Categoria: Inteligência Artificial

Um problema de desenvolvimento raramente termina na primeira conversa. Um cliente envia outro detalhe, uma dependência muda ou o teste revela uma condição diferente da prevista. A tarefa passa a incluir não apenas produzir uma resposta, mas acompanhar o que falta, reunir novas informações e reconhecer quando uma decisão precisa voltar ao responsável.

É nesse espaço que entra o Dot da OpenAI. A novidade interessa menos pela aparência personalizável e mais pela proposta de continuidade: atribuir uma responsabilidade à IA e acompanhar sua evolução entre conversas. Isso pode ajudar no desenvolvimento e nas rotinas profissionais, desde que continuidade não seja confundida com autorização irrestrita.

Neste artigo, explico o conceito, sua relação com o Codex, onde o trabalho acontece e como formular uma primeira delegação. Os exemplos são propostas didáticas, não relatos de uma implantação testada. Disponibilidade e comportamento foram conferidos na documentação em 5 de outubro de 2026 e podem mudar.

Escolher um modelo de inteligência artificial para programar parece simples até aparecer a conta — ou até o modelo mais barato errar uma alteração delicada. O nome mais novo nem sempre é o melhor para toda tarefa, assim como o maior preço por token não garante o menor custo por solução concluída. E há uma confusão comum: assinatura do ChatGPT ou do Codex não é a mesma coisa que cobrança pela API.

Neste guia, comparo os modelos gerais que a OpenAI apresenta como opções atuais de referência — GPT-6 Astra, GPT-6.1 Sol e GPT-6 Luna — pela perspectiva de quem escreve, revisa, explica e automatiza software. Também explico o que fazer com o GPT-5.3-Codex, que aparece em conversas e artigos recentes, mas foi descontinuado. Os preços são os publicados para a API em 2 de outubro de 2026; confira a página oficial antes de adotar um orçamento, pois modelos e tarifas mudam.

Escolher o modelo é apenas uma parte do trabalho. Para estudar como contexto, dados, ferramentas, permissões, avaliação e custos se combinam em uma solução operável, conheça IA Além da Conversa e leia a degustação gratuita na página do livro. Se o desafio é orientar as alterações de código com requisitos e critérios de aceite, SDD em Delphi oferece um percurso complementar. Essas leituras aprofundam o método, não indicam um fornecedor vencedor.

A entrada da inteligência artificial na rotina de trabalho criou uma possibilidade concreta para líderes: gastar menos energia na organização inicial de informações e mais energia naquilo que exige presença, critério e responsabilidade. O problema começa quando essa possibilidade é confundida com autorização para transferir decisões à ferramenta.

Uma resposta bem redigida, uma lista de prioridades aparentemente coerente ou um resumo de reunião não são, por si só, bons julgamentos. São materiais de trabalho. Podem acelerar uma análise, revelar lacunas e oferecer opções. Ainda assim, não conhecem por completo a história da equipe, os compromissos assumidos, as relações de confiança, os riscos de uma escolha nem os efeitos que uma mensagem terá sobre pessoas específicas.

Usar IA com maturidade na liderança depende menos de descobrir o comando perfeito e mais de estabelecer fronteiras claras: o que a tecnologia pode preparar, o que o líder precisa verificar e aquilo que continua indelegável. Essa distinção protege a qualidade das decisões e evita que a eficiência operacional seja conquistada à custa de responsabilidade humana.

Conheça o livro e leia uma degustação: acesse a página oficial de Liderança Ampliada.

Durante os últimos anos, inteligência artificial aplicada a software tornou-se quase sinônimo de grandes modelos de linguagem, os LLMs. Quando um sistema precisa classificar uma solicitação, escolher uma ferramenta ou avaliar um texto, tornou-se comum enviar um prompt a um modelo generativo e pedir uma resposta em JSON. Essa solução funciona, mas levanta uma pergunta importante: se o programa precisa somente de uma decisão, por que utilizar um mecanismo projetado principalmente para gerar linguagem?

O Jev, apresentado pela TypeSafe AI em setembro de 2026, parte dessa pergunta. Em vez de escrever uma explicação, ele recebe informações sobre um caso e responde a perguntas delimitadas com valores tipados e probabilidades. A proposta chama atenção pelo custo e pela velocidade divulgados, mas o aspecto mais interessante é arquitetural: o modelo não recebe autoridade sobre o fluxo; ele fornece julgamentos que o código pode combinar, limitar e encaminhar para revisão.

Neste artigo, explicarei o paradigma que sustenta o Jev, suas três primitivas, uma integração prática e os critérios para escolher entre Jev, LLM, regras determinísticas e classificadores tradicionais. Também examinarei limitações e pesquisas iniciais, porque saída estruturada, confiança e baixo custo não tornam uma decisão automaticamente correta.

A escolha entre uma decisão tipada e uma resposta gerada só faz sentido dentro do processo que utilizará o resultado. IA Além da Conversa aprofunda a arquitetura ao redor dos modelos: contexto, ferramentas, permissões, avaliação e operação. Conheça a proposta e leia a degustação gratuita para avaliar como definir essas fronteiras no seu projeto. Para registrar comportamentos esperados, exceções e critérios de aceite em uma implementação Delphi, SDD em Delphi oferece um percurso complementar. São conexões de método, não uma afirmação de que os livros ensinam especificamente o Jev.

Quem mantém um sistema comercial em Delphi conhece a distância entre receber uma sugestão e entregar uma alteração confiável. Uma configuração precisa corresponder ao ambiente instalado, um documento deve representar os dados corretos e uma correção precisa sobreviver à compilação, aos testes e à operação. A inteligência artificial pode ajudar nesse percurso, mas uma resposta convincente ainda não demonstra que o trabalho foi resolvido.

É com essa preocupação que apresento meu novo livro, ACBr com IA na Prática: Inteligência artificial aplicada ao dia a dia do desenvolvimento com Delphi e ACBr. A proposta é aproximar a IA dos problemas concretos de desenvolvimento, diagnóstico e manutenção, sem transferir a ela a responsabilidade por decisões técnicas ou fiscais. O centro da leitura é um método de trabalho que o desenvolvedor consegue acompanhar, conferir e repetir.

Neste artigo, explico o recorte da obra, o que o leitor encontra nos materiais e como começar a aplicar essa abordagem em uma tarefa pequena. Não é preciso dominar inteligência artificial para entender a proposta. É importante, porém, reconhecer que produtividade não deve ser medida apenas pela quantidade de código produzido ou pela velocidade da primeira resposta.

Conheça o livro ACBr com IA na Prática, consulte o sumário e leia a degustação na página oficial.

Quando publiquei o artigo sobre o RadIA 2.15, o projeto já havia deixado de ser apenas uma janela de conversa dentro do Delphi. Aquela versão reunia validação de código, refatoração semântica, diagnóstico do depurador, automação VCL e uma política mais clara para operações capazes de modificar um projeto.

Pouco mais de um mês depois, o número da versão chegou a 2.17.18. Seria fácil contar essa história como uma sucessão de funcionalidades, mas isso esconderia o aprendizado mais importante. O RadIA ampliou o que consegue fazer, porém a mudança mais profunda ocorreu na forma como essas capacidades são testadas, recuperadas quando algo dá errado e ajustadas a partir da experiência de quem usa o Delphi todos os dias.

Entre as tags v2.15.0, de 16 de agosto de 2026, e v2.17.18, de 29 de setembro, o histórico público do projeto registra 206 commits e mudanças em 292 arquivos, com 30.775 linhas adicionadas e 2.278 removidas. Números não medem qualidade por si sós, mas revelam a extensão do trabalho: a evolução alcançou o núcleo agentivo, a integração com a IDE, a interface, a documentação, o instalador e, sobretudo, os testes.

A ferramenta amplia as possibilidades, mas uma mudança confiável ainda começa por explicar o que deve ser feito e como conferir o resultado. SDD em Delphi aprofunda esse método com especificações, contratos, critérios de aceite e ligação entre implementação e testes. Conheça a proposta e leia a degustação gratuita para avaliar como orientar suas próximas tarefas com apoio de IA. Quando essas tarefas envolvem um sistema existente que precisa continuar funcionando, Delphi Vivo complementa o percurso com modernização incremental e proteção de comportamentos. São leituras sobre engenharia, não manuais desta versão do RadIA.

Um chatbot pode impressionar em poucos minutos. Ele resume um texto, explica um procedimento, sugere uma mensagem e responde com fluência a perguntas formuladas de maneiras diferentes. Essa capacidade é útil, mas não resolve, por si só, o problema de colocar inteligência artificial em uma atividade real de uma organização.

Uma solução operável precisa lidar com questões que não aparecem necessariamente na tela de conversa: de onde vêm as informações, quais delas estão atualizadas, quem pode vê-las, quando o sistema pode executar uma ação, como registrar o que aconteceu, como verificar a qualidade das respostas e como manter custos e riscos sob controle. O modelo é uma parte relevante do sistema, mas não é o sistema inteiro.

A diferença importa porque decisões de arquitetura tomadas cedo podem ampliar a complexidade sem melhorar o resultado. Em outros casos, uma implementação simples demais cria respostas sem evidência, acesso inadequado a dados ou automações que ninguém consegue auditar. O objetivo não deve ser construir o sistema mais sofisticado. Deve ser escolher a menor arquitetura capaz de produzir valor verificável, com segurança, governança e observabilidade.

Conheça o livro e leia uma degustação: acesse a página oficial de IA Além da Conversa.

Em 17 de setembro de 2026 participei do episódio “Produtividade Pro: IA na Prática com Delphi, Lazarus e ACBr”, do Papo Pro ACBr. A conversa, com pouco mais de uma hora, passou por ferramentas, código legado, agentes, segurança e formação profissional, mas uma ideia conecta todos esses assuntos: inteligência artificial só produz ganho sustentável quando está inserida em um processo de engenharia que define o trabalho, limita o escopo e verifica o resultado.

Esse ponto merece atenção porque o debate sobre IA costuma começar pela ferramenta ou pelo chamado “prompt perfeito”. Para quem mantém um ERP em Delphi, desenvolve com Lazarus ou integra documentos fiscais por meio do ACBr, porém, o problema real raramente cabe em uma pergunta isolada. Há regras de negócio acumuladas durante anos, dependências visuais, bancos de dados, serviços externos e obrigações fiscais que não admitem uma resposta apenas plausível. Neste artigo, organizo os principais aprendizados do episódio e mostro como convertê-los em um fluxo de adoção prático, com critérios para especificação, validação, segurança e evolução da equipe.

Se sua dificuldade é transformar um pedido à IA em trabalho que possa ser conferido, SDD em Delphi aprofunda especificações, contratos e critérios de aceite ligados a código e testes. Consulte o sumário e a degustação gratuita na página do livro para avaliar essa base de engenharia. Ao longo deste artigo, outras leituras complementam os temas de manutenção e integração, conforme a necessidade.

A integração de modelos de linguagem (LLMs) em aplicações desktop deixou de ser uma novidade para se tornar um requisito de competitividade. No ecossistema Delphi, a biblioteca REST Client Library é a ferramenta nativa mais robusta para essa tarefa.

Embora existam bibliotecas de terceiros, compreender como manipular diretamente TRESTClient, TRESTRequest e TRESTResponse oferece ao desenvolvedor controle total sobre timeouts, manipulação de headers, segurança e tratamento de erros — aspectos cruciais em aplicações de produção.

Este artigo demonstra como construir uma camada de abstração para enviar prompts e processar respostas JSON da OpenAI (GPT) e Google (Gemini), exibindo o resultado formatado.

Em projetos corporativos complexos, a "documentação" costuma ser o primeiro artefato a morrer. No entanto, no ecossistema do Delphi 13, a manutenibilidade é crítica. Quando falamos de sistemas com milhões de linhas de código, o custo de um desenvolvedor novo entender uma Unit complexa é altíssimo.

Neste artigo, vamos implementar um workflow moderno de Documentation-as-Code. Vamos sair do comentário manual e utilizar IA para gerar documentação técnica compatível com o LSP (Language Server Protocol) do Delphi e diagramas arquiteturais vivos para seus repositórios Git.

Se existe algo que tira o sono de qualquer desenvolvedor Delphi — seja ele júnior ou sênior — é o fatídico Access Violation intermitente em produção ou aquele Memory Leak silencioso que derruba o servidor após dias de execução.

Com a chegada do Delphi 13 e a modernização da linguagem, temos ferramentas cada vez mais robustas. No entanto, a complexidade das aplicações também aumentou. Felizmente, hoje temos um novo aliado no nosso cinto de utilidades: a Inteligência Artificial Generativa (LLMs).

Neste artigo, não vamos falar sobre como pedir para a IA escrever código, mas sim como utilizá-la para realizar uma autópsia de erros. Vamos explorar como interpretar logs de ferramentas como EurekaLog, madExcept ou o nativo report do FastMM, transformando stack traces crípticos em diagnósticos lógicos precisos.

A escrita de testes unitários é, indiscutivelmente, um dos pilares da qualidade de software moderno. No entanto, no ecossistema Delphi, muitos desenvolvedores ainda enxergam a criação de suítes de teste (seja em DUnit ou DUnitX) como uma tarefa árdua, verbosa e que "rouba tempo" da implementação de features.

A virada de chave para a produtividade não é parar de testar, mas sim mudar como escrevemos esses testes. Com o uso de Grandes Modelos de Linguagem (LLMs), podemos transformar a criação de cenários de teste, mocks e validações de "edge cases" em um processo quase instantâneo.

Neste artigo, vou explorar uma estratégia prática para injetar classes de negócio em uma IA e obter uma cobertura de testes robusta e pronta para compilar.

A geração de código via IA para linguagens modernas e populares (como Python ou JavaScript) costuma ser direta. No entanto, para Delphi (Object Pascal), o desafio é único. O Delphi possui um legado de quase 30 anos, o que significa que existem dezenas de dialetos, bibliotecas obsoletas e paradigmas conflitantes misturados nos dados de treinamento dos modelos de IA.

Um prompt vago como "Crie uma função para baixar um arquivo em Delphi" pode resultar em um código "Frankenstein" que mistura sintaxe do Delphi 7 com recursos do Delphi Alexandria, ou que utiliza componentes que você não tem instalados.

Este artigo detalha como estruturar seus prompts para obter código limpo, moderno (ou legado, se necessário) e, acima de tudo, compilável.

A integração de Inteligência Artificial (LLMs como GPT-4, Claude ou Gemini) no fluxo de trabalho de desenvolvimento transcendeu a fase de curiosidade. Para desenvolvedores Delphi que mantêm sistemas de missão crítica — ERPs, emissores fiscais e PDVs — a IA não deve ser vista como um substituto do programador, mas como um arquiteto assistente e um automatizador de boilerplate.

Neste artigo, vamos explorar uma abordagem pragmática e tecnicamente embasada sobre como utilizar a IA para resolver três gargalos comuns em projetos Delphi de médio e grande porte: a refatoração de queries SQL legadas para alta performance, a geração de camadas de DTO (Data Transfer Objects) e a implementação de persistência em lote de alto desempenho com FireDAC (Array DML).

A busca por um algoritmo capaz de prever os números da Mega-Sena é tão antiga quanto a própria loteria. Com o avanço da Inteligência Artificial e do Big Data, muitos acreditam que estamos próximos de "decifrar o código". No entanto, a ciência prova que o obstáculo não é a falta de tecnologia, mas as leis fundamentais do universo, a idéia aqui é mostrar a matemática por trás de tudo de uma forma simples.

Tenho estudado bastante alguns algoritmos preditivos e análiticos em minhas pós-gaduações em desenvolvimento de Inteligências Artificiais, e isso me chamou atenção porque nesta época do ano sempre aparece alguém com uma sequência mágica, um "jeito mágico" de calcular as sequências ou uma ideia mirabolante e precisando de alguém para "desenvolver", neste artigo eu brinco um pouco com isso e busco mostrar a matemática por trás desse santo graal.

A linguagem Delphi (Object Pascal) possui um histórico de quase 30 anos, abrangendo desde o lendário Delphi 7 até o moderno Delphi 13. Essa longevidade é uma faca de dois gumes para a Inteligência Artificial: o conjunto de dados de treinamento contém tanto código legado (ANSI strings, ponteiros manuais) quanto código moderno (Generics, Inline Variables, métodos anônimos).

Sem uma Engenharia de Prompt precisa, a IA tende a alucinar, misturando sintaxes incompatíveis ou sugerindo componentes que não existem na sua instalação. Este artigo detalha como estruturar seus pedidos para obter código limpo, seguro e compilável.

A Inteligência Artificial (IA) não é uma invenção recente, mas o ápice de décadas de pesquisa em lógica matemática, estatística e neurociência computacional. Para entender como chegamos aos Grandes Modelos de Linguagem (LLMs) atuais, precisamos voltar ao momento em que a computação deixou de ser apenas sobre "cálculo" e passou a ser sobre "raciocínio".

Este artigo explora a cronologia técnica da IA, começando em 1947, detalhando as arquiteturas, os períodos de estagnação (Invernos da IA) e a revolução do Deep Learning.

A Inteligência Artificial Generativa consolidou-se como uma ferramenta essencial para otimização de processos técnicos, elaboração de relatórios, simulações e até programação, no entanto, a eficácia dessa tecnologia está intrinsecamente ligada à qualidade da instrução fornecida pelo usuário.

Este artigo baseado em um curso de prompt que ministrei para o SENAI, explora a definição técnica de prompts, a anatomia de uma instrução eficaz, estratégias avançadas de engenharia de prompt e os protocolos de segurança necessários para mitigar alucinações e riscos operacionais.