Mas o vídeo sobre o Jev não está mostrando cem versões de um chatbot respondendo “olá, como posso ajudar?”. A proposta é outra: usar um modelo de decisão como uma camada rápida entre o que a pessoa faz e o que o sistema precisa fazer depois.

Ele classifica, escolhe, encaminha e filtra. O texto bonito, quando necessário, fica para outra ferramenta.

Uma história que aparece enquanto você conta

A demonstração começa com uma ideia que parece mágica: um adulto inventa uma história e o texto surge em tempo real na tela para uma criança acompanhar.

Um menino atravessa uma floresta, encontra um super-herói, aprende a voar e termina feliz. A graça não está apenas em gerar o conto. Está na resposta imediata entre voz e tela.

Isso pode servir para entretenimento, alfabetização, ensino de idiomas ou atividades em que a pessoa aprende enquanto participa. Mas há uma diferença importante entre demo e produto pronto. Para funcionar de verdade, a aplicação precisa lidar com atrasos, erros de reconhecimento, conteúdo inadequado e a experiência de quem está usando.

A história é o trailer. A engenharia é o filme inteiro.

Edição enquanto a pessoa grava

Outro exemplo mostra uma ferramenta que corta erros durante a gravação. A pessoa repete uma frase, se corrige e continua. O sistema identifica o trecho problemático e já monta uma versão mais curta.

Quem produz vídeo conhece o ritual: grava, erra, grava de novo, importa o arquivo, corta respirações, remove tropeços e descobre que uma fala de 40 segundos virou uma tarde de trabalho.

Uma edição em tempo real pode reduzir esse atrito. Ainda assim, “editar automaticamente” não significa “editar com bom gosto”. O sistema pode cortar uma pausa que era importante, remover uma hesitação que dava naturalidade ou apagar uma frase que parecia errada, mas carregava o sentido.

Velocidade ajuda. Revisão humana continua sendo uma excelente invenção.

Slides que acompanham a fala

A apresentação demonstrada reage ao que o palestrante diz. Em vez de clicar manualmente para trocar o slide, a aplicação identifica o tópico e avança quando a fala chega ao ponto certo.

Isso resolve uma irritação clássica de apresentações: a pessoa pensa mais rápido que o controle remoto, o slide demora, alguém clica cedo demais e o público assiste a uma pequena novela sobre a tela errada.

Para aulas, palestras e reuniões comerciais, a ideia pode deixar o fluxo mais natural. O risco é o sistema interpretar uma frase de maneira equivocada e mudar a tela no momento menos conveniente. Uma apresentação que reage precisa de bons limites e também de um botão de emergência.

O chatbot que sabe quando não usar uma IA grande

Um dos usos mais práticos é o roteamento de atendimento.

Perguntas repetitivas podem ser classificadas por um modelo de decisão e respondidas por regras ou textos prontos. Só os casos complexos seguem para um modelo generativo ou para uma pessoa.

A vantagem é financeira e operacional. Em vez de gastar tokens analisando mil vezes a mesma pergunta, o sistema resolve o básico com uma camada menor. O vídeo apresenta isso como uma forma de reduzir custo, e a lógica faz sentido, mas o ganho real depende do volume e da qualidade das categorias.

Uma classificação errada também custa dinheiro. Só que, nesse caso, a empresa pode medir onde o erro acontece e ajustar o fluxo.

Vendas, reuniões e memória

O vídeo também mostra análise de chamadas comerciais, sugestões para vendedores, identificação de objeções, tarefas pendentes de reuniões e um filtro para decidir o que merece entrar em uma memória de empresa.

Esse último ponto é menos chamativo e talvez mais importante. Guardar tudo não é lembrar. É criar um depósito barulhento.

Uma boa memória artificial precisa separar uma preferência permanente de uma frase solta, uma tarefa com prazo de um comentário sem consequência e uma decisão de uma conversa que não leva a lugar nenhum.

O mesmo vale para reuniões. Um sistema pode listar quem ficou responsável por cada tarefa, apontar perguntas sem resposta e separar o assunto do trabalho daquela conversa sobre o jogo de ontem. A tecnologia não substitui liderança, mas pode impedir que o “depois a gente vê” desapareça no buraco negro da agenda.

O que cem demos não provam

Cem casos de uso mostram variedade. Não provam que todos estão prontos para produção, que os resultados serão iguais em qualquer empresa ou que a ferramenta elimina a necessidade de integração.

O vídeo também apresenta uma parceria comercial com a Hostinger. Isso é publicidade e deve ser lido como tal. A recomendação de VPS pode fazer sentido para quem precisa hospedar aplicações, mas não é uma prova independente de que um plano específico seja o melhor para todo mundo.

A parte mais útil da demonstração não é o número cem. É a mudança de pergunta:

Em vez de pedir para uma IA fazer tudo, quais decisões pequenas podem deixar o sistema inteiro mais barato, rápido e previsível?

Aí o Jev deixa de parecer mágico e começa a parecer arquitetura. E, sinceramente, arquitetura costuma pagar mais boletos que magia.

Fontes e checagem

• Documentação do Jev no OpenRouter
• Modelos de decisão do Jev
• Laya, modelo de decisão de pesos abertos
• Material-base: transcrição fornecida para esta publicação. As demonstrações e números comerciais foram tratados como alegações do vídeo, não como resultados independentes.

Se esta edição te deu alguma ideia para automatizar sem jogar um modelo gigante em cima de tudo, mande uma mensagem via Pix para pix@gean.me. Qualquer valor é opcional, e o recado junto da transferência pode aparecer nas próximas edições. Promessa garantida só mesmo de que servidor continua gostando de dinheiro. 😂

Em 1921, Adma Jafet reuniu mulheres da comunidade sírio-libanesa em São Paulo. O objetivo era criar uma instituição de saúde que atendesse pessoas da colônia e também acolhesse quem não pudesse pagar.

A história costuma aparecer resumida como “27 mulheres fundaram um dos melhores hospitais do mundo”. A frase chama atenção, mas o que vem depois é ainda mais interessante: o hospital demorou décadas para funcionar, perdeu equipamentos, teve o prédio requisitado pelo Estado e precisou recomeçar praticamente do zero.

Não foi um passe de mágica. Foi insistência organizada.

A ideia de Adma Jafet

A Sociedade Beneficente de Senhoras Hospital Sírio-Libanês nasceu de uma experiência comum a muitas comunidades de imigrantes: prosperar economicamente não significava ter acesso garantido a todos os serviços da cidade.

A proposta combinava atendimento e solidariedade. Quem pudesse pagar ajudaria a financiar o atendimento de quem não pudesse. Não era uma campanha pontual. Era a tentativa de construir uma instituição permanente.

As mulheres organizaram banquetes, bazares, festas e outras iniciativas para levantar recursos. O terreno foi comprado, as obras avançaram e equipamentos foram buscados no exterior. O projeto cresceu em um ritmo que não combina com vídeo de internet: devagar, cheio de obstáculos e dependente de uma rede inteira de pessoas.

Quando o hospital ficou pronto, a história complicou

O prédio foi atingido pelos efeitos da Segunda Guerra Mundial. Segundo relatos históricos, o governo requisitou a construção para transformá-la em escola de cadetes e prometeu devolvê-la depois.

A devolução levou 18 anos.

Quando o espaço voltou, não estava esperando os pacientes com tapete vermelho. O uso militar havia danificado a estrutura, e equipamentos importados tinham perdido valor ou virado sucata. Adma Jafet morreu antes de ver o hospital funcionando.

Esse é o detalhe que muda a narrativa. A fundadora não recebeu a cena final, não cortou a fita e não viu o primeiro paciente entrar. Mesmo assim, a instituição carregou o projeto que ela ajudou a iniciar.

Violeta, Zerbini e o recomeço

Depois da devolução do prédio, Violeta Jafet assumiu a administração. O médico Euryclides de Jesus Zerbini, professor da USP, participou da formação de uma equipe médica ligada à nova fase do hospital.

Como quase nada estava pronto, a instituição teve de ser montada com uma lógica diferente. Em vez de herdar estruturas antigas, a equipe podia desenhar processos, adquirir equipamentos e organizar serviços desde o começo.

Foi assim que o Sírio-Libanês passou a construir a reputação de alta complexidade que hoje muita gente reconhece. A história oficial e os relatórios da instituição mostram uma organização que combina atividade hospitalar, pesquisa, ensino e responsabilidade social.

Os números atuais são grandes, mas eles não explicam a origem. Antes de leitos, receitas e centros de excelência, houve uma associação de mulheres tentando resolver uma necessidade concreta.

Negócio, filantropia e propósito

O hospital é mantido por uma sociedade beneficente e não tem a estrutura de uma empresa tradicional com um dono esperando dividendos. Isso não significa que dinheiro não importe. Uma instituição de saúde precisa pagar profissionais, comprar equipamentos, manter tecnologia, investir em segurança e equilibrar atendimento privado com ações filantrópicas.

A diferença está no destino declarado da operação e na governança.

A história também mostra que “empreender” não precisa significar apenas abrir uma empresa para enriquecer o fundador. Pode significar construir uma organização capaz de existir depois da pessoa que teve a primeira ideia.

Adma morreu sem ver o hospital pronto. Violeta administrou a instituição por décadas sem colocar o próprio nome na porta. O projeto sobreviveu porque não dependia de uma personalidade única.

O que essa história ensina

A lição não é que toda organização deve copiar o Sírio-Libanês. É que projetos duradouros costumam precisar de três coisas pouco glamourosas: governança, persistência e uma finalidade que não termina no ego de quem começou.

A fama atual do hospital pode fazer parecer que o sucesso era inevitável. Não era. Houve atraso, intervenção, perda material e gente que nunca viu a obra concluída.

A parte bonita não é fingir que nada deu errado. É lembrar que uma causa pode continuar mesmo quando seus primeiros responsáveis não estão mais aqui para assistir ao resultado.

Fontes e checagem

• Hospital Sírio-Libanês, revista institucional de 95 anos
• Agência de Notícias Brasil-Árabe, história da fundação
• Folha de S.Paulo, Hospital Sírio-Libanês concilia filantropia e medicina de ponta
• Hospital Sírio-Libanês, Relato Integrado

Este é um daqueles assuntos em que a mensagem via Pix precisa ser discreta, porque a história merece espaço. Se quiser apoiar a produção da Tisha, a chave é pix@gean.me. Qualquer valor é opcional, e você pode deixar um recado junto da transferência. As mensagens podem aparecer em futuras edições, com cuidado e sem promessa automática.

Porque, para o peixe, aquilo não é uma fotografia pendurada no aquário. É uma mistura de cheiro, movimento, vibração, contraste, temperatura e oportunidade. O anzol pode estar ali, mas o animal está tentando resolver um problema muito mais urgente: “isso é comida e eu consigo pegar?”

A isca funciona quando engana os sentidos certos.

Primeiro vem o cheiro

Peixes têm órgãos olfativos e conseguem detectar substâncias dissolvidas na água. É por isso que uma ceva, aquela comida lançada para atrair os peixes, pode criar um caminho químico até o ponto de pesca.

Não é um perfume mágico. Correnteza, volume de água, espécie e concentração mudam o resultado. O cheiro ajuda a chamar atenção, mas não garante que qualquer peixe vá aceitar qualquer alimento.

A tilápia pode responder a uma massa, o pacu pode se interessar por frutas e um predador como a traíra tende a reagir melhor a algo que pareça presa em movimento. A isca precisa conversar com o cardápio do animal, não com o gosto do pescador.

Quando a água vira café

Depois da chuva, a água pode ficar turva. A visão perde alcance e a isca precisa oferecer outras pistas.

É aí que entra a linha lateral, um sistema sensorial que percorre o corpo do peixe e detecta movimentos e mudanças de pressão na água. Pense nela como uma mistura de ouvido e sensor de vibração, não como um sexto sentido sobrenatural.

Uma isca que vibra pode ser percebida mesmo quando o peixe não enxerga bem. O animal sente que existe alguma coisa se movendo perto dele e decide se vale investigar.

Isso também explica por que barulho e pisadas podem importar em certas situações. A vibração se transmite pelo ambiente, mas não é correto transformar isso em uma regra universal de que qualquer passo na margem espanta todos os peixes. Comportamento depende do local, da espécie, da profundidade e do nível de perturbação.

Cor não é decoração

Debaixo d’água, a luz não se comporta exatamente como no ar. Algumas cores desaparecem mais rápido com a profundidade, e a turbidez muda o contraste.

O vermelho pode perder visibilidade a poucos metros, enquanto tons claros, verdes ou prateados podem funcionar melhor em água limpa, dependendo da luz e da espécie. Em água escura, uma cor contrastante pode ajudar a silhueta a aparecer.

Mas cor de isca não é uma receita universal. O que parece brilhante em uma condição pode virar um borrão em outra. A própria linha também entra na equação. Linhas de fluorocarbono têm índice de refração próximo ao da água e podem ficar menos visíveis em determinadas situações, mas “invisível” é uma palavra grande demais para qualquer material.

O termoclino e o peixe que procura conforto

A água de um lago pode se organizar em camadas. A superfície aquece, a parte mais profunda permanece fria e entre as duas pode surgir uma faixa de mudança rápida de temperatura, chamada termoclino.

Essa estrutura afeta a circulação e a distribuição de oxigênio. Peixes podem se concentrar em diferentes profundidades conforme a estação, o horário, a espécie e as condições do reservatório.

No calor, a superfície pode ficar quente e menos confortável, enquanto uma camada abaixo oferece temperatura e oxigênio mais adequados. No frio, o metabolismo do peixe diminui e ele pode ficar menos ativo, o que muda a velocidade da apresentação da isca.

A ideia de ajustar a altura do anzol faz sentido, mas não existe uma profundidade secreta que funcione em qualquer lago. Pescar também é observar.

E o anzol?

O peixe morde rápido, sente uma resistência estranha e pode cuspir a isca. O movimento curto de fisgada tenta fixar o anzol na boca, mas a técnica depende do equipamento, do tipo de anzol e do peixe.

Peixes que vivem em pesqueiros também podem ficar mais desconfiados depois de serem capturados várias vezes. O animal não precisa conhecer a palavra anzol para aprender que certo cheiro, movimento ou resistência termina mal.

No fim, a isca é uma pequena aula de biologia aplicada. O pescador não está enganando apenas os olhos. Está tentando montar uma mensagem sensorial convincente o bastante para durar menos de um segundo.

E talvez essa seja a pergunta boa para o próximo vídeo: quantas outras coisas do cotidiano parecem simples só porque a gente não enxerga os sensores envolvidos?

Fontes e checagem

• NOAA, Structure and Senses of Fishes
• PubMed, Lateral line system of fish
• USGS, Coldwater fish in large standing waters
• USGS, oxigênio dissolvido e mortandade de peixes

Se você quiser mandar uma mensagem via Pix sobre o próximo assunto para a Tisha destrinchar, a chave é pix@gean.me. É opcional, qualquer valor é bem-vindo, e você pode escrever um recado junto da transferência. Quem sabe a próxima investigação não começa justamente com a pergunta mais aleatória do grupo? 🎣

Você faz uma pergunta para o Jev e ele não responde com três parágrafos, uma metáfora sobre o futuro da humanidade e uma conclusão que começa com “em suma”. Ele devolve uma decisão estruturada, uma escolha, uma pontuação ou uma probabilidade.

É menos cinematográfico. Também pode ser muito mais útil em certas tarefas.

A transcrição que recebemos chama o modelo alternativo de “Lia” em vários momentos. O nome que aparece na documentação pública é Laya, um modelo de decisão de pesos abertos, compatível com o formato de uso do Jev. Pequena correção de transcrição, grande diferença para quem vai tentar encontrar o projeto depois.

O que é um modelo de decisão?

Pense em um chatbot tradicional como um redator. Ele recebe contexto, prevê uma sequência de palavras e produz texto.

Um modelo de decisão funciona mais como uma central de triagem. Você apresenta um estado e define as opções permitidas:

• este comentário é spam ou não?
• esta mensagem deve ir para vendas, suporte ou financeiro?
• este lead parece pronto para uma conversa comercial?
• esta tarefa precisa ser encaminhada para uma pessoa?

O sistema não precisa inventar a resposta. Ele precisa escolher entre alternativas que o aplicativo já conhece.

Essa diferença reduz um problema importante dos modelos generativos: quando uma IA precisa escrever qualquer coisa, ela pode produzir uma resposta fluida e errada. Em um classificador com saídas delimitadas, o espaço de erro fica mais controlado. Isso não significa que o modelo nunca erre. Significa que a aplicação sabe melhor o que recebeu.

Mais barato não significa grátis

No vídeo, aparece uma comparação de custo de até 254 vezes entre um fluxo com Jev e um processo usando modelos tradicionais. Esse número deve ser tratado como resultado de um caso específico, não como uma tabela universal.

Custo depende do volume, do tamanho dos textos, da infraestrutura, da latência, do preço da API e do que entra na conta. Um modelo pequeno pode reduzir muito o gasto por decisão, mas ainda existe servidor, armazenamento, integração, monitoramento e manutenção.

No caso do Laya, os pesos são publicados com licença Apache 2.0, segundo a página do projeto no Hugging Face. Isso facilita o uso e a experimentação, inclusive comercial, mas “open source” não elimina o custo de colocar uma solução em produção.

A nuvem continua mandando boleto. A matemática não se impressiona com a palavra grátis.

Então ele substitui o ChatGPT?

Não exatamente.

Jev e Laya ocupam outra camada. Eles podem decidir se uma solicitação é simples, classificar um documento, escolher uma rota ou chamar um agente mais caro quando a situação exigir raciocínio e texto.

Imagine um atendimento automático. A maior parte das perguntas é repetitiva. O modelo de decisão identifica “segunda via”, “horário de funcionamento” ou “status do pedido” e entrega uma resposta pronta. Só manda o caso complexo para um modelo generativo ou para uma pessoa.

Isso é uma arquitetura de encaminhamento, não uma substituição total.

Em vez de usar um modelo grande para tudo, o sistema usa cada ferramenta no trabalho em que ela faz sentido. Uma calculadora não substitui um professor, mas impede que o professor desperdice meia hora somando números.

Onde a ideia fica interessante

A transcrição cita agentes, VPS, análise de chamadas, filtros de memória e classificação de conteúdo. O ponto comum é simples: decidir cedo pode economizar processamento depois.

Um agente pode filtrar uma conversa antes de salvá-la na memória. Uma equipe comercial pode identificar chamadas que precisam de treinamento. Um site pode adaptar a próxima tela conforme a intenção do visitante. Uma caixa de entrada pode encaminhar mensagens sem pedir que um modelo caro escreva uma redação para cada e-mail.

Mas existe uma condição: as opções precisam estar bem definidas. Se a empresa não sabe quais decisões quer automatizar, nenhum modelo pequeno vai salvar o projeto. A IA não inventa uma estratégia só porque cabe em 1 GB.

A pergunta que interessa

A empolgação com o Jev e o Laya não deveria ser “qual deles vai dominar o mundo?”. A pergunta é mais prática:

Qual parte do meu fluxo precisa de texto e qual parte só precisa de uma decisão confiável?

Se a resposta for “só preciso classificar”, um modelo de decisão pode ser uma escolha inteligente. Se o cliente precisa de explicação, negociação, criatividade ou contexto aberto, aí entra outro tipo de ferramenta.

A IA não ficou menos interessante porque parou de conversar. Ela só mudou de lugar na fila.

Fontes e checagem

• Documentação do Jev no OpenRouter
• Modelos de decisão do Jev
• Laya, página oficial
• Laya no Hugging Face
• Anaconda, Decision Models: Jev vs. a Fine-Tuned Classifier

Se você quiser mandar uma mensagem via Pix para a redação, a chave é pix@gean.me. É opcional, qualquer valor ajuda, e você pode escrever um recado junto da transferência. As mensagens mais interessantes podem aparecer por aqui, sem promessa de publicação garantida. Até a IA de decisão precisa de critério. 😅

O problema é que a natureza não precisa de uma corrente motivacional para ser fascinante.

A transcrição afirma que lobos nunca comem carcaças, vivem a vida inteira com um único parceiro, ajudam os pais idosos, são 25% mais inteligentes que o cachorro mais inteligente e não obedecem a treinamento. Algumas dessas frases são falsas. Outras são simplificações. Algumas são poesia apresentada com jaleco de ciência.

Vamos separar o encanto do fato.

Lobos vivem em famílias, não em uma novela de “alphas”

Em muitos casos, uma alcateia de lobos-cinzentos funciona como uma família: um casal reprodutor e filhotes de diferentes idades. Filhotes mais velhos podem permanecer no grupo e ajudar na criação dos mais novos.

Isso é cooperação social real. Só não precisa virar “o único animal que cuida dos pais idosos”. Essa frase é absoluta demais e não corresponde ao que sabemos sobre comportamento animal. Várias espécies apresentam cuidado com filhotes, cooperação e relações sociais complexas.

Também é melhor abandonar a velha história do lobo “alfa” como chefe que venceu todo mundo na pancada. Pesquisas e observações de lobos selvagens mostram que muitas alcateias são famílias, e não arenas permanentes de dominação.

Monogamia, sim, mas sem anel de casamento

Lobos costumam formar pares duradouros, principalmente porque criar filhotes exige cooperação. Mas “monogâmico” em biologia não significa necessariamente “nunca se separa, nunca se reproduz com outro indivíduo e fica sozinho para sempre se o parceiro morrer”.

Relações variam conforme a população, a disponibilidade de parceiros, a morte de indivíduos e a estrutura da alcateia. A natureza adora destruir frases que usam “sempre” e “nunca”.

O vínculo de um casal de lobos pode ser forte sem ser uma promessa romântica escrita em pedra.

Eles comem carcaças, sim

Lobos são predadores, mas também são oportunistas. Quando encontram uma carcaça disponível, podem se alimentar dela. O fato de caçarem presas não impede que aproveitem uma fonte de comida que já está ali.

Isso não diminui o animal. Pelo contrário, mostra adaptação. Sobreviver não é manter uma imagem elegante. É gastar energia quando vale a pena e aproveitar recursos quando eles aparecem.

Existe um percentual de inteligência?

A afirmação de que o lobo é “25% mais inteligente que o cachorro mais inteligente” não vem acompanhada de método, teste, espécie comparada ou definição de inteligência.

Sem isso, o número é enfeite. Inteligência não é uma régua única. Resolver um problema físico, aprender uma rotina, cooperar em grupo, interpretar sinais e viver bem em um ambiente são habilidades diferentes.

Lobos e cães também não podem ser colocados numa competição simples. Cães foram selecionados por milhares de anos para cooperar com humanos e responder a sinais sociais. Lobos foram moldados por outro ambiente e outras pressões. Um não é apenas uma versão mais inteligente do outro.

O olhar e a alma

A frase de que o lobo olha para o caçador até a alma deixar o corpo é literatura. Pode ser uma imagem poderosa, mas não é observação científica.

Animais encaram por diversos motivos: avaliação de ameaça, vigilância, orientação, medo, curiosidade ou comunicação. Atribuir uma intenção humana específica a esse olhar pode emocionar, mas não explica o comportamento.

A ciência não precisa retirar a beleza do lobo. Ela só pede que a gente não use beleza como prova.

Também vale lembrar que observar um lobo em cativeiro, assistir a um vídeo viral e estudar uma alcateia selvagem não são a mesma coisa. O ambiente muda o comportamento, e uma cena isolada não explica a vida inteira do animal.

O que é realmente impressionante

O lobo é social, comunicativo e capaz de viver em estruturas familiares complexas. A alcateia pode coordenar caça, defender território, cuidar de filhotes e se adaptar a mudanças no ambiente.

Isso já é extraordinário. Não é preciso inventar um ranking de QI ou declarar que o animal jamais erra para reconhecer sua importância.

A próxima vez que um vídeo disser que um animal é “o único” que faz alguma coisa, acenda uma luz amarela. Na biologia, “o único”, “sempre” e “nunca” costumam ser os primeiros suspeitos da investigação.

Fontes e checagem

• International Wolf Center, perguntas frequentes sobre lobos
• National Wildlife Federation, Gray Wolf
• Scientific American, o mito do lobo alfa
• Wolf Haven, sistemas de acasalamento e mitos sobre monogamia

Se quiser mandar uma mensagem via Pix com outro mito animal para a Tisha investigar, a chave é pix@gean.me. Qualquer valor é opcional e bem-vindo, e o recado junto da transferência pode aparecer em uma edição futura. A natureza agradece a checagem, mesmo quando o lobo não manda boleto. 🐺

A pergunta é legítima.

O problema começa quando alguém responde com um único culpado, como se uma região inteira tivesse escolhido a pobreza numa urna eletrônica e pronto. A história brasileira é mais bagunçada que isso, amiga.

Os recursos existem, mas não viram riqueza sozinhos

A Região Nordeste concentra grande parte da capacidade eólica instalada no Brasil. A Empresa de Pesquisa Energética descreve a região como responsável por quase 90% dessa capacidade em um de seus materiais de referência.

Também existem portos estratégicos, cadeias de petróleo e gás, agricultura irrigada, mineração próxima e corredores de exportação. O Centro-Oeste, por sua vez, transformou áreas do Cerrado em uma potência agropecuária depois de décadas de pesquisa, crédito, infraestrutura e políticas públicas.

Recurso natural é possibilidade. Não é resultado automático.

Uma jazida pode gerar emprego e arrecadação, mas também pode funcionar como enclave, exportando matéria-prima sem criar uma cadeia local diversificada. Um parque eólico pode produzir energia e, ao mesmo tempo, deixar perguntas sobre distribuição de renda, empregos permanentes, uso da terra e infraestrutura.

A parte interessante está no que acontece entre o recurso e a vida das pessoas.

O que o Nobel de 2024 realmente disse

O vídeo relaciona a situação à tese dos economistas Daron Acemoglu, Simon Johnson e James Robinson, vencedores do Prêmio de Ciências Econômicas de 2024 por seus estudos sobre como as instituições são formadas e como afetam a prosperidade.

A ideia geral é importante: regras, direitos, incentivos, participação política e distribuição de poder influenciam o desenvolvimento.

Mas isso não autoriza uma conclusão preguiçosa do tipo “o Nordeste é pobre porque votou errado”. Instituições não surgem do nada. Elas carregam escravidão, concentração fundiária, desigualdade educacional, ciclos econômicos, decisões federais, relações entre elites locais, infraestrutura e oportunidades históricas.

Política importa. História também.

O número da Firjan tem data

A transcrição cita que 71% dos municípios nordestinos não geravam receita suficiente para sustentar a própria prefeitura. O dado aparece em levantamento da Firjan divulgado em 2019, com referência às contas de 2018.

Ele pode ser usado para falar de dependência fiscal, mas não deve ser apresentado como um retrato atual sem data. Indicadores municipais mudam, metodologias são atualizadas e a situação de uma cidade não pode ser resumida a uma porcentagem regional.

O estudo apontava um problema real: muitas prefeituras dependem de transferências porque a economia local não arrecada o suficiente para bancar a estrutura administrativa. Isso não prova, sozinho, que a população “escolheu” um modelo de pobreza. Mostra que a federação brasileira distribui responsabilidades e receitas de maneira complexa.

Petrolina e Luís Eduardo não encerram o debate

Petrolina, no sertão, tornou-se referência em agricultura irrigada e exportação. Luís Eduardo Magalhães, no oeste baiano, cresceu ligado ao agronegócio do Cerrado.

Esses casos são importantes porque mostram que o Nordeste não é uma região homogênea e que existem trajetórias de prosperidade dentro dela. Mas também não são uma prova simples de que basta trocar governo por iniciativa privada.

Essas cidades dependem de água, pesquisa, estradas, crédito, mercado, energia, políticas agrícolas e conexões logísticas. O setor privado assume risco, mas quase nunca trabalha sozinho. Desenvolvimento costuma ser uma parceria confusa entre Estado, empresas, universidades, trabalhadores e infraestrutura.

A realidade não cabe na fantasia de que um lado produz tudo e o outro só atrapalha.

A explicação mais honesta

O Nordeste tem recursos e centros econômicos dinâmicos, mas enfrenta desigualdades históricas, menor renda média, diferenças de infraestrutura, gargalos educacionais e dependência fiscal em muitos municípios.

Também enfrenta decisões políticas ruins, desperdício, corrupção, baixa capacidade de planejamento e projetos que não entregam o prometido. Fingir que esses problemas não existem é tão ruim quanto atribuir tudo a eles.

A pergunta mais produtiva não é “quem é o culpado pela pobreza do Nordeste?”. É:

Quais instituições e investimentos transformam riqueza potencial em renda, produtividade, serviços públicos e oportunidades locais?

Essa pergunta dá menos aplauso em vídeo curto, mas produz uma conversa mais séria.

E tem um detalhe que muda tudo: o Nordeste não precisa ser tratado como coitado nem como culpado. Precisa ser analisado como uma região diversa, cheia de capacidade, com problemas concretos e políticas que podem ser avaliadas pelos resultados.

Fontes e checagem

• IBGE, PIB cresce em todos os estados em 2023
• IBGE, dados do PIB por estado
• EPE, Energia Eólica no Nordeste
• Firjan, IFGF 2019
• Prêmio Nobel de Economia de 2024, comunicado oficial
• Embrapa, história do desenvolvimento do Cerrado

Se quiser mandar uma mensagem via Pix sobre desenvolvimento, economia ou aquela estatística que parece boa demais para ser verdade, a chave é pix@gean.me. Qualquer valor é opcional, e um recado junto da transferência pode aparecer em uma próxima edição. A redação aceita perguntas difíceis. O servidor, infelizmente, aceita apenas boleto. ☕

Só que existe uma segunda história, bem mais cinematográfica, acontecendo toda vez que suas pálpebras descem.

O editor Walter Murch percebeu isso enquanto trabalhava em The Conversation, filme de Francis Ford Coppola lançado em 1974. Ao montar uma cena com Gene Hackman, ele notou que o ator piscava perto dos pontos em que Murch sentia vontade de cortar de um plano para outro.

Aí nasceu uma pergunta deliciosa: será que o piscar funciona, às vezes, como um corte de edição feito pelo próprio cérebro?

Calma, não significa que seu olho virou uma ilha de edição da Adobe. Mas a comparação é boa demais para ser ignorada.

O teste da luminária

O próprio Murch contou que a ideia ganhou força depois de uma entrevista do diretor John Huston. Huston propunha uma experiência simples: olhe para um ponto da sala, depois para outra pessoa, e repare no momento em que você pisca.

Quando a gente repete o teste, normalmente percebe que o piscar aparece durante a mudança de atenção. O cérebro não precisa registrar cada fração do deslocamento visual com a mesma intensidade. Ele pode tratar aquele instante como uma pequena transição.

No cinema, o editor faz algo parecido. Ele remove um pedaço de tempo e coloca outro no lugar. O público não vê todos os quadros intermediários, mas entende que a ação continua.

Murch transformou essa observação em uma teoria de montagem: um corte tende a funcionar melhor quando coincide com uma mudança de pensamento, intenção ou foco. O piscar seria um sinal corporal de que a pessoa concluiu uma unidade mental e está entrando em outra.

É uma ideia sobre percepção, não uma lei universal do sistema nervoso.

O olho também pisca por motivos bem menos poéticos

Aqui entra a parte que os vídeos curtos costumam deixar de fora.

Nós piscamos para espalhar o filme lacrimal sobre a superfície do olho, proteger a córnea e manter a visão funcional. A frequência pode aumentar com desconforto, vento, poeira, irritação ou concentração prolongada em uma tela.

Ou seja, a frase “você não pisca porque o olho secou” é dramática demais. O olho pode piscar por várias razões ao mesmo tempo. A hipótese de Murch não substitui a fisiologia, ela acrescenta uma camada de interpretação sobre atenção e montagem.

O detalhe interessante está justamente nessa mistura. O corpo tem uma função automática, mas o momento em que ela acontece também pode acompanhar o jeito como organizamos a experiência.

Por que o cinema parece pensamento?

Um filme não mostra tudo. Ele escolhe pedaços.

A câmera mostra um rosto, corta para uma porta, volta para o rosto e deixa o cérebro completar a ligação. Em vez de acompanhar cada segundo da realidade, a audiência recebe uma sequência de pistas e constrói continuidade.

A nossa percepção trabalha com atalhos parecidos. Não enxergamos o mundo como uma transmissão sem cortes. Prestamos atenção em algumas coisas, ignoramos outras e preenchemos lacunas com memória, expectativa e contexto.

É por isso que uma boa montagem parece natural mesmo quando é completamente artificial. O corte não precisa imitar o tempo real. Ele precisa respeitar o modo como a atenção se move.

O detalhe que muda tudo

Isso não quer dizer que um editor deva cortar sempre que o ator piscar ou que alguém que pisca muito esteja “processando demais”. Essa é uma brincadeira simpática, não um diagnóstico psicológico.

A observação de Murch é mais útil como pergunta: o que mudou dentro da cena antes do corte?

O personagem tomou uma decisão? Percebeu uma ameaça? Escondeu uma informação? Mudou de assunto? Se a resposta for sim, talvez o corte funcione porque acompanha uma mudança interna, e não apenas porque o quadro ficou bonito.

A próxima vez que você assistir a uma conversa bem montada, repare nos olhos. Talvez o filme esteja cortando no mesmo lugar em que sua atenção faria uma pausa.

E se você piscou lendo este texto, relaxa. Pode ter sido o raciocínio. Ou pode ter sido a secura do ar-condicionado. A ciência, como sempre, prefere a resposta menos espalhafatosa.

Fontes e checagem

• Academy Museum, Movies in Your Brain: The Science of Cinematic Perception
• Los Angeles Times, Cutting-edge surgery on a film
• Walter Murch em Web of Stories

Agora o pós-créditos: se a Tisha te fez companhia, você pode mandar uma mensagem via Pix para pix@gean.me. Qualquer valor é opcional e bem-vindo, e o recado junto da transferência pode aparecer em uma próxima edição, se fizer sentido. O café da redação agradece, mas a curiosidade continua sendo o pagamento principal. ☕

Abra o Strava.

Não para correr.

Abra o mapa.

No fim de agosto de 2026, um mapa de calor de Chicago começou a circular nas redes sociais acompanhado de uma descrição provocadora: aquilo parecia um enorme retrato de classe social e riqueza.

Logo apareceu uma segunda ideia:

Vai se mudar para uma cidade nova? Olhe o Strava antes de escolher onde morar.

A princípio parece apenas mais um truque esperto descoberto pela internet.

Depois você começa a olhar os dados.

E percebe que existe uma cidade inteira escondida dentro daquele mapa.

O que exatamente o Strava está mostrando?

O Strava é conhecido principalmente por corredores e ciclistas. A empresa afirma ter mais de 200 milhões de usuários em mais de 185 países.

Cada vez que alguém registra uma corrida, caminhada ou pedalada com GPS, uma sequência de pontos geográficos é criada.

Individualmente, é apenas o treino daquela pessoa.

Quando milhões dessas atividades são sobrepostas, nasce o Global Heatmap, o mapa de calor global do Strava.

Segundo a própria empresa, ele usa atividades públicas agregadas do último ano e é atualizado mensalmente.

Uma rua muito utilizada fica mais destacada.

Uma rua pouco utilizada permanece escura.

O Strava diz que os dados exibidos são agregados e desidentificados. Uma região só começa a mostrar “calor” depois que vários usuários registram atividades por ali. Atividades privadas, trechos ocultados pelas configurações de privacidade e dados de usuários que optaram por não participar desse processamento são excluídos.

O objetivo original é bastante simples: descobrir lugares populares para correr, caminhar ou pedalar.

Só que os usuários perceberam outra coisa.

Uma rua iluminada no Strava pode estar contando várias histórias ao mesmo tempo

Pense no que uma rua precisa oferecer para se tornar atraente para alguém que sai de casa simplesmente para correr.

Calçada.

Iluminação.

Alguma sensação de segurança.

Poucas interrupções.

Talvez árvores.

Talvez um parque próximo.

E, do outro lado da equação, existe a pessoa.

Ela precisa ter tempo disponível.

Equipamento.

Um celular ou relógio com GPS.

Conhecer e usar o Strava.

E decidir tornar aquela atividade visível.

Quando centenas ou milhares de pessoas fazem isso no mesmo lugar, o mapa começa a funcionar como um sensor urbano improvisado.

Não foi criado para avaliar imóveis.

Mas pode acabar revelando características do bairro.

A ciência encontrou parte desse padrão

Em 2023, pesquisadores analisaram dados do Strava em Boston e combinaram o mapa de atividades com imagens das ruas e técnicas de inteligência artificial.

O estudo, publicado na revista Landscape and Urban Planning, encontrou associação significativa entre o ambiente das ruas e a quantidade de corrida registrada.

Os corredores apareciam com maior frequência em ruas consideradas mais acessíveis, abertas, limpas e seguras, além de locais com elementos naturais, iluminação, mobiliário urbano e outras comodidades.

Ruas com excesso de interrupções e ambientes mais fechados tendiam a registrar menos corrida.

Isso ajuda a explicar por que olhar o mapa do Strava antes de alugar um apartamento não é uma ideia completamente maluca.

O problema começa quando transformamos correlação em certeza.

Uma rua escura não significa necessariamente uma rua ruim

Aqui mora a armadilha.

O mapa não mostra todas as pessoas que caminham, correm ou pedalam.

Ele mostra principalmente as pessoas que usam Strava e permitem que seus dados entrem no conjunto agregado.

Um outro estudo publicado em 2023 comparou dados do Strava com observações reais de atividade recreativa em Oslo.

O resultado é interessante.

O Strava conseguiu representar muito bem parte da variação espacial observada. Mas os pesquisadores encontraram vieses importantes na população registrada.

Usuários do aplicativo estavam mais concentrados entre ciclistas, homens, pessoas de meia-idade e indivíduos com renda e escolaridade mais altas.

Crianças, idosos e grupos socioeconômicos mais vulneráveis apareciam menos.

Em outras palavras:

Ausência de luz no mapa não significa ausência de vida na rua. Pode significar ausência de dados.

Um bairro pode estar cheio de gente caminhando para trabalhar, indo à escola, levando criança para casa, jogando bola ou pedalando diariamente.

Se essas pessoas não estiverem registrando isso no Strava, para o mapa elas praticamente não existem.

Baltimore mostrou isso de uma maneira desconfortavelmente clara

Em 2019, a Runner’s World comparou o heatmap do Strava de Baltimore com uma divisão histórica e racial da cidade.

Baltimore possui uma configuração urbana conhecida como White L, um corredor historicamente mais branco e rico em formato aproximado de L.

Ao redor dele existem regiões predominantemente negras conhecidas como Black Butterfly, a Borboleta Negra.

Quando o mapa de corrida do Strava foi observado, aconteceu algo impressionante.

O White L brilhava.

Boa parte da Black Butterfly permanecia escura.

Ninguém programou o Strava para desenhar segregação racial.

O algoritmo apenas somou atividades físicas registradas.

Mas essas atividades aconteceram dentro de uma cidade que já carregava décadas de desigualdade de investimento, infraestrutura, parques, renda, segurança e oportunidades.

O mapa acabou fotografando parte dessa história sem saber que estava fazendo isso.

Dados não são neutros só porque são números

Essa é uma das coisas que mais me fascinam em tecnologia.

Um banco de dados pode estar matematicamente correto e ainda assim representar apenas uma parte da realidade.

Pesquisadores que estudam o uso do Strava em planejamento urbano alertam justamente para isso.

Um trabalho publicado em 2026 sobre dados do Strava Metro mostrou uma espécie de paradoxo: os dados podem correlacionar bem com fluxos reais de ciclismo e, ao mesmo tempo, apresentar uma amostra demograficamente enviesada.

Isso importa porque o Strava também fornece dados agregados para órgãos públicos por meio do Strava Metro, ferramenta voltada ao planejamento de infraestrutura para ciclistas e pedestres.

Imagine uma prefeitura olhando apenas para os pontos brilhantes.

Ela poderia concluir:

“É aqui que as pessoas pedalam. Vamos construir mais ciclovias aqui.”

Só que talvez exista outro bairro onde milhares de pessoas também pedalam, mas não usam Strava.

Se o investimento seguir somente a população digitalmente visível, o mapa corre o risco de reforçar a desigualdade que já estava registrando.

É uma versão urbana daquele velho problema da tecnologia:

quem não aparece nos dados corre o risco de não aparecer nas decisões.

O mapa já revelou algo muito mais perigoso que preço de aluguel

Essa não é a primeira vez que o heatmap do Strava produz uma informação que ninguém esperava encontrar nele.

Em 2018, pesquisadores e usuários perceberam pontos extremamente brilhantes em regiões remotas do Afeganistão, Síria e outros locais.

Não havia cidades movimentadas ali.

Mas havia pessoas correndo.

Militares.

Soldados utilizando relógios e rastreadores registravam seus exercícios físicos enquanto estavam posicionados em instalações militares.

Quando essas atividades foram agregadas pelo Strava, alguns padrões de movimento ficaram visíveis no mapa.

O Departamento de Defesa dos Estados Unidos confirmou que estava analisando as implicações de segurança do caso e alertou militares para utilizar configurações rígidas de privacidade em dispositivos conectados.

O mapa criado para descobrir uma rota de corrida havia se transformado, involuntariamente, numa ferramenta capaz de indicar presença militar.

É difícil encontrar exemplo melhor para uma regra básica de dados:

Informação aparentemente inocente muda completamente de significado quando combinada em escala.

E agora queremos escolher apartamentos com ele

Voltemos para Chicago.

A ideia viral de usar Strava para escolher onde morar tem algum mérito.

Se estou viajando para uma cidade que não conheço e vejo milhares de pessoas correndo todos os dias ao redor de um parque, isso é uma informação interessante.

Pode indicar infraestrutura agradável para atividade física.

Pode ajudar a descobrir ciclovias, parques, calçadões e rotas populares.

Eu usaria?

Sim.

Mas como uma camada de informação, não como um detector mágico de bairro bom.

Eu cruzaria o heatmap com transporte público, iluminação, comércio, tempo de deslocamento, preços, dados públicos de segurança, mapas urbanos e, principalmente, uma visita ao local.

Porque existe uma diferença enorme entre dizer:

“muita gente registra corrida aqui”

e dizer:

“este bairro é seguro”.

O primeiro é um dado.

O segundo é uma conclusão.

O mapa também pode começar a mudar aquilo que mede

Existe ainda uma parte curiosa nessa história.

Se muitas pessoas começarem a usar o Strava para escolher onde morar, bairros mais brilhantes podem receber mais atenção.

Mais atenção pode significar mais procura.

Mais procura pode pressionar preços.

Novos moradores que usam Strava registram novas atividades.

O bairro fica ainda mais brilhante.

E o mapa que inicialmente apenas descrevia um comportamento passa, aos poucos, a influenciá-lo.

É um pequeno ciclo de retroalimentação.

Dados deixam de apenas representar o mundo e começam a participar das decisões que modificam esse mundo.

Não encontrei evidência suficiente para afirmar que o Strava já esteja elevando aluguéis dessa maneira. Isso seria uma conclusão muito maior do que os dados disponíveis permitem.

Mas o mecanismo merece atenção.

Especialmente agora que recomendações, algoritmos e inteligência artificial estão entrando cada vez mais nas decisões sobre onde comer, viajar, comprar e morar.

A cidade que existe e a cidade que aparece no banco de dados

Talvez essa seja a parte mais bonita e também mais perigosa dessa história.

Olhar um heatmap do Strava é olhar para uma cidade desenhada pelos passos de algumas das pessoas que vivem nela.

Mas não de todas.

As linhas brilhantes contam histórias sobre parques, avenidas, ciclovias e hábitos.

As partes escuras também contam histórias.

Só precisamos tomar cuidado para não confundir:

“não consigo ver” com “não existe”.

Isso vale para mapas de corrida.

Vale para redes sociais.

Vale para sistemas de recomendação.

Vale para pesquisas.

E vai valer cada vez mais para inteligência artificial.

Uma IA aprende o mundo através dos dados que recebe. Se determinados grupos, lugares ou comportamentos quase não aparecem nesses dados, ela também passa a enxergar uma cidade incompleta.

No fim das contas, o Strava criou um mapa para mostrar onde corremos.

Sem querer, criou também um mapa que nos obriga a perguntar quem tem tempo, infraestrutura e condições para correr, quem registra isso e quem permanece invisível.

Eu ainda usaria o mapa para conhecer um bairro novo.

Só não deixaria um pontinho brilhante decidir onde vou morar.

Fontes consultadas: Strava Help Center, A Guide to Strava Heatmaps e Global Heatmap and Strava Metro; Strava Press, dados de usuários de 2026; Landscape and Urban Planning, “Assessing impacts of objective features and subjective perceptions of street environment on running amount: A case study of Boston” (2023) e “Bias and precision of crowdsourced recreational activity data from Strava” (2023); Mobilities, “Data visibility of cyclists: social justice implications of Strava Metro data in transport planning” (2026); Runner’s World, reportagem sobre o White L e Black Butterfly de Baltimore (2019); U.S. Department of Defense, registros oficiais sobre as implicações de segurança do Strava Global Heatmap (2018).

Quando vi essa história pela primeira vez, o número chamou atenção. O material que chegou até mim falava em US$ 6,3 bilhões movimentados em cerca de 20 minutos, dez blockchains atingidas e um possível comprometimento de um notebook usado por um engenheiro.

Fui atrás das fontes.

E a história é ainda mais interessante quando saímos do vídeo curto e olhamos o que Binance, FBI e empresas especializadas em rastreamento de blockchain já publicaram.

O ataque aconteceu

A Binance confirmou que, por volta de 20h05 UTC de 29 de outubro de 2026, suas hot wallets foram comprometidas. A estimativa divulgada pela própria empresa é de aproximadamente US$ 6,3 bilhões em ativos digitais retirados sem autorização.

Hot wallets são carteiras que permanecem conectadas à infraestrutura online da corretora para permitir movimentações rápidas. Essa conveniência também faz delas uma parte extremamente sensível da operação.

A TRM Labs, empresa especializada em inteligência de blockchain, chegou a um número ainda mais preciso: aproximadamente US$ 6,36 bilhões retirados de carteiras atribuídas à Binance em dez blockchains.

Segundo a TRM, a maior parte da movimentação ocorreu em aproximadamente vinte minutos.

Isso coloca o caso acima do ataque à Bybit de 2025, estimado em US$ 1,5 bilhão, tornando o episódio da Binance o maior roubo de criptomoedas já registrado até agora.

O notebook apareceu mesmo na investigação

Uma das coisas que mais me chamou atenção no relato original era a afirmação de que tudo teria começado em um notebook.

A própria Binance confirmou que essa foi uma das primeiras pistas.

Na atualização inicial, a empresa informou que sua investigação apontava para o possível comprometimento do notebook de um engenheiro de DevOps. A partir desse equipamento, o invasor teria conseguido acessar um container de serviço e enviar transações de saque não autorizadas.

Só que a investigação avançou.

No dia seguinte, a Binance esclareceu que o notebook aparentemente não explica sozinho todo o incidente. Outros pontos de comprometimento foram encontrados e a empresa ainda não publicou a causa raiz definitiva.

Existe também um detalhe importante: até a atualização publicada pela Binance em 30 de outubro, não havia evidência de vazamento das chaves privadas das carteiras.

Isso muda bastante a leitura técnica do ataque.

O invasor talvez não tenha simplesmente “roubado uma chave”. A evidência disponível aponta para algo potencialmente mais sofisticado: conseguir fazer a própria infraestrutura legítima de assinatura da Binance autorizar operações controladas pelo atacante.

Dez blockchains, assinaturas válidas e uma pista importante

A análise da TRM encontrou movimentações em Ethereum, Bitcoin, Tron, XRP Ledger, Solana, Arbitrum, Avalanche, Optimism, Base e Polygon.

No Ethereum aconteceu uma das partes tecnicamente mais interessantes do ataque.

Segundo a TRM, o invasor utilizou o EIP-7702, recurso introduzido no Ethereum com a atualização Pectra. Ele permite que uma carteira comum delegue temporariamente seu comportamento a um contrato inteligente mediante uma autorização assinada.

O atacante possuía um lote de 50 autorizações previamente assinadas por uma hot wallet da Binance. Uma delas acabou coincidindo com o nonce válido da carteira.

Poucos minutos depois, um contrato controlado pelo invasor começou a esvaziá-la.

Em uma única operação foram movimentados 167.464 ETH e dezenas de outros tokens.

Mas aqui está a pista mais importante: outras carteiras da Binance, em blockchains completamente diferentes, também produziram transações válidas para o atacante praticamente no mesmo período.

Bitcoin não funciona como Ethereum. XRP não funciona como Solana. As redes possuem mecanismos e formatos diferentes.

Mesmo assim, o atacante conseguiu assinaturas válidas em várias delas.

Por isso a TRM considera provável que o comprometimento tenha alcançado algum componente da infraestrutura de assinatura das hot wallets da Binance, e não apenas uma carteira Ethereum isolada.

A Binance ainda precisa publicar o relatório técnico final para sabermos exatamente como isso aconteceu.

Quanto foi levado?

Segundo a análise on-chain da TRM Labs, aproximadamente US$ 3,79 bilhões estavam relacionados ao Ethereum e tokens dessa rede.

Entre os ativos identificados estavam mais de 200 mil ETH, cerca de 18.270 BTC, grandes quantidades de USDT e USDC, além de XRP, SOL, TRX e outros tokens.

Quando comecei a escrever este texto, uma das informações que circulava era que aproximadamente US$ 3 bilhões haviam sido congelados.

A própria Binance confirmou esse valor aproximado.

A TRM detalhou parte dessa corrida: emissores de stablecoins e participantes da indústria conseguiram bloquear aproximadamente US$ 2,7 bilhões diretamente nas redes analisadas. Tether, Circle, Ripple e outras organizações participaram das ações.

Essa é uma peculiaridade interessante das stablecoins centralizadas.

Uma empresa como a Tether pode congelar determinados USDT. A Circle pode fazer algo semelhante com USDC.

Bitcoin não possui uma empresa com um botão de “congelar BTC”.

Essa diferença ficou extremamente visível durante o ataque.

E os clientes da Binance?

A Binance afirma que os clientes não arcarão com o prejuízo.

A empresa anunciou que utilizará recursos próprios e o SAFU, Secure Asset Fund for Users, para cobrir os ativos roubados.

Em 30 de outubro, informou ter separado mais de US$ 6,34 bilhões e já possuir aproximadamente 80% dos ativos necessários para recompor o que havia sido retirado.

Na atualização seguinte, publicada em 31 de outubro, a Binance afirmou que a recomposição já havia chegado a 90%.

Os saques foram temporariamente suspensos enquanto a infraestrutura passava por verificações adicionais de segurança.

É importante separar duas coisas: o dinheiro ter sido roubado da infraestrutura da Binance não significa automaticamente que o saldo contábil de cada cliente desapareceu. A empresa assumiu publicamente a responsabilidade financeira pelo incidente.

Mas isso também expõe um ponto que às vezes esquecemos quando usamos uma corretora:

Quando seus ativos estão sob custódia de outra empresa, parte do seu risco passa a ser o risco operacional dessa empresa.

Agora sabemos quem fez

No primeiro material que recebi, a autoria ainda aparecia como uma suspeita.

Isso mudou.

A TRM Labs atribuiu o ataque ao TraderTraitor, grupo ligado à Coreia do Norte, com alto grau de confiança.

E em 31 de outubro de 2026, o FBI foi além: publicou um alerta atribuindo oficialmente o roubo à Coreia do Norte e identificando a atividade como TraderTraitor.

O FBI também informou que os responsáveis estavam convertendo parte dos ativos roubados principalmente para Ethereum e alertou exchanges, serviços DeFi, operadores de nós e empresas do setor para bloquear transações associadas aos endereços identificados.

Portanto, neste ponto, já não estamos falando apenas de uma hipótese levantada por uma empresa privada de análise.

Existe uma atribuição pública do FBI.

O que mais me interessa nessa história não são os US$ 6 bilhões

É o notebook.

Podemos construir uma infraestrutura cheia de firewall, autenticação, monitoramento, cofres digitais e servidores isolados.

Mas existe uma regra bastante inconveniente na segurança:

a proteção de um sistema gigantesco pode acabar dependendo do computador de uma única pessoa com acesso privilegiado.

É por isso que endpoint também é infraestrutura.

O computador de um desenvolvedor, administrador ou engenheiro DevOps não é “só um notebook”. Dependendo das credenciais, sessões, certificados e sistemas aos quais ele consegue chegar, aquela máquina pode ser uma ponte para uma parte enorme da empresa.

E isso vale muito além das criptomoedas

Talvez você nunca tenha comprado Bitcoin.

Mesmo assim, a história importa.

Ataques sofisticados nem sempre começam quebrando uma criptografia impossível ou invadindo diretamente o servidor principal.

Eles podem começar por:

• uma estação de trabalho comprometida;
• uma sessão autenticada;
• uma credencial com permissões demais;
• um token esquecido;
• um sistema de assinatura mal segmentado;
• uma autorização que deveria exigir mais controles.

O invasor não precisa derrubar a muralha se conseguir entrar carregando uma chave válida.

Agora coloque agentes de IA nessa equação

É aqui que essa história fica ainda mais próxima do que tenho estudado e construído.

Estamos conectando agentes de inteligência artificial a e-mail, servidores, GitHub, bancos de dados, APIs, sistemas financeiros, navegadores e ferramentas internas.

Isso é fantástico.

Também significa que estamos criando novas identidades digitais com capacidade de executar ações.

Cada integração representa uma permissão.

Cada API possui uma credencial.

Cada agente possui um alcance.

Cada máquina administrativa pode virar uma ponte.

Por isso tenho defendido cada vez mais uma arquitetura com aprovação humana para operações sensíveis, privilégios mínimos, logs, limites claros e possibilidade de desligamento rápido.

Um agente que precisa ler boletos não necessariamente precisa poder alterar contas bancárias.

Um agente que publica um blog não precisa ter acesso administrativo ao servidor inteiro.

Um sistema de IA que consulta dados não deveria automaticamente receber permissão para apagá-los.

A facilidade da automação não pode apagar a velha disciplina da segurança.

Segurança é feita de camadas

Nenhuma medida isolada resolve tudo.

MFA ajuda. Segmentação ajuda. Hardware keys ajudam. Monitoramento ajuda. Limites de saque ajudam. Aprovação múltipla ajuda. Separar sistemas de assinatura por carteira e blockchain ajuda.

Mas segurança de verdade nasce quando essas camadas continuam funcionando mesmo depois que uma delas falha.

É exatamente essa pergunta que o caso Binance deixa para qualquer equipe de TI:

Se o notebook de uma pessoa privilegiada for comprometido hoje, até onde o invasor consegue chegar?

Se a resposta for “em praticamente tudo”, o problema não é apenas o notebook.

É a arquitetura.

Um notebook de bilhões de dólares

No começo dessa história eu fiquei impressionado com o valor.

US$ 6,3 bilhões.

Depois de ler as análises técnicas, o número continuou absurdo, mas outra coisa passou a chamar mais minha atenção.

Um ataque preparado durante horas conseguiu produzir transações válidas em carteiras de dez blockchains diferentes. Empresas correram para congelar bilhões em stablecoins. A Binance separou bilhões de dólares para cobrir o prejuízo. O FBI entrou na investigação. E tudo isso aconteceu numa janela de tempo menor do que muita reunião de escritório.

É fácil olhar para um caso desse tamanho e pensar: “isso nunca aconteceria comigo”.

Provavelmente não com US$ 6 bilhões.

Mas a mecânica é assustadoramente familiar para qualquer pessoa que trabalha com infraestrutura.

Uma máquina.

Uma credencial.

Uma permissão.

Uma ponte entre sistemas.

Automatizar continua sendo fantástico. Eu provavelmente sou suspeito para falar disso.

Mas automatizar sem pensar em segurança é construir uma Ferrari e deixar a chave no para-brisa.

Eu prefiro continuar com a Ferrari.

Só vamos guardar melhor a chave.

Fontes consultadas: Binance Security Incident Update (30/10/2026); Binance Security Incident Update #2 (30/10/2026); Binance Recovery Update #3 (31/10/2026); FBI Cyber, “North Korea Responsible for $6 Billion+ Binance Attack” (31/10/2026); TRM Labs, “North Korea Steals USD 6.36 Billion From Binance in the Largest Hack in History” (29/10/2026).

Esta seção é um laboratório de componentes para conferir proporções, espaçamento, contraste, responsividade e acessibilidade nos temas Claro, Escuro e Marrom. O texto abaixo é demonstrativo.

Hierarquia de títulos H1 a H6

Nota: um artigo real normalmente deve ter apenas um H1 principal. Os títulos adicionais acima servem somente para o teste visual.

Texto, ênfases e links

Este é um parágrafo de texto normal com largura de leitura confortável, acentuação brasileira e pontuação. Aqui aparecem texto em negrito, texto em itálico, negrito e itálico, texto riscado, texto marcado, texto pequeno, H₂O e x².

Um link dentro do texto deve ser reconhecível mesmo sem passar o mouse. Uma URL extensa também deve quebrar corretamente em telas estreitas.

Listas não numeradas

• Um item de lista simples.
• Outro item para testar o espaçamento.
  • Subitem com recuo.
  • Segundo subitem.
• Último item da lista.

Listas numeradas

1. Planejar a estrutura do conteúdo.
2. Escrever com clareza.
3. Revisar no celular e no computador.
   1. Conferir links.
   2. Conferir imagens e mídias.

Lista de tarefas

• Criar a V2.
• Adicionar o KaTeX.
• Conferir cada componente visual.

Citações

Uma boa interface não precisa disputar a atenção com o conteúdo. Ela precisa deixar o conteúdo respirar.

Citação com segundo parágrafo: contraste, largura da coluna e espaçamento fazem toda a diferença.

Separador horizontal

Código inline e blocos de código

Para atualizar o blog, um comando de exemplo é bundle exec jekyll build. Abaixo, um bloco de código com várias linhas:

function saudar(nome) {
  const agora = new Date();
  return `Olá, ${nome}! São ${agora.getHours()} horas.`;
}
console.log(saudar('Gean'));

# Exemplo de terminal
npm run css:build
bundle exec jekyll build

Tabela com alinhamentos

Botões e estados

Campos e formulário de demonstração

Imagens e legendas

Fórmulas matemáticas com KaTeX

Uma expressão inline, (a^2+b^2=c^2), e uma fórmula destacada:

A função gama também aparece mais acima neste artigo.

Vídeo do YouTube em 100% da largura disponível

O player abaixo ocupa 100% da coluna do artigo, respeitando o formato 16:9, também no celular.

Outros elementos editoriais

A demonstração termina aqui. Os componentes usam as mesmas variáveis de cor dos três temas do GeanRamos V2.