Transmissão ao vivo: palestra de abertura e direção de produto no In The Loop 2026 (14 de outubro)

Ver no idioma original →

Autoria: n8n · Assistir no YouTube

Vídeo de autoria do canal indicado, não da IANIA; todos os direitos pertencem ao criador. Transcrição, resumo e tradução gerados automaticamente; o conteúdo no idioma original é preservado na versão em idioma original.

Idioma original: inglês

Vídeo original: Livestream: Opening keynote and Product direction, at In The Loop 2026 (Oct 14) · Canal: n8n · 1:02:24 · Assistir no YouTube

Tópicos: Agentes de IA, Automação de tarefas e workflows, Avaliação e benchmarks de IA, Ferramentas de desenvolvimento com IA, Governança e regulação de IA

Resumo

Na palestra de abertura, Jan Oberhauser apresenta a visão da n8n: uma IA mais capaz deve tornar as pessoas mais capazes, mantendo-as informadas e no controle. Ele explica como combinar agents, workflows determinísticos e pessoas para transformar inteligência em trabalho confiável, especialmente em processos empresariais importantes. David Roberts detalha a direção de produto, incluindo construção com IA, auditoria, evals, um novo mecanismo de execução, observabilidade e governança. A apresentação também anuncia o Manifest, um novo produto da n8n Labs, e reforça compromissos com a comunidade, a edição Community e a escolha de modelos e provedores.

Pontos-chave

• A n8n quer evoluir de um produto de automação para um sistema operacional para o trabalho com IA.
• A visibilidade de cada etapa ajuda as pessoas a entender, controlar e assumir responsabilidade pelo trabalho automatizado.
• Processos de maior consequência exigem mais controle e prestação de contas.
• Agents, lógica determinística, automação e equipes devem trabalhar em conjunto; IA não significa autonomia total.
• Agents podem ser a porta de entrada para a automação, enquanto workflows determinísticos ajudam a tornar processos recorrentes mais confiáveis.
• A auditoria de automações inclui inspecionar a lógica e testar os resultados; evals rigorosos estão associados a maior confiabilidade.
• O novo mecanismo de execução deve incluir salvamento do progresso por etapa, novas tentativas seguras, isolamento de recursos e execução de código em sandbox.
• Manifest é apresentado como uma aplicação para observabilidade entre várias instâncias da n8n.
• A n8n afirma que a Community Edition continuará gratuita e self-hosted, e que a escolha de modelos e provedores continuará nas mãos dos usuários.

Capítulos

Início	Capítulo	Resumo
00:04	Abertura do evento	A apresentação dá as boas-vindas ao público em Berlim e introduz a conferência da n8n.
05:20	Comunidade e crescimento da n8n	Jan Oberhauser relembra o início da n8n e destaca o crescimento da plataforma e de sua comunidade.
10:59	Visibilidade, controle e responsabilidade	A palestra defende que processos mais críticos exigem mais visibilidade, capacidade de intervenção e responsabilidade clara.
16:09	Automação aplicada a diferentes organizações	Exemplos de uma grande empresa e de uma pequena agência ilustram como a IA pode se transformar em trabalho confiável.
20:20	Cultura, equipe e n8n Labs	O palestrante descreve as áreas de investimento da empresa, sua cultura e os princípios de exploração da n8n Labs.
24:02	A direção de produto da n8n	David Roberts apresenta os temas da palestra e revisa destaques recentes, incluindo agents, o assistant, MCP e n8n Connect.
28:10	Modelos, confiança e autonomia	A apresentação discute a evolução dos modelos, a mudança de workflows para abordagens agent-first e os níveis de confiança e autonomia.
33:56	Ciclo de vida da automação	David organiza a direção de produto em torno da construção, auditoria, deploy, monitoramento e governança das automações.
40:41	Construção e auditoria	A palestra explica a evolução gradual de tarefas com agents para processos mais confiáveis e aborda inspeção, testes e evals.
46:22	Evals e confiabilidade	O palestrante apresenta dados sobre evals e explica por que avaliações rigorosas podem ajudar a levar agents à produção.
53:08	Novo mecanismo de execução e Manifest	São apresentados os princípios do novo mecanismo de execução e o Manifest, aplicação de observabilidade para múltiplas instâncias.
58:18	Governança e próximos passos	A apresentação detalha planos para identidade de agents, limites, políticas, evals, segurança e melhorias de produto.
61:54	Novo produto da n8n Labs e encerramento	A equipe apresenta um novo produto da n8n Labs e convida o público a entrar na lista de espera.

Citações

Uma IA mais capaz deve criar pessoas mais capazes. — 04:19

Por favor, não removam o canvas. — 07:20

Agent-first, workflow depois. IA primeiro, não somente IA. — 15:38

Quando a inteligência é abundante, ter certeza é o que é escasso. — 38:04

Conceitos e entidades

• n8n (empresa): Empresa e plataforma de automação que apresenta sua visão de produto para trabalho com IA.
• Jan Oberhauser (pessoa): Fundador e CEO da n8n, que apresenta a visão e a direção da empresa.
• David Roberts (pessoa): VP de produto e design da n8n, responsável por apresentar a direção de produto.
• SAP (empresa): Empresa citada como investidora da n8n e parceira de negócios.
• Agent (conceito): Sistema que recebe um objetivo e pode decidir como executar o trabalho.
• workflow (conceito): Sequência de etapas de automação que pode usar lógica determinística para executar tarefas de forma repetível.
• MCP (conceito): Protocolo citado como uma forma de conectar coding agents à n8n para criar workflows.
• Claude (ferramenta): Assistente de IA citado como exemplo de ferramenta que pode se conectar à n8n.
• Codex (ferramenta): Coding agent citado como exemplo de ferramenta que pode se conectar à n8n.
• n8n Connect (ferramenta): Recurso apresentado para simplificar a configuração de credenciais selecionadas.
• evals (conceito): Avaliações usadas para testar agents e medir se eles produzem resultados adequados e confiáveis.
• Manifest (ferramenta): Aplicação apresentada para acompanhar automações, responsáveis e sistemas usados em várias instâncias.
• n8n Labs (empresa): Equipe da n8n que explora novas abordagens e possíveis produtos.
• Opus 4.5 (modelo): Modelo citado por David Roberts ao comparar o ritmo das mudanças recentes em IA.
• Slack (ferramenta): Plataforma citada como exemplo de integração para agents e de sistema usado em processos empresariais.

Tradução completa (pt-BR)

00:04 [aplausos] Eu ainda nem disse nada. Não se preocupem, o verdadeiro espetáculo está prestes a começar. Sou apenas o precursor, e é um grande prazer e uma grande alegria receber todos vocês aqui em Berlim para o primeiro In the Loop da n8n. [aplausos] >> Mas preciso dizer que estou um pouco triste. Sabem, esta empresa funciona basicamente com duas coisas: eficiência e pontualidade.

00:37 Em eficiência, acho que somos muito bons. Quer dizer, há muita gente aqui ao lado, mas, quanto à pontualidade, pessoal, vocês estão na fila. Quer dizer, vocês chegaram, mas acho que algumas pessoas ainda estão na fila. Tudo bem, acho que Jan vai nos perdoar, porque muitos de vocês viajaram de muito longe ontem. Fizemos um pequeno encontro antes do evento. Tinha gente do Brasil, dos EUA, acho que da Índia, da Alemanha. Certo. É muito legal ver isso.

01:08 Ah, sim. Não, é. Sabem, alemães e aplausos são um pouco complicados. Não costumamos ficar superorgulhosos dizendo: “É, a Alemanha é legal.” Enfim, e não são só vocês que estão aqui hoje: pessoas do mundo todo estão nos acompanhando por uma transmissão ao vivo, certo? Talvez sua mãe esteja assistindo e pensando: “É, meu filho está na conferência da n8n e está se divertindo muito aprendendo sobre IA e automação, seja lá o que isso for.” Temos uma programação muito, muito cheia para vocês. Temos quatro palcos, nos quais vocês vão conhecer o

01:40 universo inteiro da n8n e o que construímos nos últimos meses, além do que vamos construir daqui para a frente. E fico muito, muito feliz que a primeira pessoa no palco também seja sabiana, como eu, e que goste de Käsespätzle com cebolas crocantes por cima. Mas, além disso, acho que o mais importante sobre Jan Oberhauser, que obviamente é o CEO, fundador e primeiro programador da n8n, é

02:10 que ele realmente valoriza a ideia de que você não deveria desperdiçar nenhum minuto da sua vida fazendo coisas que poderiam ser automatizadas. Há uma história que circula pelo escritório da n8n: dá para seguir vários caminhos até o escritório, mas um deles é o ideal, certo? Ele leva 30 segundos a menos que o outro. E, se você pensar bem, numa empresa com 365 dias por ano, talvez você não vá ao escritório todos os dias, mas ainda assim dá para economizar bastante tempo se escolher o caminho ideal, certo? Esse é o tipo de espírito que Jan traz para esta empresa e para a nossa cultura. Existimos porque queremos

02:41 que você não desperdice seu tempo fazendo coisas que poderiam ser automatizadas, que um AI agent poderia fazer por você, certo? Um workflow determinístico poderia fazer isso por você. E agora é uma grande honra para mim dar as boas-vindas a Jan Oberhauser neste palco maravilhoso, para a primeira palestra principal do dia. Logo depois, David, nosso VP de produto, vai contar tudo sobre a evolução da n8n. Aproveitem.

03:17 Obrigado, Janice. É muito bom estar aqui. Boas-vindas ao In the Loop de hoje. Estou muito animado por ver tantos de vocês aqui. É incrível ver quanta gente veio do mundo todo, como disse Yiannis. Então, obrigado a todos por terem vindo. Também quero agradecer aos nossos patrocinadores e expositores. Como muitos de vocês, eles já trabalham conosco há muitos anos. Um evento como este simplesmente não seria possível sem nenhum deles. Então, não deixem de visitá-los durante o dia e dizer olá. Ontem recebemos nossos parceiros e embaixadores. Hoje temos

03:48 todos vocês: nossa comunidade, quem constrói conosco e as pessoas acompanhando pela transmissão ao vivo. Esta é a primeira conferência de todas, e estamos realizando-a em Berlim, onde tudo começou. É muito emocionante ver tantos de vocês aqui hoje. Nesta palestra, vou falar sobre para onde estamos indo. Não vou falar tanto sobre funcionalidades. David, nosso VP de produto e design, vai falar mais sobre isso depois de mim. Vamos falar mais sobre a direção e as razões por trás dela. E quero começar com uma ideia que está por trás de tudo o que vou dizer hoje.

04:19 Uma IA mais capaz deveria criar pessoas mais capazes. Acho que há uma pergunta que será muito importante nos próximos anos: se a IA ficar mais inteligente a cada poucos meses, o que acontece com as pessoas? Acho que há dois caminhos. O caminho A: a IA se torna mais capaz, as pessoas entendem menos e simplesmente torcem para que funcione. Mas também há o caminho B: as pessoas também se tornam mais capazes. Elas entendem mais. Mantêm o controle. E estamos construindo para o caminho B.

04:49 Isso não é novidade. Sempre foi o que fizemos. Antes de começar a n8n, eu trabalhava com efeitos especiais para filmes. Eu criava ferramentas e pipelines para as pessoas e os artistas. As pessoas passavam muito tempo fazendo trabalho repetitivo. Ficavam copiando dados de um lado para o outro, fazendo a mesma tarefa várias vezes. Eu fazia a mesma coisa e, um dia, comecei a trabalhar na n8n à noite, nos fins de semana e nos horários livres. No começo, na verdade, comecei a construí-la para mim mesmo e, depois, literalmente para qualquer outra pessoa por aí e

05:20 então a lancei em Berlim, em 2019. Começamos com a mesma missão que temos hoje: dar a todos superpoderes para usar o computador. O que mudou é que os superpoderes ficaram muito mais fortes. Felizmente, muita gente aceitou a nossa proposta. Mas agora temos 6,7 milhões de workflows ativos por mês. Já são 60% das empresas da Fortune 500 usando a n8n. Na última rodada de financiamento, fomos avaliados em US$ 5,2 bilhões, com um investimento da SAP. Quando escrevi a primeira linha de

05:50 código, jamais teria acreditado em qualquer um desses números. E, sinceramente, até hoje tudo isso parece loucura. Mas os números não são muito importantes. O que está por trás deles é a nossa comunidade, que reúne pessoas muito diferentes. Temos gente que vive no código e gente que nunca escreveu uma linha de código sequer, todos construindo juntos e ajudando uns aos outros. Agora temos uma comunidade de 519 mil pessoas. Temos 13 mil workflows publicados, principalmente templates criados pela nossa comunidade. Há 2.300

06:20 integrações e temos 340 embaixadores. Agora há um evento da comunidade quase todos os dias da semana, em algum lugar do mundo. Também estamos entre os 30 principais projetos do GitHub de todos os tempos. Já temos 227 mil estrelas no GitHub e 400 parceiros ativos, incluindo parceiros estratégicos, integradores de sistemas e agências. Trabalhamos com empresas como SAP, Accenture, Capgemini e Deutsche Telekom. Muitas delas estão aqui hoje. Ainda me lembro de um dos primeiros encontros da comunidade. Havia umas 60 ou 70

06:50 pessoas, praticamente o tamanho desta sala hoje, mas, obviamente, em uma escala muito diferente. Mas a mesma coisa continua acontecendo: as pessoas mostram o que construíram. Passamos muito tempo ouvindo vocês nos fóruns, em eventos, em entrevistas e até no Reddit, que, sinceramente, nem sempre é o lugar mais útil para isso, mas é o que é. E o que vocês nos dizem é: não substituam o que amamos; tornem isso mais poderoso. IA por cima do canvas, não no lugar dele. Além disso, deixem-me construir do meu jeito

07:20 no canvas, em código ou para o meu coding agent. E vocês vão ter os três funcionando juntos, além de poderem me ajudar a executar isso em produção. Para eu ter certeza de que realmente funciona também na terça-feira à noite, quando ninguém está olhando. Um comentário da comunidade resumiu isso perfeitamente: “Por favor, não removam o canvas.” Recado recebido. Deixe-me mostrar como uma pessoa colocou isso. Ela disse: “O que mais gosto na n8n é a flexibilidade. Posso construir workflows e agents visualmente e realmente

07:52 entender o que está acontecendo.” E é isso que ouvimos repetidas vezes: flexibilidade e a possibilidade de entender o que está acontecendo. A segunda parte, essa questão de entender, é algo sobre o qual vou falar muito mais hoje. Então, para onde vamos daqui? Nossa visão é bem simples. Mais inteligência amplia aquilo que podemos delegar. As pessoas ainda podem definir o problema e moldar os resultados. A cada novo modelo, podemos delegar mais. A pergunta antiga era basicamente: “Posso automatizar isso?” E a

08:24 A resposta é cada vez mais: sim, você consegue. Mas a nova pergunta é: o que as pessoas devem continuar entendendo? Isso abre o próximo capítulo, o fio condutor desta palestra. Certo. Não percebi que estava tão bagunçado. Tudo bem. Vamos voltar. Certo. Isso não é culpa minha. Certo, deixa eu começar pelo que o n8n faz hoje. A base para tudo o mais: quando eu construo no n8n, quando você constrói no n8n, dá para ver o trabalho em cada etapa, as entradas e as saídas. E isso é o que importa para

08:54 entender o trabalho. Se você entende o trabalho, pode moldá-lo. Pode confiar nele e pode continuar sendo responsável por ele. Se não consegue enxergá-lo, só pode torcer para que dê certo, o que obviamente é muito ruim. Penso nisso mais como uma cadeia de visibilidade. A visibilidade gera entendimento. O entendimento permite o controle, e o controle preserva a autonomia. E autonomia é sua capacidade de decidir, agir e mudar de rumo. Se você remover o primeiro elo, literalmente tudo desmorona. É por isso que

09:25 a visibilidade não é algo bom de ter; é literalmente esse o objetivo. Mas o que significa tornar a inteligência visível e governável? Pensamos nisso em quatro partes. Primeiro, o que entra: os dados, o contexto e as permissões. O que ela pode acessar? Segundo, o que acontece — não montar as peças depois que algo dá errado. E o que sai: os resultados que você pode verificar, rastrear e defender. E quem é responsável? Ou seja,

09:56 um responsável claramente definido e momentos em que as pessoas possam realmente intervir. Só é possível confiar de verdade se você conseguir responder às quatro perguntas. Caso contrário, não deveria mesmo conduzir seu negócio com isso. Por isso, acredito que a UI é uma camada de confiança. Muitos pensam que a interface desaparece com a IA. Você escreve um prompt e pronto. Na verdade, penso o contrário. Quanto mais a IA faz,

10:28 mais você precisa enxergar o que realmente está acontecendo. Isso vale para quem constrói, mas também para todos que dependem disso. Mas nem toda tarefa precisa do mesmo nível de visibilidade. Se você me pedir para resolver minha caixa de entrada pessoal, só me importa o resultado. Se algo sair errado, tudo bem, posso corrigir. Mas, se minha equipe compartilha uma parte de um processo, um processo compartilhado, quero ver as etapas principais. E, se for uma operação crítica para o negócio, como pagar uma fatura, integrar clientes ou qualquer coisa regulamentada, quero mesmo ver cada

10:59 etapa. Quanto mais crítico o processo, mais você precisa enxergá-lo. Essa é a amplitude para a qual o n8n foi criado. Mas enxergar é só o começo. O entendimento deve se transformar em autonomia. Isso significa três coisas. Primeiro, respeitar o trabalho que foi feito: o que aconteceu e por quê. Segundo, intervir quando for importante. Parar, mudar ou aprovar antes que algo dê errado, não depois. E, terceiro, melhorar o que você delega. Cada execução ensina algo. Delegue mais. Esse é o ciclo. Talvez

11:29 seja por isso que chamamos de conversa. Agora quero falar mais sobre onde o n8n é mais importante. Construir está ficando cada vez mais fácil. Hoje, qualquer pessoa pode criar algo impressionante em uma tarde. Mas usar IA em negócios, dos quais a empresa realmente depende todos os dias, ainda é muito, muito difícil. O trabalho dentro de uma organização é diferente. Ele envolve pessoas, sistemas e responsabilidades diferentes. Se considerarmos um processo de vendas, há um CRM, o jurídico, o financeiro, e há

12:00 três equipes diferentes. O que é necessário é coordenação e alguém responsável. A diferença entre funcionar em uma demonstração e o negócio depender disso é onde o n8n sempre foi forte, e é isso que vai determinar os próximos anos. Acho que existem dois tipos de trabalho. Primeiro, o trabalho individual: uma pessoa, um contexto, suas próprias ferramentas e dados e suas próprias responsabilidades. É aí que os assistentes são ótimos. Há também o trabalho organizacional: sistemas e contexto compartilhados, dependências entre equipes e responsabilidades compartilhadas.

12:32 É aí que você precisa de orquestração. Também há uma mudança que vemos no que as pessoas estão criando com o n8n. No passado, elas criavam chatbots legais para si mesmas. Agora, criam processos compartilhados, trabalho compartilhado. Processam faturas, fazem a integração de clientes e, se algo dá errado, a empresa sente o impacto. Isso nos leva a um princípio simples: quanto maiores as consequências, maior a necessidade de controle e responsabilização. Se um assistente reserva o restaurante errado para mim, é irritante, mas

13:03 não é o fim do mundo. Mas, se um agent envia o número errado a um órgão regulador, é uma conversa completamente diferente. Para trabalhos críticos, precisa ficar claro quem constrói, quem pode alterar, quem governa e quem verifica. Só o software não consegue fazer isso. São necessárias pessoas que conheçam o processo. Nosso trabalho é dar a elas as ferramentas certas. O trabalho crítico precisa de mais do que apenas IA. Precisa de quatro coisas. Primeiro, agents, julgamento e linguagem onde o trabalho realmente precisa deles. Segundo, software determinístico: sempre a resposta certa.

13:34 Literalmente, você não quer isso. A IA fica muito criativa quando faz cálculos de texto. E, terceiro, automação: etapas repetíveis, em qualquer volume. E, quarto, pessoas e equipes: responsabilidade, contexto e a decisão final. E, para deixar claro, a parte difícil não é nenhuma dessas coisas isoladamente. A parte difícil é reuni-las, e isso é o n8n. Três princípios nos guiam. Ficar perto do problema. As pessoas que conhecem o trabalho podem construí-lo, inspecioná-lo e aprimorá-lo, com profundidade técnica disponível quando necessário. Depois, delegar esse crescimento.

14:05 Delegação que amplia a delegação por meio de contexto, dados e rastros históricos, com controle proporcional às consequências. E ser ambicioso e rigoroso. Ambicioso quanto ao que é possível e rigoroso e responsável quanto ao que está pronto. Precisamos mesmo das duas coisas. Se você for apenas ambicioso, não poderá confiar nisso. E, se for apenas rigoroso, vamos avançar devagar demais, e você vai desistir. Gostei de como Ollie colocou isso. Ele disse: “O n8n é o que permite integrar IA ao seu trabalho e aos seus processos de

14:38 maneira segura e controlada.” É isso. É isso que estamos tentando ser. Mas deixe-me conectar os pontos. A IA torna a inteligência possível e, então, torna a inteligência operacional. Transformamos o que os modelos podem fazer em trabalho que realmente funciona todos os dias. Nosso próximo capítulo amplia essa ideia. Queremos ser o sistema operacional para o trabalho com IA. Essa é a nossa ambição. Parte disso já está disponível hoje, e ainda estamos construindo muita coisa. Isso importa porque a maneira como o trabalho

15:08 começa está mudando. Antes, começava pelas etapas. Você faz isto, depois aquilo e assim por diante. Agora, as pessoas definem o resultado. Começam pelo que deve ser verdade, não por cada etapa. A IA ajuda a construir um caminho. Os agents são elaborados. Os workflows tornam o processo confiável. As pessoas moldam o resultado. Inspecionam, ajustam e se responsabilizam pelo que é executado. Assim, passamos de executar cada etapa a assumir a responsabilidade pelo resultado. É isso que quero dizer com criar pessoas mais capazes.

15:38 Acho que daí surgem dois princípios. Primeiro, agent em primeiro lugar, workflow em segundo. Você começa com o agent e adiciona lógica determinística quando necessário. E IA em primeiro lugar, não somente IA. Autonomia de 100% parece mágica quando funciona, mas é imprevisível demais para trabalhos críticos. Na verdade, os sistemas mais poderosos combinam IA, software determinístico, automação, pessoas e equipes. A questão não é IA ou não IA; é o quão bem você consegue combiná-los.

16:09 Mas deixe-me dar dois exemplos. O primeiro foi a dispense. Eles escolheram o n8n como plataforma global de automação low-code, disponibilizando-a para toda a empresa. Pensam em camadas. Algumas pessoas usam IA, outras a orquestram, e outro grupo cria soluções avançadas. Depois, há a camada de orquestração. Eles executam a plataforma em infraestrutura própria e sem dependência de nuvem específica. Assim, os dados e o controle ficam com eles. Mas não são só grandes empresas: uma pequena agência do Reino Unido também criou um sistema para o grupo Rama. A equipe envia mensagens de voz pelo WhatsApp

16:40 que atualizam o CRM e os sistemas da empresa. O resultado é uma redução de 97% no tempo gasto nessa tarefa. Passou literalmente de 4 a 5 minutos para 10 a 20 segundos. Também caiu de 62 para 44 dias o tempo entre a integração e a venda de um imóvel. Um fundador compartilhou que, atualmente, 70% do negócio dele funciona com o n8n. De uma montadora a uma pequena agência, a ideia é a mesma: transformar inteligência em trabalho confiável. Então, por que o n8n é o melhor lugar para oferecer

17:11 sobre isso? Isso é acessível: as pessoas mais próximas do problema podem construir. Há profundidade técnica quando você precisa dela, não quando não precisa. Cada etapa é visível e compreensível para as pessoas responsáveis por ela. E a orquestração coordena agentes, sistemas e pessoas. E, obviamente, há o ecossistema — e essa é a coisa mais difícil de copiar, porque não o construímos sozinhos. Construímos com todos vocês. Então, para o nosso próximo capítulo, queremos crescer de um produto para um sistema operacional para o trabalho com IA.

17:42 Mas o que isso realmente significa? Algo que de fato gera resultados para as pessoas. Chegar lá exige capacidades mais amplas e, com o tempo, produtos adicionais. Talvez vocês tenham percebido que algumas coisas estão diferentes por aqui. Nossa marca está evoluindo. Nosso logo antigo celebrava os nós. O novo celebra o espaço entre eles: a atividade, a conexão que isso torna possível. E, sinceramente, até eu precisei de um tempo para me acostumar. Sei que mudanças são difíceis. Mas agora gosto muito. Mas o

18:14 rosa continua. O visual muda, mas o que defendemos, não. >> Oi, sou Max, ou, como alguns de vocês me conhecem, o Flowmer original. Como em qualquer jornada de quem constrói, a história da n8n é de iteração constante. Lançar [música] coisas, quebrar coisas, aprender, ouvir e melhorar ao longo do caminho. E, sinceramente, é por isso que chegou a hora de dar uma nova cara à marca n8n. Quando a equipe da marca n8n me mostrou no que vinha trabalhando nos últimos meses, fiquei muito animado por poder

18:44 ser a pessoa a compartilhar isso com vocês. Eles não começaram do zero. No coração da n8n está a gloriosa comunidade de builders e uma plataforma centrada em conexão, controle e flexibilidade. O logo antigo conectava os nós. O novo se interessa pelo que acontece entre eles, porque é aí que as coisas ficam interessantes. Pessoas entrando, agentes agindo, sistemas interagindo nos bastidores e decisões sendo tomadas em tempo real. E também uma tipografia combinando: precisa, técnica, mas ainda

19:17 humana. Nem tudo precisava de uma renovação. O rosa sempre fez parte da n8n. Mas uma marca só importa de verdade quando facilita a vida das pessoas que a usam — no produto, nos eventos da comunidade, [música] e em tudo mais. E, à medida que mais pessoas descobrem o produto, ele ainda precisa ter a aparência e o jeito da n8n. [música] Uma marca que as pessoas possam vestir, compartilhar e tornar sua. Criada para dar vida às ideias. Criada para colocar os builders no centro do palco.

19:49 Mudança de marca. [aplausos] Obrigado, Max. Adoro a energia dele. Acho que também comprei um pouco dela, para ser sincero, mas não sou eu. [fungada] Enfim, a forma como construímos uma empresa precisa apoiar a ambição coletiva. Obrigado. [risos] A forma como construímos uma empresa precisa apoiar a ambição coletiva. Se você acredita que a IA torna as pessoas mais capazes, isso também precisa ser verdade dentro da n8n.

20:20 Nossa cultura, nossas capacidades e nosso ecossistema também precisam concretizar essa ambição e preservar a autonomia que nos trouxe até aqui. Para chegar lá, precisamos investir em três áreas. Primeiro, engenharia de produto: a plataforma mais ampla de que nossa visão realmente precisa. Segundo, equipes que colocam a n8n para trabalhar: pessoas que ajudam clientes e parceiros a levar trabalho real para produção. E, terceiro, os laboratórios, que exploram o que vem a seguir. Também queremos construir a [inaudível] do futuro, multiplicando o impacto que todos

20:51 podem ter com IA e n8n. Usamos n8n na n8n, e fazemos isso bastante. E tudo isso, obviamente, se apoia em nosso código de cultura, que vocês podem ver aqui: somos builders, somos acolhedores, fazemos o que é certo mesmo quando é difícil. Somos pioneiros e multiplicadores. Esses princípios são importantes para a forma como trabalhamos uns com os outros, como trabalhamos com vocês e como vocês vivenciam a n8n. Sim. E acho que uma frase do nosso código de cultura resume bem isso, e eu

21:23 gosto muito dela. É assim: quando algo precisa ser feito, você faz — desde a chamada de troca até a louça na pia. E, obviamente, isso também vale para mim. Talvez menos hoje, já que compramos uma lava-louças. Mas, sinceramente, ainda sou a pessoa que muitas vezes tira as coisas dela, o que também precisa ser feito. Mas isso dá menos trabalho do que lavar as coisas na pia. O que isso significa é que nenhuma tarefa é grande ou pequena demais para qualquer pessoa. Foi assim que chegamos até aqui e é assim que continuaremos avançando. [inaudível] é como chegaremos lá. Começamos com os labs. Eles exploram novas abordagens e possíveis novos produtos que apoiam essa ambição.

21:56 Os Labs seguem alguns princípios. Velocidade e sinais, em vez de acabamento. Queremos avançar rápido. Não precisa ficar bonito. Construir para a curva de capacidade. Os modelos melhoram muito rápido. O que não funciona hoje, ou mal funciona, provavelmente vai funcionar perfeitamente em seis meses. E não ter medo de encerrar as coisas. Encerrar algo não é um fracasso. É uma forma de aprender. É uma equipe muito pequena, com literalmente apenas um objetivo: aumentar a probabilidade de a n8n vencer no futuro nativo de IA.

22:26 Então, quando juntamos tudo, é por isso que somos o melhor lugar para entregar isso. Construção acessível: as pessoas mais próximas do problema podem construir. Profundidade técnica: não escondemos a complexidade. Visibilidade: cada etapa é compreensível para as pessoas responsáveis por ela. Orquestração: agentes, sistemas e pessoas coordenados. E o ecossistema: uma comunidade, parceiros e integrações em torno de cada construção. E, como eu disse antes, ninguém pode copiar o ecossistema, porque o construímos com todos vocês.

22:57 Com todas essas mudanças, está muito claro o que nunca muda. Obviamente, manteremos nossa Community Edition. Ela continuará gratuita e auto-hospedada para sempre. A escolha do modelo: os modelos são seus, os provedores são seus, e a decisão é sua. A comunidade e o ecossistema, nossos programas, nossos parceiros, e a forma como operamos: usuários gratuitos e pagantes sempre serão tratados da mesma forma. E, atualmente, 50% dos ICs continuarão trabalhando no núcleo. Esta é uma comunidade com a qual nunca deixaremos de nos importar, e nunca restringiremos o acesso a ela.

23:29 Então, para concluir, volto ao ponto de onde comecei: uma IA mais capaz deve criar pessoas mais capazes. Esse é o motivo pelo qual a n8n começou, é para isso que estamos construindo. E, para ser sincero, isso só é possível por causa das pessoas nesta sala e das que estão assistindo online. Então, como isso se torna realidade em um produto? David Roberts, nosso vice-presidente de design de produto, vai mostrar o que está disponível hoje, o que vem a seguir e o que ainda estamos explorando. Então, obrigado, tenham um bom dia. Passo a palavra a David. [aplausos]

24:02 [música] >> [música] >> Bom dia, Berlim. Como vocês estão? [gritos e aplausos] >> Foi muito bom. Vocês provavelmente não são daqui, estou supondo. [risos] >> Certo. Estou aqui para falar sobre o próximo capítulo da n8n. E

24:34 há quatro etapas, quatro partes. Primeiro, uma rápida recapitulação de alguns dos destaques dos últimos 12 meses. Em segundo lugar, vou falar sobre alguns temas estratégicos nos quais pensamos bastante dentro da n8n e sobre como esses temas moldaram nossa visão do papel que desempenhamos e do que vem pela frente. E, por fim, o que planejamos, o que vem a seguir. Certo, o que temos feito? A n8n é uma

25:05 empresa muito diferente do que era no início. Uma coisa a que damos bastante atenção é acompanhar os tempos, porque eles estão mudando muito rápido. A n8n começou como uma empresa de workflow, obviamente, e, embora isso não vá desaparecer, hoje há muito mais coisas envolvidas em automação. Um exemplo são os agentes. E, embora agentes sempre tenham estado disponíveis dentro de workflows, nós os tiramos

25:35 dos workflows e os colocamos no mesmo nível. Isso porque são uma parte muito importante do futuro. Essa mudança foi implementada por completo no mês passado. Eles são mais fáceis de criar, oferecem suporte a skills e MCP com mais facilidade e também têm integrações mais robustas com ferramentas como o Slack. Agora, esses agentes têm cerca de 20% mais chances de chegar à produção em comparação com o estilo antigo de agentes. Então, são

26:05 definitivamente um passo na direção certa, e haverá muito mais conteúdo sobre isso ao longo do dia. Certo. Também temos o assistente. Há algum tempo temos ajuda de IA para criar workflows, mas ele realmente se consolidou nos últimos seis meses, mais ou menos. Na verdade, tornou-se a forma padrão de criar workflows na n8n. Agora, o assistente já teve mais de 1,6 milhão de

26:35 conversas. Ele foi criado com mais de 800 mil workflows, e oito em cada dez usuários que entrevistamos o avaliaram como bom ou muito bom. E está disponível em todos os lugares: na nuvem, em hospedagem própria e, muito em breve, para empresas. Mas essa não é a única maneira de criar no n8n com IA. Embora ofereçamos suporte a MCP há bastante tempo, neste ano adicionamos a possibilidade de criar workflows com ele. Agora você pode conectar Claude, Codex ou seu agent de programação favorito ao n8n e criar workflows dessa forma.

27:08 E esse é um recurso avançado de verdade, porque as pessoas que o usam têm cerca de 3,4 vezes mais chances de ter sucesso com o n8n e criam três vezes mais workflows do que o usuário médio. Então, o que se ouve por aí é que simplesmente funciona — algo que acho meio perigoso dizer sobre qualquer recurso de IA, para ser sincero. Mas é definitivamente um ótimo acréscimo ao n8n. E, por fim, temos o n8n Connect.

27:39 Configurar credenciais talvez seja a parte mais dolorosa da automação. E o n8n Connect elimina esse incômodo fazendo isso por você, para credenciais selecionadas. Foi lançado recentemente, mas já está sendo usado por um quarto dos nossos usuários e faz com que tenham cerca de 25% mais chances de ter sucesso. Esse foi só um pequeno exemplo de algumas das coisas que temos feito. Há muito mais no nosso registro de alterações, no nosso site de documentação,

28:10 se você tiver interesse. Mas agora vamos falar um pouco sobre como estamos pensando no mundo, e tenho cinco temas para apresentar. Primeiro, todos sabemos que os modelos estão ficando cada vez melhores, e o que os melhores conseguem fazer hoje teria parecido mágica há apenas 12 meses. E estamos tendo acesso a cada vez mais modelos. Até agora, os modelos open source têm se mantido consistentemente atrás dos principais laboratórios, e acreditamos que os LLMs são caros hoje

28:41 basicamente por causa da oferta limitada. Isso vai mudar, especialmente se você aceitar algo que esteja um pouquinho atrás da fronteira. E isso tem muitas implicações. Acho que uma das coisas em que pensamos bastante é projetar para o crescimento exponencial. Quando pensamos em priorizar recursos, nos perguntamos: se os modelos ficarem dez vezes melhores, esse recurso também ficará dez vezes melhor? Podemos aproveitar essa tendência que estamos acompanhando? E hoje é preciso

29:13 construir estruturas de suporte em torno dos modelos; os modelos mais fracos, em especial, precisam de muita ajuda para realizar uma tarefa. À medida que os modelos melhoram, essas estruturas precisam ser removidas, porque, se não forem, na verdade estaremos dificultando a vida do modelo e impedindo que ele alcance todo o seu potencial. E, claro, quando pensar fica barato, pensamos mais. No futuro, as empresas terão muito mais agents do que pessoas. E as perguntas vão deixar de ser “podemos fazer isso com um agent?” e passar a ser

29:45 “temos permissão para fazer isso, com o resultado correto?”. Hoje, a maior parte da automação começa pelo workflow. Isso significa que uma pessoa ou uma IA decide as etapas com antecedência e as mapeia. Algumas dessas etapas podem ser realizadas por agents, mas eles ficam dentro de um workflow, e é assim que funciona a maior parte do que está em produção hoje. Uma parcela menor, mas que cresce mais rápido, começa pelo agent, é claro. Nesse caso, você dá ao sistema um objetivo

30:16 e ele tem liberdade para decidir como alcançá-lo. Essa abordagem está crescendo porque os modelos continuam melhorando e ficando mais baratos. Mas os workflows não vão desaparecer, e vou falar um pouco mais sobre isso depois. O que está muito claro é que o equilíbrio vai mudar. À medida que os agents se tornam mais capazes, passamos de “posso fazer isso?” para “confio nisso?”. A confiança é, essencialmente, o limite de quanto delegamos a esses modelos.

30:47 Então, se você tem um agent capaz, mas não confia nele, vai usá-lo apenas para rascunhos e resumos. Mas um agent confiável pode fazer trabalho de verdade. Há, porém, uma desvantagem em tudo isso: o envolvimento humano. Um exemplo é a fadiga de aprovação. Se pedirem que você aprove a mesma coisa cem vezes, será muito difícil não simplesmente clicar no botão sem pensar de verdade no que está aprovando.

31:17 E então a verdadeira pergunta é: em que vale a pena investir o tempo de uma pessoa? A resposta muda constantemente à medida que o cenário tecnológico evolui. E a confiança é construída em etapas. O dinheiro é uma forma de medir essas etapas. Na etapa um, o agent sugere e a pessoa executa. O agent não tem autoridade para gastar. E a maior parte do uso de IA está nessa etapa hoje. Na etapa dois, o agent faz o trabalho e

31:50 a pessoa aprova qualquer gasto. Então, o agent pode agir, mas não pode comprometer recursos financeiros. Na etapa três, a pessoa define o orçamento e depois se afasta. O agent passa a ser um agente econômico por direito próprio. Ele pode comprometer recursos por conta própria, dentro de um limite definido por alguém. Portanto, a mudança aqui é confiar mais no agent a cada etapa. O trabalho da pessoa muda: de executar para aprovar, depois para definir limites e, por fim, ler um

32:21 relatório. Aliás, o orçamento pode ser uma solução para essa fadiga de aprovação de que acabei de falar, porque, em vez de exigir cem decisões, você pode simplesmente definir um limite que o agent não pode ultrapassar. Infelizmente, isso não resolve todos os casos de fadiga de aprovação, mas resolve alguns. Certo. E o último ponto que eu queria destacar é que tudo o que eu disse até agora se aplica dentro de uma única empresa. Você tem um conjunto de regras. Tem um responsável. Tem uma pessoa para

32:53 procurar quando algo dá errado. E isso pode mudar muito rapidamente quando meu agent puder negociar com o seu, fazer pedidos ao meu fornecedor ou marcar algo no seu calendário, porque aí temos uma fronteira entre empresas. Nessa fronteira, dois conjuntos de regras se encontram. E as perguntas ficam mais difíceis. De quem são os limites que se aplicam? Os desta empresa ou os daquela? Vale o mais restritivo dos dois? Como provar que um

33:25 agent tem autorização para agir em meu nome? E quem mantém os registros? Quem é responsável quando algo dá errado? Hoje, respondemos a essas perguntas com pessoas e contratos. Mas, quando os agents se movem à velocidade das máquinas, precisamos de algo integrado ao sistema. E acho que veremos novas instituições surgindo para atender a essas necessidades. Certo. Então, o que tudo isso significa para o n8n?

33:56 Este é meu framework favorito para pensar sobre automação. É o ciclo de vida pelo qual uma automação passa, e os engenheiros na sala vão reconhecer isso, porque é basicamente também o ciclo de vida do desenvolvimento de software. Para começar, é preciso criar a automação. Isso é óbvio. Depois, é preciso ter confiança de que ela funciona corretamente e fará o que você quer. Essa é a etapa de auditoria. Em seguida, é preciso colocá-la em algum lugar e executá-la, ou seja, fazer o deploy. E, enquanto ela está

34:27 em execução, é preciso ficar de olho nela. É preciso verificar se está funcionando corretamente e investigar quaisquer falhas. Isso é monitoramento. Por fim, há todo o lado humano ou organizacional de operar qualquer coisa em uma empresa. É aí que entram a gestão e a governança. Então, vamos falar sobre criação. Se voltarmos 12 meses no tempo, estávamos prestes a ver o Opus 4.5 e a explosão do Claude Code. E

35:00 acho justo dizer que, desde então, o mundo mudou a ponto de ficar irreconhecível, especialmente se você é engenheiro. E, quando essas ferramentas funcionam bem, elas realmente parecem mágicas. É claro que isso cria grandes oportunidades para o n8n. E acho que uma maneira interessante de pensar no que mudou é que, antes, criar com uma ferramenta significava aprender a gramática dela, aprender a maneira como ela pensa, o que às vezes era difícil. O n8n era um bom exemplo disso. E isso mudou com

35:32 entrada em linguagem natural. Certo. E há realmente dois aspectos da construção, e ambos mudaram. Primeiro, você pode construir coisas novas. E, segundo, pode construí-las de novas maneiras. Vou falar sobre os dois. Mas, antes de tudo, vamos falar um pouco sobre o que você constrói. Falamos sobre essas duas arquiteturas em alto nível. Então, você tem o agent e tem o workflow. E, por workflow, quero dizer

36:03 lógica determinística. Não precisa ser um workflow. Pode ser apenas código. Há riscos nos dois lados, e eles são diferentes. Se os agents puderem descobrir as coisas por você, talvez descubram algo errado. E um workflow que faz exatamente o que você mandou todas as vezes também repete seus erros. Por outro lado, agents são ótimos para lidar com entradas variadas, diferentes e flexíveis. São ótimos para interfaces em linguagem natural.

36:33 Os workflows, por outro lado, são mais rápidos, mais baratos e mais confiáveis. Uma boa maneira de pensar nessa diferença é perguntar: onde acontece o raciocínio? Ele acontece uma vez, na fase de design? Nesse caso, é um workflow. Ou acontece toda vez que ele é executado, em tempo de execução? Nesse caso, é um agent. Então, qual é melhor? Bem, são diferentes, certo? São

37:04 diferentes. Têm pontos fortes diferentes. Têm aplicações diferentes. São, essencialmente, duas peças de quebra-cabeça com formatos diferentes. Então, se você precisa que sua tarefa seja executada constantemente, se ela quase não varia, isso parece ser um workflow. Se é rara, confusa e diferente todas as vezes, então um agent provavelmente é mais adequado. Por outro lado, um agent fazendo a mesma coisa 10.000 vezes por dia é apenas um workflow muito caro. E, apesar de todas as coisas incríveis da IA, ela

37:34 tem essa pequena característica incômoda da não determinística. Então, é um pouco imprevisível. E, claro, se você quer que seu sistema seja confiável, quer o mínimo de imprevisibilidade possível. E isso fica ainda pior quando você tem várias etapas em uma sequência. Se você tem uma etapa com agent que é 95% confiável e a executa 10 vezes, esse sistema é apenas 60% confiável. Então, quando a inteligência é abundante, o que é raro é

38:04 ter certeza. Portanto, você deve tornar determinística qualquer parte do seu sistema que possa ser determinística, porque isso melhora a confiabilidade geral. Afinal, a confiança demora para ser construída e se perde rapidamente. E isso vale mesmo quando o agent é a arquitetura de nível mais alto do seu sistema. Nesse caso, o que você quer fazer é pegar partes do problema, partes do processo, e colocá-las dentro de ferramentas determinísticas. E você quer

38:34 codificar o máximo possível de lógica de negócios nessas ferramentas, porque isso simplifica as escolhas do modelo. Pense, por exemplo, em um departamento de TI tentando automatizar a integração de funcionários. Você poderia dar ao seu agent uma ferramenta para criar uma conta no Slack. Poderia dar a ele outra ferramenta para criar uma conta no Google Workspace ou no Salesforce. Mas talvez seja melhor criar uma única ferramenta para integrar um usuário a um determinado departamento, que faça por conta própria a criação dessas contas

39:06 porque esse tipo de tarefa pode ser determinística, e você a tira das mãos do agent, já que não precisa ser não determinística. Certo. Então, esse é o quê. Vamos falar um pouco sobre o como. É claro que a IA também revolucionou isso. Acreditamos que, no futuro, ninguém vai construir manualmente. Então, se você ainda não experimentou o assistant, se ainda não experimentou o MCP, recomendamos muito que faça isso. Mas os agents também são a porta de entrada para a automação. São como o ponto de partida.

39:37 Muitas pessoas, quando começam a se interessar por automação, quando começam a usar um agent, vão pedir alguma tarefa rápida e pontual. Talvez eu diga, se estiver me sentindo ambicioso: vou para a Espanha no mês que vem. Pode reservar uma passagem aérea para mim, por favor? Esse é o modo fácil para os agents, porque estou sentado na frente do computador e posso responder a qualquer pergunta. Posso orientar o agent se algo der errado. E talvez dê certo, funcione, e eu decida que

40:08 quero fazer isso todo mês. Viajo à Espanha todo mês a trabalho. Quer dizer, não viajo. Quem dera, mas vamos imaginar que sim. E a diferença aqui não é só que a tarefa se repete. É que provavelmente já não estou sentado na frente do agent enquanto ele faz essas coisas. Então, ele precisa ser mais independente. E o nível de exigência aumentou. Por fim, posso dizer que este é um processo muito importante. Ele precisa de outro nível de confiabilidade. E é aí que pode acontecer esse reforço, essa transferência da lógica

40:41 para fora do agent e para dentro de workflows determinísticos. E, é claro, se você é especialista em automação, como muitos de vocês aqui são, talvez vá direto para a etapa três. Não precisa passar por todo esse processo. Mas, da mesma forma, há muitas coisas, muitos tipos de automação que talvez nunca passem da etapa um ou parem na etapa dois. Então, a questão é que tudo é um continuum, e os agents muitas vezes são a porta de entrada para a automação. E falamos sobre essas duas maneiras de construir. As duas são importantes e

41:13 vamos continuar investindo nas duas, porque a Nan sempre foi uma solução completa. Vocês conhecem aquele ciclo de vida que mostrei antes. Cobrimos tudo, e isso é intencional. E sempre foi fácil começar por causa disso. É exatamente por isso que temos o assistant. Essa é a nossa porta de entrada para novos usuários. Por outro lado, não acreditamos em tentar controlar os usuários ou ditar onde eles trabalham. Por isso, quem prefere trabalhar no código

41:43 pode usar o MCP. Temos muitos planos para a experiência de construção. Eles incluem aprimorar o assistant e o MCP. Incluem facilitar a passagem por essa porta de entrada. Por exemplo, lançamos recentemente uma skill de mineração de automação para dar ideias do que você pode automatizar. Também incluem permitir que você traga seu próprio contexto, porque os agents têm um desempenho muito melhor quando sabem mais sobre você. E também incluem automações com autocorreção, para que você

42:13 não precise ficar examinando as execuções o tempo todo. Tradicionalmente, construir nesse processo era o gargalo. Era tradicionalmente a parte mais difícil e demorada, e isso acabou. Acabou com a IA. Infelizmente, em qualquer sistema fechado como este, quando você remove um gargalo, surge outro em algum outro lugar. E agora o gargalo está, sem dúvida, na auditoria. Vemos isso com os engenheiros, porque eles estão afogados

42:46 em revisões de PR. Estão afogados em revisão de código de todo esse código gerado por agents. E acho que a auditoria é a última parte deste sistema que vamos entregar à IA, porque envolve confiança. Então, como pensamos sobre auditoria? Quando a experiência de construção é muito rápida, a auditoria pode acabar sendo mais lenta. Você pode construir algo em 40 segundos e depois passar 40 minutos verificando se funciona. Alguém se identifica com essa experiência?

43:17 Sim, estou vendo muitas mãos. Mas a auditoria nem sempre importa, certo? Acho que há certas condições para você precisar se preocupar com auditoria. Por exemplo, sua tarefa precisa ser relativamente complexa, porque, se não houver possibilidade de algo dar errado, a auditoria é menos relevante. Em segundo lugar, ela é muito mais relevante para processos críticos para os negócios, porque é aí que os erros têm consequências. E, por fim, é mais importante em ambientes colaborativos, onde há

43:49 mais de uma pessoa envolvida, porque há mais possibilidade de mal-entendidos e nem todo mundo tem o contexto completo. E muitas pessoas constroem esse tipo de coisa com a NAN. Por isso, é muito importante para nós que elas tenham uma solução de auditoria. Há dois tipos de auditoria. A inspeção, que consiste em analisar a lógica e como ela flui, e os testes, que consistem em executar a coisa e verificar os resultados.

44:19 Uma inspeção seria a revisão de PR para engenheiros que mencionei antes, mas também envolveria analisar o grafo do workflow do n8n. Testar é, na verdade, [ri] muito mais intuitivo do que fazer uma inspeção. É o tipo de coisa que as pessoas fazem naturalmente quando começam a usar IA, mas também é difícil fazer isso com rigor. Então, falando um pouco sobre inspeção. Mencionei antes que queremos acompanhar os tempos e garantir que avançamos

44:50 com eles. Quando a IA ficou muito boa em programação, quisemos garantir que nosso produto não limitasse nosso pensamento nem nos impedisse de avançar. Então, tentamos raciocinar a partir de primeiros princípios: o que construiríamos hoje se não tivéssemos o n8n? E nos perguntamos: quão importante é o canvas? Então, elaboramos esta pergunta. Dissemos: “Aqui está a boa notícia. Você está vivendo nesse futuro utópico em que a IA é perfeita. A IA consegue fazer exatamente o que você pede. Mas a má

45:21 notícia é que você não tem mais o canvas.” E perguntamos a cerca de mil usuários como se sentiriam com isso. A resposta nos surpreendeu, porque 55% dos usuários que entrevistamos disseram: “Não só precisamos do canvas, como, sem ele, o n8n perderia grande parte da razão de existir para nós.” Então, quero reiterar: o canvas não vai a lugar nenhum. Seria uma loucura removê-lo. [ri] Mas isso só mostra como essa inspeção é

45:52 importante. [aplausos] Então, perguntamos: certo, por que o canvas? Por que ele é importante? Estes foram os três principais resultados. O mais importante é entender como os dados se movem entre as etapas. Isso certamente é uma forma de auditoria. E os outros dois, bem, acho que todos têm a ver com entender ou auditar. Então, são essas as coisas em que vamos nos concentrar. Isso é inspeção. Vamos falar um pouco sobre testes.

46:22 Estes números agora se referem ao panorama geral dos agents. Não são específicos do n8n. São apenas alguns dados de pesquisa de mercado que eu queria compartilhar. Acho justo dizer que os agents ainda não cumpriram o que prometeram. Todo mundo os está usando, mas apenas metade das organizações tem sequer um agent em produção. E imagino que vocês provavelmente saibam a resposta. Há um motivo muito mais comum do que qualquer outro, e é

46:55 a qualidade do desempenho. Esses agents muitas vezes simplesmente não funcionam direito. Eles não chegam à produção porque não são bons o bastante para serem úteis. É aí que entra a auditoria. É difícil inspecionar agents. Então, precisamos depender mais de executá-los, mais dos testes. E chamamos isso de evals. Chamamos isso de avaliações. E elas funcionam. Um relatório concluiu que as equipes com evals rigorosos tinham 70%

47:26 mais chances de ter uma confiabilidade excelente. Para as que não tinham, esse número caía para apenas 32%. Então, evals não são segredo. Mas há um problema: ninguém os faz. Se olharmos para esta coluna da esquerda, apenas 15% das empresas ou equipes se enquadram nela, e isso é bastante condenatório, certo? Quer dizer, por que as pessoas não fazem isso, se todo mundo fala sobre o assunto o tempo todo? Acho que há dois motivos

47:56 principais. Primeiro, são complexos; segundo, são tediosos. São muito entediantes. São complexos porque é difícil entendê-los conceitualmente. É difícil escolher as métricas certas. Muitas vezes, é difícil encontrar os dados certos. E são tediosos porque você precisa examinar os resultados em busca de problemas e descobrir a lógica de negócio para casos extremos obscuros. Felizmente, às vezes a própria IA consegue resolver os problemas que cria.

48:28 E é nessa direção que estamos indo com as avaliações. Claro que já temos avaliações no produto, mas o que estamos desenvolvendo é mostrar as decisões de negócio ao usuário e deixar que a IA cuide do resto automaticamente. Então, aguardem novidades sobre isso em breve. Certo, chegamos à metade. Esta parte vai ser mais rápida, prometo. Deploy. Você precisa executar sua automação em algum lugar. Quem tem menos experiência em

48:59 automação tende a se esquecer disso. Tende a pensar no começo do funil e a subestimar a importância de fazer as coisas rodarem com confiabilidade. E, claro, a capacidade de executar coisas faz parte do n8n desde o início. Na verdade, é justo dizer que o mecanismo do n8n é o seu coração. Foi a primeira parte do n8n, e boa parte dele ainda é código original do Yan, escrito por ele mesmo. Isso porque é o tipo de componente

49:29 crítico em que você não mexe sem ter um bom motivo. Bem, nós vamos mexer nele. Na verdade, vamos reescrevê-lo completamente, do zero. E vocês podem perguntar: certo, falamos sobre voltar à prancheta e não nos deixar limitar pelo n8n atual. Por que não simplesmente executar código? A IA é ótima para escrever código. Executar código é um problema muito bem compreendido. É relativamente fácil. Por que não fazer isso? Nós tentamos, e o que descobrimos foi que

49:59 quando começamos a listar os requisitos do que gostaríamos de ver durante a execução do código, começamos a chegar a algo muito parecido com um workflow. Isso porque acreditamos que é muito importante, por exemplo, poder ver e entender cada etapa. Quando você executa um workflow no modo de edição, ele fica verde na tela. Você pode abrir cada etapa e ver os dados. Achamos que isso é realmente uma parte muito importante do que torna o n8n especial. E, claro, se você fizer isso, poderá

50:31 retomar de onde parou. Não precisa começar tudo do início toda vez. E isso permite tentar novamente, automaticamente, as etapas que falharam. Daí o novo mecanismo de workflow. Quando pensamos no design desse mecanismo, tínhamos uma estrutura para a confiabilidade. Esta é a nossa estrutura. Ela tem seis elementos. Vou explicá-los usando o exemplo de um restaurante, só para facilitar um pouco o entendimento. O primeiro é: você precisa registrar tudo por escrito. Então, um garçom

51:03 precisa anotar o pedido num papel e colocar a comanda no trilho dentro da cozinha, porque, se algo acontecer com esse garçom, o pedido não pode ficar preso na cabeça dele nem na memória dele. E o mesmo vale para sistemas. Em segundo lugar, só pode haver uma versão da verdade. Então, se a placa na entrada do restaurante diz “aberto”, o restaurante precisa estar aberto. Em terceiro lugar, todo trabalho precisa chegar ao fim. Não dá para deixar um pedido parado

51:35 na cozinha, esfriando e endurecendo. E, quando algo der errado, você precisa conseguir conter os danos. Se um fusível da geladeira desarmar, por exemplo, as outras geladeiras não devem ser afetadas. Também precisa ser seguro tentar de novo, e você precisa saber quando é seguro fazer isso. Apertar o botão do elevador duas vezes não tem problema. Ter que pagar duas vezes, nem tanto. E, por fim, é preciso deixar um registro.

52:05 Até os pedidos que talvez sejam cancelados porque o restaurante ficou sem ingredientes precisam ser registrados. Certo. O que isso significa para o mecanismo? Primeiro, ele vai salvar seu progresso depois de cada etapa. No momento, isso é opcional no n8n, mas será um recurso central do novo mecanismo, pelos motivos que mencionei antes. Em segundo lugar, haverá uma varredura de reconciliação. Ela vai encontrar trabalhos que ficaram parados por algum motivo e corrigi-los. Vamos

52:37 ter novas tentativas seguras. Só vamos repetir etapas automaticamente se estiverem marcadas como seguras, para não repetir efeitos colaterais. Vamos executar o código em um sandbox, assim você não precisará confiar tanto nele. Também teremos pools de workers. Isso significa que você poderá alocar uma capacidade específica para um ou dois workflows, para que os outros workflows em execução não interfiram neles. Teremos isolamento de recursos, limites e espera. Quando seu workflow precisar esperar, ele vai

53:08 uma tarefa agendada armazenada, em vez de ficar na memória. Então, há muita coisa por vir no novo mecanismo. Fiquem ligados nos próximos meses. Quanto ao monitoramento, já temos bastante coisa nessa área. Temos insights, transmissão de logs e logs de auditoria. Há alguns meses, adicionamos suporte ao OpenTelemetry, mas usuários avançados estão executando mais de uma instância do n8n. Levantem a mão: quem tem mais de uma instância na organização? Sim, muitas mãos. E talvez vocês estejam

53:40 fazendo isso porque têm uma instância de desenvolvimento e uma instância de produção. Talvez estejam fazendo isso porque departamentos diferentes precisam de instâncias separadas. Mas o que temos ouvido de vocês com muita clareza é que precisam de uma camada de observabilidade que abranja todas elas. Por isso, apresento a vocês o Manifest. O Manifest é um aplicativo separado que funciona no mesmo ecossistema que as instâncias do n8n e ajuda os usuários com todos os problemas que a automação cria,

54:10 como saber o que existe e está em execução, quem é responsável por isso e quais sistemas são acessados por quais automações. No momento, estamos fazendo um teste. Então, se vocês usam várias instâncias e têm interesse em participar desse teste e dar feedback, entrem em contato, porque adoraríamos contar com vocês. Inicialmente, isso será apenas para automações do n8n. Mas queremos ampliar a cobertura para todos os tipos de automação na organização, porque reconhecemos que vivemos em um mundo

54:41 com várias oportunidades de automação. Certo. E, por fim, vamos à parte de gerenciamento. Esse é o lado humano e organizacional de operar uma ferramenta como o n8n. Muitos de vocês sabem o quanto isso pode ser significativo. E, como a automação está se expandindo rapidamente, os riscos aumentam. Antes, provavelmente lá pelos anos 80, a TI paralela podia ser uma macro de planilha. Hoje, ela tem uma aparência bem diferente.

55:11 Provavelmente é uma porção de agents com acesso a sistemas realmente sensíveis. E acreditamos que a governança está se tornando ainda mais relevante do que antes. Não apenas para as grandes empresas, que sempre se preocuparam com governança, mas também para as pequenas, por causa do fato que mencionei antes: provavelmente vocês terão mais agents do que funcionários, e eles podem ser tão poderosos quanto. Temos uma pequena estrutura para explicar como pensamos sobre governança. Ela tem quatro elementos: acesso, barreiras de proteção,

55:42 observabilidade e qualidade, e segurança. Acesso diz respeito a quem está agindo e ao que essa pessoa ou sistema pode acessar. Isso inclui identidade, credenciais e permissões. Barreiras de proteção dizem respeito ao que é limitado e ao que uma pessoa decide. Isso inclui limites de gastos e uso, políticas, anonimização, etapas de aprovação e encaminhamento de exceções, entre outras coisas. Responsabilidade e qualidade dizem respeito a quem é responsável por

56:13 isso e se podemos mantê-lo, se podemos confiar que continuará funcionando. Isso envolve gerenciar o ciclo de vida que venho descrevendo. Envolve testes, revisão e ambientes. Juntos, esses três princípios governam o sistema quando ele funciona como previsto. O quarto, segurança, diz respeito ao que acontece quando alguém tenta usar o sistema contra vocês. Isso inclui prompt injection, envenenamento de ferramentas e exfiltração de dados. Já temos bastante coisa nessas áreas

56:44 e não se preocupem, não vou explicar tudo o que está neste slide. Só queria dar uma ideia a vocês. Quero fazer uma pausa no tema da segurança e falar por um momento sobre os avisos de segurança, porque a IA mudou o cenário em muitas áreas, mas em nenhuma tanto quanto na segurança. E, no n8n, vemos muito mais ferramentas examinando bases de código públicas. Além disso, como o n8n tem recebido mais atenção ultimamente, vimos um aumento nos relatos,

57:17 e todos os relatos são triados e corrigidos. Enviamos um aviso por e-mail com informações suficientes para que vocês possam tomar providências. Preferimos que recebam a informação diretamente de nós, de forma clara e antecipada, em vez de descobrirem por outro meio. A boa notícia é que o volume desses relatos parece estar se estabilizando com o tempo. Mas não estamos presumindo que essa tendência vai continuar. Por isso, continuamos investindo nessa área. Mas, no fim das contas, o n8n é

57:47 código público, o que significa que muitas pessoas o analisam, há muitos olhos sobre ele. As correções podem ser verificadas, então vocês não precisam simplesmente confiar no que dizemos. E, para ser sincera, essa é uma troca que aceitaríamos novamente. Certo, voltando a essa estrutura. Queria passar bem rapidamente por algumas coisas que planejamos nessas áreas. No item acesso, a maioria dos agents hoje usa o login de uma pessoa. Então, não é possível saber se foi a pessoa ou o

58:18 agent que fez essas coisas. E o agent recebe todas as permissões que a pessoa tem. Queremos que os agents tenham uma identidade própria, com permissões restritas, que possa ser atribuída e revogada. O provisionamento SCIM trata da seguinte questão: quando uma pessoa sai, ela perde o acesso ao sistema ou as automações dela continuam em execução? E os grupos de usuários servem para gerenciar usuários ou facilitar esse gerenciamento. Na área de barreiras de proteção, temos políticas e limites. As políticas permitem

58:49 impedir que coisas sejam executadas, e os limites restringem os danos depois que algo dá errado. Por exemplo, quando os agents podem entrar em loops e tentar novamente, às vezes podem ficar presos. Os custos podem disparar sem que ninguém perceba. Tenho certeza de que muitos de vocês já passaram por isso. Por isso, são necessários limites rígidos para definir as restrições. Na área de responsabilidade e qualidade, a disciplina de software trata, de certa forma, de aplicar isso à automação e também aos agents. E também

59:19 de levar o rigor dos evals para o lado determinístico, com testes de workflow. Por fim, na área de segurança, falei um pouco antes sobre isolamento de código em sandbox. Isso não serve apenas para segurança. Também significa que, quando não é preciso confiar no código que está sendo executado, é possível usá-lo com muito mais liberdade. Por exemplo, vocês podem carregar bibliotecas aleatórias na automação, algo que queríamos adicionar ao n8n há muito tempo. Certo, já falei um pouco sobre o que vem por aí. Só

59:51 queria fazer uma recapitulação bem rápida. No lado da criação, vamos continuar aprimorando o assistente. Vamos continuar melhorando o MCP e os agents. Mais contexto está a caminho. Também estão a caminho recursos de autorrecuperação. No lado da auditoria, queremos tornar os evals muito mais intuitivos e fáceis de entender e, basicamente, menos dolorosos. No lado da implantação, temos esse novo mecanismo a caminho. E, embora hoje não tenhamos um único ponto de falha, também queremos torná-lo ainda

1:00:21 mais robusto com um novo mecanismo. Temos o Manifest para observabilidade entre instâncias e temos muitas coisas na área de governança, sobre as quais acabei de falar. Certo, há muita coisa por vir. O ritmo das mudanças está aumentando, e a produção do n8n está aumentando junto. Estamos muito animados com o que vem pela frente. E, falando nisso, tenho mais uma coisa para mostrar a vocês.

1:00:52 [música] >> [fungada] [música] [música] [música]

1:01:54 >> Certo. [aplausos] Este é um novo produto da n8n Labs. Se tiverem interesse em conhecê-lo e entrar na lista de espera, tirem uma foto e façam o cadastro. Adoraríamos que vocês o desenvolvessem junto conosco. E, com isso, muito obrigada pela atenção e por serem uma plateia tão maravilhosa. Espero que tenham um ótimo resto de dia e aproveitem todas as coisas incríveis que preparamos.

1:02:24 [música] Muito bem, Becky.

Transcrição original

[00:04] [cheering] I didn’t even say something yet. Don’t worry, the real show is about to start. I’m just a forerunner and it’s a my great pleasure and my great joy to welcome all of you here in Berlin for Eden’s first in the loop. [applause] >> I do have to say though, I am a little sad. You know this company runs on basically two things which is efficiency and punctuality.

[00:37] Now efficient I think we’re quite good you know I I mean there’s a lot of people on the side but punctuality guys you know you’re queuing I mean you’re here but some people are I think still queuing so well but I think Yan will forgive us because a lot of you traveled from very far away yesterday. Hey, we had a little pre- gathering. People from Brazil, people from the US, people from I believe India, people from Germany. Okay. Well, um, and it’s really cool to see that.

[01:08] Oh, yeah. No. Yeah. You know, Germans and applause is a little bit of a problem. We are not typically super proud of like, yeah, Germany is nice. Anyways, so and it’s not only you that are here today, but people globally are watching us on a live stream, right? Your mom might be watching and be like, “Yeah, my son, he’s at the end conference and he’s having a great time learning about AI and automation, whatever, whatever that might be.” Now, we have a very, very full program for you. We have four stages that you will learn about the

[01:40] whole universe of NADN and what we built in the past couple of months, what we’re going to build into the future. And I’m very very happy that the first person on stage is also Sabian like me and that he likes his keshler with the onions crispy on top. But compared to that, I think the thing that’s more important about Yan Obouser who’s the obviously the CEO, the founder, the first coder of Nadn, is

[02:10] that he really values that you don’t have to waste any minute of your life doing things that could be automated. There’s a little story that goes around in the Anaden office that you know you can take multiple routes to the office but one is the optimal one right one takes 30 seconds less than the other and you know just count like you have a company 365 days in a year you might not go every day right you can save a lot of time if you pick the optimal one right and that’s the kind of spirit that Jan pours into this company and into our company culture we exist because we want

[02:41] you to not waste any of your time doing things that could be automated like an AI agent could do it for you, right? Uh deterministic workflow could do it for you. And now it’s my great honor to welcome Yan Uberhouser to this wonderful stage to the first keynote of the day and right after David our VP product who’s going to tell us all about the evolution of Venaden. Enjoy.

[03:17] Thank you, Janice. Really great to be here and welcome to the loop today. Very excited to see so many of you here today. It’s really amazing just how many people came in like Yiannis said from all around the world. So, thank you all for joining. Um, I also want to thank our sponsors and exhibitors. Like many of you, you already work for many years already. And like an event like this is simply not possible with any of them. So make sure to visit them during the day and say hello. Yesterday we had our partners and our ambassadors over. Today we have

[03:48] everyone, our community, our builders and people in the live stream. The it’s the first conference ever and we’re doing it in Berlin where everything started. It’s very humbling to see so many of you here today. In this talk is going about where is going. I’m not going to talk so much about features. David our VP of product and design will talk about it more later after me. We talk more about the direction and the reasons behind it. And I start I want to start with one idea which sits under everything I will say today.

[04:19] More capable more capable AI should create more capable people. I think I think that’s I think there’s one question in the next few years that’s very important. If AI gets smarter every few months, what happens to people? I think there are kind of two paths. There’s like path A, like AI grows more capable, people understand less and they just hope it works. But there’s also path B, like people become more capable too. They understand more. They stay in control. And we are building for path B.

[04:49] That’s not new. That’s what we always did. Uh before I started edit, I was working effects for movies. I was building tools and pipelines for people and the artists. And people spend a lot of time on repetitive work. They were copying around data doing the same task again and again. I was doing the same thing and one day I started nodn working on nights and evenings and weekends. Um and for me first I actually started to build it for myself and then literally for anybody else out there and

[05:20] then I launched it in Berlin in 2019. We started with the same mission we have today to give everybody use the computer taking superpowers. What changed is that the superpowers got much stronger. Luckily, a lot of people took us up on that. But now we have 6.7 million monthly active workflows. Already 60% of the Fortune 500 companies are using us. In the last funding round, we were valed $5.2 billion with the investment from SAP. When I wrote the first line of

[05:50] code, I would never have believed any of these numbers. And honestly, this party still seem crazy. But the numbers actually not very important. What’s behind them is our community is a real mix. Like we have people who live in code, some people have never wrote a single line of code and all building together and helping each other out. But now we have a community of 519,000 people. We have 13,000 workflows live templates mostly built by our community. There are 2,300

[06:20] integrations and we have 340 ambassadors. And there’s now a community event almost any day of the week somewhere in the world. Um, we are also a top 30 GitHub project of all times. We have 200,000 27,000 GitHub stars by now and 400 active partners including strategic partners, system integrators and agencies. We work with companies like SAP, Accenture, Capgeemini, Do Telecom. Many of them are here today. I still remember like one of the first community meetups. there were like 60 70

[06:50] people like pretty much like a room today but obviously very different scale today but the same thing is true people showing what they have built we spend a lot of time listening in forums at events in interviews even Reddit which honestly is not always the most helpful thing to do but it is what it is but don’t but what you are saying to us is don’t replace what we love make it more powerful AI on top of the canvas not instead of Also, let me build my way

[07:20] like on canvas in code or for my coding agent. You won’t have all three working together and also help me run it in production. Like to make sure we have the confidence that it actually runs also on Tuesday night when nobody’s watching. One um community comment actually summed it up perfectly. Please don’t remove the canvas. Message received. Let’s let me share it how one user puts it. He said what I like most about Nitn is it flexibility. I can build workflows and agents visually and really

[07:52] understand what is happening and that’s what we hear again and again flexibility and being able to understand is what is happening. Um and the second part like understanding is let me understand what’s happening and the second piece understanding piece is something I will talk a lot more today. So where do we go from here? Our view is actually quite simple. More intelligence expands what we can delegate. People can still define the problem and shape the results. Like with every new model, we can hand over more. The old question was pretty much can I automate this? And the

[08:24] answer is more and more yes you can. But the new question is what should people continue to understand? That opens up the next chapter the threat through this talk. All right. Didn’t realize it’s quite messed up. Okay. Back. Okay. This is my not my fault. Okay, let me start with what end does today. The foundation for anything else, for everything else when I build on edit, when you build an edit end, you can see the work every step input and output. And that what matters to

[08:54] understand the work like if you understand the work, I can shape it. I can trust it and I can and you can stay responsible and if you cannot see it, you can only hope which is obviously very bad. I think of it more as like a chain like visibility. Visibility creates understanding. Understanding enables control and control preserves agency. And agency is your your is your ability to decide, to act and to change course. If you remove the first link, literally everything falls apart. That’s

[09:25] why visibility is not a nice to have. Like that’s literally the whole point. But what does it mean to make intelligence visible and and governable? We think about it in four parts. First, what goes in the data, the context and the permissions. What is it allowed to touch? So, what happens not piece together what um piece together after it broke and what comes out like the results you can check, trace and stand behind and who’s responsible like

[09:56] a clear owner and um any and moments for people to really step in. Only if you can answer all four of them, you can really trust it. And if not, you should really not run your business on it. This is why I believe that UI is a trust layer. Many think that interface goes away with AI. You prompt and you’re done. I actually think the opposite is true. Like the more AI does, the more

[10:28] you need to to see what actually is happening there. That is true for the builder, but also for everyone who depends on it. But not every task needs the same level of visibility. If you’re asking to solve my personal inbox, all I care about is the result. If you get something wrong, fine, I can fix it. But if my team shares a piece of a process, a share process, I want to see the key steps. And if it’s a business critical operation like paying an invoice or onboarding customers or anything regulated, I really want to see every

[10:59] single step. The more critical the process, the more you need to see it. That’s the range N is built for. But seeing it is only at the start. Understanding should turn into agency. That means three things. First, respect what the what the what the the work it did, what happened and why. Second, in the win when it matters. Stop, change, approve before it goes wrong, not after. And third, improve what you delegate. Every run teaches you something. Delegate more. That’s the loop. This may

[11:29] be why we call the convers. Now I talk more about where and end matters the most. Building becomes easier and easier. Anybody can build now an impressive day in an afternoon. But using AI for business where the business really depends on it like every single day is still very very hard. Like work work inside of an orc is different. It runs across people across systems and and responsibilities. If you take a sales process, you have a CRM, you have legal, you have you have finance, you

[12:00] have three different teams. What it needs is coordination and someone accountable. The gap between it works in a demo and the business runs on it. That’s where ended in was always strong and where the next years will be decided. I think there are two kinds of work. First, there’s individual work like one person, one context, their own tools and data and their own responsibilities. That’s where assistants are great. There’s also organizational work, shared system and context, dependencies across teams and shared responsibilities.

[12:32] That’s where you need orchestration. There’s also a shift. We also see it when what people are building with NN. In the past, they built nice chat bots for themselves. Now they build shared shared processes like shared work. They process invoices, do customer onboarding and if it breaks, the business really feels it. This leads us to a simple principle. The greater the consequence, the greater the requirement for control and accountability. Like if an assistant books the wrong restaurant for me, that’s annoying, but

[13:03] not the end of the world. But if an agent sends the wrong number to a regulator, that’s a very different conversation for so for critical work. It has to be clear who builds it, who can change it, who governs, and who checks. Software alone cannot do that. Needs people who know the process. It’s our job to give them the right tools. Critical work needs more than just AI. It needs four things. First, agents, judgment, and language where the work really needs them. Second, deterministic software. One right answer every time.

[13:34] You literally don’t want that. The AI gets very creative when it does your text calculations. And third, automation, repeatable, repeatable steps at any volume. And fourth, people and teams, ownership, context, and the final call. And to be clear, the hard part is not any of them. The hard track is bringing them all together and that’s N atn. Three principles guide us. Keep close to the problem. The people who know the work can build, inspect and remove it with technical depth available when needed. Then delegate that growth.

[14:05] Delegation that grows more delegation through context data historical traces with control that fits the consequence. and ambitious and rigorous. Ambitious about what’s possible and rigorous and responsible about what’s ready. Like, and we really need both. Like, if you’re only ambitious, like, you cannot trust it. And if you’re only rigorous, we’re going to be moving way too slow and you’re going to leave. I like how Ollie put it. He said, “N is the thing that allows you to integrate AI into your work and your processes in

[14:38] a safe and controlled way.” That’s it. That’s what we’re trying to be. But let me connect the dots. AI makes intelligence possible and it then makes intelligence operational. So we we turn what models can do into work that actually runs every day. Our next chapter expands on that. We want to be the operating system for AI powered work. That’s our ambition. Some of it is already here today and a lot of we are still building. It matters as it matters as the way work

[15:08] starts is changing. Before it started with the steps. You do this then this and so on. Now people define the outcome. Start from what should be true not every step. AI AI helps you build a path. Agents are drafted. Workflows make it dependable. People shape the result. Inspect it, adjust it and stand behind what runs. So it moves from doing every single step to owning the outcome. Um that what I mean with creating more capable people.

[15:38] I think two principles come out of that. First, agent first, workflow second. You start with the agent at workflows, deterministic logic when needed. And AI first, not AI only. Like 100% autonomy is like magic when it works, but too unpredictable, unpredictable for critical work. The most powerful systems actually combine AI, detistic software, automation, and people and teams. The question is not AI or not AI, it’s how well you can combine them.

[16:09] But let let me give you two examples. The first one was dispense. They chose NN as the global low code automation platform making it available across the company. They think in layers. Some use AI, others orchestrate it and the different group builds advanced solutions and then is orchestration layer. They run self-hosted and cloud agnostic. So the data and the control stays with them. But not only large enterprises or a small UK agency built in a system for this Rama group. The team sends WhatsApp

[16:40] voice notes that updates the CRM and their systems. The result is that 97 less 97% less time spent on the task. So it went from literally 4 to 5 minutes to 10 to 20 seconds also from 62 to 44 days from onboarding to selling a property. I’m a founder shared by now 70% of his business is running on NN. So from car maker to small agency is the same idea intelligence turning into dependable work. So why is end the best place to deliver

[17:11] on this? This accessible building the people closest to the problem can build. There’s technical depth there if you need it not if you don’t. Visibility every step is readable by the people responsible for it. And orchestration agent system and people coordinated. and obviously the ecosystem and that’s the hardest thing to copy because we didn’t build it alone. We built it with all of you. So for our next chapter, we’re looking to to grow from a product to an operating system for AI powered work.

[17:42] But what does it really mean? This something that really produces outcomes for people. Getting there requires requires broader capabilities and over time additional products. So you may have noticed that some things look differently around here. Our brand is evolving. Our old logo kind of celebrated the notes. The new one is celebrating the space between them. The activity, the connection makes possible. And honestly, it even took myself some time to get used to it. I know change is hard. But now I really love it. But the

[18:14] pink stays. The look changes what we’ve sent for does not. >> Hi, I’m Max or as some of you know me, the original flowmer. Much like any builder’s journey, N8 ends is a story of constant iteration. Ship [music] stuff, break stuff, learn, listen, and get better as you go. And honestly, that’s why it’s time for how the NAND brand feels to get a so when the NAND brand team showed me what they’ve been working on over the last few months, I was super excited to be

[18:44] the one to share it with you. Now, they didn’t start from scratch. At the heart of Naden is the glorious community of builders and a platform centered on connection, control, and flexibility. The old logo connected the nodes. The new one is interested in what happens between them because that’s where it gets interesting. People jumping in, agents agenting, systems interacting behind the scenes, and decisions made in real time. And a tight face to match, too. precise, technical, it’s still

[19:17] human. Now, not everything needed a revamp. Pink has always been part of N. Though, a brand only really matters when it makes life easier for the people using it across the product, community events, [music] and everything in between. And as more people discover the product, it still needs to look and sound like Nitn. [music] A brand people can wear, share, and make their own. Designed to bring ideas to life. Designed to put builders center stage.

[19:49] Rebrand. [applause] Thank you, Max. I love his energy. I bought like had some of it as well to be honest but it’s not me [snorts] anyway how we build a company must support thank you [laughter] how we build a company must support the collective ambition as well if you believe AI makes people more capable that has to be true inside of as well

[20:20] like our culture our capabilities and our ecosystem need to deliver on this ambition as well and to keep the agency that brought us here so to to get there we have to invest in three areas first product engineering, the broader platform our that our vision really needs. Second, teams that put Naden to work, people who help customers and partners to get real work into production and third and labs exploring what comes next. We also want to build the or of the future, multiplying the impact everyone

[20:51] can have with AI and NN. We run NN on NN and do that a lot. Um and and all of that obviously rests on our culture code which you can see here which is we are builders, we are welcoming, we do the right thing even when it’s hard. We are early and we are multipliers. They’re important for how we work with each other, how we work with you and how you experience Naden. Yeah. And I think one line from our culture code really says it like and I

[21:23] really like it. It’s like when something needs to be doing, you do it from the switch call to the dish in the sink. And obviously it’s also true for me. Maybe less today as we bought a dishwasher. But honestly, I’m still the person very often getting things out of it which still needs doing. But this becomes less than washing stuff in the sink. But what it means like nobody no task is too big or too small for anyone. This how we got here is how we keep on going. Monro thing how we will get there. We started ended in labs. It explor It explores new approaches and potential new products that support this ambition.

[21:56] Labs works by a few principles. Speed and signal over polish. We want to move fast. It doesn’t have to look pretty. Build for the capability curve. Models get better very fast. What doesn’t work today or barely works probably going to work perfectly in six months. And they fall to things shutting things down. Like shutting down is not a failure. That’s a way of learning. It’s a very small team with literally just one job. increase the prob probability that ended n wins the AI native future.

[22:26] So when you put it all together, that’s why we’re the best place to deliver. Accessible building. The people closest to the problem can build technical depth. Don’t hide the complexity. Visibility. Every step readable by the people responsible for it. Orchestration agent systems and people coordinated. And the ecosystem a community partners integrations around every build. And as I said earlier, the ecosystem nobody can copy because if we build it with all of you

[22:57] with all of these changes very clear on what never changes. We obviously keep our community edition. It will stay free and self-hosted forever. The model choice, it’s your models, your providers and it’s your call. The community and ecosystem, our programs, our partners and how we operate free and pay free and paying users will be always treated alike. and we the current nit we will have 50% of the IC’s keep on working on the core this is a community we never we never going to stop caring about and we restrict never access to it ever

[23:29] so clapping close where I started more capable AI should create more capable people that’s the reason why ended started that’s why we bu what we are building towards and if I’m honest it’s only possible because of the people in this room and watching online so How does it become real in a product? David Roberts, our VP of product design, will show you what is available today, what is next, what we are still exploring. So, thank you for have a nice day and over to David. [applause]

[24:02] [music] >> [music] >> Good morning, Berlin. How are you doing? [cheering and applause] >> That was pretty good. You guys are probably not from here. I’m guessing. [laughter] >> Okay. So, I’m here to talk about um N’s next chapter. Um and

[24:34] uh there’s four steps to this, four stages. First of all, a lightning recap of some of the highlights of the last 12 months. Secondly, I’m going to talk about some strategic themes that we spend a lot of time thinking about inside NA10 and then how these themes have shaped our thinking about the role we play and and what comes in the future. And then finally, what we do have planned, what’s coming next. Okay, so what have we been up to? N is a

[25:05] very different company to its early days. Um, and one thing we pay a lot of attention to is moving with the times because the times are changing so fast. Nense started as a workflow company obviously and while that’s not going away, there’s so much more to automation these days. One example of that is agents. Um, and while agents were always available inside workflows, we’ve taken agents out

[25:35] of the workflows and put them on the same level. Um, because they are just such an important part of the future. And this was rolled out fully last month. Uh, they’re easier to create, they support skills, they support MCP more easily, and they also have richer integrations with tools like Slack. Now, these agents are about 20% more likely to get to production compared to the old style of agents. Um, so they are

[26:05] definitely a step in the right direction and there’s going to be lots more content on this throughout the day. Okay. There’s also the assistant. So, we’ve had uh AIS help in building workflows for a while, but it’s really come into its own in the last 6 months or so. In fact, it’s become the default way of building workflows in NA10. Now, uh the assistant’s had over 1.6 million

[26:35] conversations. It’s built over 800,000 workflows and eight out of 10 users that we surveyed rate it good or very good. And it’s available everywhere. It’s available on cloud. It’s available and self-hosted and it’s coming to enterprise very soon. It’s not the only way of building an NAM though with AI. Um while we’ve supported MCP for a long time, this year saw us add the ability to build workflows with it. So you can now hook up Claude or Codeex or your favorite coding agent um

[27:08] to N and build workflows that way. And this is a real power user feature because people who use this feature are about 3.4 times more likely to get to success with NA10 and they create three times more workflows than the average user. So word on the street is it just works which I think is kind of dangerous to say about any AI feature to be honest but um it it’s definitely a strong addition uh to NAS. And then finally, we’ve got NS Connect.

[27:39] Um, setting up credentials [snorts] is perhaps the most painful thing about automation. And NASA Connect removes that pain by doing it for you for selected credentials. It launched recently, but it’s already being used by a quarter of our users and it makes them about 25% more likely to get to success. That’s just a little sample of some of the things we’ve been up to. There’s much more in our change log on our docs

[28:10] website if you’re interested. But now let’s move a little bit into how we’re thinking about the world and I’ve got five themes here for you. So first of all, we all know models are getting better and better and what the best ones can do today would have felt like magic just 12 months ago and we’re getting more and more models. Open source has stayed consistently on the tail of the major labs so far and we believe that LLMs are expensive today

[28:41] basically because of limited supply. You know that’s going to change especially if you’re okay with something that’s a tiny bit behind the frontier. Uh and this has lots of implications. I think one of the ones we think about a lot is designing for the exponential. So when we’re thinking about prioritizing features, we ask ourselves the question, if models get 10 times better, will this feature also get 10 times better? Like can we harness this uh this trend that we’re all riding? And today you have to

[29:13] build scaffolding around models, especially weak ones need a lot of help in order to do a job. As models get better, that scaffolding has to be removed because if it isn’t, you’re actually making the model’s life harder and you’re not realizing its true potential. And of course, when thinking is cheap, we do more of it. There are going to be many more agents than humans in the businesses of the future. And the questions are going to shift from can we do it with an agent to are

[29:45] we allowed to do it with the correct result. Now most automation today is workflow first. And so what that means is a person or an AI decides the steps in advance and they map them out. Now some of these steps could be agents but they be within a workflow and this is the majority of what runs in production today. Now a smaller but faster growing share of that is agent first of course and there you’re giving the system a goal

[30:16] and it’s free to decide how to reach that goal and it’s growing because models keep getting better and they keep getting cheaper but workflows are not going to disappear and I’ll [snorts] say a bit more on that later what is very clear is that the balance is going to change and as agents become more capable we move from can I do it to do I trust it to trust is essentially the limit on how much we hand over to these models.

[30:47] So if you have a capable agent but you don’t have the trust you’re just going to use it for drafts and for summaries but a trusted agent can do real work. There is a downside though to all of this this human involvement. Um and that’s one of in one example is approval fatigue. You know if you’re asked to approve the same thing a 100 times you are just going to it’s very hard to not just click the button without really thinking about what you’re approving. Um [snorts]

[31:17] and so the the real question here is where is a human’s time worth spending? And the answer to this is constantly changing as the technological landscape evolves. And trust gets built in steps. Money is one way to measure those steps. And so here in step one, an agent suggests and the human does. There’s no spending authority with the agent. And most AI usage is here today. In step two, the agent does the work and

[31:50] the human approves any spend. So the agent can act, but it can’t commit funds. And then in step three, the human sets the budget and then walks away. And the agent is now an economic actor in its own right. [snorts] It can commit resources on its own within a limit that someone has set for it. And so the change here is trusting the agent more with each step. And the human job changes from doing to approving to setting limits and then reading a

[32:21] report. And by the way, budget is a potential answer to this approval fatigue thing that I just talked about because instead of requiring a 100 decisions, you can just set a threshold that the the agent can’t exceed. It’s not the answer to all approval fatigue, unfortunately, but it is for for some things. Okay. Then the final the final point I wanted to make is that everything I’ve said so far applies within a single company. You have one set of rules. You have one owner. You have one person to

[32:53] call when it goes wrong. And that could end pretty quickly when my agent can negotiate with your agent or my agent can place orders with my supplier or my agent can book in your calendar because then you have a company border. And at a company border, you have two sets of rules meeting each other. And the questions get harder. you know, whose limits apply? You know, this companies, this companies, is it the the stricter of the two? Um, how do you prove that an

[33:25] agent is allowed to act for me? And who keeps the records? Who’s [snorts] liable when something goes wrong? Today, we answer those questions with humans and with contracts. But when agents move at machine speed, we need [snorts] something that’s built into the system. uh and we’re going to see new institutions evolving I think um to satisfy these needs. Okay. So what does this all mean for

[33:56] NASA? This is my favorite framework for thinking about automation. Uh it’s the life cycle that an automation goes through and the engineers in the room will find this very familiar because it’s basically the software development life cycle too. To start off with, you have to build your automation. I mean, that much is obvious. Uh, then you’ve got to get confidence that it works properly, that it’s going to do what you want it to do. That’s the auditing step. Then you’ve got to put it somewhere and run it, which is deployment. And while it’s

[34:27] running, you’ve got to keep an eye on it. You’ve got to check that it’s working properly. You’ve got to investigate any failures, and that’s the monitoring. And then finally, there is the whole human or organizational side of running anything in a company. And that’s where management uh and governance come in. So let’s talk about building. So 12 months ago, if you think back, we were on the verge of Opus 4.5 and the explosion of clawed code. And I

[35:00] think it’s fair to say the world has changed beyond recognition since then, especially if you’re an engineer. And when these things work well, they really do feel like magic. And of course it creates big opportunities for N10. And I think one interesting way of thinking about what’s changed is that building with a tool used to mean learning that tool’s grammar, learning that tool’s way of thinking, which sometimes was hard. I mean, with Niten, we we were a pretty good example of that. Um, and that’s changed with with

[35:32] natural language input. Okay. And there’s really two aspects to building, both of which have changed. First of all, you can build new things. And second of all, you can build them in new ways. And I’m going to talk about both. But first of all, let’s talk a little bit about what you build. We’ve talked about these two architectures at a high level. So you have the agent, you have the workflow. And by workflow, I I really mean

[36:03] deterministic logic. It doesn’t have to be a workflow. It could just be code. There are risks to both of these sides and they’re different. So if agents can figure things out for you, they may figure out the wrong thing. And a workflow that does exactly what you said every time also repeats your mistakes. On the other hand, agents, you know, they’re they’re great at handling varied different flexible input formats. They’re great for natural language

[36:33] interfaces. Workflows on the other hand are faster, they’re cheaper, they’re more reliable. And one nice way of of thinking about this difference is where does the thinking happen? You know, does it happen once at design time? If so, it’s a workflow, or does it happen every time it runs at runtime, in which case it’s an agent. So, which one is better? Yeah, they’re different, right? They’re

[37:04] different. They have different strengths. They have different applications. They’re essentially two puzzle pieces with different shapes. So if your task you need if you need it to run constantly, if it barely varies, that sounds like a workflow. If it’s rare, if it’s messy, if it’s different every time, then an agent is probably more suitable. On the other hand, an agent doing the same thing 10,000 times a day is just a very expensive workflow. And for all the great stuff about AI, it

[37:34] does have this pesky little quality of non-determinism. So it’s just a little bit unpredictable. And of course, if you want your system to be reliable, you want as little unpredictability as possible. And this um gets even worse when when you have multiple steps in a chain. So if you have an agentic step that’s 95% reliable and you do it 10 times, that system is only 60% reliable. So when intelligence is abundant, being

[38:04] sure is what’s scarce. So you should take anything any part of your system that can be deterministic and you should make it deterministic because that improves the overall reliability because of course trust is slow to build and it’s fast to lose. And this goes even when the agent is the top level architecture of your system. What you want to do there is you want to take parts of the problem, take parts of the process and put them inside deterministic tools and you want to

[38:34] encode as much business logic in those tools as possible because that makes the models choices simpler. So if you think about an IT department trying to automate employee onboarding for example, you could give your agent a tool to create a account in Slack. You could give it a separate tool to create an account in Google Workspace or in Salesforce. What you might want to do instead though is just create a single tool for onboarding a user to a given department that does those account creations itself

[39:06] because that kind of task can be deterministic and you’re taking it away from the agent given that it doesn’t need to be nondeterministic. Okay. So, so that’s the what. Let’s talk a little bit about the how. Obviously AI has revolutionized this too. We believe that no one will build manually in the future. And so if you haven’t checked out the assistant, if you haven’t checked out MCP, we highly recommend that you do that. [snorts] But agents are also the front door to automation. They’re like the starting

[39:37] point. So many people when they first come to automation, when they first come to an agent, they’re going to ask for some quick one-off task. I might say, if I’m feeling ambitious, you know, I’m going to Spain next month. Can you book me a flight, please? And that’s the easy mode for agents because I’m sitting in front of the computer and I can answer any questions. I can steer the agent if it goes wrong. And then maybe it’s successful, it works, and I decide I

[40:08] want to do this every month. I fly to Spain every month for business. I mean, I don’t. I wish I did, but let’s imagine I did. Um, and and the difference here is not just that it’s a repeating task. it’s that I’m probably no longer sitting in front of the agent while it’s doing this stuff. So, it needs to be more independent. And so, the the the quality bar has gone up. And then finally, I may say this is a really important process. This needs to have another level of reliability. And that’s where this hardening, this taking of the logic

[40:41] out of the agent and putting it into deterministic workflows can happen. And of course, if you’re an automation expert like many of you in this room are, you may jump straight to step three. Uh you don’t have to go through this entire process. But equally, there are many things, many types of automation that might never get past step one or stop at step two. So the point is it’s all a continuum and agents very often are the front door to automation. And we talked about these two ways of building. Um they’re both important and

[41:13] we’re going to continue to invest in both. because Nan has always been an all-in-one solution. You know that uh that life cycle I showed before. We cover all of it and that’s by design and it’s [snorts] always been easy to get started because of that and that’s exactly why we have the assistant. That’s our front door for uh new users coming in. But on the other hand, we don’t believe in trying to control users or dictate where they do work. And that’s why for people who prefer to live

[41:43] in cord, they can use the MCP instead. So we have lots of plans for the building experience. Um they include improving the assistant, improving the MCP. They include making that front door easier to walk through. So we recently released an automation mining skill to give you ideas for what you can automate, for example. Um they include bringing your own context because agents perform so much better when they know more about you. And they also include self-healing automations so that you

[42:13] don’t have to be pouring over the uh the executions all the time. Now building in this process was traditionally the bottleneck. It was traditionally the hardest part and the most time consuming part and that’s gone. That’s gone with AI. Unfortunately, in any system that’s closed like this, um when you remove a bottleneck, you get a new one somewhere else. And the bottleneck now is most definitely with auditing. We see this with engineers because they are drowning

[42:46] in PR reviews. They’re drowning in code review that’s been of all this code that’s been generated by agents. And I think auditing is the last part of this system that we’re ever going to hand over to AI since it’s about trust. So how do we think about auditing? When the building experience is really fast, auditing can become actually slower. Um, so you can build something 40 seconds and then spend 40 minutes checking it works. Anyone can relate to this experience.

[43:17] Yeah, I see a lot of hands. [snorts] Um, auditing doesn’t always matter though, right? There are certain conditions I think you need to to care about auditing. For example, your task needs to be relatively complex because if there’s no scope for things to go wrong, then auditing is less relevant. Secondly, it’s much more relevant for business critical processes because that’s when going wrong has consequences. And then finally, it’s more important in collaborative environments where there’s

[43:49] more than one person involved because then there’s more scope for misunderstanding and not everybody has the full context. And many people build these kinds of things with NAN. So it’s very important for us that they have a solution for auditing. Two types of auditing. Um there’s inspection which means looking at the logic and how it flows and then there’s testing which means running the thing right and checking the results.

[44:19] um inspection would be that PR review for engineers that I mentioned before, but it would also be looking at the workflow graph of NAS and testing is actually [snorts] much more intuitive than um inspection. It’s the kind of thing that people do naturally when they first start using AI, but it’s also hard to do rigorously. So talking a little bit about inspection. Um I mentioned before that we we want want to make sure we move

[44:50] with the times and when AI got really good at coding we wanted to make sure that our product wasn’t constraining our thinking that it wasn’t holding us back. So we tried to reason from first principles what would we build today if we didn’t have NAN um and we wondered you know how important is the canvas? So we devised this question. We said, “Here’s the good news. You’re living in this utopian future where AI is perfect. AI can do exactly what you ask it to. But the bad

[45:21] news is you don’t have the canvas anymore.” And we surveyed about a thousand users about how they would feel about that. And what came back surprised us because 55% of the users we surveyed said, “Not only do we need the canvas, if you didn’t have it, NA10 would lose much of its reason for existence for us.” So, I just want to reiterate the canvas is not going anywhere. It would be crazy to remove it. Um, [snorts] but it just goes to show like how important that

[45:52] inspection is. [applause] And we then asked, okay, why the canvas? Why is the canvas important? And these were the top three results. Most importantly, understanding how the data moves between steps. Um, which is certainly a form of auditing. Um, and the other two, I mean, I think they’re all about either understanding or auditing. And so these are the things that we’re going to be leaning into. So that’s inspection. Let’s talk a little bit about testing.

[46:22] So these are now figures about the overall agent landscape. This is not NAN specific. This is just some market research that I wanted to share. I think it’s fair to say that agents have not fulfilled their promise yet. Everyone’s using them, but only half of organizations have a single agent in production. And I’m guessing you probably know the answer to this. There’s one reason that is much much more common than any other and that is

[46:55] performance quality. These agents often just don’t work right. They they don’t get productionized because they’re not good enough to be useful. And this is where auditing comes in. You know, it’s hard to inspect agents. So, we need to rely more on the the running them, more on the testing. And we call this eval. We call this evaluations. and they work. So, one report found that teams with rigorous evals were 70%

[47:26] likely to have excellent reliability. And for those that didn’t, it dropped to just 32%. So, eval this is not a secret. But there’s just one problem. No one does them. So if you take this left hand column, only 15% of companies or teams fall into it and it’s pretty damning, right? I mean, you know, why do people not do this when everyone talks about them all the time? I think there’s two parts

[47:56] really. First of all, they’re complex and secondly, they’re tedious. They’re really boring. Um, they’re complex because they’re hard to understand conceptually. It’s hard to choose the right metrics. It’s hard to track down the right data very often and they’re tedious because you have to comb through results looking for problems and you have to figure out the business logic for obscure edge cases. Now fortunately the problems that AI creates sometimes AI can also solve.

[48:28] Um and that’s where we are headed with evaluations. Um, we already have evaluations in the product of course, but what we are working on is just surfacing the business decisions to the user and taking care of the rest automatically with AI. So, expect more on that soon. Okay, we’re halfway through. Um, this part’s going to go faster, I promise. Um, deployment. So, you’ve got to run your automation somewhere. Inexperienced

[48:59] automators tend to forget that. um they they tend to think about the beginning of the of the funnel um and they underestimate how important it is to have things run reliably. And of course the the ability to run things is something that’s been built into NA10 from the start. In fact, it’s fair to say the engine of NA10 is the heart of NA10. It was the first part of NA10 and much of it is still Yan’s original code written by his own fair hand. And that’s because it’s the kind of

[49:29] critical thing that you don’t touch unless you have a really good reason to. Well, we are touching it. And in fact, we’re completely rewriting it from the ground up. And you might say, okay, we talked about going back to the drawing board and not being constrained by existing NAT. Why not just run code? AI is great at writing code. Running code is a very well understood problem. It’s kind of easy. Um, why not just do that? And we tried that and what we found was that

[49:59] when we started to list out the requirements of what we’d like to see when the code runs, we started to get something that looked a lot like a workflow. And that’s because we believe it’s very important, for example, to be able to see and understand every step. So when you run a workflow in edit, you know, it lights up green across the screen. You can look into every step and you can look at the data. We think that’s really a really important part of what makes NASN special. And of course, if you do that, then that

[50:31] allows you to resume where you left off. You don’t have to start everything from the beginning every time. And then that allows you to retry failures automatically. Hence the new workflow engine. And when we were thinking about the design of this engine, we had a framework for reliability. And this is our framework. It has six things in it. And I’m going to talk you through them using the example of a restaurant just to make it a little bit easier to understand. The first one is you’ve got to write it down first. So a waiter

[51:03] needs to take the order, write it down on paper, put that ticket on the rail inside the the kitchen because if something happens to that waiter, the order can’t be stuck in that waiter’s head. It can’t be stuck in that waiter’s memory. And that the same is true of systems. Secondly, there needs to be only one version of the truth. So if the sign on the front of the restaurant says open, the restaurant needs to be open. Thirdly, every job must reach an end. So it’s not okay for an order to get stuck

[51:35] in the kitchen going cold and congealing. And then when things go wrong, you need to be able to contain the damage. So if you have a fuse trip on a on a on a fridge, all the other fridges should remain unaffected. It also needs to be safe to try again and you need to know when it’s safe to try again. So pressing the lift button twice is fine. Being asked to pay twice, not so fine. And finally, you need to leave a trail.

[52:05] Um so even the orders that maybe are cancelled because the uh the restaurants run out of ingredients need to be tracked. Okay. What does that mean for the the engine? First of all, it’s going to save your progress after every step. This is something that’s optional right now in NA10, but this is going to be core to the new engine for the reasons that I gave before. Second of all, there’s going to be a reconciliation sweep. So, that’s going to find jobs that have become stuck for some reason, and it’s going to repair them. We’re going to

[52:37] have safe retries. So, we’re only going to retry steps automatically if they’re marked safe, so that we don’t repeat any side effects. uh we’re going to run code in a sandbox so you don’t have to trust that code as much. We can have worker pools. That means that you can assign specific capacity to one or two workflows so that the other workflows you’re running don’t interfere with them. We’re going to have resource isolation and limits and waiting. When your workflow has to wait, it’s going to be a

[53:08] stored timed job rather than living in memory. So, lots to come on the new engine. Um, stay tuned for that in the coming months. With monitoring, we already have a load of stuff in this area. You know, we have insights, we have log streaming, we have audit logs. We recently added open telemetry support a few months ago, but sophisticated users are running more than one instance of NA10. Hands up. Who’s who’s got more than one instance in their organization? Yeah, lots of hands. And you might be

[53:40] doing that because you have a development um instance, you have a production instance. You might be doing that because different departments require separated instances. But what we’ve been hearing very clearly from you is that you need an observability layer that sits across all of them. And so with that, I present to you manifest. Manifest is a separate app that runs in the same ecosystem as your NA10 instances and it helps users with all the problems that automation creates

[54:10] like what exists and is running, who owns it, uh which systems are being touched by which automations and we’re currently triing it. So if you are a multi- instance user and you’re interested in joining this trial and providing feedback, please do get in touch because we’d love to have you. And at first this is only going to be for NAN automations. Uh but we want to expand this to cover all kinds of automation in the or because we recognize that we do live in a world

[54:41] with with multiple automation opportunities. Okay. And then finally onto the the manage side. So this is the human the organizational side of running a tool like N10. Many of you know just how significant that can be. Um, and because automation is exploding, the stakes become higher. So before, um, this is probably back in the 80s or something, but you know, shadow IT might be a spreadsheet macro. Uh, today it looks very, very different.

[55:11] It’s probably, you know, a ton of agents with access to really sensitive systems. Um and actually governance we believe is becoming even more relevant for than before. Not just for the large companies that have always cared about governance, but also for the small companies because of this fact I mentioned before that you’re probably going to have more agents than you do have employees and they may be just as powerful. So we have a little framework for how we think about governance. It has four things. access, guard rails,

[55:42] observability and quality and security. Access is about who’s acting and what can they reach. So that’s things like identity, credentials, permissions. Guard rails is about within that what is limited and what does a person decide. So spend and usage limits, policies, anonymization, approval gates, exception routing, this kind of thing. Ownership and quality is about who owns

[56:13] it and can we keep it, can we trust it to keep working. So this is about managing the life cycle that I’ve been talking through. It’s about testing. It’s about review. It’s about environments. And these three principles together, they govern the system when it’s working as designed. The fourth one, security, is about what happens when someone tries to make it work against you. So this is things like prompt injection, tool poisoning, data exfiltration. Now, we have a lot in these areas

[56:44] already. And don’t worry, I’m not going to talk through everything on this slide. I just wanted to to give you guys an idea. Um I want to just um pause on the security topic for a second uh and talk about security advisories because AI has changed the landscape in many areas but no more so than insecurity and as NA10 you know we see so many more tools that scan public code bases. Also, because NA10 gets more attention these days, we’ve seen a rise in in reports

[57:17] and every report gets triaged and it gets fixed and we send you an advisory via email with enough information to uh for you to act on it. And we prefer that you hear it from us, you know, clearly and early rather than finding out some other way. And the good news is we’re seeing the volume of these things kind of level off over time. What we’re not assuming is that that trend continues. So, we’re continuing to invest in this. Um, but at the end of the day, NAN is

[57:47] public code and what that means is we have many people looking at it, many eyeballs on it. Fixes are verifiable, so you don’t have to take our word for it. And to be honest, you know, that’s a trade-off that we would take again. Okay, back to um this framework. I just wanted to run you really quickly through some of the things we have planned in these areas. So under access, most agents today, they borrow a person’s login. So you can’t actually tell was it the human or the

[58:18] agent doing these things. And the agent gets all of the permissions that the person has. We want to have our own identity for agents, which is narrow. It’s attributable. It’s revocable. Skim provisioning is about when a person leaves, do they do they lose access to the system or do their automations continue running? And user groups is about managing users or making managing users easier. On the guardrail side, we have policies and we have limits. Now, policies allow

[58:49] you to stop things before they run and limits cap the damage after something goes wrong. For example, when an a when agents can loop and retry, they can sometimes get stuck. Costs can just run away unnoticed. And I’m sure that’s a familiar experience to many of you. So, you need hard caps to to set the bounds. on the ownership and quality side. Um you know software discipline is kind is about bringing that to automation and bringing it to agents too. Um and also

[59:19] bringing the you know the rigor of evals also to the deterministic side of the house with with workflow testing. And finally with security I talked a bit before about code sandboxing. That’s not just about security. It’s also when you when you don’t have to trust the code you’re running you can be much freer with it. So you can load random libraries into your automation for example which is something we’ve wanted to add to N10 forever. Okay, so I’ve kind of talked about this already, what’s next. Um, but I just

[59:51] wanted to give a really quick recap, you know, um, on the building side. We’re going to continue to improve the assistant. We’re going to continue to improve MCP and agents. There’s more context coming. There’s um, self-healing coming. On the auditing side, we want to make evals much more intuitive and easy to understand and basically less painful. On the deployment side, we have this new engine coming. Um, and while we don’t have a single point of failure today, we also want to make this even

[1:00:21] more robust uh with a new engine. We have manifest for cross in cross instance observability and then we have a load of stuff on the governance side that I’ve just talked to. Okay, so there is a lot to come. the pace of change is increasing and NA10’s output is increasing with it and we’re very excited uh for what comes next. And on that subject, I do just have one other thing to show you.

[1:00:52] [music] >> [snorts] [music] [music] [music]

[1:01:54] >> Okay. [applause] So, this is a new product from NASA Labs. Um, if you are interested in checking it out and joining the weight list, please do uh take a photo and join it. We’d love to have you build it with us. And with that, you know, uh thank you so much for your attention uh and being a great audience. I hope you have a great rest of your day and you enjoy all the great stuff that we have planned.

[1:02:24] [music] Good job, Becky.