O que mudou agora

A NASA informou em 21 de agosto de 2026 que o Telescópio Espacial Nancy Grace Roman concluiu sua revisão de prontidão para voo. Nessa etapa, responsáveis da NASA, da missão e da SpaceX avaliaram o estado do observatório e autorizaram o início das atividades finais de preparação para o lançamento.

O lançamento está previsto para não antes de 30 de agosto, às 7h26 no horário da costa leste dos Estados Unidos, em um foguete Falcon Heavy. Antes disso, o observatório, já protegido dentro da carenagem do foguete, será levado ao hangar da plataforma 39A, conectado ao veículo e transportado até a área de lançamento.

A revisão não é uma garantia de que a decolagem ocorrerá exatamente nessa data: condições técnicas e meteorológicas ainda podem alterar o cronograma. O fato novo é que o projeto passou pelo controle formal que permite avançar da preparação para a fase operacional de lançamento.

Por que isso importa

O Roman foi criado para observar grandes regiões do céu com detalhes comparáveis aos do Hubble. Seu campo de visão infravermelho será cerca de 200 vezes maior, o que permite trocar a lógica de fotografar pequenas áreas pela construção de mapas amplos e repetidos do Universo.

Esses mapas ajudarão pesquisadores a estudar como o Universo se expandiu, onde a matéria escura se concentra e quantos tipos de planetas existem fora do Sistema Solar. A missão também terá um coronógrafo, instrumento que reduz a luz de uma estrela para revelar objetos muito mais fracos ao redor dela, como planetas e discos de formação planetária.

A consequência concreta é velocidade de descoberta. Fenômenos raros, como explosões de estrelas, lentes gravitacionais e planetas detectados por pequenas variações de luz, tornam-se mais fáceis de encontrar quando o observatório acompanha milhões ou bilhões de objetos de forma organizada.

O desafio não termina na câmera

O material oficial da missão estima que o Roman enviará aproximadamente 1,4 terabyte de dados científicos por dia, mais de 500 terabytes por ano e até 20 petabytes durante os cinco anos da missão principal. Um petabyte equivale a mil terabytes. Nessa escala, baixar todo o material para um computador pessoal deixa de ser uma estratégia viável.

Por isso, a infraestrutura científica foi preparada antes do lançamento. O Roman Research Nexus reúne os dados, capacidade de processamento e ferramentas de análise em um ambiente de nuvem. Em vez de transportar conjuntos enormes de arquivos, pesquisadores levam seus métodos até onde os dados estão armazenados.

Os dados oficiais também serão disponibilizados sem período exclusivo para um único grupo. Na prática, uma equipe no Brasil poderá consultar partes do acervo, combinar observações e colaborar com outros pesquisadores sem manter uma cópia local de toda a missão. A abertura amplia o acesso, mas só funciona se arquivos, metadados, versões e critérios de qualidade forem consistentes.

O que empresas podem aprender

O Roman oferece uma lição que vale muito além da astronomia: quando o volume cresce, tratar dados somente depois que eles chegam custa caro e atrasa o uso. Qualidade, padronização, rastreabilidade, regras de acesso e contexto precisam nascer junto com o produto ou serviço que gera a informação.

Esse é o ponto de contato natural com Saneamento de Dados. Corrigir duplicidades, formatos incompatíveis e significados ambíguos é essencial, mas o objetivo maior é criar uma base na qual pessoas e sistemas possam confiar. Sem essa base, inteligência artificial e automação apenas processam inconsistências com mais velocidade.

Há também uma lição de organização. Missões desse porte conectam especialistas em instrumentos, operações, dados e pesquisa em torno de uma entrega contínua. Nas empresas, uma Célula de Tecnologia pode cumprir papel semelhante: reunir competências diferentes, transformar uma prioridade em operação e evoluir o sistema à medida que o uso real produz novos aprendizados.

O que está mudando nos contratos

Uma reportagem da Reuters de 20 de agosto mostra empresas indianas de serviços de tecnologia migrando de contratos baseados em horas e tamanho de equipe para acordos ligados a desempenho. O movimento ocorre em um setor estimado em US$ 315 bilhões e responde à pressão de clientes por mais produtividade e custos menores.

Essa mudança não significa que todo projeto passará a ter o mesmo modelo. Ela indica que a inteligência artificial está levando clientes e fornecedores a discutir com mais clareza qual resultado será entregue, como ele será medido e quem assume o risco quando a promessa não se confirma.

Resultado precisa ser definido antes da tecnologia

Cobrar por resultado parece simples, mas exige uma linha de base confiável. Reduzir tempo de atendimento, diminuir retrabalho ou aumentar disponibilidade só pode ser comprovado quando a empresa conhece o desempenho atual e concorda sobre a forma de medir a evolução.

Sem dados consistentes e critérios de aceite, a conversa pode trocar uma métrica imperfeita, como horas trabalhadas, por outra igualmente frágil. O contrato precisa registrar escopo, exceções, qualidade esperada e responsabilidades humanas, além do indicador principal.

O trabalho humano muda de posição

A tendência não elimina a importância das pessoas. Ela desloca parte do valor para atividades como entender o problema, revisar decisões, organizar conhecimento do negócio e validar o que a automação produziu. Equipes menores podem ganhar velocidade, mas continuam precisando de experiência para lidar com situações que não aparecem no piloto.

Em uma análise publicada em 12 de agosto, a OpenAI observa que empresas estão avançando do uso de IA como assistência para fluxos em que agentes executam etapas do trabalho. A própria análise recomenda contexto adequado, permissões claras, governança e revisão humana para transformar usos individuais em processos repetíveis.

Como experimentar sem prometer demais

O caminho mais seguro é escolher um processo delimitado, medir o ponto de partida e executar um piloto com responsabilidade definida. Só depois de observar qualidade, custo, adoção e efeitos não previstos faz sentido ampliar a automação ou vincular remuneração ao resultado.

• Definir um resultado de negócio que possa ser medido sem ambiguidade.
• Registrar a linha de base, as fontes de dados e quem responde por elas.
• Estabelecer critérios de aceite, revisão humana e tratamento de exceções.
• Acompanhar erros, retrabalho, custo total e impacto para usuários.
• Revisar o contrato quando o contexto ou os dados mudarem.

O que o Brasil anunciou

O Laboratório Nacional de Computação Científica informou que conduz a implantação de um novo supercomputador voltado à inteligência artificial no Parque Científico e Tecnológico Augusto Severo, em Macaíba, no Rio Grande do Norte. A seleção pública estima cerca de R$ 959 milhões para a solução integrada, dentro de um conjunto mais amplo de iniciativas federais para infraestrutura de IA.

Por que um supercomputador importa

Modelos avançados de IA exigem grande capacidade para aprender com grandes volumes de informação e depois responder a novas solicitações. Uma infraestrutura nacional pode apoiar universidades, órgãos públicos e projetos de inovação que hoje dependem de recursos computacionais escassos ou contratados no exterior.

Dados também são infraestrutura

Poder de processamento não compensa informações duplicadas, incompletas ou sem origem conhecida. Quanto maior o investimento em IA, maior a necessidade de organizar bases, definir responsáveis, controlar acesso e registrar como cada dado foi obtido e transformado.

O impacto não será automático

A aquisição ainda está em andamento e os resultados dependerão de implantação, energia, conectividade, capacitação e regras de acesso. A notícia representa uma abertura de capacidade, não uma garantia de que produtos, pesquisas ou serviços públicos melhorarão sem uma estratégia de uso bem definida.

O que organizações podem aprender

Grandes plataformas geram valor quando infraestrutura, pessoas e prioridades evoluem como um sistema. Antes de ampliar a capacidade, organizações podem escolher problemas relevantes, preparar os dados que os sustentam e definir como medir resultados, segurança e continuidade.

Programar começa a parecer uma conversa

Ferramentas de IA já permitem descrever uma ideia em linguagem comum e receber como resultado telas, automações ou um aplicativo inicial. O Google incorporou esse modo de criação ao seu certificado profissional de IA, sinal de que a prática está deixando de ser apenas um experimento de especialistas.

Mais pessoas podem transformar problemas em protótipos

Profissionais de operação, atendimento, logística ou vendas podem testar soluções sem esperar pelo início de um projeto completo. Isso aproxima a criação de quem conhece o problema e pode melhorar a qualidade da descoberta, desde que o protótipo seja tratado como aprendizado e não como produto acabado.

Protótipo e produção são etapas diferentes

Uma demonstração pode funcionar para poucos exemplos e ainda falhar quando recebe dados reais, muitos usuários ou situações inesperadas. A análise do Stack Overflow destaca que escala, arquitetura, segurança e manutenção continuam dependendo de julgamento experiente e conhecimento do contexto do negócio.

O risco invisível está nas decisões não explicadas

A IA pode escolher estruturas, bibliotecas ou regras que o usuário não pediu. Se ninguém revisar essas decisões, um aplicativo aparentemente simples pode armazenar dados de forma inadequada, criar dependências frágeis ou produzir resultados diferentes do processo que deveria representar.

Como empresas podem usar essa mudança

O caminho mais seguro é combinar velocidade de prototipação com uma Célula de Tecnologia capaz de validar intenção, dados e operação. Ambientes controlados, critérios de teste, revisão humana, controle de acesso e um responsável pelo ciclo de vida se tornam parte do produto desde o início.

As linhas brancas também afetam o clima

As trilhas de condensação se formam quando o vapor liberado pelos motores encontra ar muito frio em grande altitude. Algumas desaparecem rapidamente; outras persistem, espalham-se como nuvens finas e podem reter calor que sairia da superfície terrestre.

O que a Operação Blue Skies vai testar

O programa de 30 meses prevê testes operacionais nos invernos de 2026/27 e 2027/28 sobre uma parte do Atlântico Norte. Durante os períodos de teste, uma pequena parcela dos voos que encontraria condições favoráveis a trilhas persistentes poderá receber ajustes leves de altitude, sempre dentro das regras normais de segurança.

Onde entra a inteligência artificial

Modelos combinam previsões meteorológicas e registros anteriores para indicar regiões nas quais as trilhas têm maior chance de persistir e aquecer o clima. Imagens de satélite e análises posteriores serão usadas para verificar o que realmente ocorreu, em vez de considerar a previsão como prova do resultado.

Por que o teste precisa ser amplo

Uma recomendação que funciona em poucos voos pode não funcionar da mesma forma em um corredor com milhares de operações, controladores, companhias e condições meteorológicas variáveis. Met Office, universidades e organizações de aviação participarão da avaliação para medir benefício, custo, segurança e incerteza.

O que empresas podem aprender

A inovação relevante não termina no modelo de IA. Ela exige dados de boa qualidade, integração com a operação, pessoas capazes de decidir, métricas independentes e implantação gradual. Esse desenho reduz o risco de confundir uma previsão promissora com um resultado comprovado.

O que mudou

A autoridade de proteção de dados dos Países Baixos aplicou à Uber uma multa de € 824,99 milhões. Segundo o regulador, entre 2018 e 2022 sistemas da plataforma bloquearam contas de motoristas, em alguns casos de forma permanente, sem informação adequada e sem uma pessoa verificando possíveis erros.

A decisão trata de processamento automatizado: quando um sistema analisa dados e toma uma decisão sem participação humana significativa. A Uber contesta tanto as conclusões quanto o valor, afirma que as práticas analisadas são antigas e diz que seus processos atuais incluem revisão humana e possibilidade de recurso; a empresa anunciou que recorrerá.

O ponto central, portanto, não é concluir que toda automação é indevida. É reconhecer que a velocidade de uma máquina também amplia o efeito de dados ruins, regras incompletas ou sinais interpretados fora de contexto quando o resultado pode interromper a renda de alguém.

Por que isso importa

Para um motorista de aplicativo, perder acesso à conta pode significar perder imediatamente a ferramenta de trabalho. Em outros setores, decisões semelhantes podem bloquear um pagamento, negar crédito, eliminar um candidato de uma seleção ou impedir o acesso a um serviço essencial.

Na Europa, a regra invocada no caso protege pessoas contra decisões inteiramente automáticas com efeitos jurídicos ou impacto semelhante, salvo situações específicas. No Brasil, a ANPD destaca que a LGPD garante o direito de solicitar revisão e explicações sobre critérios e procedimentos; na prática, uma revisão humana só é útil quando quem revisa entende o caso, acessa informações relevantes e tem autoridade real para mudar o resultado.

Imagine um sistema antifraude que bloqueia uma conta porque detectou uma mudança incomum de localização. Sem contexto, ele pode tratar uma viagem legítima como risco; sem explicação e canal de contestação, a pessoa não consegue corrigir o dado nem demonstrar o que aconteceu. A eficiência operacional vira um custo humano e reputacional.

Dados confiáveis vêm antes da automação

Todo sistema de decisão depende dos dados que recebe: avaliações, histórico, localização, documentos e sinais de risco. Saneamento de Dados significa identificar duplicidades, informações desatualizadas, campos incoerentes e falta de contexto antes que esses registros alimentem regras ou modelos. Não é apenas arrumar uma base; é reduzir a chance de um erro operacional se transformar em prejuízo real.

Também é necessário conhecer a origem de cada dado e registrar como ele contribuiu para a decisão. Esse rastro permite investigar falsos positivos — casos legítimos classificados como problema —, comparar o desempenho entre grupos e explicar o resultado em linguagem que uma pessoa possa compreender.

Quanto maior a consequência, maior deve ser a qualidade exigida. Um sistema que ordena conteúdos pode admitir correções simples; um sistema que altera renda, crédito, saúde ou acesso a direitos precisa de testes, monitoramento, documentação e caminhos rápidos de reversão.

O que empresas podem aprender

Governança não deve entrar apenas depois que a automação está pronta. Uma Célula de Tecnologia pode reunir produto, dados, operação, segurança, jurídico e atendimento para definir quais decisões podem ser automáticas, quais exigem confirmação humana e como cada pessoa será informada.

O objetivo não é desacelerar toda inovação, mas escolher onde a velocidade é segura. Quando a empresa combina dados saneados, limites claros e revisão humana de verdade, a automação ganha algo que um modelo sozinho não entrega: legitimidade para operar em situações que afetam pessoas.

• Mapeie decisões automáticas e classifique o impacto de cada uma.
• Valide qualidade, origem e contexto dos dados antes de automatizar.
• Explique os fatores relevantes e ofereça contestação acessível.
• Dê ao revisor humano informações, tempo e poder para corrigir o resultado.
• Monitore erros, reversões e efeitos desiguais ao longo do tempo.