A Anthropic mostrou o lado mais incômodo da era dos agentes

Essa semana eu fiquei preso num relatório da Anthropic. Não tinha lançamento de modelo, benchmark novo ou promessa de AGI. Tinha hackers, espionagem, vigilância, fraude, armas e uma conclusão que, pra mim, resume muito bem o momento que estamos vivendo: a IA não criou uma nova forma de atacar sistemas. Ela mudou a economia do ataque.

Isso é mais sério do que parece. Nos últimos meses a gente falou muito sobre agentes saindo do chat e começando a executar trabalho de verdade. Eles pesquisam, escrevem código, navegam, usam ferramentas, tomam decisões e continuam tentando até terminar a tarefa. A parte boa disso está em quase toda edição da Doug Drops. O relatório da Anthropic mostra o outro lado. Se um agente consegue trabalhar por você, ele também consegue trabalhar para alguém tentando invadir, fraudar, vigiar ou escalar uma operação que antes exigiria uma equipe inteira.

E foi uma semana curiosa pra ler esse relatório, porque ao mesmo tempo a OpenAI lançou uma API inteira para agentes, a Meta colocou um agente pessoal dentro de uma máquina virtual, o n8n publicou sobre orquestração agentic e ferramentas estão surgindo para colocar IA cada vez mais perto da execução. Parece que todas as peças estão convergindo para o mesmo lugar.

Bora ao que aconteceu.

A Jogada da Semana

A IA não criou ataques novos. Ela barateou todos eles.

A Anthropic publicou o relatório Detecting and countering misuse of AI: September 2026, cobrindo operações identificadas e interrompidas entre dezembro de 2025 e agosto deste ano. Tem cyber, espionagem, vigilância, fraude, biologia e armas. Mas o ponto mais importante, pra mim, não está em um ataque específico. Está numa mudança de economia: técnicas que já existiam ficaram muito mais baratas de operar quando reconhecimento, exploração, criação de scripts e análise de dados começaram a ser delegados para agentes. A própria Anthropic ressalta que esses casos não representam o uso típico do Claude, mas mostram bem até onde a capacidade operacional já chegou. Anthropic

O exemplo mais forte envolve operadores ligados ao ShinyHunters. Em uma das operações, o comprometimento de um fornecedor SaaS deu acesso a dados de aproximadamente 200 empresas clientes. Em outra, mais de 2.100 conjuntos de tokens Azure AD foram extraídos de mais de 40 ambientes corporativos em cerca de 34 horas. Em um caso separado, um único token roubado virou controle administrativo completo de um ambiente cloud em aproximadamente três horas. O humano continuava escolhendo o objetivo e avaliando o resultado, mas boa parte do trabalho de entender o ambiente, escrever scripts, testar caminhos e organizar dados já estava nas mãos dos agentes.

A Anthropic chama parte desse comportamento de algo próximo de vibe hacking, e a comparação é perfeita. No vibe coding você descreve o que quer construir e deixa o agente descobrir boa parte do caminho. Aqui acontece a mesma coisa, só que o objetivo é outro. Isso muda uma premissa antiga de segurança: uma operação muito sofisticada nem sempre vai significar uma equipe muito sofisticada por trás. Um operador pequeno pode ganhar velocidade, escala e profundidade usando agentes como força de trabalho.

O relatório também mostra isso fora de cyber. Um consultor no Mali usou Claude como principal força de engenharia para construir uma plataforma nacional de vigilância. Em outro caso, uma operação chinesa criou mais de 20 aplicativos de relacionamento com mais de 4.700 personas de IA conversando com pelo menos 25 mil pessoas em duas semanas. Não era mais um golpista usando chatbot. Era praticamente uma operação de fraude AI-first.

O que mais ficou comigo é que a IA não inventou vigilância, fraude ou invasão. Ela reduziu o custo operacional de tudo isso. E esse é justamente o outro lado da história que estamos contando há meses sobre agentes. Se a IA consegue navegar, escrever código, usar ferramentas, avaliar resultados e continuar tentando até terminar uma tarefa, ela pode fazer isso para uma empresa, para mim, para você e também para quem a gente preferia que não tivesse essa escala.

Por isso governança, permissão, isolamento, observabilidade e limite de ferramenta não podem ser a parte burocrática que entra depois. Estão virando parte da arquitetura do produto. Quanto mais a IA deixa de responder e começa a operar, mais importante fica definir onde ela pode operar e até onde pode ir sozinha.

🔗 Relatório completo da Anthropic

Para Builders

OpenAI Agents API: a disputa desceu para a infraestrutura

A OpenAI lançou a Agents API, e essa é uma daquelas notícias que parece só mais uma API até você olhar o que está por baixo. Ela usa o mesmo harness que sustenta o Codex e permite executar agentes em sandboxes gerenciadas pela OpenAI, na sua própria infraestrutura ou em parceiros como Cloudflare, Vercel, E2B, Modal e outros. O agente pode trabalhar com arquivos, código, ferramentas, skills, plugins e subagentes enquanto a OpenAI cuida da camada de execução.

Pra mim, o movimento mais importante aqui é estratégico. Primeiro as labs disputavam quem tinha o melhor modelo. Depois começaram a disputar SDK, memória, ferramentas e computer use. Agora a OpenAI quer também ser o lugar onde o agente roda. Quanto mais o agente deixa de ser uma chamada de API e vira um processo que trabalha durante minutos ou horas, mais importante fica essa camada de ambiente, isolamento, armazenamento e execução. OpenAI

n8n explicou muito bem quando NÃO usar agente

O n8n publicou um texto sobre process orchestration que eu gostei principalmente porque ele não cai no erro de transformar tudo em agentic. A divisão é simples: orquestração determinística para fluxos previsíveis e auditáveis, dinâmica para processos que precisam reagir ao contexto e agentic quando existe trabalho não estruturado em que vale dar autonomia para um agente decidir o caminho.

Parece óbvio, mas não é. Tem muito fluxo sendo transformado em agente só porque agente virou a palavra do momento. Se a sequência é conhecida, a regra é clara e você precisa de previsibilidade, talvez um workflow tradicional continue sendo a melhor arquitetura. O próprio n8n propõe misturar os dois mundos, usando etapas determinísticas como guardrails e entregando apenas o pedaço realmente incerto para o agente. Essa é uma abordagem que faz muito sentido pra mim. n8n

MCP não matou API. E provavelmente nunca vai.

Outro texto bom do n8n foi uma comparação direta entre MCP e API, porque ainda vejo gente falando dos dois como se um tivesse chegado para substituir o outro. Não substituiu. API continua sendo a interface que executa a integração entre sistemas. MCP cria uma camada padronizada para que agentes descubram quais ferramentas existem e saibam como chamá-las sem você precisar hardcodar cada combinação.

Na prática, muitos sistemas em produção vão usar os dois. O agente descobre uma capacidade via MCP, escolhe quando utilizá-la e por baixo existe uma API fazendo o trabalho de verdade, aplicando autenticação, rate limit e regras de negócio. É menos uma guerra de padrões e mais uma nova camada na arquitetura. n8n

GPT-Live-1 deixa voz com muito mais cara de conversa

A OpenAI colocou o GPT-Live-1 na API. O modelo é full-duplex, então consegue ouvir e falar ao mesmo tempo, lidar com interrupções e manter uma conversa sem aquela dinâmica de walkie-talkie em que um lado precisa terminar para o outro começar. A parte que achei mais interessante é a arquitetura: o modelo de voz pode ficar cuidando da conversa enquanto delega raciocínio mais pesado ou uso de ferramentas para outro modelo no backend.

Isso pode parecer detalhe técnico, mas muda bastante o que dá para construir em telefonia, atendimento, vendas e agentes por voz. Você não precisa mais colocar todo o cérebro no modelo que está falando. A camada de voz fica rápida e natural, enquanto outro agente trabalha por trás. O preço anunciado é de US$ 0,05 por minuto para essa camada de voz. OpenAI

ChatGPT Images 2.5 ficou mais interessante na edição do que na geração

A OpenAI também lançou o ChatGPT Images 2.5, com dois modelos na API. O Flare é a opção mais rápida e chega com latência cerca de 50% menor que o GPT-Image-2, enquanto o Sunburst é voltado para trabalhos que precisam de mais precisão e controle. O salto que me interessa mais, porém, é a consistência na edição: mudar uma parte da imagem sem destruir personagem, composição e identidade visual do restante.

É exatamente o que quem trabalha de verdade com geração de imagem precisa. O desafio nunca foi apenas gerar uma imagem bonita uma vez. É conseguir chegar numa imagem boa e depois continuar trabalhando em cima dela sem começar do zero a cada alteração. Pelo menos na promessa, o 2.5 está indo justamente nessa direção. OpenAI

A OpenAI publicou como guarda 500 PB para mais de 1 bilhão de usuários

Esse aqui é para quem gosta do que existe por baixo da mágica. A OpenAI publicou a primeira parte da história do Habitat, sua plataforma de armazenamento online. Hoje ela atende mais de 70 milhões de requests por segundo, serve produtos usados por mais de 1 bilhão de pessoas por semana em quase 40 regiões e já passou de 500 petabytes de dados.

O mais legal é ver a evolução. O Habitat começou no DevDay de 2023 como uma biblioteca Python simples conectada a um único banco. Três anos depois virou um sistema distribuído em escala completamente absurda. A gente fala tanto de modelo que às vezes esquece que entregar IA para um bilhão de pessoas continua exigindo uma montanha de engenharia tradicional muito bem feita. OpenAI

Giro da Semana

OpenAI verticalizou o ChatGPT para serviços financeiros

A OpenAI lançou o ChatGPT for Financial Services, e o que mais chamou minha atenção não foi criar uma edição “para finanças”. Foi integrar dados premium de empresas como Daloopa, PitchBook, LSEG News e Crunchbase diretamente ao produto, além de recursos para análise, modelagem, pesquisa e preparação de materiais financeiros. Isso aponta para uma estratégia interessante: um ChatGPT horizontal como porta de entrada, mas cada vez mais especializado por indústria quando contexto, dado e workflow importam de verdade. OpenAI

Lovable está formalizando a Builder Economy

A Lovable lançou seu Partner Program e trouxe um número que achei mais interessante que o próprio programa: mais de 800 mil pessoas e agências já usam a plataforma para trabalhos de clientes. A empresa está organizando esse ecossistema com Experts, Solution Partners e marketplace, basicamente transformando em programa oficial uma economia que já nasceu sozinha.

Isso conversa muito com o que venho chamando de cultura builder. IA não está só permitindo que alguém programe mais rápido. Está criando uma categoria de gente que combina produto, design, automação e desenvolvimento para entregar solução inteira com times muito menores. Pode chamar de vibe coding, AI builder, agência de IA ou qualquer outro nome. O mercado em volta disso já começou a existir. Lovable

Mistral levantou €3 bilhões para vender independência

A Mistral anunciou uma Series D de €3 bilhões, com valuation acima de €21 bilhões. É a maior rodada de equity já concluída por uma empresa de tecnologia europeia, segundo a própria companhia, e vai financiar pesquisa, compute, infraestrutura e expansão internacional. Mas o posicionamento por trás do dinheiro é o que vale acompanhar.

A Mistral está dobrando a aposta em IA soberana e open-weight, vendendo para empresas e governos a possibilidade de usar modelos de fronteira sem entregar completamente infraestrutura, dados e dependência tecnológica para uma única big tech americana. A corrida por IA não vai ser só OpenAI vs Anthropic vs Google. Soberania está virando argumento de produto. Mistral

Muse mostra como a Meta está pensando um agente pessoal

A Meta colocou o Muse em disponibilidade geral nos Estados Unidos. É um agente pessoal para iOS, Android, web e WhatsApp que consegue executar tarefas, manter contexto e trabalhar em um ambiente isolado. O detalhe de arquitetura que vale observar é o uso de uma Secure VM e de um sistema separado, o Sentinel, para acompanhar as ações do agente.

É curioso colocar essa notícia na mesma edição do relatório da Anthropic. Quanto mais autonomia damos para um agente, menos segurança pode depender apenas do prompt dizendo “não faça coisa errada”. Isolar ambiente, limitar acesso e observar execução começa a virar parte básica do desenho. Meta

Drops

DeepSeek-V4.1-Flash

A DeepSeek lançou o V4.1-Flash, um MoE de 552 bilhões de parâmetros com uma fração deles ativa por inferência, visão nativa e contexto de até 1 milhão de tokens. Os pesos chegam sob licença MIT, mantendo a pressão forte no lado open-weight da corrida. DeepSeek

FLUX Video Edit

A Black Forest Labs colocou edição de vídeo por prompt na API. Você envia um clipe curto, descreve o que quer alterar e o modelo tenta preservar tudo que não foi pedido para mudar. Parece simples, mas essa ideia de editar mantendo consistência é justamente o que pode transformar geração de vídeo em workflow de produção, e não apenas geração de clipe bonito. Black Forest Labs

North Small Translate

A Cohere lançou o North Small Translate, um modelo MoE focado em tradução para mais de 50 idiomas e distribuído em open weight sob licença CC BY-NC 4.0. A empresa diz superar soluções como DeepL e Google em seus testes, então vale acompanhar principalmente para aplicações que precisam controlar custo, privacidade ou rodar tradução dentro da própria stack. Cohere

Nex-N2.5 mini

A Nex-AGI colocou no Hugging Face o Nex-N2.5 mini, modelo multimodal com foco forte em tarefas agentic e computer use. O detalhe importante é menos o benchmark e mais a direção: capacidades que até pouco tempo estavam concentradas nas grandes labs começam a aparecer em modelos abertos que qualquer builder pode baixar e adaptar. Hugging Face

Smaug Agentic

A Abacus.AI lançou a nova família Smaug Agentic, Flash e Mini, usando modelos open-weight como base e ajustando especificamente para trabalho agentic. Acho interessante porque começa a aparecer uma separação mais clara entre “modelo bom de conversa” e “modelo bom para executar trabalho”, que provavelmente vai ficar ainda maior. Abacus.AI

EVIE-8B

A Tencent lançou o EVIE-8B e o EVIE-4.5B, modelos voltados para retrieval visual de documentos. Isso importa porque documento real não é só texto: tem posição, tabela, diagrama, imagem, cabeçalho e relações espaciais que se perdem quando você trata um PDF como um TXT gigante. Hugging Face

MiniCPM5-2B

O MiniCPM5-2B é mais um daqueles modelos pequenos que me fazem prestar atenção na ponta oposta da corrida. São poucos bilhões de parâmetros, contexto longo e suporte a reasoning e tool use, tudo com proposta on-device. Nem toda tarefa precisa mandar dado para um modelo gigantesco na nuvem, e 2026 está deixando isso cada vez mais evidente. Hugging Face

NASA e IBM fizeram um foundation model da Lua

Sim, da Lua. NASA e IBM estão trabalhando em um foundation model aberto treinado com milhões de recortes de imagens do Lunar Reconnaissance Orbiter para tarefas como identificação de crateras, gelo e formações vulcânicas. É um ótimo exemplo de como a próxima onda de valor pode vir menos de “um modelo que sabe tudo” e mais de modelos extremamente especializados em um domínio. NASA

Ferramenta da Semana: Naoma

O botão de “Book a demo” é uma das coisas mais estranhas do SaaS quando você pensa por cinco segundos. A pessoa está no seu site, interessada o suficiente para querer ver o produto, clica no botão e a experiência manda ela preencher um formulário para talvez assistir à demonstração outro dia.

A Naoma tenta inverter isso. Em vez do formulário, entra um account executive de IA que começa a demo na hora, mostra o produto, responde perguntas, qualifica o lead, agenda uma conversa humana quando faz sentido e manda a sessão para o CRM. Também consegue reconhecer quem volta depois e continuar de onde a conversa parou.

Gosto desse tipo de aplicação porque não tenta inventar um problema para justificar IA. Pega um funil que existe há décadas e pergunta se ainda faz sentido obrigar alguém interessado no produto a esperar por um vendedor. É IA aplicada numa fricção muito clara. Naoma

Dica da Semana: /explodedview

Essa semana testei uma brincadeira visual que ficou boa demais: /explodedview.

A ideia é pegar um produto e pedir para a IA transformá-lo naquela clássica vista explodida de engenharia, separando cada componente e criando uma composição editorial com pequenas explicações das peças. Fiz com um Cartier Santos e o resultado parece página de catálogo premium: pulseira, cristal, mostrador, movimento, caixa, coroa e fundo separados visualmente, mantendo o relógio reconhecível no centro.

É o tipo de peça que normalmente pediria 3D, direção de arte e uma bela dose de Photoshop. Agora você consegue chegar muito perto disso partindo de uma única imagem. Testa com algum produto que tenha partes bem reconhecíveis, manda a imagem e usa /explodedview.

Fechando o Lab

Depois de ler o relatório da Anthropic e olhar o resto das notícias da semana, fiquei com uma sensação curiosa. Durante muito tempo a pergunta sobre IA era “ela consegue fazer isso?”. Quase toda discussão girava em volta de capacidade. Escreve código? Faz imagem? Entende documento? Navega? Fala? Agora a pergunta está mudando para “até onde eu deixo ela fazer isso sozinha?”.

Isso muda bastante o trabalho de quem constrói produto com IA. Quando o modelo só responde, você avalia a resposta. Quando o agente executa, precisa pensar em permissões, ambiente, ferramentas, logs, rollback, supervisão e no que acontece dez passos depois do prompt original. Não é o fim da era dos agentes. Pra mim é exatamente o contrário. É o sinal de que eles estão finalmente ficando bons o suficiente para a parte menos sexy da conversa virar a mais importante.

A IA está deixando de ser alguém com quem a gente conversa.

Está virando alguém a quem a gente entrega a chave.

Nos vemos segunda que vem.

💖 Feito com IA, café e senso crítico 👉 doug.ia.br