 |
| Bellacosa Mainframe e o roadmap para aprender ia gratuitamente |
☕ Um Café no Bellacosa Mainframe
Os Cursos Gratuitos de Inteligência Artificial que Todo Programador COBOL Padawan Precisa Conhecer em 2026
Do cartão perfurado aos agentes inteligentes: como aprender IA sem gastar uma fortuna, sem cair em promessas vazias e sem abandonar os fundamentos da computação
Existe uma antiga lenda contada nos corredores refrigerados dos grandes datacenters.
Dizem que, em algum ponto entre uma sala de operações z/OS, uma tela verde 3270 e uma máquina de café que nunca é desligada, existe um programador COBOL veterano capaz de compreender qualquer sistema legado apenas observando três coisas:
o JCL de execução;
o layout do arquivo;
e o horário em que o ABEND aconteceu.
Esse profissional já enfrentou arquivos VSAM corrompidos, SQLCODE negativo em produção, CICS congelado na virada do mês, programa COBOL alterado sem documentação e aquele misterioso job que “sempre funcionou assim”.
Mas então chegou 2026.
De repente, todos começaram a falar sobre ChatGPT, Claude, Gemini, Copilot, agentes, engenharia de prompts, modelos de linguagem, RAG, embeddings, inteligência artificial generativa, automação cognitiva e ferramentas capazes de escrever código, analisar documentos e conversar com bancos de dados.
O nosso programador COBOL Padawan olhou para tudo aquilo e perguntou:
“Capitão, preciso pagar cinco mil reais em um curso de IA para entender isso?”
A resposta é:
Não necessariamente.
Hoje existem excelentes materiais gratuitos oferecidos diretamente por organizações como OpenAI, Anthropic, Google, Microsoft, Harvard, MIT, NVIDIA e AWS.
Porém, existe um detalhe importante.
Esses cursos não são “os únicos cursos de IA que você precisará durante toda a vida”. Essa frase é uma hipérbole típica das redes sociais, criada para gerar compartilhamentos, curtidas e aquela sensação de que alguém descobriu um atalho secreto para o conhecimento.
Os cursos são excelentes pontos de partida.
Mas a verdadeira jornada exige algo maior: fundamentos, prática, senso crítico, experiência e capacidade de integrar IA aos problemas reais do mundo corporativo.
Portanto, sente-se, Padawan.
Pegue uma caneca de café.
Ajuste o comunicador da Frota Estelar.
Vamos atravessar a fronteira entre o COBOL tradicional e a Inteligência Artificial moderna.
1. A grande mudança: aprender IA não significa apenas criar redes neurais
Durante muito tempo, estudar Inteligência Artificial significava entrar em uma trilha bastante acadêmica.
O estudante precisava aprender:
álgebra linear;
cálculo diferencial;
estatística;
probabilidade;
Python;
algoritmos;
aprendizado de máquina;
redes neurais;
processamento de linguagem natural;
visão computacional.
Tudo isso continua sendo importante.
Nada disso ficou obsoleto.
Quem deseja trabalhar como cientista de dados, engenheiro de machine learning, pesquisador ou desenvolvedor de modelos precisa conhecer profundamente esses fundamentos.
O que mudou foi a existência de uma nova camada.
Hoje você não precisa necessariamente construir um modelo de Inteligência Artificial para começar a usar IA de maneira produtiva.
Você pode utilizar modelos já existentes para:
resumir documentos;
interpretar códigos;
gerar testes;
revisar SQL;
analisar logs;
criar documentação;
elaborar planos de estudo;
organizar ideias;
extrair informações;
criar roteiros;
desenvolver protótipos;
automatizar processos.
É como a diferença entre construir um processador e programar para um processador.
O programador COBOL não precisa projetar os circuitos internos de um IBM Z para desenvolver um sistema bancário. Ele precisa compreender como utilizar aquela plataforma com segurança, eficiência e responsabilidade.
Da mesma forma, você não precisa construir um modelo de linguagem para começar a utilizá-lo.
Mas precisa saber conduzi-lo.
E essa condução vai muito além de digitar:
“Faça um programa COBOL.”
2. Engenharia de prompts: o novo cartão de controle da IA
Imagine um job JCL.
Você não envia para o JES apenas a frase:
EXECUTE MEU SISTEMA.
Você informa:
qual programa será executado;
quais bibliotecas serão usadas;
quais arquivos serão lidos;
quais parâmetros serão recebidos;
para onde a saída será enviada;
o que fazer se houver erro.
Um bom prompt funciona de maneira semelhante.
A Inteligência Artificial precisa de contexto.
Ela precisa saber:
quem deve representar;
qual problema deve resolver;
quem é o público;
quais restrições devem ser obedecidas;
qual formato de resposta deve produzir;
quais exemplos devem ser seguidos;
quais informações não podem ser inventadas.
Um prompt fraco seria:
Explique COBOL.
Um prompt melhor seria:
Explique o funcionamento da cláusula OCCURS em COBOL para um
programador iniciante que conhece lógica de programação, mas nunca
trabalhou com tabelas em mainframe.
Use um exemplo com cadastro de 10 produtos, mostre a WORKING-STORAGE,
a PERFORM VARYING e explique os riscos de subscritos fora do limite.
A diferença é enorme.
No primeiro caso, a IA precisa adivinhar quase tudo.
No segundo, recebe uma espécie de “JCL intelectual”.
Você forneceu o programa, os parâmetros, o formato e o destino da saída.
Essa é a essência inicial da engenharia de prompts.
Contudo, em 2026, a evolução já está levando o mercado para além do prompt isolado.
Agora falamos em:
engenharia de contexto;
workflows;
agentes;
memória;
ferramentas;
avaliação automática;
recuperação de informações;
integração com sistemas externos.
O prompt é apenas o primeiro cartão do deck.
3. OpenAI Academy: a porta de entrada para o universo ChatGPT
A OpenAI oferece conteúdos educacionais voltados para o uso de Inteligência Artificial em contextos pessoais, profissionais e técnicos.
Para um programador COBOL Padawan, o maior valor não está somente em aprender “truques de prompt”.
O verdadeiro valor está em compreender como transformar um diálogo com IA em um processo estruturado.
Você pode, por exemplo, utilizar o ChatGPT para analisar um programa COBOL legado.
Mas, em vez de enviar milhares de linhas e perguntar “o que isso faz?”, é melhor dividir o trabalho em etapas.
Etapa 1 — Entender a estrutura
Peça para identificar:
divisões;
seções;
arquivos;
tabelas;
variáveis;
programas chamados;
operações de entrada e saída.
Etapa 2 — Mapear o fluxo
Solicite:
ponto inicial;
parágrafos principais;
decisões;
laços;
tratamento de erros;
pontos de saída.
Etapa 3 — Identificar regras de negócio
Pergunte:
quais campos determinam decisões;
quais cálculos são realizados;
quais registros são rejeitados;
quais condições geram mensagens;
quais tabelas ou arquivos são atualizados.
Etapa 4 — Validar a interpretação
Nunca aceite automaticamente o resultado.
Compare com:
copybooks;
documentação;
JCL;
arquivos;
exemplos de entrada;
saídas conhecidas;
comportamento do programa em teste.
Esse processo é muito mais importante do que memorizar “o prompt perfeito”.
O profissional eficiente não busca uma frase mágica.
Ele cria uma sequência de análise.
Na linguagem da Frota Estelar, não basta perguntar ao computador da Enterprise:
“Onde está a nave inimiga?”
Você precisa verificar os sensores, comparar as leituras, observar interferências e confirmar se Q não está pregando alguma peça.
4. Claude: documentação, análise extensa e raciocínio estruturado
O Claude, desenvolvido pela Anthropic, tornou-se conhecido por lidar bem com textos longos, documentação extensa e tarefas de análise.
Para profissionais de mainframe, isso pode ser extremamente útil.
O universo IBM Z é repleto de:
manuais;
redbooks;
procedimentos operacionais;
dumps;
mensagens;
documentação de arquitetura;
normas de segurança;
especificações antigas;
programas com décadas de evolução.
Um modelo capaz de ajudar a organizar grandes volumes de texto pode funcionar como um oficial científico.
Mas atenção: ele não substitui o especialista.
Pense no Claude como o senhor Spock.
Spock pode analisar milhares de informações e encontrar relações lógicas rapidamente. Porém, o capitão ainda precisa tomar a decisão considerando missão, contexto, risco e consequências.
Um bom uso seria fornecer uma especificação interna e pedir:
Organize este documento em:
1. objetivo do sistema;
2. entradas;
3. saídas;
4. regras de negócio;
5. dependências;
6. riscos;
7. pontos que precisam de esclarecimento.
Não complete informações ausentes. Marque qualquer lacuna como
“não documentada”.
Observe a última instrução:
“Não complete informações ausentes.”
Isso é fundamental.
Modelos de IA podem produzir respostas plausíveis mesmo quando não possuem dados suficientes.
No mainframe, plausibilidade não é evidência.
Um DDNAME errado pode derrubar o job.
Um campo PIC incorreto pode deslocar todo o registro.
Uma interpretação inventada pode gerar um incidente grave.
5. Google: IA, dados, nuvem e ecossistema corporativo
O Google possui uma longa tradição em pesquisa de Inteligência Artificial, machine learning, grandes volumes de dados e infraestrutura distribuída.
Seus materiais educacionais podem ajudar o estudante a compreender:
conceitos fundamentais de IA;
machine learning;
IA generativa;
uso de modelos;
responsabilidade;
serviços de nuvem;
análise de dados.
Para um programador COBOL, o Google também oferece uma oportunidade interessante: compreender como o mundo distribuído pensa.
O mainframe tradicional costuma concentrar processamento crítico em uma plataforma extremamente controlada.
Já o ecossistema de nuvem trabalha muito com:
microsserviços;
escalabilidade horizontal;
APIs;
processamento distribuído;
eventos;
observabilidade;
serviços gerenciados.
Não se trata de decidir qual mundo é “melhor”.
A arquitetura corporativa moderna combina mundos.
Um sistema COBOL pode continuar processando milhões de transações financeiras enquanto uma aplicação em nuvem consome informações por API, utiliza IA para classificar solicitações e apresenta resultados em uma interface web.
O profissional valioso é aquele que entende a ponte.
6. Microsoft: IA para empresas, desenvolvedores e gestores
A Microsoft construiu um dos maiores ecossistemas de aprendizagem tecnológica do mercado.
Sua abordagem costuma ser muito orientada a cenários empresariais.
Isso interessa diretamente ao profissional de mainframe, pois o IBM Z raramente vive isolado.
Normalmente, ele se conecta com:
aplicações Windows;
Azure;
Active Directory;
APIs;
portais corporativos;
Power BI;
bancos distribuídos;
ferramentas DevOps;
ambientes de desenvolvimento.
O estudante pode explorar temas como:
fundamentos de Inteligência Artificial;
serviços de IA;
Copilot;
desenvolvimento assistido;
automação;
nuvem;
segurança;
governança.
Imagine uma empresa com um grande sistema COBOL de seguros.
O processamento central continua no IBM Z.
Mas uma equipe de atendimento usa um aplicativo moderno.
A IA pode:
receber a descrição do problema do cliente;
classificar o tipo de solicitação;
consultar documentação;
sugerir procedimentos;
chamar uma API que acessa dados do mainframe;
apresentar o resultado ao atendente.
Nesse cenário, a IA não substitui o COBOL.
Ela cria uma nova camada de interação sobre sistemas já existentes.
É como instalar um novo painel de comando na Enterprise sem trocar o núcleo de dobra.
7. Harvard CS50 AI: quando a brincadeira começa a ficar séria
Os cursos introdutórios de Harvard ligados ao CS50 são conhecidos por ensinar computação com profundidade, exercícios práticos e raciocínio.
Um curso de IA acadêmico não se limita a ensinar como conversar com um chatbot.
Ele apresenta conceitos como:
busca;
representação de conhecimento;
lógica;
incerteza;
otimização;
aprendizado;
redes neurais;
processamento de linguagem.
Aqui o programador COBOL começa a perceber que a Inteligência Artificial não nasceu com o ChatGPT.
A área existe há décadas.
Sistemas especialistas, algoritmos de busca, inferência e reconhecimento de padrões já eram estudados muito antes dos modelos generativos atuais.
Essa compreensão histórica é importante porque evita um erro comum:
acreditar que IA é apenas um chatbot escrevendo textos.
IA é um campo amplo.
Um sistema que encontra a melhor rota pode usar técnicas de IA.
Um mecanismo que detecta fraude pode usar machine learning.
Um programa que reconhece objetos em imagens utiliza visão computacional.
Um agente que consulta ferramentas e executa tarefas utiliza outra combinação de técnicas.
O ChatGPT é uma parte do universo, não o universo inteiro.
8. MIT: fundamentos para quem deseja olhar dentro do motor de dobra
Os materiais do MIT costumam exigir maior maturidade matemática e computacional.
Aqui a jornada pode incluir:
algoritmos;
probabilidade;
otimização;
raciocínio;
planejamento;
machine learning;
robótica;
sistemas autônomos.
Para um iniciante, alguns conteúdos podem parecer difíceis.
Isso não significa que devem ser evitados.
Significa que precisam ser abordados gradualmente.
Um programador COBOL já possui uma vantagem importante: disciplina lógica.
Ele conhece:
condições;
laços;
estruturas de dados;
arquivos;
validações;
fluxo de processamento;
comportamento determinístico.
Ao estudar IA, ele começa a lidar também com sistemas probabilísticos.
Essa diferença é fundamental.
Em um programa COBOL tradicional:
IF SALDO < VALOR-COMPRA
MOVE 'REJEITADA' TO STATUS-TRANSACAO
END-IF
A decisão está explícita.
Em um modelo de machine learning, o sistema pode calcular uma probabilidade:
Probabilidade de fraude: 87%
Agora alguém precisa definir:
qual limite gera bloqueio;
qual limite exige revisão humana;
quais evidências justificam a decisão;
como evitar discriminação;
como registrar o resultado;
como permitir auditoria.
A IA introduz incerteza.
E ambientes de missão crítica não podem tratar incerteza como magia.
9. NVIDIA: a sala de máquinas da Inteligência Artificial
Muitos usuários conhecem a NVIDIA apenas como fabricante de placas de vídeo.
Mas as GPUs tornaram-se fundamentais para o treinamento e a execução de modelos modernos de IA.
Por quê?
Porque redes neurais realizam uma quantidade enorme de operações matemáticas que podem ser processadas em paralelo.
Uma CPU é extremamente versátil.
Uma GPU possui milhares de núcleos menores capazes de executar muitas operações semelhantes simultaneamente.
Uma analogia mainframeira:
Imagine que você precisa processar milhões de registros.
Uma abordagem executa cada cálculo em sequência.
Outra distribui operações semelhantes por uma grande quantidade de unidades de processamento.
A segunda pode ser muito mais eficiente para determinados tipos de trabalho.
Os conteúdos da NVIDIA podem apresentar:
fundamentos de IA generativa;
GPUs;
aceleração;
inferência;
treinamento;
ferramentas de desenvolvimento;
infraestrutura para IA.
Mesmo que você nunca configure uma GPU, entender essa camada ajuda a responder perguntas importantes:
por que modelos custam caro;
por que tamanho do contexto importa;
por que inferência consome recursos;
por que latência varia;
por que alguns modelos rodam localmente e outros não;
por que compressão e quantização são relevantes.
O engenheiro não precisa fabricar o motor de dobra, mas deve saber por que ele superaquece.
10. AWS: colocando IA em produção
A AWS costuma apresentar IA dentro de um ecossistema de serviços em nuvem.
Isso inclui temas como:
modelos fundacionais;
IA generativa;
engenharia de prompts;
desenvolvimento de aplicações;
segurança;
armazenamento;
APIs;
escalabilidade;
monitoramento.
O grande aprendizado aqui é perceber a diferença entre uma demonstração e uma solução empresarial.
Uma demonstração de IA pode funcionar com:
um prompt;
um documento;
uma resposta.
Uma aplicação corporativa precisa considerar:
autenticação;
autorização;
auditoria;
custos;
disponibilidade;
privacidade;
observabilidade;
versionamento;
testes;
tratamento de erro;
contingência.
É exatamente a mesma diferença entre rodar um programa COBOL simples e operar um sistema bancário nacional.
O código pode ser apenas uma pequena parte.
O ambiente operacional é o que transforma código em serviço confiável.
11. O que a lista dos oito cursos não ensina sozinha
Os oito recursos são valiosos, mas não substituem uma formação completa.
Um profissional de IA precisa desenvolver várias camadas de conhecimento.
Fundamentos de programação
Aprenda ou fortaleça:
lógica;
estruturas de dados;
algoritmos;
manipulação de arquivos;
funções;
tratamento de erros;
testes.
Para o programador COBOL, muitos desses fundamentos já existem.
O desafio é transportá-los para novos ambientes.
Python
Python tornou-se uma das principais linguagens para IA, dados e automação.
O objetivo inicial não precisa ser virar um especialista.
Aprenda:
variáveis;
listas;
dicionários;
funções;
leitura de arquivos;
bibliotecas;
APIs;
ambientes virtuais.
SQL
IA sem dados é apenas uma ponte sem nave.
SQL continua essencial para:
consultar informações;
preparar dados;
validar resultados;
criar amostras;
investigar inconsistências;
alimentar aplicações.
O programador COBOL que conhece Db2 já possui uma excelente base.
APIs
Modelos de IA podem ser integrados a aplicações por APIs.
Estude:
HTTP;
JSON;
REST;
autenticação;
tokens;
tratamento de erros;
limites de requisição;
segurança.
Git
Você precisa controlar versões de:
prompts;
código;
configurações;
avaliações;
datasets;
documentação.
Segurança
Este tópico é obrigatório.
Aprenda sobre:
vazamento de dados;
prompt injection;
informações confidenciais;
controle de acesso;
dependências inseguras;
respostas maliciosas;
LGPD;
governança.
Nunca copie dados reais de clientes, senhas, chaves, informações bancárias ou código confidencial para uma ferramenta pública sem autorização formal.
12. RAG: quando a IA consulta a biblioteca da nave
RAG significa, de forma simplificada, permitir que um modelo consulte informações externas antes de responder.
Imagine que você pergunte:
“Qual é o procedimento interno para resolver o ABEND S0C7 no sistema XPTO?”
Um modelo genérico pode explicar o que é um S0C7.
Mas não conhece necessariamente:
o sistema XPTO;
o copybook utilizado;
os padrões da empresa;
os procedimentos operacionais;
os contatos responsáveis;
o histórico de incidentes.
Com RAG, a aplicação pode:
pesquisar documentos internos;
recuperar trechos relevantes;
fornecer esses trechos ao modelo;
gerar uma resposta baseada nas fontes encontradas.
É como consultar o banco de dados da Enterprise antes de responder ao capitão.
O modelo continua podendo errar.
Por isso, um bom sistema precisa:
mostrar fontes;
limitar o escopo;
sinalizar incerteza;
registrar consultas;
permitir validação humana.
13. Agentes: quando a IA deixa de responder e começa a agir
Um chatbot responde perguntas.
Um agente pode executar etapas.
Por exemplo, um agente de suporte poderia:
receber uma mensagem de erro;
identificar o produto;
pesquisar documentação;
consultar um catálogo de mensagens;
verificar um dashboard;
montar um diagnóstico preliminar;
abrir um ticket;
encaminhar para o grupo adequado.
Parece fantástico.
E é.
Mas também é perigoso.
Quanto mais ferramentas um agente pode utilizar, maior é o risco.
Um agente com permissão para:
executar comandos;
apagar arquivos;
alterar dados;
enviar e-mails;
aprovar transações;
acessar produção;
precisa de controles rigorosos.
A recomendação para iniciantes é:
comece com agentes que leem e sugerem, não com agentes que alteram e executam.
Primeiro modo copiloto.
Depois, talvez, piloto automático limitado.
Nunca entregue o comando da nave a um cadete digital sem travas.
14. Um plano de estudos prático para o programador COBOL Padawan
Aqui está uma trilha realista.
Fase 1 — Fundamentos de IA generativa
Duração sugerida: duas semanas.
Estude:
o que é IA;
diferença entre IA, machine learning e IA generativa;
o que é um modelo de linguagem;
tokens;
contexto;
alucinação;
temperatura;
limitações.
Pratique perguntas simples e compare respostas.
Fase 2 — Engenharia de prompts
Duração sugerida: duas semanas.
Aprenda a definir:
papel;
objetivo;
contexto;
restrições;
formato;
exemplos;
critérios de qualidade.
Crie uma biblioteca de prompts para:
explicar COBOL;
revisar JCL;
analisar SQL;
documentar copybooks;
criar testes;
resumir manuais.
Fase 3 — Python e APIs
Duração sugerida: quatro a seis semanas.
Aprenda a:
chamar uma API;
enviar um texto;
receber JSON;
tratar erros;
salvar resultados;
ler arquivos.
Fase 4 — RAG básico
Duração sugerida: quatro semanas.
Construa uma aplicação simples que:
leia documentos;
divida o conteúdo;
localize trechos relevantes;
envie o contexto ao modelo;
apresente fontes.
Fase 5 — Segurança e governança
Estude:
dados permitidos;
dados proibidos;
registros de auditoria;
revisão humana;
testes;
controle de acesso;
políticas internas.
Fase 6 — Projeto mainframe
Escolha um problema realista.
Exemplo:
Assistente para análise de programas COBOL.
O assistente pode:
identificar divisões;
listar arquivos;
mapear CALLs;
localizar SQL;
explicar parágrafos;
gerar documentação preliminar.
Sem alterar o código automaticamente.
Sem acessar produção.
Sem inventar regras.
Com revisão humana obrigatória.
15. Dicas para não cair em cursos milagrosos
Desconfie de promessas como:
“Domine IA em sete dias”;
“Ganhe dinheiro automaticamente”;
“Nunca mais precise programar”;
“Um único prompt fará todo o trabalho”;
“Agentes totalmente autônomos sem risco”;
“Não é necessário aprender fundamentos”.
Pergunte:
Quem é o instrutor?
Existe experiência comprovada?
O conteúdo é atualizado?
Há exercícios?
Há projetos?
O curso ensina limitações?
Fala sobre segurança?
Ensina validação?
Diferencia demonstração de produção?
Evita promessas de enriquecimento fácil?
Material gratuito pode ser excelente.
Curso pago também pode ser excelente.
O problema não é pagar.
O problema é pagar caro por conteúdo superficial, copiado ou desatualizado.
Às vezes, um bom instrutor economiza meses de tentativa e erro.
O investimento faz sentido quando existe:
curadoria;
suporte;
sequência didática;
feedback;
laboratório;
comunidade;
experiência prática.
A gratuidade não garante qualidade.
O preço alto também não.
16. Curiosidades da sala de máquinas
Curiosidade 1 — IA é mais antiga do que muitos imaginam
O termo Inteligência Artificial ganhou força ainda no século XX.
Muito antes dos chatbots modernos, pesquisadores já exploravam lógica, jogos, visão computacional e sistemas especialistas.
Curiosidade 2 — COBOL e IA podem trabalhar juntos
Um programa COBOL pode continuar responsável pelas transações críticas enquanto serviços modernos utilizam IA para interpretação, classificação e atendimento.
A integração pode ocorrer por:
APIs;
mensageria;
arquivos;
eventos;
z/OS Connect;
IBM MQ.
Curiosidade 3 — Modelos não “sabem” como seres humanos
Eles calculam padrões e probabilidades com base em dados e contexto.
Uma resposta convincente não significa necessariamente uma resposta correta.
Curiosidade 4 — Prompt grande não é automaticamente prompt bom
Contexto inútil pode prejudicar a resposta.
Qualidade depende de relevância, organização e clareza.
Curiosidade 5 — Às vezes a melhor pergunta é solicitar incertezas
Experimente:
Liste o que você não consegue determinar com segurança a partir das
informações fornecidas.
Isso pode revelar lacunas importantes.
17. Easter egg da Frota Estelar: o Kobayashi Maru da Inteligência Artificial
Na Academia da Frota Estelar, o teste Kobayashi Maru apresenta uma situação aparentemente sem solução.
O objetivo não é apenas vencer.
É observar como o cadete reage sob pressão, incerteza e risco.
A Inteligência Artificial cria um novo Kobayashi Maru para os profissionais de tecnologia.
Você recebe uma resposta:
bem escrita;
técnica;
confiante;
detalhada;
aparentemente perfeita.
Mas existe uma pequena informação inventada no meio.
Você consegue encontrá-la?
Esse é o verdadeiro teste.
Não é saber fazer a pergunta.
É saber desconfiar da resposta.
O profissional do futuro não será apenas aquele que usa IA mais rapidamente.
Será aquele que valida melhor.
18. O conhecimento COBOL continua valioso
Existe uma narrativa exagerada dizendo que IA substituirá todos os programadores.
A realidade é mais complexa.
A IA pode automatizar partes do trabalho.
Pode gerar trechos de código.
Pode explicar programas.
Pode ajudar na documentação.
Mas ela não conhece automaticamente:
a cultura da empresa;
as exceções históricas;
os acordos com áreas de negócio;
as consequências financeiras;
os detalhes operacionais;
os riscos regulatórios;
as decisões tomadas vinte anos atrás;
o motivo pelo qual aquele campo aparentemente inútil ainda existe.
O programador COBOL veterano carrega um conhecimento que não está apenas no código.
Está na experiência.
Está no contexto.
Está na memória da organização.
A IA pode acelerar o acesso a esse conhecimento, desde que ele seja documentado, estruturado e validado.
Portanto, não abandone o COBOL para aprender IA.
Use IA para ampliar seus poderes como profissional COBOL.
Conclusão — O computador da Enterprise não substitui a tripulação
Os cursos gratuitos da OpenAI, Anthropic, Google, Microsoft, Harvard, MIT, NVIDIA e AWS formam uma excelente constelação inicial.
Cada organização apresenta uma parte diferente do mapa.
A OpenAI ajuda a explorar modelos generativos e workflows.
A Anthropic oferece uma visão forte de uso estruturado e desenvolvimento com modelos.
Google e Microsoft conectam IA a grandes ecossistemas corporativos.
Harvard e MIT fortalecem os fundamentos acadêmicos.
NVIDIA mostra a infraestrutura que move boa parte da revolução.
AWS apresenta caminhos para transformar experimentos em aplicações.
Porém, não existe um curso único capaz de formar completamente um especialista.
A verdadeira formação exige combinar:
fundamentos de computação;
programação;
dados;
arquitetura;
segurança;
ética;
prática;
curiosidade;
experiência profissional;
validação humana.
A Internet tornou o conhecimento muito mais acessível.
Isso é maravilhoso.
Mas acesso não é aprendizado.
Salvar um link não é estudar.
Assistir a uma aula não é praticar.
Receber um certificado não é dominar uma tecnologia.
O conhecimento nasce quando você estuda, testa, erra, corrige, documenta e aplica.
Portanto, Padawan COBOL, abra a primeira aula.
Crie um pequeno laboratório.
Escolha um programa antigo.
Peça à IA para explicar.
Compare com a realidade.
Corrija os erros.
Melhore o prompt.
Documente o processo.
Repita.
A Inteligência Artificial não é uma nave que fará a viagem por você.
Ela é um novo sistema instalado na ponte.
Os sensores ficaram mais poderosos.
Os computadores ficaram mais rápidos.
Os mapas ficaram mais completos.
Mas alguém ainda precisa decidir para onde a nave irá.
E esse alguém continua sendo você.
Vida longa ao COBOL. Vida longa à Inteligência Artificial. E vida longa aos profissionais que aprendem a comandar os dois universos sem abandonar o pensamento crítico.
********************************************************************************
P.S. — Links oficiais dos cursos gratuitos de Inteligência Artificial
Os catálogos e cursos podem mudar de endereço, conteúdo ou política de gratuidade. Por isso, os links abaixo apontam diretamente para os domínios oficiais das instituições.
1. OpenAI Academy
Portal oficial:
Catálogo de cursos:
https://academy.openai.com/pages/courses
Materiais sobre prompting:
https://academy.openai.com/public/clubs/work-users-ynjqu/resources/prompting
A OpenAI Academy reúne conteúdos sobre fundamentos de IA, ChatGPT, criação de prompts, aplicações profissionais, agentes e workflows. (OpenAI Academy)
2. Anthropic Academy — Claude
Portal oficial de aprendizagem:
https://www.anthropic.com/learn
Cursos oficiais:
https://docs.anthropic.com/en/docs/resources/courses
Curso para desenvolver com Claude:
https://www.anthropic.com/learn/build-with-claude
Guia oficial de engenharia de prompts:
https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
Esses materiais abordam prompting, utilização profissional do Claude, API, desenvolvimento de aplicações e boas práticas para trabalhar com modelos da Anthropic. (Claude Platform Docs)
3. Google — Introdução à IA Generativa
Trilha oficial para iniciantes:
https://www.cloudskillsboost.google/paths/118
Curso Introdução à IA Generativa:
https://www.cloudskillsboost.google/course_templates/536
Trilha avançada para desenvolvedores:
https://www.cloudskillsboost.google/paths/183
A trilha inicial apresenta IA generativa, modelos de linguagem e princípios de IA responsável. A trilha avançada é mais indicada para desenvolvedores, engenheiros de machine learning e cientistas de dados. (Google Skills)
4. Microsoft — Hub de Aprendizagem de IA
Hub oficial em português:
https://learn.microsoft.com/pt-br/ai/
Portal geral do Microsoft Learn:
https://learn.microsoft.com/pt-br/training/
Trilha para engenheiros de IA:
https://learn.microsoft.com/en-us/training/career-paths/ai-engineer
O Microsoft Learn reúne conteúdos para iniciantes, desenvolvedores, arquitetos, gestores e especialistas que trabalham com IA, Azure, Copilot e agentes empresariais. (Microsoft Learn)
5. Harvard — CS50’s Introduction to Artificial Intelligence with Python
Curso oficial completo:
Semanas e conteúdos do curso:
https://cs50.harvard.edu/ai/weeks/
O curso aborda busca, conhecimento, incerteza, otimização, machine learning, redes neurais e linguagem, utilizando projetos práticos em Python. O acesso educacional ao conteúdo é gratuito; opções externas de certificado verificado podem ter condições diferentes. (edX)
6. MIT OpenCourseWare — Artificial Intelligence
Curso oficial MIT 6.034:
https://ocw.mit.edu/courses/6-034-artificial-intelligence-fall-2010/
Esse é um curso universitário completo do MIT OpenCourseWare, ministrado originalmente pelo professor Patrick Henry Winston. Ele possui vídeos, leituras, exercícios, tutoriais, provas e trabalhos de programação. Embora seja um conteúdo mais antigo, continua extremamente valioso para compreender representação de conhecimento, resolução de problemas e métodos clássicos de IA. (MIT OpenCourseWare)
7. NVIDIA — Generative AI Explained
Curso oficial gratuito:
https://resources.nvidia.com/en-eu-ai-buying-campaign-fy25q1/generative-ai-explained
Trilha de IA generativa e modelos de linguagem:
https://www.nvidia.com/en-us/learn/learning-path/generative-ai-llm/
Catálogo de cursos gratuitos:
https://resources.nvidia.com/en-us-nvidia-training/free-courses
O curso Generative AI Explained é introdutório, não exige programação e apresenta conceitos, aplicações, oportunidades e desafios da IA generativa. A NVIDIA o classifica como gratuito e com duração aproximada de duas horas. Outros cursos da trilha podem ser pagos. (NVIDIA)
8. AWS — Foundations of Prompt Engineering
AWS Training and Certification:
https://aws.amazon.com/training/
Portal de aprendizagem em Inteligência Artificial:
https://aws.amazon.com/ai/learn/
Página de treinamento em IA:
https://aws.amazon.com/training/learn-about/ai/
AWS Skill Builder:
Dentro do AWS Skill Builder, pesquise pelo título:
Foundations of Prompt Engineering
O curso oficial possui aproximadamente quatro horas e aborda desde os fundamentos até técnicas avançadas de prompting e proteção contra uso inadequado de prompts. A AWS oferece centenas de cursos digitais gratuitos, embora determinados laboratórios, planos de assinatura e certificações sejam pagos. (Amazon Web Services, Inc.)
Observação importante para o artigo
A frase “todos são 100% gratuitos” precisa ser apresentada com cuidado. O acesso aos conteúdos indicados é gratuito ou possui opções gratuitas, mas algumas plataformas também oferecem:
certificados pagos;
laboratórios premium;
assinaturas;
workshops com instrutores;
trilhas avançadas pagas.
Portanto, uma formulação mais precisa seria:
Oito excelentes fontes oficiais para estudar Inteligência Artificial gratuitamente — lembrando que certificados, laboratórios e cursos avançados podem ter custos adicionais.
