A plataforma assumiu a decisão
O Google retirou o AI Max do beta e marcou o fim das Dynamic Search Ads. A Meta ampliou públicos por padrão e criou sobretaxa por país de entrega. Dez milhões de pessoas por semana já delegam tarefas a agentes. Em todos os casos, a decisão migra da pessoa para o sistema.
Panorama
Três anúncios separados marcaram a última semana de julho, e é possível lê-los como um movimento único.
O primeiro veio do Google. Desde 1º de julho, os termos da plataforma autorizam explicitamente que sistemas automáticos formatem, selecionem ou gerem segmentações, anúncios e destinos em nome do anunciante. Na sequência, o AI Max deixou o estágio de testes: a partir de setembro, campanhas de Dynamic Search Ads passam a migrar automaticamente para a nova camada, com desligamento completo previsto para fevereiro de 2027.
O segundo veio da Meta. A opção de excluir atividade registrada fora da plataforma deixou de existir, o que ampliou públicos de retargeting e semelhantes sem intervenção do anunciante. No mesmo período entrou em vigor uma sobretaxa de 2% a 5% conforme o país de entrega, e métricas legadas de alcance e impressão foram descontinuadas.
O terceiro veio da OpenAI, e não tem relação aparente com mídia. Doze dias após a abertura do ChatGPT Work, o produto somado ao Codex ultrapassou dez milhões de usuários semanais. Cerca de um quinto desse uso parte de finanças, jurídico e operações — áreas que não escrevem código.
O elemento comum entre os três é a transferência de decisão. A plataforma escolhe o público, monta o anúncio, define o destino. O agente encadeia a tarefa e devolve o resultado pronto. Em ambos os casos, a pessoa que antes executava passa a ocupar duas funções: especificar o que precisa acontecer e verificar se aconteceu.
Essa transição já vinha sendo anunciada há dois anos em conferência. A diferença desta semana é que ela passou a constar em contrato e em cronograma de desligamento.
Movimentos da semana
Os anúncios relevantes de mídia, dados e modelos, com a leitura de impacto sobre operações comerciais.
Google Ads retira o AI Max do beta e programa o fim das Dynamic Search Ads
digitaldarzee.comDigital DarzeeO AI Max, camada de automação do Google para campanhas de Search, saiu do estágio de testes com controles ampliados de segmentação e criativo. O cronograma divulgado prevê migração automática das campanhas de Dynamic Search Ads a partir de setembro e desligamento completo do formato em fevereiro de 2027.
A mudança acompanha uma alteração contratual. Desde 1º de julho, os termos da plataforma autorizam sistemas automáticos a formatar, selecionar e gerar segmentações, anúncios e destinos em nome do anunciante.
1º jul
Termos passam a autorizar geração automática de anúncio e destino
Já em vigor
setembro
Início da migração automática das campanhas de Dynamic Search Ads
Sem opção de adiamento
fev 2027
Desligamento completo do formato
Janela de adaptação: 7 meses
Meta remove o opt-out de atividade externa e cria sobretaxa por país de entrega
admanage.aiAdManageA opção que permitia excluir da segmentação a atividade registrada fora da Meta foi descontinuada. O efeito imediato é o crescimento automático de públicos de retargeting e de públicos semelhantes, sem qualquer alteração feita pelo anunciante.
Em paralelo, entrou em vigor em 1º de julho uma sobretaxa de 2% a 5% aplicada conforme o país de entrega dos anúncios, cobrada em fatura. A plataforma também concluiu a descontinuação de métricas legadas de alcance e impressão.
Codex e ChatGPT Work somam dez milhões de usuários semanais
thursdai.newsThursdAIO ChatGPT Work foi aberto ao público em 9 de julho. Em 12 de julho, o conjunto com o Codex registrava seis milhões de usuários semanais. Em 16 de julho, nove milhões. Em 21 de julho, aproximadamente dez milhões.
| 12 de julho | 6,0 | |
|---|---|---|
| 16 de julho | 9,0 | |
| 21 de julho | 10,0 |
ChatGPT Work aberto ao público em 9 de julho. Números divulgados pela OpenAI e compilados pelo ThursdAI.
A OpenAI estima que cerca de 20% desse uso parte de funções não técnicas, com destaque para finanças, jurídico e operações.
StackAdapt lança o Ivy Studio e move o planejamento de mídia para linguagem natural
businesswire.comBusiness WireAnunciado em 28 de julho, o Ivy Studio reúne planejamento, previsão, análise, otimização e execução em uma interface única. O anunciante descreve em linguagem natural o resultado pretendido, e agentes conectados aos dados de campanha, audiência, criativo e desempenho levantam contexto, apontam oportunidades e recomendam ações. A aprovação permanece com o operador humano.
A empresa informa que suas equipes internas executam mais de 15 mil fluxos assistidos por semana. A camada de linguagem utiliza modelos da OpenAI.
Claude Opus 5 chega com um milhão de tokens de contexto
anthropic.comAnthropicLançado em 24 de julho, com preço de US$ 5 por milhão de tokens de entrada e US$ 25 na saída, além de um modo rápido que opera cerca de 2,5 vezes mais veloz pelo dobro do valor.
US$ 5
Por milhão de tokens de entrada
Preço de tabela
US$ 25
Por milhão de tokens de saída
Limita operação contínua
1M
Tokens de janela de contexto
Dispensa fragmentação
Entre os resultados divulgados pela empresa, o modelo dobra o desempenho do Opus 4.8 no Frontier-Bench e registra aproximadamente 1,5 vez a taxa de sucesso do modelo seguinte no AutomationBench, da Zapier. No CursorBench, fica 0,5% abaixo do Fable 5 com metade do custo por tarefa.
Modelo com 12 bilhões de parâmetros ativos supera o professor de 975 bilhões
thursdai.newsThursdAIA Thinking Machines publicou em 29 de julho o Inkling-Small, com 276 bilhões de parâmetros totais e 12 bilhões ativos por token. O modelo registra 80,2% no SWE-Bench Verified, contra 77,6% do modelo de 975 bilhões que serviu como professor no treinamento.
| Inkling-Small | 80,2% | |
|---|---|---|
| Modelo professor | 77,6% |
Inkling-Small opera com 12 bilhões de parâmetros ativos por token. O modelo professor utiliza 975 bilhões.
Estudo de caso
Um sistema em operação real, descrito por dentro: arquitetura, limites e os erros cometidos no caminho.
Sistema analisado
Piloto de tráfego autônomo
Avalia o resultado de uma conta de anúncios a cada hora, pausa anúncios deficitários, ajusta orçamento de campanha conforme retorno e reporta cada ação executada.
- Componentes
- Node.js · API do Meta · PostgreSQL · cron · Evolution API
- Extensão
- 109 linhas
O sistema descrito abaixo opera em uma conta de anúncios ativa, com verba real. Ele é dividido em dois processos com responsabilidades distintas.
O primeiro, cerebro.mjs, executa no minuto zero de cada hora e apenas lê. Monta o relatório do período e o envia. Nenhuma alteração parte dele.
O segundo, piloto.mjs, executa dez minutos depois e concentra toda a permissão de escrita.
A separação foi a primeira decisão de arquitetura, e ela existe porque os dois processos falham de maneiras diferentes. Um relatório incorreto produz uma leitura equivocada. Uma ação incorreta consome orçamento.
A origem do dado de receita
O sistema obtém o gasto pela API da plataforma de anúncios. A receita, porém, vem do banco de dados do CRM, cruzando cada venda registrada com a sessão de funil que originou o contato.
// gasto: API da plataforma · receita: banco de vendas
const ins = await fb(`act_${ACCT}/insights?level=ad&date_preset=today...`);
const low = crm(true), cross = crm(false); // consulta o PostgreSQL
// ...
roas: spend ? lr / spend : 0O retorno usado como critério de decisão parte de vendas confirmadas em banco. O pixel de rastreamento fica fora dessa conta.
A razão é conhecida por quem opera mídia: eventos de pixel se perdem, a atribuição chega com atraso e conversões são contabilizadas de forma duplicada. Um sistema autônomo que pausa campanhas com base nesse dado desliga campanhas saudáveis em dias de atribuição ruim.
Limites de segurança
Um processo autônomo com permissão para movimentar orçamento exige mais restrição do que sofisticação. Os limites implementados são os seguintes.
- Simulação como padrão. A execução sem argumentos apenas imprime as ações que seriam tomadas. A execução real exige o parâmetro
--liveexplícito. - Desligamento por arquivo. A existência de um arquivo chamado
STOPno diretório encerra o processo na primeira linha, antes de qualquer leitura. - Volume mínimo para decidir. Abaixo de R$ 50 gastos no dia, a campanha permanece inalterada. Amostra insuficiente produz decisão aleatória.
- Preservação do último anúncio ativo. Havendo um único anúncio em veiculação, ele é mantido mesmo com desempenho ruim, porque uma campanha sem entrega não se recupera sozinha.
- Proteção de venda cruzada. Anúncios com retorno baixo no produto de entrada, mas que originam vendas no produto de maior valor, ficam fora do critério de pausa.
- Teto diário global. Independentemente do mérito individual de cada campanha, existe um limite agregado de investimento por dia.
- Zona morta de R$ 10. Alterações abaixo desse valor não são executadas, para evitar oscilação constante de orçamento e prejuízo ao aprendizado da campanha.
O critério de escala
A régua de investimento é a parte que mais sofreu revisão desde a entrada em operação. A configuração atual é esta.
Retorno < 1,5 → reduz o orçamento à metade
Retorno ≥ 1,5 e CPA > R$ 28 → mantém o orçamento
Retorno ≥ 1,5 e CPA ≤ R$ 28 → +R$ 500 por hora até R$ 3.000,
depois +25% por hora
Entre 2h e 6h → orçamento reduzido a R$ 10
Campanha marcada como teste → permanece intocadaDuas correções relevantes
A primeira versão decidia escala apenas por retorno sobre investimento. Campanhas com retorno adequado e custo por aquisição elevado ganhavam orçamento, entregavam resultado no dia e deterioravam a base de clientes na semana seguinte. O limite de CPA em R$ 28 foi introduzido depois disso.
A segunda correção tratou de um erro mais custoso. Campanhas de teste de criativo apresentam desempenho ruim nas primeiras horas por natureza, e o sistema reduzia o orçamento delas por esse motivo, encerrando o teste antes da conclusão. Campanhas marcadas como teste passaram a ser excluídas da regra.
Uma observação sobre o desenho
Não há modelo de linguagem no processo que executa as ações.
A camada que decide sobre investimento é composta por regras determinísticas, escritas manualmente e auditáveis linha a linha. Modelos de linguagem atuam em outros pontos da operação, como redação de criativo e leitura de conversas. Na etapa que movimenta orçamento, o que executa é código convencional.
A fronteira entre a parte que avalia e a parte que age precisa ser explícita. E a parte que age deve ser curta o suficiente para ser lida por inteiro.
Análise crítica
A palavra “agente” passou a designar produtos que não executam nada de forma autônoma, e a distinção técnica que separa uma categoria da outra é simples de verificar.
O volume de lançamentos descritos como agentes autônomos cresceu de forma acentuada nos últimos meses. Parte considerável desses produtos consiste em uma interface sobre uma chamada de modelo de linguagem.
A verificação pode ser feita com três perguntas.
O sistema mantém estado entre execuções? Um agente conhece o resultado da própria execução anterior e decide a partir dele. Produtos que reiniciam do zero a cada uso, sem registro do que já foi decidido, operam como consulta pontual.
O sistema aciona ferramentas e produz efeito fora da conversa? Redigir um texto recomendando a pausa de uma campanha difere de pausar a campanha. Quando o resultado final é sempre texto destinado a ser copiado manualmente, a execução permanece integralmente com o usuário.
O sistema declara limites e possui desligamento? Este é o critério que melhor separa demonstração de ferramenta em produção. Um processo autônomo com permissão de escrita exige limite declarado, modo de simulação e desligamento acessível. Fornecedores que não abordam esse ponto raramente colocaram o produto para operar sem supervisão.
Três respostas negativas indicam uma chamada de modelo com interface, comercializada sob outra categoria.
Isso não invalida o produto. Uma boa camada de instrução tem valor real e resolve problemas concretos. A objeção é de precificação: cobra-se por autonomia um software que continua exigindo a presença do operador em cada etapa.
Referências
O material complementar da semana, com uma linha de contexto.
- Kimi K3 publica os pesos completosthursdai.news
A Moonshot concluiu em 27 de julho o lançamento aberto, com 2,8 trilhões de parâmetros totais e 104 bilhões ativos. Pesos abertos nessa escala alteram o patamar do que é possível operar fora das grandes plataformas.
- Benchmarks de aquisição para 2026genesysgrowth.com
A mediana de LTV sobre CAC ficou em 3,4, contra 5,6 no quartil superior — distância que aumenta desde 2023. O prazo de retorno sobre aquisição estabilizou em torno de 18 meses.
- Microsoft apresenta modelo de cibersegurança com 5 bilhões de parâmetros ativosbuildfastwithai.com
O MAI-Cyber-1-Flash registrou 96% no CyberGym na identificação de vulnerabilidades reais. Mais um caso de modelo compacto e especializado superando generalistas.
- Project Perception coordena agentes com papéis distintosbuildfastwithai.com
Arquitetura da Microsoft com agentes especializados em funções separadas operando de forma coordenada. Serve como referência de desenho, independentemente do domínio de aplicação.
- Nvidia e mais de 30 empresas formam a Open Secure AI Alliancebuildfastwithai.com
Anunciada em 27 de julho, com Microsoft, IBM, SpaceX, Hugging Face e Linux Foundation, para desenvolvimento de defesas compartilhadas em infraestrutura de IA.
- GPT-Transcribe reduz a taxa de erro de transcrição para 8,98%thursdai.news
Contra 15,21% do Whisper-1, com redução adicional de 41% quando recebe contexto no prompt. Relevante para operações que transcrevem reuniões comerciais para alimentar CRM.
- Grok Voice responde em 0,70 segundothursdai.news
A xAI publicou em 28 de julho um índice de 82,9% em qualidade de fala para fala. Abaixo de um segundo, a latência deixa de ser percebida como falha de conversa.
- Pangram identifica conteúdo gerado com atribuição por tokenthursdai.news
A versão de imagem declara 99,5% de precisão. Detectores nessa faixa tendem a ser adotados por plataformas e por concorrentes.
- Google disponibiliza construtor de agentes sem código no Workspacethenextweb.com
Acompanhado de servidores MCP gerenciados e do protocolo Agent2Agent em produção, para comunicação entre agentes de plataformas distintas.
- OmniChat apresenta agente de vendas por WhatsApp no Fórum E-Commerce Brasilrevistakdea360.com.br
Entre 28 e 30 de julho, em São Paulo. O produto separa pré-venda, venda e pós-venda em frentes distintas, seguindo o mesmo princípio de especialização por papel.
Nota do editor
Esta é a primeira edição, então cabe registrar o critério de seleção.
Entra nesta publicação o que altera alguma decisão de quem opera. Lançamento de modelo sem consequência prática fica de fora, assim como mudança de plataforma que não afeta orçamento, público ou mensuração. A quantidade de notícias sobre inteligência artificial publicada por semana é grande o suficiente para que a seleção seja o trabalho principal.
Na próxima edição, o estudo de caso trata do sistema de recuperação de carrinho por WhatsApp: como o gatilho é definido, por que a primeira versão perdeu vendas e o que mudou no critério de disparo.
Rafael Sena · 3 de agosto de 2026