# Dédalo — Benchmark competitivo & tendências 2026-2027

> Leitura complementar ao [`dedalo-one-pager.md`](./dedalo-one-pager.md). Posiciona o Dédalo contra três casos públicos de automação de engenharia (Google, Meta, Spotify) e ancora a tese em movimento de mercado verificável.
>
> **Fontes internas**: [`docs/branding/nome-do-produto.md`](../branding/nome-do-produto.md) · [`docs/17-end-to-end-flow.md`](../17-end-to-end-flow.md) · [`docs/google-ai-code-migration.md`](../google-ai-code-migration.md) · [`docs/meta-ai-code-migration.md`](../meta-ai-code-migration.md) · [`docs/spotify-background-coding-agent-honk.md`](../spotify-background-coding-agent-honk.md)

---

## 0. Sumário executivo

- **Onde Dédalo ganha**: cobertura do SDLC inteiro (11 fases), 4 gates humanos persistidos como dado, LLM híbrido local+premium (zero cloud no caminho crítico), multi-tenant desde o dia zero, background intelligence que faz o sistema documentar e aprender sozinho.
- **Onde converge com o estado da arte**: orquestração durável (Temporal ↔ Claude Agent SDK), feedback loops fortes (verifiers, AC checker), LLM-as-judge, agentes especializados com ferramentas próprias.
- **Onde precisa acompanhar**: risk scoring antes de gate (Meta), evals estruturadas (Spotify Part 3), CI/CD como outer loop, geração de testes sob demanda (JITTesting da Meta).
- **Janela**: Gartner projeta 40% das apps enterprise com agentes task-specific até fim de 2026 (era <5% em 2025). O mercado está alcançando o que o Dédalo já tem. A janela para virar referência é curta.

---

## 1. O movimento do mercado (2025-2026)

| Sinal | Fonte | O que diz |
|-------|-------|-----------|
| Apps enterprise com agentes task-specific | Gartner | **40% até fim de 2026**, vs <5% em 2025 |
| Spending global em AI agent software | Gartner | **US$ 86,4B (2025) → US$ 206,5B (2026) → US$ 376,3B (2027)** |
| Uso de agentes / demanda de inferência | IDC | **10× uso · 1000× inferência até 2027** |
| CIOs com agentes em produção | Gartner CIO Survey 2026 | **17% deployaram, 60%+ planejam nos próximos 24 meses** |
| Falha de projetos agentic | Gartner | **>40% falham até 2027** — governança, custo, controle |
| Modelo operacional dominante em 2026 | CIO.com, Pragmatic Engineer | **"Delegate, review, own"** — agente faz o draft, humano revisa, humano detém arquitetura |
| Estado da arte | Anthropic 2026 Agentic Coding Trends Report | Orquestração superou prompt engineering como skill central |

**Tese central**: o gargalo deixou de ser "o LLM consegue?" e virou "alguém consegue *operar* esse LLM em produção, em escala, sem perder governança nem queimar dinheiro?" — exatamente o vão que Dédalo preenche.

---

## 2. Quatro abordagens, um mesmo problema

| Player | Escopo | Estado | Diferencial |
|--------|--------|--------|-------------|
| **Google** | Migração TensorFlow → JAX | Gemini Enterprise Agent Platform + Skills Repository | Skills oficiais condensadas, deploy em produção, **6× mais rápido** que migração manual |
| **Meta** | Modernizar WebRTC em 50+ use cases | Diff Risk Score (AI risk-aware), JITTesting (agentic testing) | **Risk scoring de diffs** antes do gate humano |
| **Spotify** | Manutenção contínua em frota (milhares de repos) | Honk = Fleet Management + Claude Agent SDK; ~50 migrações com Claude Code | **1.500+ PRs mesclados**, ~50% de todos os PRs da Spotify automatizados, **60-90% de economia** em migrações; verifiers + LLM judge (veta 25%) |
| **Dédalo** | **SDLC ponta-a-ponta** — ingresso de backlog → deploy auditado | **11 fases · 30+ agentes · 4 gates · multi-tenant** | Pipeline determinístico, orquestrado por Temporal self-hosted, LLM híbrido local+premium, gates humanos persistidos como dado de primeira classe |

> **Hefesto forja peças. Dédalo orquestra sistemas.** Google, Meta e Spotify forjaram peças excelentes — cada um em sua frente. Dédalo orquestra a forja inteira.

---

## 3. Benchmark por dimensão

| Dimensão | Google | Meta | Spotify | **Dédalo** |
|----------|--------|------|---------|------------|
| **Cobertura do SDLC** | migração pontual (TF→JAX) | modernização + risk gating | manutenção em frota (PRs em massa) | **ingress → arquivo, 11 fases** |
| **Orquestrador** | Gemini Enterprise (proprietário) | proprietário (Diff Risk Score) | Fleet Management + Claude Agent SDK | **Temporal self-hosted** |
| **Modelo de agentes** | Skills Gemini (condensadas) | autônomos | Claude Code + subagents, CLI interna pluggable | **22 agentes pipeline + 9 background intelligence** (`classifier`, `discovery_*`, `planner`, `code_executor`, `qa_runner`, `acceptance_checker`, `deploy_agent`, `archiver`, `docgen_*`, `knowledge_tree_synthesizer`, etc.) |
| **Gates humanos** | revisão de PR (ad-hoc) | risk-based (auto-aprova baixo risco) | revisão de PR + LLM judge | **4 gates formais** (`discovery_review`, `execution_gate`, `publication_gate`, `production_approval`) **com SLAs, vereditos persistidos** (`approved`/`rejected`/`rework`/`expired`) |
| **Validação automatizada** | equivalência funcional pós-migração | JITTesting (testes sob demanda) | verifiers via MCP + LLM judge (veta 25%) | **QA determinística + AC checker LLM + auto-rebase + loop até 3×** |
| **Strategy LLM** | Gemini (cloud only) | provider-agnostic interno | Claude Code (cloud) | **Híbrido: local (LMStudio, `gemma-4-26b-a4b` + `nomic-embed-text-v1.5`) + premium (Claude Sonnet/Opus) onde importa** |
| **Self-host / data residency** | não — SaaS GCP | interno Meta | interno + cloud Claude | **100% self-host, zero dependência cloud no caminho crítico** |
| **Multi-projeto / multi-tenant** | implícito (cada cliente em sua instância) | interno único (Meta) | frota interna única (Spotify) | **Multi-tenant desde o dia zero**: `agent_policy`, caps de custo, token de serviço e memória semântica por projeto |
| **Custo rastreado** | não exposto | n/a | quotas de LLM gerenciadas | **`cost_ledger` por agente + caps em `project.agent_policy.cost.caps_per_agent` + métricas Langfuse** |
| **Memória / aprendizado contínuo** | skills curadas manualmente | implícito | context engineering manual no prompt | **DocGen + MemorySync + KnowledgeTree** — sistema documenta e re-embeda sozinho, diariamente |
| **Observabilidade** | GCP nativo | interno | MLflow + GCP logs | **OTel + Tempo + Loki + Grafana + Langfuse** — stack aberta, out-of-the-box |
| **Princípio anti-fallback** | não explícito | risk-aware | "verifiers falham alto, PR não abre" | **Princípio Ícaro**: falha alto e ruidoso, sem fallback silencioso ([nome-do-produto.md:107](../branding/nome-do-produto.md)) |
| **Licença / distribuição** | proprietário SaaS | interno | interno (não vendido) | **Open source, self-hosted** |
| **Escopo de release** | n/a (caso de uso pontual) | PR-a-PR com risk score | PR-a-PR | **`release_batches`** com FSM própria, singleton ativo por projeto, gate de produção 24h, `reconciliation_review` para conflito tardio (Onda 13) |
| **Executor de código** | n/a | n/a | container sandboxed, allowlist estrita | **4 backends**: `local_worktree`, `docker`, `ssh`, `remote_sandbox`; `code_executor` = Claude Code CLI |

---

## 4. Onde Dédalo ganha

1. **Cobertura ponta-a-ponta** — Google, Meta e Spotify operam *fatias* do SDLC: migração pontual, risk-scoring de diff, manutenção de frota. Dédalo cobre da entrada de backlog até deploy auditado, em **11 fases com FSM canônica e `phase_event` persistido em cada transição**.
2. **Gates humanos por design, não opcionais** — 4 gates formais com SLAs (1h-24h), vereditos persistidos (`approved`/`rejected`/`rework`/`expired`), `rework` até 2× e `reconciliation_review` para conflito tardio até 3×. Spotify tem LLM judge (veta 25%, agente corrige metade), mas a decisão final ainda é PR review humano ad-hoc. Dédalo persiste a decisão como **dado de primeira classe**, auditável e cobrável.
3. **Híbrido local + premium economiza ordens de grandeza** — pesquisa de 2026 ([SitePoint](https://www.sitepoint.com/local-llms-vs-cloud-api-cost-analysis-2026/), [Vucense](https://vucense.com/ai-intelligence/local-llms/local-llm-hosting-cost-comparison-2026/), [BentoML](https://www.bentoml.com/blog/navigating-the-world-of-open-source-large-language-models)) coloca o break-even self-hosting entre **10M-30M tokens/dia**. Dédalo já roda assim: local para trabalho estruturado (classificação, ranking, embeddings, doc-gen, sumarização) e premium para discovery, refinamento e código. Google e Spotify dependem 100% de cloud.
4. **Multi-tenant desde o dia zero** — Google/Meta/Spotify resolveram para si mesmos (1 empresa, 1 frota). Dédalo trata cada projeto como tenant isolado com `agent_policy`, caps de custo (`caps_per_agent`), token de serviço (`project_chat_tokens`) e memória semântica própria em pgvector (768-dim).
5. **Background intelligence própria** — 3 workflows rodam continuamente:
   - **DocGen** (cron diário 06:00 UTC) — 6 agentes em pipeline, incremental, custo local ~US$ 0
   - **MemorySync** (24h ou on-demand) — re-embeda docs em pgvector, audita docs obsoletos
   - **KnowledgeTree** — sintetiza padrões em árvore de conhecimento que alimenta `context_researcher` e `discovery_history`
   
   Nenhum dos três (Google/Meta/Spotify) expõe esse loop de aprendizado contínuo como parte do produto.
6. **Release management formal** — `release_batches` com FSM própria, singleton ativo por projeto (via partial unique index), `release_gate`, `production_approval`, `release_conflict_review`. Spotify trata PRs individualmente; Dédalo agrupa releases e mantém auditoria de batch.
7. **Stack de observabilidade aberta** — OTel + Tempo (traces) + Loki (logs) + Grafana (dashboards) + Langfuse (LLM traces/métricas/custos). Spotify usa MLflow + GCP; Google usa GCP nativo. Dédalo é **portável** entre clouds e on-premise sem reescrever observabilidade.

---

## 5. Onde Dédalo converge com o estado da arte

- **Orquestração durável** — Temporal (Dédalo) ↔ Claude Agent SDK + Fleet Management (Spotify). Mesma tese: "agentes falham em produção, alguém tem que consertar a infraestrutura embaixo." A própria Temporal levantou [US$ 300M em fev/2026 a um valuation de US$ 5B](https://agentmarketcap.ai/blog/2026/04/08/langgraph-vs-temporal-long-running-agent-workflows-2026) com exatamente esse pitch.
- **Feedback loops fortes** — Spotify roda formatters/linters/tests via MCP como tool do agente, com stop hook que impede abrir PR se algum verifier falha (Part 3 da série Honk). Dédalo tem `acceptance_checker` LLM + QA determinística + auto-rebase + loop de até 3× antes de marcar a fase como falha.
- **LLM as a judge** — Spotify usa para vetar diffs fora do escopo (25% de veto, agente corrige metade). Dédalo tem `plan_critic` (crítica adversarial no Refinamento) e `acceptance_checker` (validação de ACs). Mesma filosofia, fases diferentes.
- **Agentes especializados com ferramentas próprias** — Google fala em "skills condensadas para evitar context bloat"; Spotify em "menos ferramentas = mais previsibilidade" (a famosa frase *"the more tools you have, the more dimensions of unpredictability you introduce"*). Dédalo materializa isso como **22+9 agentes com ferramentas próprias, prompts versionados em `prompts/` e hash em `agent_runs.system_prompt_hash`**.
- **CLI pluggable** — Spotify construiu CLI interna para trocar agentes/LLMs sem expor usuários. Dédalo tem `LLMRouter` + `LMStudioClient` + `AnthropicClient` que faz routing por agente, com fallback explícito (sem fallback silencioso).

---

## 6. Onde Dédalo precisa acompanhar

| Lacuna | Inspiração | O que adicionar |
|--------|-----------|-----------------|
| **Risk scoring proativo de diff** | Meta — Diff Risk Score | Score de risco entre QA e `publication_gate`; aprovação automática de baixo risco, escalonamento de alto risco |
| **Evals estruturadas** | Spotify Part 3 + Anthropic Trends 2026 | Camada de eval/benchmark: regressão de prompts, comparação de LLM providers, benchmark por fase. Dédalo tem traces (Langfuse) e métricas, mas falta a malha sistemática |
| **CI/CD como outer loop** | Spotify (planejado) | Agente reagindo a CI checks pós-merge — complementar aos verifiers do inner loop |
| **JITTesting / testes sob demanda** | Meta | Geração de testes via IA em código de alto risco — hoje Dédalo só executa o que o `planner` definiu |
| **Skills repository público** | Google Skills Repository | Expor os 30+ agentes do Dédalo como skills reutilizáveis (em vez de internas) ganharia narrativa de ecossistema |
| **Suporte multi-arquitetura para verifiers** | Spotify Part 3 (atual: só Linux x86) | Dédalo já roda em macOS dev; formalizar verifiers ARM64/macOS no executor |

---

## 7. Tendências 2026-2027 (radar) — e como o Dédalo se posiciona

| Tendência | Implicação | Posição do Dédalo |
|-----------|------------|-------------------|
| **Orquestração > prompt engineering** ([Anthropic Trends 2026](https://resources.anthropic.com/hubfs/2026%20Agentic%20Coding%20Trends%20Report.pdf), [Codebridge](https://www.codebridge.tech/articles/mastering-multi-agent-orchestration-coordination-is-the-new-scale-frontier)) | Vencedor é quem orquestra, não quem prompta | **Já está do lado certo** — Temporal + FSM canônica + `phase_event` |
| **Hybrid local + cloud LLM vira padrão** ([SitePoint](https://www.sitepoint.com/local-llms-vs-cloud-api-cost-analysis-2026/), [BentoML](https://www.bentoml.com/blog/navigating-the-world-of-open-source-large-language-models)) | TCO entra na conversa em RFPs enterprise | **Já roda assim** — diferencial cresce |
| **Human-on-the-loop > human-in-the-loop** (~52% das orgs, [CIO.com](https://www.cio.com/article/4134741/how-agentic-ai-will-reshape-engineering-workflows-in-2026.html)) | Humanos supervisionam, não bloqueiam cada step | **Equilíbrio já praticado** — 4 gates obrigatórios + autonomia entre eles |
| **>40% dos projetos agentic falham até 2027** ([Gartner](https://www.gartner.com/en/articles/strategic-predictions-for-2026)) | Governança, custo e controle são *o* gargalo | **Resposta direta**: orquestração durável + gates persistidos + cost ledger + caps por agente |
| **Skills repositories e Agent SDKs como padrão** ([Google Skills Repo](https://cloud.google.com/blog/products/ai-machine-learning/level-up-your-agents-announcing-googles-official-skills-repository), [Anthropic Agent SDK](https://www.anthropic.com)) | Mercado vai consumir agentes como pacotes | **Oportunidade**: expor catálogo de 30+ agentes como skills |
| **SDLC integralmente agêntico** ([Pragmatic Engineer](https://newsletter.pragmaticengineer.com/p/the-impact-of-ai-on-software-engineers-2026), [PwC Future of Solutions 2026](https://www.pwc.com/m1/en/publications/2026/docs/future-of-solutions-dev-and-delivery-in-the-rise-of-gen-ai.pdf), [Microsoft Tech Community](https://techcommunity.microsoft.com/blog/appsonazureblog/an-ai-led-sdlc-building-an-end-to-end-agentic-software-development-lifecycle-wit/4491896)) | Mercado está alcançando o que Dédalo já tem | **Janela curta** para virar referência antes de virar commodity |
| **Risk-aware automation** ([Meta Diff Risk Score](https://engineering.fb.com/2025/08/06/ai-research/diff-risk-score-ai-driven-risk-aware-software-development/)) | Triagem por IA antes de gate humano | **Adotar**: alimentar `publication_gate` com risk score |
| **Durable execution como infra crítica** ([Temporal $5B](https://agentmarketcap.ai/blog/2026/04/08/langgraph-vs-temporal-long-running-agent-workflows-2026)) | Quem opera agentes long-running ganha | **Já é a base** — Temporal self-hosted desde o dia zero |

---

## 8. Posicionamento por audiência

| Audiência | Pitch em uma linha |
|-----------|--------------------|
| **CTO / VP Eng** | "Spotify Honk + Meta Diff Risk Score + Google Skills Repository — em **um único produto open source, self-hosted, multi-tenant**, cobrindo o SDLC inteiro." |
| **CFO** | "Break-even de self-hosting entre 10M-30M tokens/dia. Zero cloud no caminho crítico. `cost_ledger` por agente, cap por projeto, métricas diárias agregadas no Langfuse." |
| **CISO / Compliance** | "Zero dependência cloud no caminho crítico, gates humanos persistidos com SLA e veredito auditável, Princípio Ícaro: **falha alto, sem fallback silencioso**. Audit trail completo em Postgres." |
| **Eng. de Plataforma** | "Temporal durable execution + 4 executor backends (worktree/docker/ssh/sandbox) + observabilidade OTel/Tempo/Loki/Grafana/Langfuse out-of-the-box. Stack portável entre clouds e on-prem." |
| **Head of Data / IA** | "Hybrid LLM com `LLMRouter` (LMStudio local + Claude premium), embeddings 768-dim em pgvector, memória semântica por projeto, doc-gen e knowledge-tree continuamente refrescados." |

---

## 9. Recomendações para o pacote executivo

1. Anexar este documento ao [`dedalo-one-pager.md`](./dedalo-one-pager.md) como leitura complementar para conversas de profundidade técnica.
2. Considerar versão renderizada em `docs/presentation/benchmark.html` (mesmo padrão visual do `index.html` — paleta, Cormorant Garamond + Inter, Mermaid). Fora do escopo deste doc.
3. Atualizar números à medida que novos reports saírem em 2026 (Spotify Honk Part 4 já cobre dataset migrations; Gartner Hype Cycle for Agentic AI; IDC AI agent adoption updates).
4. Avaliar 3 movimentos táticos curtos: (a) risk-score de diff antes do `publication_gate`; (b) framework de evals estruturadas; (c) skills repository público.

---

## 10. Fontes

### Casos de referência (engineering blogs)
- [Pioneering AI-Assisted Code Migration: How Google Achieved 6x Faster Migration from TensorFlow to JAX — Google Cloud Blog](https://cloud.google.com/blog/topics/developers-practitioners/pioneering-ai-assisted-code-migration-how-google-achieved-6x-faster-migration-tensorflow-jax)
- [Introducing Gemini Enterprise Agent Platform — Google Cloud Blog](https://cloud.google.com/blog/products/ai-machine-learning/introducing-gemini-enterprise-agent-platform)
- [Level Up Your Agents: Google's Official Skills Repository — Google Cloud Blog](https://cloud.google.com/blog/products/ai-machine-learning/level-up-your-agents-announcing-googles-official-skills-repository)
- [Escaping the Fork: How Meta Modernized WebRTC Across 50 Use Cases — Meta Engineering](https://engineering.fb.com/developer-infra/escaping-the-fork-how-meta-modernized-webrtc-across-50-use-cases/)
- [Diff Risk Score: AI-Driven Risk-Aware Software Development — Meta Engineering](https://engineering.fb.com/2025/08/06/ai-research/diff-risk-score-ai-driven-risk-aware-software-development/)
- [The Death of Traditional Testing & JITTesting — Meta Engineering](https://engineering.fb.com/developer-infra/the-death-of-traditional-testing-agentic-development-broke-a-50-year-old-field-jittesting-can-revive-it/)
- [1,500+ PRs Later: Spotify's Background Coding Agent, Part 1 — Spotify Engineering](https://engineering.atspotify.com/2025/11/spotifys-background-coding-agent-part-1)
- [Context Engineering: Background Coding Agents, Part 2 — Spotify Engineering](https://engineering.atspotify.com/2025/11/context-engineering-background-coding-agents-part-2)
- [Predictable Results Through Strong Feedback Loops, Part 3 — Spotify Engineering](https://engineering.atspotify.com/2025/12/feedback-loops-background-coding-agents-part-3)
- [Dataset Migrations, Part 4 — Spotify Engineering](https://engineering.atspotify.com/2026/4/background-coding-agents-dataset-migrations-honk-part-4)

### Analistas e tendências
- [Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026](https://www.gartner.com/en/newsroom/press-releases/2025-08-26-gartner-predicts-40-percent-of-enterprise-apps-will-feature-task-specific-ai-agents-by-2026-up-from-less-than-5-percent-in-2025)
- [Strategic Predictions for 2026: How AI's Underestimated Influence Is Reshaping Business — Gartner](https://www.gartner.com/en/articles/strategic-predictions-for-2026)
- [Hype Cycle for Agentic AI, 2026 — Gartner](https://www.gartner.com/en/articles/hype-cycle-for-agentic-ai)
- [AI Agent Adoption 2026: What the Analyst Data Shows (Gartner + IDC) — Joget](https://joget.com/ai-agent-adoption-in-2026-what-the-analysts-data-shows/)
- [The impact of AI on software engineers in 2026 — Pragmatic Engineer](https://newsletter.pragmaticengineer.com/p/the-impact-of-ai-on-software-engineers-2026)
- [How Agentic AI Will Reshape Engineering Workflows in 2026 — CIO.com](https://www.cio.com/article/4134741/how-agentic-ai-will-reshape-engineering-workflows-in-2026.html)
- [An AI-Led SDLC: Building an End-to-End Agentic Software Development Lifecycle — Microsoft Tech Community](https://techcommunity.microsoft.com/blog/appsonazureblog/an-ai-led-sdlc-building-an-end-to-end-agentic-software-development-lifecycle-wit/4491896)
- [Agentic SDLC in Practice: The Rise of Autonomous Software Delivery 2026 — PwC](https://www.pwc.com/m1/en/publications/2026/docs/future-of-solutions-dev-and-delivery-in-the-rise-of-gen-ai.pdf)
- [2026 Agentic Coding Trends Report — Anthropic](https://resources.anthropic.com/hubfs/2026%20Agentic%20Coding%20Trends%20Report.pdf)

### Orquestração e infraestrutura
- [LangGraph vs. Temporal for Long-Running Agent Workflows: The 2026 Decision Guide — AgentMarketCap](https://agentmarketcap.ai/blog/2026/04/08/langgraph-vs-temporal-long-running-agent-workflows-2026)
- [Multi-Agent Systems & AI Orchestration Guide 2026 — Codebridge](https://www.codebridge.tech/articles/mastering-multi-agent-orchestration-coordination-is-the-new-scale-frontier)
- [AI Workflow Orchestration Platforms: 2026 Comparison — Digital Applied](https://www.digitalapplied.com/blog/ai-workflow-orchestration-platforms-comparison)

### TCO e self-hosting
- [Local LLMs vs Cloud APIs: 2026 Total Cost of Ownership Analysis — SitePoint](https://www.sitepoint.com/local-llms-vs-cloud-api-cost-analysis-2026/)
- [Local LLM Hosting Cost Comparison 2026 — Vucense](https://vucense.com/ai-intelligence/local-llms/local-llm-hosting-cost-comparison-2026/)
- [Navigating the World of Open-Source LLMs — BentoML](https://www.bentoml.com/blog/navigating-the-world-of-open-source-large-language-models)
- [Self-Hosted vs. Third-Party Deployment for Regulated Enterprises — Prediction Guard](https://predictionguard.com/blog/self-hosted-vs-cloud-llm-deployment-guide)

### Fontes internas
- [`docs/branding/nome-do-produto.md`](../branding/nome-do-produto.md) — narrativa de marca, Princípio Ícaro
- [`docs/17-end-to-end-flow.md`](../17-end-to-end-flow.md) — fluxo das 11 fases, gates, agentes
- [`docs/presentation/dedalo-one-pager.md`](./dedalo-one-pager.md) — one-pager executivo
- [`docs/google-ai-code-migration.md`](../google-ai-code-migration.md) · [`docs/meta-ai-code-migration.md`](../meta-ai-code-migration.md) · [`docs/spotify-background-coding-agent-honk.md`](../spotify-background-coding-agent-honk.md) — dossiês internos dos três casos

---

*Documento gerado em: 2026-05-12 · Idioma: pt-BR*