Viagem e lazer: tinha uma frequência bem maior de uso (11%); com o tempo, essa categoria perdeu espaço (6,7%) para outras tarefas de maior produtividade.

Mídia e entretenimento: buscando notícias, informações de jogos/esportes, encontrando filmes/podcasts etc, teve o uso caindo de ~22% para 15,8%.

Compras com IA: começou com um alto uso (10%) pela novidade e caiu pouco (abaixo dos 9%) por mostrar pouco resultado no longo prazo.

Produtividade & Workflow: se tornou o maior tópico isolado, aumentou de 25% para 36% de todas as buscas, cobrindo coisas como edição de documentos, gerenciamento de contas, projetos, planilhas, e-mails e calendário.

Aprendizado e pesquisa: ficou em 2° lugar crescendo dos 15% para 21%, dominando entre os estudantes e educadores; dentro da categoria, ajudar em exercícios corresponde a 9,4% e resumir/analisar pesquisa a 6,7%.

Carreira e trabalho: cresceu com o tempo (~4% → 7,1%) com tarefas de alta necessidade antes manual (busca de vagas, networking, uso pesado no LinkedIn).

Alibaba criou o Wan-Move, um framework de vídeos dinâmicos de até 5s onde o usuário controla o movimento do vídeo com o mouse.

Spotify está testando o recurso de “Playlists geradas por Prompts” – mas ainda só está disponível em inglês, em beta.

v0 atualizou e se tornou ainda mais próximo de um IDE, podendo editar e substituir arquivos do projeto.

Google lançou um recurso de criar e gerenciar servidores MCP remotos dentro dos serviços Google e Google Cloud.

Figma integrou o Nano-Banana Pro na edição de imagens, agora podendo isolar objetos e movê-los, além de selecionar o que remover da imagem.

Egocentric-100K é o maior dataset de vídeos em primeira pessoa para treinamento, contando com 100 mil horas de 14 mil trabalhadores, totalizando 10,8 bilhões de frames.

Leo Madeiras, que reduziu 40% de chamados internos com agentes operacionais.

Eurofarma, que economizou 50% no tempo dos lançamentos globais de produtos.

Vitru Educação, que converteu +34% alunos com agentes de IA na captação.

Go Enablers e Zaia, que deu ferramental, governança, e concepção sistêmica de pilotos para os cases acima acontecerem.

Desordem de dados como novo gargalo da IA: o problema não é mais “falta de modelo bom”; é o caos de PDFs, prints, vídeos e logs que ninguém consegue organizar direito.

Infraestrutura “agent-native”: o back-end atual foi feito para humanos; a próxima geração de infra nasce pensando em agentes que disparam milhares de tarefas em milissegundos.

Sistemas de registro viram commodity: CRM, ERP e cia. perdem destaque; o poder vai para a camada de agentes que realmente orquestram e executam o trabalho em cima desses sistemas.

Fim do tempo de tela como KPI: produtos de IA entregando valor mesmo quando o usuário quase não olha para a interface, forçando uma nova forma de medir ROI (como execuções em segundo plano).

Tudo fica mais personalizado, inclusive saúde: educação, conteúdo e apps passam a se adaptar ao jeito de cada usuário – e serviços de saúde começam a mirar em quem está "bem", mas quer acompanhar sono, exames, treino e riscos futuros com ajuda da IA.

Menos desperdício de processamento: o Packing elimina os “tokens vazios” que antes enchiam as sequências curtas; com isso é possível treinar um modelo de 4B com 3 GB VRAM, algo que exigia entre 8 e 12 GB.

Mais velocidade por operação: partes internas do modelo que antes exigiam várias etapas de cálculo agora foram fundidas em uma só, reduzindo trabalho repetitivo dentro da GPU.

Texto processado de forma mais eficiente: o método que ajuda o modelo a entender a posição das palavras foi reescrito para rodar tudo de uma vez, acelerando essa etapa crítica.

Treinos longos sem travar: o sistema suporta sequências gigantes de texto sem dar erro nem estourar memória – algo que antes era comum em treinos avançados.

Mesma qualidade final: mesmo com toda a otimização, o modelo aprende exatamente igual, mas entre 2,5 e 5x mais rápido