☕ Um Café no Bellacosa Mainframe
Gostou do conteúdo? Ajude a manter o café quente, o COBOL compilando e o mainframe acordado. 😄
☕ Pague um café ao Bellacosa

Translate

quarta-feira, 2 de setembro de 2026

Tenho 52 Anos, mas o Twitter Quer que Eu Pague para Provar que Sou Adulto

 

Bellacosa Mainframe alem de provar q eu sou eu mesmo tenho q provar q sou velho +18

☕ Um Café no Bellacosa Mainframe

Tenho 52 Anos, mas o Twitter Quer que Eu Pague para Provar que Sou Adulto

Ou: como a proteção dos menores criou uma internet com pedágio de identidade, censura indireta e um novo código regional para cinquentões perigosamente alfabetizados

Prólogo — O algoritmo examinou meus documentos imaginários e concluiu que talvez eu tivesse doze anos

Tenho 52 anos.



Trabalho com computadores desde quando eles ocupavam salas inteiras, exigiam ar-condicionado próprio e eram tratados com mais respeito do que muitos diretores. Conheci a internet quando ela ainda chegava acompanhada pelo ruído cerimonial de um modem, uma espécie de grilo eletrônico anunciando que, depois de vinte tentativas, talvez fosse possível abrir uma página.

Atravessei a era do disquete, do CD-ROM, do DVD dividido em regiões, das senhas com oito caracteres, do monitor de fósforo verde e dos sistemas que perguntavam se eu realmente desejava sair antes de me abandonarem para sempre.

Depois de tudo isso, o Twitter — ou X, como prefere ser chamado desde que recebeu nome de projeto secreto recusado por uma empresa de ficção científica — decidiu que talvez eu ainda não tenha idade suficiente para acessar determinados conteúdos e conversas.

Felizmente existe uma solução muito adulta: pagar uma assinatura.

Na minha experiência com a plataforma, o caminho apresentado para recuperar determinadas áreas e provar que sou maior de idade passa pelo serviço pago. A assinatura surge, na prática, como uma espécie de certidão digital de maturidade.

Não importa que eu tenha atravessado mais de meio século, trabalhado em CPDs, pago impostos, criado um filho, participado da vida pública, acumulado cabelos brancos e sobrevivido a incontáveis reuniões corporativas.

Para o algoritmo, continuo sendo um adolescente suspeito até que o cartão de crédito declare:

“Confirmo que este cavalheiro já pode ler.”

O Visconde de Valmont, personagem imortalizado por John Malkovich em Ligações Perigosas, certamente apreciaria a elegância do mecanismo. Não é necessário proibir diretamente. Basta transformar a liberdade em um benefício premium e deixar que a vítima assine voluntariamente o recibo da própria submissão.

É uma sedução muito bem executada.



1. Não provaram que sou menor — presumiram que não paguei

Existe uma diferença fundamental entre proteger menores e tratar todo adulto não pagante como menor presumido.

No primeiro modelo, a plataforma identifica razoavelmente um risco e oferece formas proporcionais de confirmação de idade.

No segundo, temos esta lógica:

não assinou = identidade insuficiente  
identidade insuficiente = idade desconhecida  
idade desconhecida = possível menor  
possível menor = acesso reduzido

Pronto. Uma sequência impecável, quase tão elegante quanto um programa COBOL que move espaços para o campo de data e depois culpa o usuário pelo S0C7.

A assinatura paga não comprova perfeitamente a maioridade. Um adolescente pode usar o cartão dos pais. Um adulto pode não possuir cartão, não desejar fornecê-lo, não querer pagar ou simplesmente considerar absurdo comprar acesso a algo que anteriormente já podia consultar.

Portanto, não estamos diante de um método científico para determinar idade. Estamos diante de uma classificação econômica:

Adulto confiável é o adulto monetizado.

O jovem com cartão familiar atravessa a porta. O cinquentão desconfiado permanece do lado de fora, contemplando o porteiro digital.



2. Aos 52 anos, recebi uma versão infantil da internet

O problema não se limita ao conteúdo pornográfico.

Quando uma plataforma classifica perfis, imagens ou conversas como sensíveis, o bloqueio pode alcançar:

  • notícias sobre guerras;

  • fotografias históricas;

  • debates políticos;

  • relatos de violência;

  • educação sexual;

  • quadrinhos;

  • mangás;

  • animes;

  • obras de arte;

  • campanhas de saúde;

  • denúncias de abuso;

  • conversas entre adultos;

  • perfis inteiros que publicaram algum material considerado sensível.

O algoritmo não lê como um adulto. Ele administra riscos como um departamento jurídico depois do terceiro café e antes da reunião com a diretoria.

Uma pintura renascentista, uma página de Milo Manara, uma cena de anime, uma reportagem policial e pornografia propriamente dita podem terminar na mesma gaveta: “sensível”.

E eu, aos 52 anos, recebo a edição da internet preparada para alguém que talvez ainda precise da autorização dos pais para assistir ao filme das dez.

A infantilização do usuário adulto é vendida como segurança.

Valmont provavelmente diria que a melhor prisão não é aquela que impede a saída. É aquela que convence o prisioneiro de que a chave somente está disponível no plano anual.


3. A censura moderna não precisa usar tesoura

A censura clássica era grosseira.

Havia um funcionário, um carimbo, uma tesoura e uma decisão clara: esta cena pode; aquela não pode; este livro está proibido; aquele filme será cortado.

A censura moderna possui melhor design.

Ela utiliza:

  • termos de serviço;

  • classificação automatizada;

  • redução de alcance;

  • bloqueio geográfico;

  • verificação de idade;

  • suspensão preventiva;

  • remoção silenciosa;

  • desmonetização;

  • assinatura premium;

  • resposta automática sem direito efetivo de contestação.

Ninguém precisa declarar oficialmente que você foi censurado. A plataforma apenas informa que determinado conteúdo “não está disponível”, “pode ser sensível” ou “exige confirmação”.

Não há praça pública, censor visível nem lista de livros proibidos. Existe apenas uma tela vazia e um botão para assinar.

Juridicamente, convém fazer a distinção: uma restrição imposta por empresa privada não é automaticamente censura estatal. Contudo, para o usuário que perdeu acesso a conversas, autores e conteúdos, o efeito material pode ser censório.

A conversa desapareceu.

O perfil ficou invisível.

O acervo deixou de ser acessível.

A memória digital foi reduzida.

Podemos chamar isso de “experiência personalizada”, caso a palavra censura cause desconforto ao departamento de marketing.


4. A proteção de menores tornou-se a chave-mestra

Proteger crianças e adolescentes é obrigação legítima. Existem aliciamento, abuso, exploração sexual, violência transmitida pela internet e redes organizadas que precisam ser combatidas.

O problema começa quando a frase “proteger as crianças” se torna uma chave capaz de abrir qualquer porta jurídica e fechar qualquer porta cultural.

Quem tenta discutir precisão, proporcionalidade ou liberdade artística corre o risco de receber a pergunta fatal:

“Então você é contra a proteção das crianças?”

É uma armadilha retórica perfeita.

A pessoa razoável responde que evidentemente deseja proteger crianças. Nesse momento, já aceitou discutir somente a intensidade do bloqueio, e não se o mecanismo escolhido é adequado.

A Lei nº 15.487/2026 ampliou o alcance do Estatuto da Criança e do Adolescente para incluir representações de crianças ou adolescentes reais ou fictícios em conteúdos definidos como sexualizados ou libidinosos. A norma também alcança determinadas situações produzidas por tecnologias digitais e inteligência artificial.

O objetivo declarado é combater violência sexual e fechar lacunas criadas por deepfakes e materiais inteiramente artificiais. O problema está na amplitude de expressões como “contexto”, “pose”, “enquadramento”, “conotação sexual” e “demais elementos relevantes”.

Um personagem fictício possui idade determinada pela narrativa? Pela aparência? Pelo corpo? Pela opinião do perito? Pela imaginação do promotor? Pela indignação da associação que surgiu na terça-feira e na quarta já representava todas as crianças desenhadas do hemisfério sul?

O texto oficial pode ser consultado na Lei nº 15.487/2026.

A proteção é necessária. A falta de fronteiras claras é perigosa.


5. O velho CD número 17 agora precisa de parecer jurídico

Imagine uma coleção particular com centenas de horas de animes gravados em CDs e DVDs ao longo de vinte ou trinta anos.

O proprietário não se recorda de cada episódio, cada cena de banho, cada piada de duplo sentido nem da idade declarada de cada elfa que frequentava uma escola mágica em 2003.

Quando o material foi adquirido ou gravado, não existia proibição específica envolvendo determinados personagens fictícios. Décadas depois, a legislação muda.

O passado não é punido retroativamente pela lei nova. Entretanto, armazenar material pode ser considerado uma conduta permanente enquanto o arquivo continua sob controle do proprietário.

Surge então o paradoxo: algo adquirido legalmente pode transformar-se em risco jurídico sem que o colecionador tenha produzido, divulgado ou sequer assistido novamente ao conteúdo.

O CD não mudou.

O arquivo não mudou.

O desenho não mudou.

Mudou o olhar do Estado sobre ele.

A partir desse momento, o colecionador precisa imaginar se algum jurista particularmente criativo poderá descobrir uma adolescente onde ele sempre enxergou uma mulher adulta estilizada.

Druuna, de Paolo Eleuteri Serpieri, é representada claramente como mulher adulta. Muitas personagens de Milo Manara também aparecem em narrativas adultas, embora tenham rostos jovens e corpos idealizados.

Mas o desenho não traz certidão de nascimento anexada ao quadrinho.

A acusação poderá chamar uma personagem de “teen”. A defesa poderá chamá-la de jovem adulta. Um perito poderá medir proporções. Outro falará sobre ingenuidade facial. O juiz decidirá se os quadris possuem idade penalmente relevante.

O Direito terá inventado a antropometria da ninfeta fictícia.

Cesare Lombroso talvez retornasse apenas para pedir participação nos direitos autorais.


6. Los Três Amigos e a defensora pública dos Miguelitos

Pensemos em Los Três Amigos, de Angeli, Laerte e Glauco.

A obra nasceu no universo underground da Chiclete com Banana, povoada por Angel Villa, Laerton, Glauquito, violência, sexo, drogas, perversões, mulas e hordas de Miguelitos infernizando a vida de todos no Viejo México.

Era uma sátira adulta, suja, exagerada e moralmente instável — exatamente como deve ser um bom quadrinho underground.

Se surgisse hoje, provavelmente seria acompanhado por:

  • classificação para maiores de 18 anos;

  • embalagem lacrada;

  • aviso sobre conteúdo sensível;

  • parecer jurídico;

  • consultoria de representação;

  • campanha de boicote;

  • denúncia por estereótipos;

  • pedido de proteção integral aos Miguelitos;

  • associação defensora das mulas exploradas;

  • especialista explicando que a obra normaliza ambientes laborais tóxicos no deserto.

A sátira seria obrigada a comprovar que sabe ser sátira.

Uma página seria retirada do álbum e publicada isoladamente. Um influenciador perguntaria se você deixaria seu filho ler aquilo, embora a revista nunca tivesse sido destinada a crianças. Um parlamentar gravaria um vídeo indignado segurando o quadrinho com uma luva, como se tivesse localizado plutônio enriquecido num sebo.

No fim, talvez a obra fosse considerada constitucionalmente protegida.

Cinco anos depois.

Após processos, despesas, apreensões, cancelamentos e o desaparecimento da editora.

A absolvição tardia é uma forma muito elegante de censura. A obra vence, mas já não existe ninguém para reimprimi-la.


7. Ligações Perigosas talvez também precise apresentar documentos

E aqui chegamos ao anfitrião ácido desta conversa.

Ligações Perigosas trata de manipulação, sedução, poder, moralidade, desejo e destruição. Seus personagens não oferecem modelos seguros para uma campanha educativa. Valmont não pede consentimento ao departamento de compliance antes de iniciar seus jogos psicológicos. A Marquesa de Merteuil dificilmente seria aprovada por uma consultoria de relacionamento saudável.

A obra não nos manda imitá-los.

Ela os apresenta.

Essa diferença elementar — representar não é recomendar — parece cada vez mais difícil de preservar.

Um dia alguém poderá dizer que o filme romantiza manipulação, abuso emocional, relações desequilibradas ou exploração de jovens. Outra pessoa pedirá aviso de conteúdo. Uma plataforma poderá restringi-lo. Um algoritmo talvez conclua que determinados diálogos são impróprios.

Não acredito que Ligações Perigosas esteja prestes a ser proibido no Brasil. Mas já não parece absurdo imaginar uma versão cortada, escondida, reclassificada ou indisponível em determinado catálogo nacional.

Valmont não seria derrotado pela virtude.

Seria derrotado pelo geoblocking.


8. A volta do DVD regional

Quem comprava DVDs lembra-se do pequeno globo acompanhado por um número.

  • Região 1: Estados Unidos e Canadá.

  • Região 2: Europa e Japão.

  • Região 4: América Latina e Austrália.

Você adquiria um filme no exterior, chegava em casa e descobria que o aparelho brasileiro se recusava a executá-lo. O disco estava perfeito. O aparelho funcionava. O problema era geopolítico: o cinema havia recebido fronteiras invisíveis.

A internet prometeu eliminar isso.

Agora estamos construindo um sistema ainda mais sofisticado:

DVD antigoInternet atual
Região gravada no discoPaís identificado pelo IP
Bloqueio no aparelhoBloqueio na conta
Catálogo físico diferenteCatálogo digital diferente
Compra permanenteLicença revogável
Disco continuava com vocêObra pode desaparecer da nuvem
Um número no globoRegra invisível
Região geográficaPaís, idade, assinatura e perfil

O novo código regional será formado por uma equação:

localização + idade presumida + identidade + assinatura + lei nacional
= conteúdo permitido

Um japonês poderá acessar determinado mangá.

Um europeu verá uma edição diferente.

O brasileiro encontrará uma página vazia.

O adulto brasileiro não assinante receberá uma página ainda mais vazia, cuidadosamente preparada para sua segurança.


9. A biografia também poderá atravessar a alfândega moral

Imagine uma autobiografia em que uma pessoa relata aventuras da juventude:

  • a primeira relação sexual;

  • namoros entre adolescentes;

  • diferenças de idade toleradas na época;

  • festas;

  • drogas;

  • viagens;

  • prostituição;

  • ambientes clandestinos;

  • comportamentos que hoje seriam julgados de outra maneira.

Contar não é necessariamente promover.

Registrar não é repetir.

Descrever um erro não é convidar o leitor a cometê-lo.

No Brasil, o Supremo Tribunal Federal decidiu na ADI 4815 que biografias não dependem de autorização prévia. O STF considerou que exigir autorização constitui censura prévia, sem eliminar eventual responsabilização posterior por abusos. A decisão pode ser consultada no portal do STF.

Mas a censura contemporânea não precisa impedir formalmente a publicação.

Pode fazer algo mais delicado:

  • a editora rejeita o original;

  • a livraria digital restringe a obra;

  • o processador de pagamento recusa o produto;

  • a plataforma limita sua divulgação;

  • o algoritmo marca a capa;

  • o marketplace remove o anúncio;

  • o autor passa anos explicando uma passagem isolada.

O livro continua teoricamente permitido.

Apenas não pode ser vendido, localizado, divulgado nem monetizado.

Uma liberdade muito bem-comportada: existe no papel, desde que ninguém tente exercê-la.


10. O paradoxo da privacidade

Para provar que sou adulto, posso ser obrigado a fornecer mais informações:

  • documento;

  • fotografia;

  • cartão;

  • dado biométrico;

  • número telefônico;

  • conta associada;

  • histórico de pagamento.

Quanto mais desejo preservar minha privacidade, menor se torna minha internet.

A mensagem é simples:

Entregue seus dados para provar que merece privacidade adulta.

É uma construção digna da Marquesa de Merteuil.

A proteção da intimidade exige a exposição da identidade. A segurança obriga o usuário a compartilhar aquilo que deseja proteger. Quem recusa não é tratado como cidadão cuidadoso, mas como perfil incompleto e, portanto, suspeito.

Não quero pagar uma assinatura apenas para demonstrar algo que o calendário prova diariamente desde 1992.

Não quero transformar meu cartão de crédito em certidão de nascimento.

E não aceito a premissa de que o adulto somente adquire autonomia depois de tornar-se cliente premium.


11. A internet não será proibida — será dividida em castas

Talvez não vejamos uma grande muralha digital brasileira. O modelo mais provável é mais discreto.

Teremos diferentes internets:

  • a internet do menor;

  • a internet do adulto não verificado;

  • a internet do adulto identificado;

  • a internet do assinante;

  • a internet do criador monetizado;

  • a internet permitida no Brasil;

  • a internet liberada no Japão;

  • a internet acadêmica;

  • a internet corporativa;

  • a internet que existe, mas não aparece na busca.

Isso não ocorrerá por meio de um único plano central.

Cada lei acrescentará uma pequena restrição.

Cada plataforma adicionará uma margem de segurança.

Cada departamento jurídico recomendará bloquear um pouco mais.

Cada algoritmo cometerá alguns falsos positivos.

Cada usuário perderá um pequeno pedaço.

Quando percebermos, a biblioteca mundial terá sido transformada em um conjunto de salas. Para entrar em cada uma, será necessário apresentar documento, localização, assinatura e uma declaração de bons costumes.

O censor do futuro não perguntará o que você pensa.

Perguntará qual é o seu plano.


12. Proteger crianças não exige infantilizar adultos

É perfeitamente possível defender simultaneamente:

  • combate rigoroso à exploração sexual infantil;

  • remoção rápida de material criminoso;

  • investigação de aliciadores;

  • responsabilização de plataformas negligentes;

  • proteção de dados dos menores;

  • mecanismos de supervisão parental;

  • liberdade artística;

  • preservação histórica;

  • privacidade dos adultos;

  • acesso proporcional;

  • contestação de decisões automatizadas;

  • verificação etária gratuita e minimamente invasiva.

A escolha não precisa ser entre uma internet sem regras e um condomínio digital administrado por um síndico moralista.

O que precisamos é de precisão.

Leis penais devem definir com clareza aquilo que proíbem. Plataformas devem explicar por que restringiram determinada conta. Adultos devem possuir forma gratuita de contestar classificações incorretas. Obras históricas, jornalísticas, artísticas e acadêmicas precisam de salvaguardas claras.

A proteção de crianças não pode funcionar como cheque em branco para vigiar toda a população.

Quando o Estado e as empresas não conseguem distinguir criança de adulto, arte de abuso, arquivo de propaganda e ficção de incentivo, o problema não é falta de tecnologia.

É falta de critério.


Epílogo — O cinquentão perigosamente não assinante

Tenho 52 anos.

Não sou menor de idade, embora o algoritmo mantenha prudente reserva a esse respeito.

Não preciso que uma plataforma escolha quais conversas posso ler. Não preciso que meu cartão de crédito testemunhe em favor da minha maturidade. E certamente não preciso pagar mensalmente para receber a honra de ser reconhecido como adulto.

O Twitter não me proibiu formalmente.

Apenas reduziu meu acesso, ocultou conteúdos e colocou a solução atrás de uma assinatura.

É uma diferença juridicamente importante e humanamente cômica.

O Visconde de Valmont aprovaria. Afinal, as restrições mais elegantes são aquelas em que a vítima precisa pagar para chamá-las de liberdade.

Talvez um dia Ligações Perigosas seja considerado perigoso demais. Talvez Manara precise anexar certidões de nascimento às suas personagens. Talvez Druuna compareça perante um perito para provar que é adulta. Talvez os Miguelitos conquistem representação processual e as mulas recebam medida protetiva.

Até lá, continuarei aqui: cinquentão, brasileiro, colecionador, leitor, usuário da internet desde o tempo dos modems e oficialmente suspeito de juventude excessiva.

Não por parecer jovem.

Mas por não ter assinado.

Isaac Asimov Entra no CPD — O Dia em que o COBOL Conheceu a Inteligência Artificial e Descobriu que o Robô Também Precisava de JCL, Dados e Supervisão Humana

 

Bellacosa Mainframe apresenta inteligencia artificial para padawan

☕ Um Café no Bellacosa Mainframe

Isaac Asimov Entra no CPD — O Dia em que o COBOL Conheceu a Inteligência Artificial e Descobriu que o Robô Também Precisava de JCL, Dados e Supervisão Humana

Ou: por que a IA generativa não pensa como um ser humano, um prompt não é feitiço, RAG não é um novo comando do IDCAMS e nenhuma empresa deveria entregar RACF SPECIAL a um agente autônomo depois de apenas quinze minutos de laboratório



Prólogo — “Computador, resolva isso”, disse o humano sem fornecer o arquivo de entrada

Imagine que Isaac Asimov visite um CPD moderno.

Ele atravessa a porta de segurança, observa os racks, escuta o ruído constante da refrigeração e encontra, em um canto, um terminal com letras verdes. Na tela, um programa COBOL processa milhões de registros sem reclamar, sem pedir café e sem publicar no LinkedIn que concluiu mais um badge.

Ao lado do terminal, há uma interface de inteligência artificial.

O operador escreve:

Analise este programa, explique o erro e sugira uma solução.

A IA responde em segundos. Ela descreve o programa, aponta uma possível falha e apresenta uma alteração aparentemente elegante.

Asimov ajusta os óculos e pergunta:

— A resposta está correta?

Silêncio no CPD.



O operador olha para o desenvolvedor. O desenvolvedor olha para o analista. O analista olha para o programa. O programa olha para ninguém, porque um batch COBOL respeitável não participa de reunião sem necessidade.

Essa é a primeira grande lição sobre inteligência artificial: gerar uma resposta convincente não é a mesma coisa que produzir uma resposta verdadeira.

A IA moderna consegue escrever textos, criar imagens, gerar código, resumir documentos, conversar com usuários, procurar informações e até acionar ferramentas. Entretanto, ela não deixa de precisar de contexto, dados confiáveis, controles de acesso, validação e supervisão humana.

Em outras palavras, a inteligência artificial pode entrar no CPD. Mas primeiro precisa preencher a requisição, apresentar a identificação e explicar por que deseja acesso ao dataset de produção.



1. Afinal, o que é inteligência artificial?

Inteligência artificial é um conjunto de técnicas que permite aos computadores executar atividades normalmente associadas à inteligência humana.

Essas atividades incluem:

  • reconhecer imagens;

  • compreender linguagem;

  • identificar padrões;

  • fazer previsões;

  • recomendar ações;

  • tomar decisões dentro de regras;

  • gerar textos, imagens, sons, vídeos e código;

  • interagir com pessoas por meio de chatbots e assistentes.



A definição é ampla porque IA não representa uma única tecnologia. Ela funciona como um grande condomínio tecnológico no qual moram aprendizado de máquina, redes neurais, processamento de linguagem natural, visão computacional, robótica, sistemas especialistas e modelos generativos.

Para um programador COBOL iniciante, uma comparação útil é pensar em “mainframe”.

Mainframe não significa somente COBOL. Dentro desse universo existem z/OS, CICS, IMS, Db2, VSAM, RACF, JCL, JES2, SDSF, TCP/IP, MQ, APIs e muitas outras tecnologias.

Da mesma forma, IA não significa apenas ChatGPT. Um chatbot generativo é somente uma das aplicações possíveis.

Um sistema de detecção de fraude pode usar IA sem conversar com ninguém. Um banco pode utilizar modelos preditivos para identificar transações suspeitas. Uma indústria pode empregar visão computacional para localizar defeitos em peças. Um hospital pode analisar exames médicos. Um supermercado pode prever demanda de produtos.

A inteligência artificial é o campo. Os modelos, algoritmos e aplicações são os moradores desse campo.



2. Inteligência artificial ou inteligência aumentada?

Existe uma diferença importante entre inteligência artificial e inteligência aumentada.

A expressão “inteligência artificial” pode sugerir que a máquina está substituindo integralmente o ser humano. Já “inteligência aumentada” enfatiza que a tecnologia amplia a capacidade humana.

Essa segunda interpretação é especialmente valiosa nos ambientes corporativos.

Um sistema pode analisar milhares de registros e apontar anomalias. Entretanto, um profissional experiente deve interpretar o contexto, verificar impactos e decidir a ação adequada.

Pense em um incidente de produção.

A IA pode:

  • resumir mensagens do job;

  • relacionar o erro com incidentes anteriores;

  • localizar a documentação;

  • sugerir os programas envolvidos;

  • gerar uma hipótese para a causa;

  • preparar uma consulta SQL;

  • recomendar testes.

Mas ela não deveria promover uma alteração diretamente em produção sem autorização, validação e rastreabilidade.

A IA funciona como um assistente extremamente rápido, capaz de consultar uma biblioteca enorme e preparar hipóteses. O especialista continua responsável por avaliar se aquelas hipóteses fazem sentido.

Asimov provavelmente reconheceria aqui uma versão corporativa de suas famosas Leis da Robótica: quanto maior a capacidade de uma máquina agir, maiores devem ser os controles destinados a impedir danos.



3. IA estreita, IA geral e superinteligência

A inteligência artificial também pode ser classificada por sua capacidade.

IA estreita ou fraca

É criada para executar uma tarefa específica ou um conjunto limitado de tarefas.

Exemplos:

  • filtro de spam;

  • recomendação de filmes;

  • reconhecimento facial;

  • previsão de demanda;

  • assistente de programação;

  • chatbot de atendimento;

  • sistema antifraude.

Praticamente todas as aplicações de IA atualmente disponíveis pertencem a essa categoria.

Uma IA pode jogar xadrez melhor que quase todos os seres humanos e ainda ser incapaz de preencher uma declaração de imposto de renda. Ela domina uma tarefa, mas não possui uma compreensão geral do mundo.

É como um programa COBOL excelente em calcular folha de pagamento. Ele pode processar milhões de salários corretamente, mas não saberá reservar uma passagem aérea, a menos que alguém desenvolva essa funcionalidade.

IA geral ou forte

Seria uma inteligência capaz de aprender, compreender e executar diversas tarefas intelectuais, transferindo conhecimento entre domínios de maneira semelhante a um ser humano.

Essa inteligência ainda não foi alcançada de forma comprovada.

Modelos generativos modernos são versáteis e podem aparentar inteligência geral durante uma conversa. Contudo, continuam apresentando limitações importantes, como erros factuais, dificuldades de raciocínio consistente e ausência de compreensão humana completa.

Superinteligência

É uma hipótese na qual a inteligência da máquina superaria a humana em praticamente todos os domínios.

Esse conceito aparece com frequência na ficção científica, desde os robôs de Asimov até computadores que decidem que a melhor forma de proteger a humanidade é trancá-la em casa.

É um tema legítimo para pesquisa e reflexão, mas não descreve os sistemas corporativos atuais. Seu chatbot de Recursos Humanos ainda está longe de dominar o planeta. Algumas vezes ele sequer consegue interpretar corretamente “segunda via do comprovante”.



4. Como uma máquina aprende?

A inteligência artificial moderna depende fortemente do aprendizado de máquina, ou machine learning.

Em vez de programar todas as regras explicitamente, fornecemos dados para que um algoritmo encontre padrões.

No desenvolvimento tradicional, temos algo parecido com:

DADOS + REGRAS PROGRAMADAS → RESULTADO

No aprendizado de máquina, o processo pode ser representado assim:

DADOS + RESULTADOS CONHECIDOS → MODELO

Depois de treinado:

NOVOS DADOS + MODELO → PREVISÃO

Isso não elimina a programação. Alguém ainda precisa desenvolver o pipeline, preparar dados, escolher algoritmos, configurar infraestrutura, testar o modelo, monitorar resultados e integrar tudo aos sistemas existentes.

A máquina não acorda numa terça-feira e decide aprender sozinha sobre crédito bancário. Ela recebe dados selecionados por pessoas, dentro de um processo criado por pessoas e com objetivos definidos por pessoas.

Existem três formas clássicas de aprendizado.

Aprendizado supervisionado

O modelo recebe exemplos com respostas conhecidas.

Se quisermos ensinar um sistema a identificar operações fraudulentas, podemos fornecer transações classificadas como “fraude” ou “legítima”.

O modelo aprende relações entre os atributos e as classificações.

Dentro do aprendizado supervisionado temos, entre outras técnicas:

  • classificação, para escolher categorias;

  • regressão, para estimar valores contínuos.

Classificar uma transação como fraude ou não fraude é classificação. Estimar o valor provável de uma propriedade é regressão.

Aprendizado não supervisionado

Os dados não possuem rótulos prontos. O algoritmo procura estruturas, agrupamentos e comportamentos incomuns.

Ele pode descobrir, por exemplo, grupos de clientes com hábitos semelhantes ou transações muito diferentes do padrão habitual.

É particularmente útil para clustering e detecção de anomalias.

Aprendizado por reforço

Um agente executa ações, observa os resultados e recebe recompensas ou penalidades.

Aos poucos, aprende estratégias que maximizam a recompensa.

Essa abordagem pode ser utilizada em jogos, robótica, navegação e otimização de decisões.

É quase como treinar um operador virtual:

  • executou a ação correta: recompensa;

  • derrubou a produção: penalidade;

  • executou DELETE ... PURGE no dataset errado: reunião extraordinária com a gerência e possível exílio para uma lua distante.



5. Treinamento, validação e teste: não vale estudar com o gabarito aberto

Os dados normalmente são separados em três conjuntos.

Conjunto de treinamento

É usado para ensinar os padrões ao modelo.

Conjunto de validação

Ajuda a ajustar parâmetros e comparar versões durante o desenvolvimento.

Conjunto de teste

É utilizado para avaliar o desempenho final com dados que o modelo não deveria ter visto durante o treinamento.

Se usarmos os mesmos dados para treinar e avaliar, o modelo pode simplesmente memorizar exemplos sem aprender a generalizar.

Esse problema é conhecido como overfitting.

Uma analogia simples: o aluno memoriza todas as respostas do simulado, obtém nota máxima nele e depois fracassa quando a prova apresenta perguntas diferentes.

No mainframe, seria como testar uma alteração somente com o registro feliz, perfeitamente preenchido, enquanto a produção contém datas inválidas, campos com espaços, valores inesperados, copybooks antigas e aquele arquivo criado em 1998 que ninguém deseja investigar.

Um modelo confiável precisa enfrentar dados representativos da realidade.



6. Redes neurais e deep learning

Redes neurais são modelos computacionais inspirados, de forma simplificada, na organização de neurônios biológicos.

Elas possuem:

  • uma camada de entrada;

  • uma ou mais camadas intermediárias;

  • uma camada de saída.

Cada conexão trabalha com valores ajustados durante o treinamento. O modelo modifica esses valores para reduzir seus erros.

Quando existem muitas camadas, entramos no campo do deep learning.

O aprendizado profundo tornou possíveis grandes avanços em:

  • reconhecimento de voz;

  • tradução automática;

  • visão computacional;

  • reconhecimento facial;

  • análise de imagens médicas;

  • veículos autônomos;

  • processamento de linguagem;

  • geração de conteúdo.

Há diversos tipos de redes neurais, como perceptrons, redes feed-forward, redes convolucionais e redes recorrentes.

Para o iniciante, o mais importante é entender que uma rede neural não contém pequenas regras escritas em português. Ela aprende representações matemáticas distribuídas.

Por isso, pode ser difícil explicar exatamente por que determinado resultado foi produzido. Surge o problema da “caixa-preta”: o modelo apresenta ótima precisão, mas seu caminho de decisão pode não ser facilmente interpretável.

Em áreas reguladas, como bancos, seguros, saúde e governo, essa falta de explicabilidade pode ser crítica.



7. O que torna a IA generativa diferente?

A IA tradicional costuma classificar, prever ou recomendar.

A IA generativa cria novos conteúdos com base nos padrões aprendidos.

Ela pode gerar:

  • textos;

  • imagens;

  • músicas;

  • vozes;

  • vídeos;

  • código;

  • designs;

  • resumos;

  • conversas;

  • dados sintéticos.

Isso não significa que a máquina cria da mesma maneira que um artista humano. O modelo aprende estruturas estatísticas presentes nos dados e produz uma nova combinação considerada provável dentro do contexto solicitado.

Uma forma simples de explicar o processo é:

EXEMPLOS + TREINAMENTO → PADRÕES APRENDIDOS
PROMPT + PADRÕES APRENDIDOS → NOVO CONTEÚDO

O prompt é a instrução enviada pelo usuário.

Exemplo ruim:

Explique este programa.

Exemplo melhor:

Explique este programa COBOL para um desenvolvedor iniciante. Identifique as divisões, descreva o fluxo, liste arquivos utilizados, destaque possíveis riscos de dados inválidos e não invente informações ausentes.

Quanto mais claro for o objetivo, o público, o contexto, o formato e as restrições, maior a chance de obter uma resposta útil.

Um prompt não é uma frase mágica. É uma especificação de trabalho.

Programadores COBOL já conhecem esse problema. Se a especificação diz apenas “ajustar cálculo”, alguém passará a madrugada tentando descobrir qual cálculo, qual programa, qual carteira, qual vigência e qual regra de arredondamento.

A IA também precisa de contexto.



8. Os principais modelos generativos

Há diferentes arquiteturas usadas na IA generativa.

Variational Autoencoders — VAEs

Um encoder transforma os dados em uma representação compacta chamada espaço latente. Um decoder utiliza essa representação para gerar novos exemplos.

O espaço latente captura características relevantes dos dados.

Generative Adversarial Networks — GANs

Uma GAN utiliza dois componentes:

  • o gerador cria amostras;

  • o discriminador tenta identificar se elas são reais ou artificiais.

Os dois componentes competem e melhoram juntos.

É como um falsificador tentando produzir documentos cada vez mais convincentes enquanto um inspetor aprende a detectar as falsificações.

Modelos autorregressivos

Produzem dados sequencialmente, considerando os elementos anteriores.

Na geração de texto, o modelo prevê o próximo token com base nos tokens que vieram antes.

Transformers

Os Transformers revolucionaram o processamento de linguagem graças, entre outros elementos, ao mecanismo de atenção.

A atenção ajuda o modelo a identificar quais partes do contexto são mais relevantes para gerar o próximo elemento.

Eles estão na base de muitos modelos de linguagem modernos.

O easter egg aqui é inevitável: apesar do nome, um Transformer não se converte num caminhão e não luta contra Decepticons no estacionamento do data center. Seu trabalho é matemático, embora uma GPU superaquecida possa produzir efeitos especiais convincentes.



9. LLMs: os grandes modelos de linguagem

LLM significa Large Language Model, ou grande modelo de linguagem.

Esses modelos são treinados com enormes volumes de texto para aprender relações entre palavras, trechos de palavras, símbolos e estruturas.

O texto é dividido em tokens. Um token pode representar uma palavra inteira, parte de uma palavra, pontuação ou sequência de caracteres.

Ao receber um prompt, o modelo calcula probabilidades e seleciona os tokens que formarão a resposta.

Ele não procura necessariamente uma frase armazenada. Ele gera a sequência passo a passo.

Por isso, um LLM consegue produzir respostas originais e adaptar o estilo ao pedido. Também por isso pode inventar uma informação que parece perfeitamente plausível.

Um LLM é uma fantástica máquina de produzir linguagem provável.

“Provável”, entretanto, não significa “verdadeira”.

Se o modelo já viu muitos exemplos em que determinadas palavras aparecem juntas, ele pode construir uma resposta coerente mesmo sem possuir a informação correta.

Esse fenômeno é chamado de alucinação.

No mundo COBOL, seria como receber uma mensagem muito segura dizendo que FILE STATUS 97 significa “registro bloqueado por excesso de café”. A explicação pode soar memorável, mas você precisa verificar a documentação.



10. RAG: quando o modelo recebe uma biblioteca antes de responder

Retrieval-Augmented Generation, ou RAG, combina recuperação de informações com geração de conteúdo.

O processo normalmente possui três passos:

  1. o usuário faz uma pergunta;

  2. o sistema recupera documentos relevantes em uma fonte confiável;

  3. o modelo gera a resposta utilizando a pergunta e os documentos recuperados.

Imagine uma empresa com milhares de manuais, tickets, normas, programas, copybooks, runbooks e documentos técnicos.

Sem RAG, o modelo responde principalmente com base nos padrões aprendidos durante seu treinamento e no contexto colocado manualmente no prompt.

Com RAG, o sistema pode localizar trechos relacionados ao assunto e apresentá-los ao modelo.

Exemplo:

Por que o job FINP023 terminou com RC=12?

O RAG pode recuperar:

  • o manual do processo;

  • ocorrências anteriores;

  • o runbook operacional;

  • mensagens do job;

  • mudanças recentes;

  • a documentação do programa.

O LLM utiliza esse material para preparar uma resposta fundamentada.

O fluxo simplificado é:

PERGUNTA
   ↓
BUSCA DE INFORMAÇÕES
   ↓
DOCUMENTOS RELEVANTES
   ↓
PROMPT ENRIQUECIDO
   ↓
LLM
   ↓
RESPOSTA FUNDAMENTADA

RAG reduz alucinações, melhora a atualização das respostas e permite trabalhar com conhecimento privado da organização.

Mas RAG não é água benta digital.

Se a base contém documentação antiga, contraditória ou incorreta, a resposta também pode ser problemática. Se a busca recuperar o documento errado, o modelo poderá construir uma ótima resposta para a pergunta errada.

A qualidade depende dos documentos, da indexação, da recuperação, do prompt e da validação.




11. E onde entram os grafos?

Grafos representam entidades e relacionamentos.

Em um ambiente mainframe, podemos imaginar entidades como:

  • programas;

  • copybooks;

  • jobs;

  • steps;

  • arquivos;

  • tabelas;

  • transações CICS;

  • usuários;

  • regras de negócio.

Os relacionamentos podem indicar:

  • programa lê arquivo;

  • programa atualiza tabela;

  • job executa programa;

  • copybook é utilizada por programa;

  • transação chama módulo;

  • usuário possui acesso;

  • alteração afeta processo.

Um grafo permite navegar por essas conexões.

Se alguém perguntar “o que pode ser impactado pela mudança desta copybook?”, um grafo de dependências pode localizar os programas, jobs e processos relacionados.

RAG e grafos podem trabalhar juntos.

O RAG recupera documentos e trechos relevantes. O grafo ajuda a recuperar relações estruturadas entre componentes.

Para modernização de aplicações COBOL, essa combinação é poderosa. Ela pode ajudar a construir mapas de dependência, explicar fluxos, localizar regras de negócio e avaliar impactos.

Só não devemos confundir representação com certeza absoluta. Se o inventário estiver incompleto, o grafo também estará.

Um mapa incorreto continua sendo um mapa. Apenas conduz o aventureiro ao dungeon errado.



12. Chatbots, assistentes e agentes

Um chatbot é um programa criado para conversar com usuários.

Os primeiros chatbots eram fortemente baseados em regras. Eles identificavam palavras-chave e seguiam fluxos predefinidos.

Exemplo:

Se usuário escrever “segunda via”:
    apresentar menu de documentos.

Chatbots modernos podem utilizar NLP, machine learning e modelos generativos para compreender variações da linguagem e manter conversas mais naturais.

Assistentes inteligentes vão além da conversa. Eles podem executar tarefas, consultar sistemas e personalizar respostas.

Já um agente de IA percebe o ambiente, planeja ações, utiliza ferramentas e trabalha para alcançar um objetivo.

Um agente pode:

  1. receber uma meta;

  2. dividir a meta em etapas;

  3. consultar documentos;

  4. chamar uma API;

  5. executar código;

  6. avaliar o resultado;

  7. decidir o próximo passo.

É aqui que a discussão fica mais séria.

Um chatbot que escreve uma resposta incorreta pode confundir um usuário. Um agente com acesso a sistemas pode executar uma ação incorreta.

A diferença é semelhante àquela entre um colega sugerir um comando e alguém executar esse comando com autoridade de produção.

Quanto maior a autonomia, maior deve ser o controle.

Um agente corporativo precisa de:

  • identidade própria;

  • privilégios mínimos;

  • limites de ação;

  • registros de auditoria;

  • aprovação humana em operações críticas;

  • monitoramento;

  • botão de interrupção;

  • tratamento de exceções;

  • ambientes separados;

  • testes.

Nunca entregue ao agente a chave mestra porque ele passou no quiz introdutório com 100%.



13. IA, nuvem, edge e Internet das Coisas

A IA frequentemente trabalha com outras tecnologias.

Internet das Coisas — IoT

Dispositivos físicos coletam e compartilham dados.

Exemplos:

  • sensores industriais;

  • câmeras;

  • veículos;

  • dispositivos médicos;

  • equipamentos agrícolas;

  • sistemas prediais.

Computação em nuvem

Fornece armazenamento, processamento e serviços pela internet.

Ela facilita o treinamento e a disponibilização de modelos em grande escala.

Edge computing

Processa dados próximo de onde são gerados, reduzindo latência e dependência de conectividade.

Um veículo autônomo não pode enviar toda decisão para um data center distante e esperar tranquilamente a resposta enquanto se aproxima de uma parede.

A combinação dessas tecnologias permite semáforos inteligentes, agricultura de precisão, manutenção preditiva, edifícios automatizados e transporte conectado.

O mainframe pode participar desse ecossistema como sistema de registro, processador de transações e guardião de dados essenciais.

A IA não necessariamente substitui o legado. Muitas vezes ela se conecta ao legado por APIs, mensageria, eventos e camadas de integração.



14. Como a IA transforma empresas

A IA pode contribuir em diferentes áreas.

Automação

Executa tarefas repetitivas, como classificação de documentos, entrada de dados, agendamento e preparação de relatórios.

Análise de dados

Identifica padrões em grandes volumes de informação, auxilia previsões e apoia decisões.

Atendimento

Chatbots oferecem disponibilidade contínua, atendem muitos usuários e encaminham casos complexos para pessoas.

Desenvolvimento de produtos

A IA generativa cria alternativas de design, protótipos, descrições, simulações e ideias.

Marketing

Pode auxiliar na produção de conteúdo, segmentação, personalização e análise de comportamento.

Desenvolvimento de software

Pode explicar código, sugerir testes, completar trechos, gerar documentação e apoiar modernizações.

Para adotar IA de forma responsável, a empresa deve:

  1. definir o problema de negócio;

  2. estabelecer objetivos mensuráveis;

  3. selecionar casos de uso adequados;

  4. avaliar a disponibilidade e a qualidade dos dados;

  5. preparar pessoas e infraestrutura;

  6. desenvolver ou adquirir a solução;

  7. testar;

  8. integrar;

  9. monitorar;

  10. melhorar continuamente.

Comprar uma licença de IA não constitui estratégia.

É como instalar um compilador COBOL e anunciar que o sistema bancário está pronto.



15. A oportunidade para o desenvolvedor COBOL

O profissional COBOL possui uma vantagem frequentemente subestimada: conhecimento do negócio.

Modelos podem gerar código, mas não compreendem automaticamente décadas de decisões incorporadas aos sistemas.

Um programa antigo pode conter:

  • regras fiscais;

  • exceções contratuais;

  • convenções históricas;

  • adaptações regulatórias;

  • comportamentos esperados por outros sistemas;

  • tratamentos criados após incidentes esquecidos.

A IA pode ajudar o desenvolvedor COBOL a:

  • explicar programas;

  • produzir pseudocódigo;

  • documentar copybooks;

  • sugerir casos de teste;

  • localizar riscos;

  • traduzir regras para linguagem natural;

  • preparar consultas SQL;

  • analisar mensagens de erro;

  • criar exemplos de APIs;

  • comparar versões;

  • construir inventários;

  • estudar novas tecnologias.

Mas o desenvolvedor deve proteger dados empresariais. Código, credenciais, informações de clientes e regras proprietárias não devem ser enviados indiscriminadamente para ferramentas públicas.

Antes de utilizar uma IA, verifique:

  • a política da organização;

  • o tipo de dado permitido;

  • onde o conteúdo será processado;

  • se os prompts serão armazenados;

  • se serão usados para treinamento;

  • quais controles de privacidade existem;

  • quem é responsável pela validação.

O PROCEDURE DIVISION pode ser antigo. A obrigação de confidencialidade continua perfeitamente atual.


16. Ética: as novas Leis da Robótica corporativa

A IA apresenta riscos relacionados a:

  • privacidade;

  • segurança;

  • viés;

  • discriminação;

  • transparência;

  • direitos autorais;

  • desinformação;

  • deepfakes;

  • falta de explicabilidade;

  • autonomia excessiva;

  • desigualdade de acesso;

  • consumo de energia.

Os dados usados no treinamento podem conter preconceitos históricos. O modelo aprende esses padrões e pode reproduzi-los.

Informações confidenciais podem aparecer em datasets, prompts, logs ou respostas.

Conteúdos generativos podem parecer autênticos e ser utilizados para fraude ou manipulação.

Sistemas automatizados podem tomar decisões que afetam pessoas sem oferecer uma explicação adequada.

A resposta não é abandonar a IA. É desenvolver governança.

Asimov criou leis fictícias para limitar os robôs. Empresas precisam de mecanismos muito menos literários e muito mais verificáveis:

  • políticas;

  • responsabilidades definidas;

  • avaliação de risco;

  • gestão de dados;

  • controles técnicos;

  • auditorias;

  • documentação;

  • testes de viés;

  • monitoramento;

  • gestão de incidentes;

  • conformidade regulatória;

  • supervisão humana.

Entre os referenciais conhecidos estão o NIST AI Risk Management Framework e a legislação europeia sobre inteligência artificial.

Governança não é a reunião que acontece depois do incidente. É o conjunto de práticas que tenta impedir que o incidente aconteça.


17. Por que os modelos alucinam?

Um LLM não funciona como uma base de dados tradicional.

Ele foi treinado para gerar sequências linguisticamente coerentes. Quando não possui informação suficiente, pode completar a resposta com algo provável.

A alucinação pode ocorrer por:

  • falta de contexto;

  • ambiguidade no prompt;

  • conhecimento desatualizado;

  • dados de treinamento incompletos;

  • recuperação inadequada no RAG;

  • pressão para responder mesmo sem evidência;

  • tarefas que exigem precisão além da capacidade do modelo.

Algumas formas de reduzir o risco:

  • fornecer contexto confiável;

  • usar RAG;

  • solicitar fontes;

  • limitar o modelo aos documentos apresentados;

  • permitir que responda “não encontrei informação”;

  • validar resultados;

  • usar ferramentas determinísticas para cálculos;

  • testar diferentes cenários;

  • manter revisão humana.

A instrução mais importante pode ser:

Se não houver evidência suficiente, informe que não sabe.

Isso parece simples, mas contraria a tendência natural do modelo de continuar gerando uma resposta.

É o equivalente artificial daquele colega que nunca diz “não sei”, mesmo quando acabou de conhecer o sistema há três dias.



18. Um laboratório prático para o iniciante

Você pode experimentar IA generativa sem começar por uma arquitetura gigantesca.

Escolha um pequeno programa COBOL fictício, sem dados confidenciais.

Passo 1 — Peça uma explicação

Explique este programa COBOL para um iniciante. Descreva as divisões, os arquivos, o fluxo principal e a saída.

Passo 2 — Peça uma revisão crítica

Identifique riscos de dados inválidos, divisões por zero, campos não inicializados e problemas com tratamento de FILE STATUS.

Passo 3 — Solicite testes

Crie uma tabela de casos de teste contendo entrada, resultado esperado e risco coberto.

Passo 4 — Compare com o código

Verifique cada afirmação. Marque o que está correto, parcialmente correto ou inventado.

Passo 5 — Melhore o prompt

Acrescente contexto e restrições.

Passo 6 — Faça a IA revisar a própria resposta

Reanalise sua resposta. Para cada conclusão, informe qual trecho do programa oferece evidência.

Passo 7 — Registre o aprendizado

Observe onde a IA ajudou e onde precisou de supervisão.

Esse exercício ensina mais que simplesmente pedir “faça meu trabalho”. Ele demonstra a relação correta entre especialista e ferramenta.


19. O fluxo completo de uma IA generativa moderna

Podemos resumir uma solução moderna assim:

  1. o usuário envia um prompt;

  2. uma camada de segurança verifica conteúdo, identidade e permissões;

  3. o sistema interpreta a intenção;

  4. o RAG procura informações relevantes;

  5. grafos podem localizar entidades e dependências;

  6. o prompt é enriquecido com contexto;

  7. o LLM gera uma resposta;

  8. ferramentas podem ser chamadas para executar tarefas;

  9. filtros avaliam o resultado;

  10. uma pessoa revisa decisões importantes;

  11. logs registram o processo;

  12. métricas alimentam a melhoria contínua.

Observe que o LLM é apenas uma peça.

A aplicação real também precisa de:

  • autenticação;

  • autorização;

  • integração;

  • recuperação de dados;

  • observabilidade;

  • governança;

  • tratamento de erros;

  • auditoria;

  • infraestrutura;

  • experiência do usuário.

O modelo pode ser o ator famoso no cartaz, mas existe uma equipe inteira mantendo o filme em exibição.

No mainframe conhecemos bem essa realidade. O programa COBOL pode conter a regra principal, porém depende de JCL, datasets, catálogos, segurança, scheduler, mensageria, banco de dados e operação.

IA corporativa também é arquitetura, não apenas modelo.


Epílogo — O robô não substituiu o programador; apenas pediu acesso ao ambiente de homologação

Depois de visitar o CPD, Asimov observa o programa COBOL e a aplicação de IA trabalhando lado a lado.

O COBOL continua fazendo aquilo que sabe fazer muito bem: processar transações críticas de forma previsível.

A IA analisa documentação, auxilia o profissional, sugere testes e torna o conhecimento mais acessível.

Nenhum deles trabalha sozinho.

O sistema legado fornece regras e dados que sustentam o negócio. A IA oferece novas formas de interagir com esse conhecimento. O ser humano define o objetivo, avalia o contexto, administra riscos e assume a responsabilidade.

Essa talvez seja a verdadeira inteligência aumentada.

Não é o robô ocupando a cadeira do analista. É o analista ganhando uma ferramenta capaz de atravessar milhares de páginas, localizar padrões e preparar alternativas — desde que alguém experiente continue perguntando:

  • De onde veio essa informação?

  • Qual evidência sustenta a resposta?

  • Que dado foi utilizado?

  • Qual será o impacto?

  • Quem autorizou a ação?

  • Como podemos interromper o processo?

  • O resultado foi validado?

O futuro não será construído apenas por quem sabe conversar com uma IA. Será construído por quem compreende sistemas, dados, segurança, negócios e responsabilidade.

Para o programador COBOL iniciante, a mensagem é especialmente importante: você não chegou tarde.

O mundo precisa de pessoas capazes de conectar aplicações críticas a novas tecnologias sem destruir aquilo que já funciona. Precisa de profissionais que entendam que uma resposta bonita não substitui um teste, que uma automação não elimina controle e que modernização não significa apagar quarenta anos de conhecimento com um único comando.

Aprenda prompts, LLMs, RAG, agentes, grafos e APIs.

Mas continue aprendendo COBOL, JCL, Db2, CICS, VSAM, RACF e regras de negócio.

Porque, quando o robô finalmente entrar na sala de mudanças e disser “a alteração é pequena”, alguém precisará ter experiência suficiente para responder:

— Ótimo. Então mostre o impacto, apresente os testes e aguarde a janela de implementação.

Em algum lugar da Fundação, Hari Seldon provavelmente sorrirá.

E no CPD, discretamente, o JES2 continuará processando a fila.






terça-feira, 1 de setembro de 2026

🚨 Você ainda acha que COBOL é só MOVE, PERFORM e uma tela verde? Agosto provou que o mainframe continua muito mais vivo — e perigoso — do que muita gente imagina.

 

Bellacosa Mainframe e o resumo da atividade em Agosto de 2026

🚨 Você ainda acha que COBOL é só MOVE, PERFORM e uma tela verde? Agosto provou que o mainframe continua muito mais vivo — e perigoso — do que muita gente imagina.



Um desenvolvedor COBOL não precisa virar especialista em tudo de uma noite para a outra. Mas precisa entender o cenário onde seu programa trabalha: dados no Db2, transações no CICS, operações no z/OS, integrações modernas, segurança, nuvem, containers e, agora, Inteligência Artificial.

Durante agosto, o El Jefe Midnight Lunch publicou artigos para quem quer sair do modo “apenas mantenho programa legado” e enxergar o ecossistema completo do IBM Z.

Temos conversas sobre:

  • IA sem perfume de PowerPoint: limites, riscos, alucinações, automação e pensamento crítico;

  • COBOL, CICS e Db2 explicados com exemplos, incidentes e histórias que ajudam a fixar o conceito;

  • Kubernetes e arquitetura moderna traduzidos para quem conhece batch, JCL, transação e produção de verdade;

  • Red Team, golpes digitais, segurança e contas fantasmas;

  • casos reais de falhas, migrações e decisões técnicas que custaram caro;

  • curiosidades, cultura pop, humor e aquelas perguntas que normalmente não aparecem no treinamento oficial.

Porque aprender mainframe não é decorar comandos. É entender por que um S0C7, um -805, um ABEND, uma regra mal escrita ou uma mudança aparentemente pequena podem parar um processo inteiro.

Passe pelos artigos de agosto, escolha um tema que provoque sua curiosidade e venha tomar esse café. O mainframe continua processando o mundo — e ainda tem muito segredo escondido no spool.

🔗 https://eljefemidnightlunch.blogspot.com/2026/08/



Resumo de Agosto de 2026


https://dio.me/articles/voce-ainda-acha-que-cobol-e-so-legado-move-perform-e-uma-tela-verde-f6320bc08379


Vagner Renato Bellacosa, IBM Champion e especialista em IBM Mainframe
IBM Z17 SYSTEM ONLINE
Sobre o autor

Vagner Renato Bellacosa

IBM Champion 2026 • Especialista em IBM Mainframe

Vagner Renato Bellacosa trabalha com IBM Mainframe desde 1988 , é IBM Champion e especialista em COBOL, CICS, Db2, z/OS e IBM Z. Compartilha experiências profissionais, conhecimento técnico, história da computação e práticas do universo mainframe para aproximar novas gerações das tecnologias que sustentam empresas, bancos e governos ao redor do mundo.

IBM Champion IBM Z COBOL CICS Db2 z/OS Mainframe desde 1988
GitHub LinkedIn
Inicializando conteúdo...