QCon AI New York 2026 reúne padrões de produção para agentes, evals e custos de LLM
QCon AI New York 2026 traz sessões de engenheiros sobre agentes em produção, evals confiáveis, compressão de contexto, revisão de código com IA e custos de…
Resumo: O QCon AI New York 2026, marcado para 15 e 16 de dezembro em Jersey City, vai reunir engenheiros sêniores que já rodam agentes, evals e revisão de código com IA em produção. A relevância agora está no fato de que os times passaram da fase de protótipo e precisam lidar com custo de tokens, permissões de agentes e avaliações que realmente sustentem decisões de release.
Pontos-chave
- QCon AI New York 2026 ocorre em 15 e 16 de dezembro no Westin Jersey City Newport.
- Sessões cobrem autorização de agentes, guardrails, evals, compressão de contexto e revisão de código com IA.
- LinkedIn relata agente de operações em 500 mil+ nós e revisão de dezenas de milhares de PRs por semana.
- DoorDash defende aplicar o mesmo juiz a sessões simuladas e de produção.
- DORA/Google Cloud discute maturidade em IA além de métricas de adoção.
Nesta matéria
O que é o QCon AI New York 2026 e por que importa agora?#
O QCon AI New York 2026 é um evento voltado a engenheiros sêniores e líderes técnicos que tomam decisões sobre IA em produção. A conferência acontece nos dias 15 e 16 de dezembro, no Westin Jersey City Newport, a cerca de cinco minutos de trem PATH do World Trade Center.
O foco não é apresentar novidades de modelos, e sim relatos de hindsight: os palestrantes já tomaram decisões e rodaram os resultados em produção. Eles descrevem o sistema e os números por trás dele, para que outra equipe compare a abordagem com suas próprias restrições antes de se comprometer.
- Evento em 15 e 16 de dezembro, no Westin Jersey City Newport.
- Público-alvo: engenheiros sêniores e líderes técnicos com decisões de IA em produção.
- Proposta: relatos de decisões e trade-offs já testados, não pitches de produtos.
Como dar permissões seguras a agentes em produção?#
A palestra de abertura do QCon AI descreve dois caminhos ruins para conceder acesso de produção a um agente. Em um deles, a equipe entrega uma service account de longa duração e torce para que nada dê errado; no outro, restringe tanto o escopo que o agente não consegue concluir a tarefa.
Nancy Wang, fundadora e responsável pela escala do AWS Data Protection, apresenta alternativas em When Software Becomes a User: Identity and Authorization for Agents in Production. A sessão trata de identidade e autorização para agentes que operam em ambientes reais.
- Problema central: service accounts de longa duração versus escopo estreito demais.
- Sessão propõe um modelo de identidade e autorização para agentes.
- Palestrante: Nancy Wang, fundadora do AWS Data Protection.
Quais guardrails funcionam em um agente de operações real?#
Ronak Nathani, que liderou a migração para Kubernetes no LinkedIn, mostra como controles ficam em uma plataforma real. A sessão Inside LinkedIn's Kubernetes Ops Agent: Skills, Tools, and Guardrails detalha um agente de operações que atua em mais de 500 mil nós e mais de 5 milhões de pods.
Os guardrails ficam no servidor, incluindo limites de taxa e aprovação por pares para mudanças em produção. Combinadas, as duas primeiras sessões oferecem às equipes um modelo de autorização e um conjunto funcional de guardrails para comparar com os seus próprios.
- Guardrails no lado do servidor: rate limits e aprovação por pares.
- Escala relatada: 500 mil+ nós e 5 mi+ pods.
- Palestrante: Ronak Nathani, que liderou a adoção de Kubernetes no LinkedIn.
Como usar evals para decidir release com confiança?#
Uma avaliação só é útil quando os engenheiros confiam no score a ponto de lançar ou segurar uma entrega. Fabio Flores, que lidera o desenvolvimento de base para Agentic Ordering no DoorDash, defende aplicar um mesmo juiz tanto a sessões simuladas quanto a sessões de produção.
A ideia é que as melhorias medidas antes do lançamento continuem valendo depois dele. A sessão From Signal To Impact: The Eval Loop Behind DoorDash's Agentic Ordering System mostra esse ciclo de avaliação em um sistema de pedidos com agentes.
- Um mesmo juiz para sessões simuladas e de produção.
- Objetivo: manter as melhorias medidas antes do lançamento no ambiente real.
- Palestrante: Fabio Flores, do Agentic Ordering no DoorDash.
Por que o custo de tokens cresce e como reduzir o contexto?#
Cargas de trabalho com agentes que funcionavam como protótipo podem ficar caras demais em produção conforme o contexto cresce. Tejas Chopra, que já atuou em infraestrutura de cache distribuído na Netflix, discute compressão e ordenação de prompts para aumentar os acertos de cache do provedor.
A sessão Make Each Token Count: Compression, Caching, and Retrieval for Production LLM Context aborda ainda armazenamento em camadas para o histórico de conversas e os modos de falha que a equipe encontrou. Não foram divulgados números específicos de economia ou de custo por token.
- Compressão e ordenação de prompt para elevar acertos de cache.
- Armazenamento em camadas para histórico de conversa.
- Relato dos modos de falha encontrados em produção.
Como filtrar revisões de código geradas por IA em escala?#
Com ferramentas de IA gerando mais código, a revisão humana se torna o gargalo. Min Chen, que lidera a adoção de engenharia de software AI-native no LinkedIn, propõe filtrar achados de baixa confiança antes que os desenvolvedores os vejam.
A sessão High-Signal AI Code Review That Adapts to Your Codebase at Scale descreve um sistema que revisa dezenas de milhares de pull requests por semana em cerca de 10 mil repositórios. A palestrante também explica como a equipe mede se as sugestões chegam a código mesclado.
- Filtro de achados de baixa confiança antes da revisão humana.
- Escala relatada: dezenas de milhares de PRs por semana em cerca de 10 mil repositórios.
- Métrica de sucesso: sugestões que entram em código efetivamente mesclado.
O que DORA diz sobre maturidade em IA?#
Mais velocidade de entrega não beneficia todas as organizações da mesma forma. Nathen Harvey, que lidera o DORA no Google Cloud, discute como avaliar maturidade em IA além das métricas de adoção e identificar quais problemas existentes a IA tende a piorar.
Na palestra Building in the AI-First World: Scale Brilliance, Not Bottlenecks, ele argumenta que a IA amplifica tanto o que a organização já faz bem quanto o que faz mal. A consequência prática é olhar para gargalos organizacionais antes de assumir que a ferramenta resolverá tudo.
- Maturidade em IA avaliada para além de métricas de adoção.
- IA amplifica práticas boas e ruins já existentes.
- Palestrante: Nathen Harvey, líder do DORA no Google Cloud.
O que isso muda para quem usa IA#
O conjunto de sessões aponta uma mudança de foco: a pergunta deixa de ser qual modelo usar e passa a ser como operar agentes com permissões, evals e custo controlados. Para times que desenvolvem com IA, isso significa tratar identidade, guardrails e avaliação como parte da arquitetura, não como acessórios.
Para quem trabalha com vários modelos, a Invision oferece acesso a modelos diferentes por uma única chave, com saldo em reais. Isso ajuda a comparar abordagens e ajustar o uso conforme o contexto de cada aplicação, sem afirmar aqui preços ou ganhos específicos.
- Identidade e autorização de agentes entram no desenho do sistema.
- Evals precisam ser confiáveis o bastante para orientar releases.
- Custo de contexto vira variável de engenharia, com compressão e cache.
Perguntas frequentes
Quando e onde acontece o QCon AI New York 2026?
Nos dias 15 e 16 de dezembro, no Westin Jersey City Newport, a cerca de cinco minutos de trem PATH do World Trade Center, em Nova York.
Para quem é o QCon AI New York 2026?
Para engenheiros sêniores e líderes técnicos que tomam decisões sobre IA em produção, segundo a descrição oficial do evento.
Quais temas serão abordados nas sessões?
Agentes com permissões e guardrails, evals ligados a decisões de release, compressão e cache de contexto, revisão de código com IA em escala e maturidade organizacional em IA.
As palestras são neutras em relação a fornecedores?
Sim. O comitê do evento afirma que as palestras são vendor-neutral, sem pitches de produtos escondidos, e que cada uma relata o que um time construiu e por quê.
Fonte original: Production Patterns for Agents, Evals, and LLM Costs: QCon AI New York 2026 (InfoQ). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.