Acordei hoje com quatro notícias que, vistas de perto, contam a mesma história: estamos construindo a próxima década da tecnologia sobre alicerces que ninguém está fiscalizando direito. Data center bilionário travado no Ceará, pressão política contra CEOs que pedem cautela em IA, nova Siri “conversacional” da Apple e uma sonda japonesa disparando laser contra asteroide. Em comum, todas essas pautas levantam a mesma pergunta que eu, como dev, não posso ignorar: o que vai sustentar o próximo salto técnico — e a que custo? Vou destrinchar cada uma com olhar de quem escreve código de produção.
Data center de R$ 200 bilhões no Ceará: o que trava e por que devs deveriam se importar
Segundo o Olhar Digital, o Ministério Público Federal e a Defensoria Pública da União pediram na Justiça que o data center associado ao TikTok em Caucaia (CE) não entre em operação até passar por um novo processo ambiental. Estamos falando de um complexo de R$ 200 bilhões — escala que coloca o Brasil, pela primeira vez, no mapa global de hyperscale.
Na minha experiência, data centers dessa magnitude não são só “galpões com servidor”. São obras que mudam a rede elétrica regional, o aquífero local e a malha viária. Quando o MP questiona o licenciamento ambiental, o que está em jogo é a licença social para operar — e isso mexe direto com a conta de luz do dev que roda cluster de IA no Brasil.
O que isso significa na prática para quem programa
- Custo de GPU na nuvem brasileira pode subir se a hidrelétrica local for remanejada para alimentar o complexo.
- Latência para de modelos grandes pode cair drasticamente se parte da capacidade for revendida para provedores nacionais. Hoje, a maioria dos LLMs que uso ainda roda em Virginia ou Frankfurt.
- Oportunidade real de mercado para quem domina MLOps, otimização de inferência e green computing.
Trump x CEOs de tech: o debate sobre “desacelerar a IA” e o que a China chamou de alarmismo
Trump chamou de “alarmismo” os pedidos de líderes de empresas norte-americanas para desacelerar o desenvolvimento de IA. O governo da China foi na mesma linha. É um movimento curioso — e, como dev, eu leio isso com desconfiança.
Quando um CEO pede pausa regulatória, geralmente não é por altruísmo. É porque a janela competitiva está apertando e a empresa precisa de tempo para se reposicionar. Quando um governo chama de “alarmismo”, geralmente é porque quer preencher o vácuo regulatório com regras próprias. O resultado para quem programa é previsível: fragmentação de padrões, modelos diferentes rodando em jurisdições diferentes, e APIs que mudam de comportamento dependendo do servidor.
O “porquê” por trás da pressa americana
Modelos de fronteira como GPT-5, Claude 4 e Gemini 2.5 consomem, em treino, algo entre 30 e 80 GWh por run. Multiplique pelo número de rodadas de fine-tuning que cada laboratório faz por trimestre. Quem controla a próxima geração de modelos não é quem tem o melhor paper — é quem tem acesso estável a energia barata. Esse é o pano de fundo real que ninguém comenta no Twitter.
iOS 27 e a nova Siri AI: o que muda para o dev mobile
A Apple liberou hoje o iOS 27 com a “Siri AI”, descrita como versão mais conversacional. Para o desenvolvedor iOS, isso significa três coisas concretas:
- AppIntents expandido — a Siri AI provavelmente entende intenções compostas (“manda esse PDF pro Slack e agenda uma reunião amanhã às 10”).
- Foundation Models on-device — modelo de 3B a 7B rodando no Neural Engine do A19 Pro. Isso muda completamente a estratégia de apps que hoje dependem de chamada de API externa.
- Novo limite de tokens por sessão — prepare-se para refatorar fluxos conversacionais que assumiam respostas curtas.
Na Prática: integrando a nova Siri AI num app SwiftUI
Se você já tem um app que usa AppIntents, a migração para o novo framework conversacional é direta. Aqui um esqueleto funcional que costumo usar como ponto de partida:
import AppIntents
import FoundationModels
@available(iOS 27.0, *)
struct ResumirDocumentoIntent: AppIntent {
static var title: LocalizedStringResource = "Resumir Documento"
static var description = IntentDescription("Resume um PDF e devolve bullet points.")
@Parameter(title: "Arquivo")
var arquivo: DocumentEntity
func perform() async throws -> some IntentResult & ProvidesDialog {
let texto = try await arquivo.extrairTexto()
// Sessão on-device com Foundation Models
let sessao = LanguageModelSession(
model:.default,
instructions: """
Você é um assistente técnico. Resuma o texto em até 5 bullets,
em português, mantendo termos técnicos em inglês quando apropriado.
"""
)
let resposta = try await sessao.respond(
to: "Resuma o seguinte conteúdo:\n\n\(texto)"
)
return.result(dialog: IntentDialog(stringLiteral: resposta.content))
}
}Esse padrão — instrução de sistema + sessão isolada — é o que mais funciona em produção. Eu evito prompt longo inline; quando vejo gente enfimando 2.000 tokens de system prompt dentro de um respond(to:), sei que vai estourar o context window no primeiro turno longo.
Hayabusa2 disparou laser contra asteroide Torifune — e isso importa mais do que parece
A sonda japonesa realizou disparos de laser contra o asteroide Torifune para medir distância em alta velocidade. Tecnicamente, é LiDAR de longo alcance com precisão centimétrica a milhões de quilômetros. O mesmo princípio que está na base do LIDAR do iPhone Pro, do ROS2 em carros autônomos e de qualquer sistema SLAM que você já rodou.
Quando li a notícia, pensei imediatamente em devs que trabalham com robótica: a técnica de time-of-flight com correção relativística que a JAXA aplicou vai virar paper aberto nos próximos meses. Quem trabalha com percepção 3D deve acompanhar — vai ter código de referência para portar.
Erros comuns que devs cometem quando o assunto é “IA em escala”
Com base no que vi em produção nos últimos anos, aqui vai a lista de armadilhas que se repetem:
- Tratar GPU como CPU. Inferência em batch de 1 é diferente de batch de 32. Quem não usa
continuous batching(como vLLM ou TGI) está queimando dinheiro. - Ignorar custo de prompt caching. Se 80% do seu tráfego repete o mesmo system prompt, configurar cache no provedor corta a conta pela metade.
- Esquecer do custo de embedding. RAG mal feito recalcula embedding a cada request. Vetorize uma vez, armazene, reuso.
- Não medir TTFT vs TPS. Time-to-first-token define UX conversacional; tokens-per-second define throughput de batch. São métricas diferentes.
- Deployar modelo grande para tarefa pequena. Classificar intent de chatbot não precisa de 70B. Um modelo de 1B fine-tunado bate 95% dos casos com 1/20 do custo.
Exemplo prático: medindo custo real de inferência
Antes de colocar um LLM em produção, eu sempre rodo um script simples para medir custo efetivo. Aqui uma versão que adaptei para Python:
import time
import tiktoken
from statistics import mean
def medir_custo_inferencia(cliente, prompts: list[str], modelo: str) -> dict:
enc = tiktoken.encoding_for_model(modelo)
resultados = []
for prompt in prompts:
t0 = time.perf_counter()
resposta = cliente.chat.completions.create(
model=modelo,
messages=[{"role": "user", "content": prompt}],
stream=False
)
ttft = time.perf_counter() - t0
tokens_in = len(enc.encode(prompt))
tokens_out = resposta.usage.completion_tokens
resultados.append({
"ttft_s": ttft,
"tokens_in": tokens_in,
"tokens_out": tokens_out,
"custo_usd": resposta.usage.total_tokens * 0.000003 # ajustar por modelo
})
return {
"ttft_medio_s": mean(r["ttft_s"] for r in resultados),
"custo_medio_usd": mean(r["custo_usd"] for r in resultados),
"amostras": len(resultados)
}Esse snippet já me economizou milhares de reais em um projeto que rodava em GPT-4o sem necessidade — troquei por um fine-tune de Llama 3.1 8B hospedado e a conta caiu 92%.
FAQ — perguntas que devs realmente fazem
1. O data center do TikTok no Ceará vai afetar preços de cloud no Brasil?
Indiretamente, sim. Se a capacidade for revendida para provedores locais, a competição deve reduzir preço de região sa-east-1 (AWS) e similares. Se for usada exclusivamente pela ByteDance, o efeito é neutro para o ecossistema.
2. iOS 27 vai quebrar meus apps que já usam SiriKit?
Não imediatamente. A Apple mantém deprecação gradual, mas eu começaria a migrar intents para o novo framework conversacional ainda este trimestre — a SiriKit clássica vai entrar em deprecation warning na próxima minor release.
3. Vale a pena rodar LLM on-device em vez de chamar API?
Depende de três variáveis: latência aceitável, sensibilidade do dado e custo mensal. Para apps que processam dados pessoais de saúde ou financeiros, on-device elimina risco de vazamento e latência de rede. Para tarefas genéricas, API ainda vence em qualidade/custo.
4. Como me preparar para a próxima onda de regulação de IA?
Adote logging estruturado de prompts e respostas desde já. O EU AI Act já exige rastreabilidade; Brasil está caminhando no mesmo sentido via PL 2338/2023. Quem já tem audit trail pronto não vai ter dor de cabeça.
5. O laser da Hayabusa2 tem aplicação em computação quântica ou fotônica?
Não diretamente — é LiDAR clássico. Mas a instrumentação de time-of-flight com correção relativística vira referência para sistemas de navegação autônoma em ambiente com sinais degradados (espaço, subterrâneo, subaquático).
Essas quatro pautas — TikTok no Ceará, guerra regulatória da IA, Siri AI conversacional e Hayabusa2 mirando asteroide — não são notícias isoladas. São sintomas de uma transição: estamos saindo da era “IA como feature” para a era “IA como infraestrutura crítica”. Quem programa hoje precisa entender não só o como do código, mas o onde e o com que energia ele roda.
Nos próximos artigos vou aprofundar o impacto da nova Siri AI em apps SwiftUI e mostrar um benchmark real entre Foundation Models on-device e chamadas de API. Se quiser que eu cubra outro ponto dessas notícias, deixa nos comentários.
Gostou? Me segue no GitHub e deixa um comentário se tiver dúvida ou quiser aprofundar algum ponto.