energia, largura de banda ou inteligência—acabam acompanhando notícias de infraestrutura tão de perto quanto lançamentos de modelos, frequentemente começando por hubs como **Forward Future by Matthew Berman**.

O momento agora favorece as pessoas que conseguem entregar produtos de IA, e não apenas falar sobre eles. Nos próximos 12 a 18 meses, os criadores precisam tratar agentes, dados e segurança como características de produto de primeira linha, e não como algo secundário. Isso significa passar de "adicionamos um LLM" para "todo o nosso fluxo de trabalho opera em agentes autônomos que são observáveis, testáveis e responsáveis."

Comece com fluxos de trabalho agentes. Ferramentas como Glif apontam para um padrão próximo onde produtos orquestram frotas de agentes especializados: um para pesquisa, um para execução, um para QA. Os desenvolvedores devem prototipar fluxos estreitos e de alto ROI—abordagem de vendas, triagem de suporte, operações internas—e depois conectar os agentes com transferências claras e possibilidade de intervenção humana.

A demanda das empresas está explodindo em torno de plataformas como a OpenAI, mas as empresas compram confiabilidade, não demonstrações. Os desenvolvedores precisam projetar para SLAs, auditabilidade e redundância de fornecedores entre OpenAI, Anthropic e modelos abertos. Isso inclui estratégias explícitas de troca de modelos, orçamentos de latência e controles de custo incorporados à arquitetura, e não apenas adicionados na aquisição.

A segurança agora decide quem é implantado em grande escala. A mensagem da Vanta é direta: a IA sem governança torna-se um motor de exfiltração de dados não monitorado. As equipes devem: - Classificar os dados antes de chegarem a um modelo - Registrar todos os prompts e respostas que tocam em sistemas sensíveis - Mapear o uso de IA aos padrões SOC 2, ISO 27001 e regras do setor desde o primeiro dia

A estratégia de dados separa os brinquedos das empresas duráveis. O mundo de Spenser Skates na Amplitude gira em torno da instrumentação de cada interação de IA: solicitações, respostas, edições dos usuários, ações subsequentes. Os criadores devem tratar os recursos de IA como qualquer experimento de crescimento—testar solicitações A/B, medir o impacto na retenção e descartar o que não impulsiona as métricas principais.

Ninguém precisa fazer isso de forma isolada. O ecossistema Forward Future de Matthew Berman—newsletter, diretório de ferramentas e comunidade—funciona como um mapa em tempo real do que está funcionando entre mais de 500 mil construtores. Use-o para avaliar stacks, descobrir ferramentas centradas no agente e acompanhar as melhores práticas em evolução.

O próximo ano e meio define a hierarquia permanente dos vencedores da IA. A construção de hardware, as capacidades dos modelos e os contratos empresariais se solidificam até 2026. Qualquer pessoa que queira um espaço na economia da IA precisa estar lançando agentes, garantindo dados e medindo o impacto real—agora, e não no próximo ciclo de financiamento.

O que é Glif e sobre o que seu co-fundador discutiu?

Glif é uma plataforma para criar e usar agentes de IA. O cofundador Fabian Stelzer discutiu a transição de ferramentas de IA de pedido único para fluxos de trabalho agênticos complexos e interconectados que automatizarão processos inteiros para desenvolvedores e empresas.

Como a Vanta está abordando os riscos de segurança da IA?

A Vanta, representada por seu CEO e CPO, se concentra na confiança e conformidade para sistemas de IA. Eles destacaram a necessidade urgente de estruturas de segurança robustas para gerenciar riscos à medida que as empresas adotam rapidamente a IA, especialmente com a evolução das regulamentações.

Quais foram os principais pontos discutidos pelo pesquisador da OpenAI?

A pesquisadora da OpenAI, Tejal Patwardhan, provavelmente forneceu insights sobre o enorme aumento na adoção de IA empresarial. A discussão apontou para desenvolvimentos futuros de modelos além do GPT-5, incluindo IA de autoaperfeiçoamento e prazos agressivos para o conhecimento gerado por IA.

Por que a análise de dados é importante para o futuro da IA?

Spenser Skates, CEO da Amplitude, enfatizou que a análise de dados é crucial para entender a recepção dos usuários de IA no mundo real e o retorno sobre investimento (ROI). Os dados ajudam as empresas a medir o impacto real das funcionalidades de IA e orientam o desenvolvimento futuro de produtos.