AGENTES EM MOVIMENTO

Em seu principal evento de lançamentos, a Figma apresentou uma série de atualizações para design, motion, código e workflows com IA.

Agora você pode criar animações com timeline, keyframes, presets e transições sem sair do arquivo de design. Também pode pedir ao Figma agent um primeiro passe de motion e refinar depois manualmente. No Dev Mode, essa timeline fica inspecionável e pode gerar código em CSS, JSON ou React.

Você também pode criar shaders dentro do canvas ao descrever um efeito visual ou trazer uma imagem como referência. O Figma agent gera um shader com controles ajustáveis na interface. Isso aproxima efeitos visuais de fluxos que antes dependiam de outra ferramenta externa ou código específico.

Com Weave tools, a Figma adiciona workflows prontos para tarefas comuns de asset: trocar fundo, adicionar logo em produto, mudar proporção e gerar variações com consistência. São ações pequenas, mas frequentes em fluxos de design, marketing, produto e apresentação.

O Figma agent também ganhou mais contexto. Agora pode criar e gerenciar skills, buscar na web, acessar URLs, conectar ferramentas externas via MCP e receber arquivos como referência. A atualização deixa o agente menos isolado da tarefa e mais próximo do material que o designer já está usando.

A mudança mais interessante está nos generative plugins. Agora você pode descrever uma ferramenta que precisa, incluindo comportamento, controles e parâmetros, e o Figma tenta gerar um plugin reutilizável dentro do próprio arquivo. Sem ambiente local, sem API de plugin, sem sair do fluxo.

Code Layers ainda não está disponível para todo mundo. A feature entrou em beta fechado e propõe uma ponte mais direta entre canvas e código: transformar um frame em uma experiência funcional, testar variações no canvas, extrair estados como layers editáveis e continuar refinando com prompt ou edição manual.

A Figma também está aproximando design system e código por outra frente, com Code Connect UI. Essa camada conecta componentes do Figma a componentes reais em repositórios GitHub, para que Dev Mode, MCP e agentes tenham mais contexto sobre o código usado pelo time.

A OpenAI publicou um estudo sobre o uso do Codex no trabalho, e o dado mais forte está dentro da própria empresa: áreas como Legal, Finance e Recruiting passaram a usar Codex como ferramenta principal de IA há poucos meses, por volta de abril de 2026.

O movimento ainda é recente. Até agosto de 2025, o trabalhador médio da OpenAI gastava menos de 10% dos output tokens no Codex. Hoje, Codex já representa mais de 85% dos output tokens do trabalhador médio da empresa, e 99,8% dos output tokens semanais gerados internamente.

Fora da OpenAI, a adoção também saiu do público dev. Desde agosto de 2025, usuários individuais não-devs cresceram 137x, enquanto usuários organizacionais não-devs cresceram 189x. O Codex continua sendo uma ferramenta técnica, mas o uso começou a atravessar áreas, cargos e tipos de tarefa.

O estudo também mostra mudança no tamanho do trabalho delegado. Em maio de 2026, 70,2% dos usuários individuais analisados fizeram pelo menos uma solicitação estimada em mais de uma hora de trabalho humano. A OpenAI trata essa estimativa como direcional, mas ela ajuda a ler o movimento: agentes estão sendo usados menos como resposta rápida e mais como execução de tarefas longas.

A Anthropic acusou a Alibaba de conduzir o maior ataque conhecido de distillation contra Claude.

Segundo carta vista pela Reuters, operadores ligados à Alibaba e ao laboratório Qwen teriam usado quase 25 mil contas fraudulentas para gerar mais de 28,8 milhões de interações com Claude entre 22 de abril e 5 de junho de 2026.

Distillation é uma técnica em que um modelo menor aprende a partir das respostas de um modelo mais forte. O problema, nesse caso, não é a técnica em si, é o uso em escala, fora dos termos de serviço, para tentar copiar capacidades de um modelo comercial fechado.

A Anthropic diz que esse tipo de operação mira habilidades específicas, como software engineering, agentic reasoning, uso de ferramentas e desenvolvimento de agentes. São capacidades caras de treinar e difíceis de proteger quando o modelo está disponível por API.