Mapa de falhas e interrupções no serviço GitHub

Discussão da comunidade

Dicas? Frustrações? Compartilhe aqui o que você está pensando. Não se esqueça de incluir a descrição do problema e a sua cidade e código postal.

Cuidado com "números de suporte" ou contas de "recuperação" que podem ser postadas abaixo. Certifique-se de denunciar e votar contra esses comentários. Evite postar suas informações pessoais.

Reclamações sobre problemas no serviço GitHub

Reclamações sobre falhas, interrupções e problemas mais recentes nas redes sociais:

• 
  Gabs Ferreira (@o_gabsferreira) relatou um problema há 12 minutos

  Imagina se cada arquivo da sua empresa não fosse um documento, e sim um app inteiro. Com backend, banco de dados e API próprios, escrito na hora pro seu problema. Um exemplo concreto: em vez de exportar uma planilha de issues do GitHub toda segunda, você pede um painel que puxa os issues abertos do seu time direto da API, guarda o histórico num banco próprio, deixa qualquer pessoa do time editar prioridade em tempo real, e roda sozinho toda segunda de manhã. Um app com estado, rodando, que você compartilha como compartilharia um documento. É essa a proposta do Cloudflare OS, aberto ontem. E antes que a palavra confunda: não é Windows, não é Linux, não substitui nada na sua máquina. Roda no navegador, em cima de Workers. É um "OS" no sentido de ser a camada que gerencia agentes de IA dentro da empresa: processo, memória, armazenamento, permissão e custo. O hardware que ele abstrai são os sistemas internos da companhia. Cada app tem cliente, servidor, API e estado durável. O server carrega *** demanda como Dynamic Worker e é instanciado como Durable Object Facet, o que dá ao app um SQLite próprio. Como Dynamic Workers usam isolates V8, cada app tem runtime isolado sem container dedicado parado consumindo recurso. A comunicação usa Cap'n Web, o RPC baseado em object-capability deles, e o agente chama os mesmos métodos que o cliente. Ou seja: a ferramenta que você construiu pra você vira ferramenta que o agente usa quando você não está. O agente nasce sem acesso a nada: ele pede um recurso específico, você concede, e o código gerado recebe aquilo como binding tipado. A credencial nunca chega no agente nem no código. Entre o OS e cada API externa ficam os Gatekeepers, Workers que funcionam como chamada de sistema mediada: liberam um único repositório do GitHub, permitem ler issues mas não código-fonte, mascaram campos e exigem aprovação antes de um merge. E a política acompanha o que o agente já viu. A plataforma registra cada recurso observado, e isso fica grudado no agente e no que ele produziu. Se ele leu uma tabela sensível e gerou um dashboard, quem tentar abrir passa por verificação contra os recursos originais. O mesmo log bloqueia saídas: leu dado sensível, não escreve em certos destinos nem faz requisição externa. Achei a ideia bem interessante e pretendo testar nos próximos dias. (link nos comentários)

• 
  Dickson (@disouzam_bh) relatou um problema há 14 minutos

  @miguelbalbov @mbaldin Não eram todas as rotas que estavam com problema. Eu tive problema apenas com autenticação no GitHub via VS Code. O acesso ao site estava normal

• 
  PanteraOS (@opanteraos) relatou um problema há 14 minutos

  O GitHub Copilot não ficou caro em 01/06. Ficou honesto. Devs atingiram o cap mensal antes de junho sequer começar, e o problema não foi o produto. Foi a premissa de precificação que todo o mercado aceita como verdade. Tarifa flat de IA sempre foi subsidiada. Em organizações sem visibilidade de uso individual, um único dev usando prompts pesados cortou o allowance de toda a equipe. O que era opaco ficou visível: o preço flat nunca refletiu o custo real de uso intenso. Quem construiu produto sobre essa premissa, construiu sobre fundação temporária. Brian Armstrong, CEO da Coinbase, confirmou essa estrutura com dado operacional publicado essa semana. Na Coinbase, o time está roteando prompts para modelos mais baratos onde possível e manteve custos de IA praticamente flat enquanto o volume de tokens cresceu de forma exponencial. Previsão dele: em 12 a 18 meses, 80% dos workloads que hoje rodam em modelos frontier migram para modelos 99% mais baratos. Os outros 20% ainda precisarão do melhor. Isso não é análise de mercado. É o CEO de empresa pública com dado da própria operação. O reajuste vai chegar de duas formas. Para quem construiu produto com precificação subsidiada como premissa de margem. E para times que nunca fizeram o exercício de classificar os próprios workloads. Esse exercício cabe em uma hora: pegue os últimos 30 dias de uso de IA da sua equipe, liste as tarefas mais frequentes e marque quais precisam de raciocínio de frontier (multi-step complexo, código crítico, análise ambígua) e quais seriam resolvidas por um modelo 10 a 100 vezes mais barato (classificação, extração, resumo simples, formatação). Eu faço esse mapeamento com equipes e o resultado padrão é que 70 a 80% das requisições poderiam estar em commodity desde o início. O que faltou foi a pergunta. Se você não tiver esse mapa antes do subsídio acabar completamente, os próximos 12 meses vão te dar um de graça, com o custo real no extrato. Via @brian_armstrong (08/06) e @HedgieMarkets (01/06/2026)

• 
  Naldo Portela (@naldorp) relatou um problema há 15 minutos

  o headroom entrou no github trending e já passou de 10 mil stars. é uma camada que comprime log, output de ferramenta, arquivo e até pedaço de base de conhecimento antes disso chegar no LLM. os caras falam em 60-95% menos tokens. 2026 tá ensinando uma coisa bem clara. o problema não é só modelo caro. é contexto desperdiçado com cara de trabalho

• 
  Araujo (@gusttavocav) relatou um problema há 19 minutos

  @pvncher @ajambrosino @thsottiaux Codex Computer Use ainda não funciona em Macs Intel (x86_64) somente em ARM64. Existem vários relatos no GitHub sobre isso, corrijam isso

• 
  Rafael (@sysdownbr) relatou um problema há 19 minutos

  Muitos problemas com github hoje, será que caiu de novo?

• 
  Richard - Design for startups (@richardrx) relatou um problema há 23 minutos

  Enquanto comia meu pastel de nata com café hoje cedo, recebi um email de "Network Error" dentro do RepareCar, através do Sentry. Primeiro pensei: "Tenho que ver isso aí. Mas pera, dá pra fazer melhor" O erro tá lá, meu Claude já tá conectado com o Linear, onde documento as issues, e com o GitHub, onde subo o código. Seria só conectar essa ferramenta e criar uma rotina periódica onde a notificação de erro do usuário gera um pedido de revisão automática. Se a revisão gerar uma correção, ótimo. Se gerar uma melhoria sistêmica, melhor ainda. O que faz esse loop confiável é o que eu deixei de fora da automação: um dev como revisor no portão antes do merge, e um número me dizendo se tô gerando valor ou só barulho. Ainda não sei se isso se paga ou se é firula, montei hoje, vou medir nas próximas semanas.

• 
  Product Guru’s (@product_gurus) relatou um problema há 23 minutos

  nossa, o gpt tá com uns erros *******. não consegue lê o github e nem atualizar repos.

• 
  alê, o sana chapéu (@AlexBatutinha) relatou um problema há 24 minutos

  @Luhdle @themcsapato69 O problema nao é o caminho que voce faz, é o aplicativo que baixam do github sem procedencia alguma, de alguem que não conhecem e dão permissão pra entrar em contas google que fica suas principais informaçoes e se duvidar ate bancárias

• 
  Naldo Portela (@naldorp) relatou um problema há 24 minutos

  o chatwoot tá em trending no github com quase 30 mil stars. é uma central open source de atendimento que junta site, email, WhatsApp, Instagram, Facebook e Telegram no mesmo inbox, alternativa a Intercom e Zendesk. qdo até essa camada começa a virar software aberto, a margem sai do ticket e vai pro workflow

• 
  nathan (@pq_nathan) relatou um problema há 28 minutos

  achei que é eu tinha quebrado alguma coisa mas é só o github actions que caiu, todo dia cai essa bomba

• 
  nanda ⭒˚.⋆ this & that (@nandaverseo_c) relatou um problema há 29 minutos

  github para de dar erro, em nome de jesus

• 
  Renato 38 r38tao (@R38TAO) relatou um problema há 29 minutos

  Índia falha em proibir BITCHAT - app de mensagens baseado no NOSTR e que roteia mensagens em rede mesh (Bluetooth dos celulares próximos transmite mesmo sem Wi-Fi e 3g). Derrubaram a página do GitHub na Índia e várias outras proliferaram, explodindo downloads - com mais e mais restrições do governo ao uso da internet. Onda de protestos de jovens contra governo tem como gatilhos a falta de oportunidades para jovens, a anulação de vestibular e ministro do supremo chamando manifestantes de “baratas”. Modi não pode ser considerado direitista, quem é contra armas, bitcoin e livre expressão é de esquerda totalitário.

• 
  ~HP (@Kaiotcp1) relatou um problema há 32 minutos

  @heliotsx Eu sou totalmente avesso a isso man, eu ja odeio o two factor de ter que me fazer abrir o celular, imagina cadastrar kkkk, eu sempre procuro login com Google ou github ;_;

• 
  Condz (@condzxyz) relatou um problema há 32 minutos

  todo mundo está tentando criar a próxima inteligência artificial brilhante ou o wrapper de api mais bonitinho do mercado. mas quase ninguém está olhando para o verdadeiro gargalo físico da tecnologia: 𝚃𝚁𝙰𝙸𝙽𝙸𝙽𝙶 𝙳𝙰𝚃𝙰. as grandes empresas de tecnologia já sugaram quase toda a internet pública aberta. livros, artigos, posts de fóruns. tudo já foi processado. o que está acontecendo agora é o que os pesquisadores chamam de 𝘥𝘢𝘵𝘢 𝘸𝘢𝘭𝘭. segundo um estudo recente da 𝒆𝒑𝒐𝒄𝒉 𝒂𝒊, o estoque de dados de texto públicos de alta qualidade para treinar modelos de linguagem deve se esgotar completamente nos próximos anos. a partir daqui, os modelos só melhoram de duas formas: ou com dados sintéticos de altíssima qualidade, ou com dados humanos proprietários, limpos e ultra segmentados. e isso vai muito além de texto escrito. a nova fronteira que os grandes laboratórios de ia estão comprando de forma desesperada são os dados de ação multimodal. hoje, existe uma onda silenciosa de programadores, designers e engenheiros que estão literalmente filmando a própria tela enquanto trabalham, gravando cada clique, cada atalho de teclado e cada linha de raciocínio verbalizada para vender esses pacotes de vídeo e áudio para empresas de treinamento de inteligência artificial. e os valores que estão pagando por isso são surreais. plataformas como 𝒐𝒖𝒕𝒍𝒊𝒆𝒓, 𝒔𝒄𝒂𝒍𝒆 𝒂𝒊 e 𝒅𝒂𝒕𝒂𝒂𝒏𝒏𝒐𝒕𝒂𝒕𝒊𝒐𝒏.𝒕𝒆𝒄𝒉 estão ativamente contratando profissionais de tecnologia globais para gerar esses datasets de comportamento. para desenvolvedores seniores ou especialistas em linguagens específicas que gravam a tela programando, explicam o raciocínio em áudio e resolvem bugs complexos em tempo real, as taxas de pagamento variam de 𝐮$ 𝟒𝟎 𝐚 𝐮$ 𝟕𝟓 𝐩𝐨𝐫 𝐡𝐨𝐫𝐚. se você fizer as contas, um desenvolvedor brasileiro que dedica algumas horas da sua semana para gerar esses dados de treinamento de forma consistente consegue tirar facilmente mais de 𝐮$ 𝟑.𝟎𝟎𝟎 𝐚 𝐮$ 𝟓.𝟎𝟎𝟎 𝐩𝐨𝐫 𝐦ê𝐬 extras, trabalhando de casa e recebendo direto em dólar de gigantes do vale do silício. por que isso vale tanto ouro para eles? porque para treinar agentes de ia que conseguem operar o computador sozinhos (o chamado 𝘤𝘰𝘮𝘱𝘶𝘵𝘦𝘳 𝘶𝘴𝘦), os modelos precisam aprender o comportamento humano real de navegação. eles precisam ver o erro, a correção, o hesitar do mouse e o fluxo de tomada de decisão em tempo real. um vídeo bruto de um sênior resolvendo um problema complexo de infraestrutura vale infinitamente mais do que qualquer código estático no github. se você sabe programar, o seu maior ativo hoje não é criar mais um chatbot de whatsapp para imobiliária. é construir pipelines de coleta, estruturação e limpeza de dados de nicho, ou até coordenar a captação desses dados de comportamento real. existem caminhos práticos para devs monetizarem essa demanda global agora: ✦ gravação de fluxos de trabalho e 𝙲𝙾𝙼𝙿𝚄𝚃𝙴𝚁 𝚄𝚂𝙴 𝙳𝙰𝚃𝙰𝚂𝙴𝚃𝚂 você pode se cadastrar diretamente nessas plataformas de treinamento (como scale ai e outlier) para vender suas horas de trabalho filmadas. outra opção de negócio é criar ou gerenciar comunidades de profissionais locais no brasil para gravarem suas telas executando tarefas complexas em softwares específicos (como figma, excel avançado ou ferramentas de crm), empacotar esses datasets e vender em lote para essas grandes empresas. ✦ curadoria de dados de nicho e scrapers os grandes laboratórios de ia nos estados unidos e europa precisam de dados especializados que não estão abertos na web de forma fácil. dados jurídicos locais, prontuários médicos anonimizados, transcrições de áudios regionais com gírias específicas. se você constrói scrapers robustos, limpa esses dados, remove informações sensíveis e os organiza em formatos prontos para treinamento (como jsonl), você tem um produto extremamente valioso. ✦ infraestrutura de 𝐫𝐥𝐡𝐟 localizada o aprendizado por reforço com feedback humano é o que transforma um modelo bruto em algo utilizável. criar plataformas simples e eficientes para especialistas humanos (como médicos ou advogados) avaliarem e corrigirem saídas de ia é um mercado gigante. as empresas globais terceirizam essa rotulagem de dados. você pode montar a infraestrutura técnica e coordenar times locais no brasil para fazer a validação, aplicando uma estratégia clássica de 𝘢𝘳𝘣𝘪𝘵𝘳𝘢𝘨𝘦𝘮 𝘨𝘭𝘰𝘣𝘢𝘭: recebe em dólar das empresas americanas e paga a operação local de rotulagem em real. ✦ fine-tuning como serviço para empresas as empresas tradicionais têm montanhas de dados internos bagunçados em pdfs, planilhas e servidores legados. elas não podem enviar isso para apis abertas por privacidade. o dev que sabe pegar esses dados, limpar, criar o dataset de treino e rodar um fine-tuning local de um modelo open-source entrega um valor absurdo. isso não é apenas desenvolvimento de software tradicional; é engenharia de dados aplicada à nova infraestrutura de tecnologia. o gargalo real da inteligência artificial não é a falta de poder de processamento ou de algoritmos refinados. é a escassez de dados limpos e estruturados para alimentar as máquinas. quem parar de tentar criar o centésimo wrapper de gpt e focar em resolver o problema da matéria-prima vai construir negócios extremamente lucrativos e silenciosos.