# A tecnologia de 2026 Q2 Published: 2026-08-02 Author: Gilmar Pupo Editorial: tecnologia Content type: article Canonical: https://www.gpupo.com/posts/a-tecnologia-de-2026q2/ Tags: Tecnologia, IA, Agentes, Segurança, Arquitetura, Observabilidade --- O problema do segundo trimestre de 2026 não é mais decidir se um modelo consegue responder. É decidir quando um sistema pode agir: consultar dados, chamar ferramentas e alterar o estado de uma operação sem se tornar impossível de explicar ou reverter. No [meu balanço de 2025](/artigos/a-tecnologia-de-2025/), escrevi que a inteligência artificial estava saindo do hype para entrar na operação das empresas. Minha leitura é que esse movimento continuou no segundo trimestre de 2026, mas o centro da discussão mudou. Antes, o foco estava nas pessoas usando modelos como copilotos, chats e geradores de conteúdo. Agora, sistemas recebem objetivos, acessam contexto, executam etapas e coordenam processos. A mudança central é a passagem de **IA que responde** para **IA que age**. Minha leitura para este trimestre é que os agentes avançaram, mas a vantagem não está em dar autonomia máxima a um modelo. Está em combinar modelos, ferramentas, permissões, avaliação e supervisão em um fluxo que a equipe consiga operar. ## A mudança central: de respostas para ações Um agente não é uma entidade mágica. É um sistema que recebe um objetivo, consulta contexto, escolhe entre ferramentas e executa uma sequência de passos. Isso o aproxima mais da engenharia de sistemas distribuídos do que da simples criação de prompts. Quando o sistema pode ler um banco de dados, abrir um arquivo, chamar uma API ou alterar um registro, a pergunta relevante deixa de ser apenas “qual modelo usar?” Ela passa a ser: > Quais ações esse sistema pode executar, com quais dados, permissões e limites? Essa é uma decisão de arquitetura. A interface continua importante, mas o risco e o valor estão no que acontece depois que o usuário expressa a intenção. ## O que se confirmou ### IA entrou em produção, mas com escopo definido Modelos já aparecem em produtos, fluxos internos e ferramentas de desenvolvimento. A integração, porém, precisa começar por tarefas que tenham limites claros. Nos casos em que a autonomia foi mais útil, encontrei características parecidas: - tarefa reversível; - ferramentas bem definidas; - permissões reduzidas; - dados controlados; - validação humana nos pontos críticos. Para um projeto novo, eu começaria com uma etapa específica do processo, e não com a promessa de que um agente irá administrar a operação inteira. Essa escolha reduz o custo de aprender e torna os erros observáveis. ### Modelos menores e portfólios ganharam espaço Nem toda tarefa precisa do maior modelo disponível. Um [levantamento acadêmico publicado em 2025](https://arxiv.org/abs/2501.05465), baseado em aproximadamente 160 trabalhos, analisou modelos entre 1 e 8 bilhões de parâmetros e encontrou casos em que especialização, qualidade dos dados e eficiência compensam o tamanho. Isso não torna modelos pequenos melhores para qualquer problema. Torna a escolha do modelo uma decisão de arquitetura. É o que também venho observando nos meus testes locais. O [Qwen 3.5 9B na RTX 5060 Ti](/posts/qwen-3-5-rtx-5060-ti-7-48-segundos/) completou minha suíte padrão em 7,48 segundos e passou nos três critérios automáticos. Esse resultado vale para aquela configuração; não é uma comparação controlada de GPUs. Em vez de escolher um único modelo, eu avaliaria um portfólio com funções distintas: - modelos locais para dados sensíveis; - modelos pequenos para tarefas previsíveis; - modelos maiores para problemas complexos; - gateways para controlar acesso e custo; - roteamento conforme risco, latência e qualidade. O modelo pode ser substituído quando muda o custo, a qualidade ou a restrição de privacidade. O produto precisa continuar funcionando mesmo quando essa troca acontece. ### Observabilidade virou rastreabilidade Logs e métricas continuam necessários, mas não explicam sozinhos por que um agente tomou determinada decisão. Para reconstruir uma execução, eu também registraria: - prompt e contexto utilizados; - ferramentas chamadas e seus argumentos; - decisões intermediárias relevantes; - consumo de tokens, custo e latência; - qualidade da resposta; - falhas, recusas e ações realizadas. Na [pesquisa anual da CNCF publicada em janeiro de 2026](https://www.cncf.io/wp-content/uploads/2026/01/CNCF_Annual_Survey_Report_final.pdf), o OpenTelemetry aparece em produção em 49% das organizações participantes e 26% estavam avaliando sua adoção. O mesmo relatório mostra a distância entre a ambição em IA e a infraestrutura necessária para operá-la: 47% das organizações implantavam modelos apenas ocasionalmente e somente 7% faziam implantações diárias. Esses números ajudam a separar demonstração de operação. Um sistema que não permite reconstruir suas decisões ainda não está pronto para receber mais autonomia. ### Protocolos abertos ajudam, mas não eliminam a arquitetura Eventos, APIs e componentes desacoplados continuam importantes. A mudança está também na padronização da comunicação entre modelos, ferramentas e agentes. O [MCP](/artigos/mcp/) conecta modelos a ferramentas e fontes de dados. O A2A trata da comunicação e da coordenação entre agentes. Em abril de 2026, a [Linux Foundation informou](https://www.linuxfoundation.org/press/a2a-protocol-surpasses-150-organizations-lands-in-major-cloud-platforms-and-sees-enterprise-production-use-in-first-year) que mais de 150 organizações apoiavam o A2A, com implantações em produção e SDKs prontos para produção em cinco linguagens. Esses protocolos reduzem o trabalho de integração, mas não resolvem contratos, permissões, versionamento, tratamento de falhas ou observabilidade. A interoperabilidade é útil quando esses limites também são definidos. ### Energia e eficiência passaram a afetar a arquitetura Privacidade, sustentabilidade e custo sempre fizeram parte de algumas decisões de tecnologia. Agora, o consumo de energia também começa a limitar diretamente onde e como a inferência pode acontecer. Segundo a [Agência Internacional de Energia](https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary), o consumo de eletricidade dos data centers cresceu 17% em 2025, enquanto o dos data centers focados em IA cresceu 50%. Na projeção central da agência, o consumo global dos data centers passa de aproximadamente 485 TWh em 2025 para 950 TWh em 2030. Na prática, eu colocaria estes fatores na avaliação de uma solução: - eficiência por tarefa; - quantidade de parâmetros; - quantização; - localização da inferência; - utilização real das GPUs; - custo energético por resultado produzido. O modelo mais capaz nem sempre é o modelo adequado. A escolha precisa considerar qualidade, custo, latência, privacidade e energia no mesmo cenário de uso. ### Segurança passou a incluir identidades não humanas Zero Trust, MFA, criptografia e proteção de dados continuam essenciais. A diferença é que agora existem novos participantes dentro da infraestrutura: os agentes. Um agente pode consultar bancos de dados, abrir arquivos, chamar APIs, enviar mensagens ou modificar sistemas. Uma falha de prompt, configuração ou autorização pode virar uma falha operacional. Em maio de 2026, CISA, NSA e agências de outros quatro países publicaram em conjunto o guia [Careful adoption of agentic AI services](https://www.cyber.gov.au/sites/default/files/2026-05/careful_adoption_of_agentic_ai_services.pdf). O documento recomenda adoção gradual, tarefas de baixo risco, privilégios restritos, monitoramento contínuo, supervisão humana e planejamento para falhas. Eu trataria cada agente como uma identidade não humana, com: - credenciais próprias; - permissões mínimas; - acessos temporários; - ferramentas autorizadas; - limites de execução; - auditoria de cada ação; - possibilidade de interrupção e reversão. Não basta proteger o modelo. É necessário proteger tudo o que ele pode fazer. ### As interfaces passaram a representar intenção O usuário pode informar uma intenção, como investigar um incidente, preparar uma alteração, organizar informações ou executar um processo. O sistema então sugere ou executa as etapas necessárias. Isso não elimina telas, formulários e dashboards. Eles continuam úteis para mostrar contexto, pedir aprovação e revisar o resultado. A interface deixa de representar cada passo da operação, mas precisa deixar claro o que o agente pretende fazer, o que já fez e o que ainda depende de autorização. Uma interface que esconde as ações do sistema reduz a capacidade de supervisão. Uma interface que apresenta intenção, progresso, permissões e resultado pode reduzir trabalho sem esconder o risco. ## O que não se confirmou ### Autonomia sem limites Os agentes evoluíram, mas continuam sujeitos a erros, interpretações incorretas e comportamentos inesperados. A autonomia útil aparece primeiro em ambientes limitados. O agente que administra sozinho uma empresa inteira continua sendo uma demonstração, não uma política operacional que eu adotaria. ### Um único modelo para tudo O mercado procurou um modelo universal. A operação mostrou que custo, privacidade, latência, contexto, idioma, especialização e execução local pesam tanto quanto os rankings gerais. Em muitos contextos, uma arquitetura multimodelo é mais flexível. Isso não significa distribuir tarefas sem critério: o roteamento precisa ser medido e revisado quando a qualidade ou o custo mudarem. ### A IA substituiria os sistemas existentes A IA não eliminou bancos de dados, APIs, mensageria, observabilidade, controle de acesso ou engenharia de software. Ao contrário: quanto mais IA entra nos sistemas, mais importante se torna a infraestrutura previsível ao redor dela. O papel da IA é adicionar uma camada de decisão e execução. Ela não substitui os contratos e os mecanismos que mantêm a operação controlável. ## Como eu avaliaria um projeto de IA hoje Para transformar essa leitura em decisão, eu usaria uma sequência simples. ### 1. Definir uma tarefa reversível Escolha uma etapa em que um erro possa ser corrigido sem comprometer clientes, dados ou o funcionamento do sistema. Defina também o que o agente não pode fazer. ### 2. Escolher o modelo pelo contexto Compare qualidade, latência, custo, privacidade e disponibilidade de execução local. Um teste pequeno com dados representativos vale mais do que um ranking genérico. ### 3. Formalizar ferramentas e permissões Cada ferramenta deve ter contrato, argumentos validados, identidade própria e permissões mínimas. A aprovação humana precisa ocorrer antes das ações que não sejam reversíveis. ### 4. Criar avaliação antes de ampliar o uso Monte um conjunto de casos reais, testes de regressão e critérios de qualidade. Mudanças no prompt, nos dados, nas ferramentas ou no provedor podem alterar o comportamento do sistema. ### 5. Medir a execução em produção Registre a cadeia de chamadas, o contexto utilizado, a latência, o custo, as falhas e a qualidade percebida. Sem esse histórico, a equipe não consegue saber se uma melhoria realmente reduziu trabalho ou apenas mudou o tipo de erro. ### 6. Incluir eficiência e governança desde o desenho Inventário de modelos, origem dos dados, registros de execução, avaliação de riscos e supervisão humana precisam entrar na arquitetura quando o contexto exigir. No segundo trimestre de 2026, a União Europeia avançou em duas frentes. Em maio, chegou a um [acordo político para ajustar o calendário das regras de alto risco](https://digital-strategy.ec.europa.eu/en/news/eu-agrees-simplify-ai-rules-boost-innovation-and-ban-nudification-apps-protect-citizens) e abriu uma [consulta sobre as diretrizes de classificação desses sistemas](https://digital-strategy.ec.europa.eu/en/consultations/targeted-consultation-draft-guidelines-classification-high-risk-artificial-intelligence-systems). As regras para sistemas autônomos de alto risco ficaram previstas para dezembro de 2027; as integradas a produtos, para agosto de 2028. Isso não significa que toda aplicação de IA seja de alto risco. Significa que inventário, rastreabilidade e análise de riscos não devem ser deixados para o final do projeto. ## Conclusão O ponto central de 2026 não é encontrar o modelo mais impressionante. É definir o que um sistema pode fazer, sob quais condições e com qual evidência de que seu comportamento continua seguro, útil e economicamente viável. Se eu começasse hoje um projeto com agentes, escolheria uma tarefa pequena e reversível, estabeleceria as permissões, criaria uma avaliação com casos reais e mediria qualidade, custo e latência antes de ampliar o escopo. Esse caminho permite aprender com a operação sem transformar cada experimento em uma mudança irreversível.