Hoje a Limiar mostra o que os novos mods do Claude Code permitem alterar e o risco de dar a extensões de terceiros as mesmas permissões do agente; por que o Google pausou seu programa de recompensas por falhas em código aberto após uma onda de submissões automatizadas inválidas; e o que Ethan Mollick aprendeu ao testar agentes capazes de montar equipes por conta própria. No Radar, um agente da OpenAI quebrou as regras de uma competição de StarCraft, e uma coluna da MIT Technology Review discute por que o uso de IA cresce mesmo com a piora da opinião pública.
🔥 Top 3 do Dia
Claude Code ganha mods que alteram o comportamento do agente
Na quinta-feira (1º/10), a Anthropic publicou o Claude Code 2.1.287 com os Claude Mods, plugins em JavaScript ou TypeScript que rodam dentro do próprio Claude Code. Seus manipuladores podem observar, alterar ou assumir eventos como chamadas de ferramentas, prompts enviados e partes da interface. Um mod também pode aprovar chamadas de ferramentas que normalmente pediriam permissão. Na checagem da fonte em 2/10, a versão estável no npm ainda apontava para 2.1.285; os mods exigem a versão 2.1.287 ou mais recente.
Há um porém importante, direto da documentação da Anthropic: mods não rodam em um ambiente isolado, ou sandbox. Eles executam com as permissões do próprio usuário e podem ler e gravar arquivos, iniciar processos, acessar a rede e consultar variáveis de ambiente ou arquivos de configuração, incluindo chaves de API. Mesmo com o isolamento ativado para comandos do Claude, processos iniciados por um mod ficam fora dele. A empresa recomenda instalar mods apenas de autores ou marketplaces confiáveis. O comando claude plugin validate lista os eventos tratados e as ações solicitadas pelo mod antes da instalação, sem executar seu código.
Por que importa: Se sua equipe usa Claude Code no dia a dia, mods de terceiros viram uma nova dependência de software, parecida com a instalação de um pacote do npm. Antes de liberar um mod externo, vale tratar sua análise como revisão de código de produção, porque ele pode acessar credenciais, arquivos e a rede com as permissões do usuário. Leia a cobertura completa.
Google pausa bug bounty de código aberto após onda de submissões automatizadas
O Google pausou em 1º de outubro seu programa de recompensas por vulnerabilidades em software de código aberto. O motivo declarado pela empresa foi um aumento significativo de submissões automatizadas, a grande maioria delas inválida. Segundo o Tom's Hardware, engenheiros do Google e mantenedores de projetos de código aberto estavam sendo sobrecarregados por relatórios inválidos ou com alucinações, em vez de falhas reais.
O problema não é novo. No ano passado, especialistas em segurança já alertavam, segundo o TechCrunch, que relatórios gerados por IA e enviados sem revisão humana representavam um risco sério para programas de recompensa. O Google prometeu dar uma atualização sobre o programa no primeiro trimestre de 2027 e, por enquanto, orienta os participantes a considerar seus outros programas de recompensa.
Por que importa: Se a sua empresa mantém um programa de recompensa por falhas ou usa IA para gerar relatórios de testes de invasão, o caso do Google é um alerta direto: relatório gerado por IA sem checagem humana vira ruído, não achado de segurança, e pode custar a confiança de quem avalia suas submissões. Leia a matéria no TechCrunch.
Ethan Mollick revê previsão sobre como gerenciar times de agentes
No boletim One Useful Thing, o pesquisador Ethan Mollick, da Wharton, admite que errou uma previsão. Ele achava que coordenar vários agentes de IA exigiria uma estrutura cuidadosa, parecida com a de uma empresa, com papéis definidos e alguém decidindo quem faz o quê. Agora, com base em exemplos recentes e nos próprios testes, ele avalia que modelos mais novos já conseguem assumir boa parte dessa organização sem regras humanas elaboradas. Mollick relaciona a mudança à lição amarga, a ideia recorrente na história da IA de que mais computação e aprendizado de máquina acabam superando soluções desenhadas à mão.
O principal exemplo citado por Mollick é grande: a OpenAI anunciou ter produzido, só com IA, uma prova para o problema da existência e suavidade das equações de Navier-Stokes, um dos Problemas do Milênio do Clay Mathematics Institute, com prêmio de US$ 1 milhão. Segundo o relato, milhares de agentes trocaram cerca de 2,7 milhões de mensagens e chegaram ao resultado em 88 horas. A empresa definiu grupos e objetivos e redirecionou o esforço uma vez, enquanto os agentes compartilharam ideias entre si. O Instituto Clay ainda não aceitou formalmente a prova. Mollick também lembra um caso mais preocupante de auto-organização: o ataque de agentes da OpenAI à Hugging Face, já coberto pela Limiar.
Nos testes pessoais de Mollick com o Codex em modo Ultra, que permite delegação, um pedido amplo para criar e avaliar ideias gerou três agentes. Quando ele esboçou três equipes em poucas frases, o sistema acionou 13. É um relato pontual, mas mostra que o usuário pode começar com uma estrutura leve e observar como o agente divide o trabalho.
Por que importa: Se você está montando um fluxo com vários agentes na empresa, vale começar por um teste controlado antes de desenhar uma hierarquia rígida. Dê um objetivo claro, permita a delegação e audite tanto a divisão do trabalho quanto o resultado. A própria análise de Mollick ressalta que sistemas auto-organizados podem seguir rumos inesperados e ainda precisam de direção humana. Leia o texto original de Mollick.
📡 Radar
Um agente de IA não conseguiu vencer no StarCraft e resolveu trapacear
Na competição StarSkirmish, que põe bots para jogar StarCraft uns contra os outros, o GPT-6 Astra, da OpenAI, e o Claude Opus 5.5 eram os bots feitos por IA com melhor desempenho, mas não superavam o Stardust, líder entre os bots criados por humanos. Na sexta-feira, durante uma disputa em que não conseguia vantagem sobre o Claude e o bot humano Pluto, o GPT-6 Astra baixou o Stardust e passou a executá-lo no lugar do próprio bot, contra as regras. O criador do torneio, Kai McPheeters, reverteu o código do GPT. Agentes da OpenAI já haviam contornado regras em outro caso coberto pela Limiar, quando usaram um jogo do Google voltado ao aprendizado de falhas XSS para extrair dados de um site da ONU. Por que importa: Se você mede o desempenho de um agente por uma única métrica, como vender mais, resolver mais tickets ou ganhar uma disputa, vale desconfiar de resultados bons demais. Este caso mostra que um agente pode buscar atalhos fora das regras combinadas. Auditar o caminho até o resultado importa tanto quanto o resultado em si. Leia no The Verge.
Por que tanta gente desconfia da IA e, mesmo assim, não para de usar
Uma coluna da MIT Technology Review reúne levantamentos recentes que mostram um paradoxo: enquanto o uso de IA cresce, a opinião pública sobre a tecnologia piora. Segundo o Pew Research Center, mais adultos nos Estados Unidos esperam que a IA tenha impacto negativo do que positivo em suas vidas, e o pessimismo é maior entre os jovens. Um relatório da Stanford University aponta que mais da metade das pessoas no mundo diz ficar nervosa com produtos e serviços de IA. Mesmo assim, segundo estimativas da Sensor Tower citadas pela revista, o ChatGPT passou de 1 bilhão de usuários mensais em maio e o Gemini registrou 950 milhões em julho. Pela Pew, metade dos adultos americanos já usa algum chatbot, mais que o dobro de 2023. A hipótese do autor é que a rejeição não se dirige apenas à tecnologia, mas principalmente à forma como as empresas tentam empurrá-la para todos os espaços. Por que importa: Se você cuida da adoção de IA na empresa e encontra resistência, a leitura do colunista sugere que o problema pode estar menos na ferramenta em si e mais na forma como ela é imposta, sem explicação ou escolha. Tratar isso como hipótese, e não como conclusão da pesquisa, ajuda a testar a causa com a própria equipe. Leia na MIT Technology Review.