☕ 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

domingo, 16 de agosto de 2026

O Guia do Mochileiro das Galáxias para a Crise de Skills no IBM Z

 

Bellacosa Mainframe e a crise dos skills no mundo ibm z

☕ Um Café no Bellacosa Mainframe

O Guia do Mochileiro das Galáxias para a Crise de Skills no IBM Z

🚀 Como um programador COBOL iniciante pode sobreviver a badges, cursos de 15 semanas, veteranos de 40 anos, abends inexplicáveis e à perturbadora descoberta de que MAXCC=0 não significa que você entendeu alguma coisa

NÃO ENTRE EM PÂNICO.
Especialmente se alguém disser que você virou especialista em mainframe depois de quinze semanas.

Existe, em algum lugar do universo corporativo, provavelmente em uma sala com carpete cinza, café requentado e uma televisão exibindo dashboards coloridos, uma pessoa extremamente satisfeita porque um gráfico ficou verde.

O gráfico provavelmente se chama:

IBM Z SKILLS PIPELINE — STATUS: HEALTHY

Ao lado dele há números impressionantes:

2.437 estudantes treinados
1.982 badges emitidos
784 laboratórios concluídos
97% satisfaction score
42 parceiros
15 semanas

Todos aplaudem.

Alguém tira uma fotografia.

Um executivo diz:

— Excelente! Resolvemos o problema de skills.

Nesse exato momento, a aproximadamente 37 metros dali, um especialista de Db2 com 31 anos de experiência está preenchendo sua documentação de aposentadoria.

Ninguém percebe.

Ele sabe por que determinada subsystem parameter foi alterada em 2004.

Ninguém mais sabe.

Ele lembra por que um batch aparentemente absurdo precisa executar antes das 04:17.

Ninguém documentou.

Ele sabe que existe um programa COBOL compilado em uma determinada opção porque, sem ela, um arquivo produzido por um sistema comprado em 1998 gera um problema extremamente específico que só aparece em fevereiro, em anos bissextos, quando o processamento acontece depois de uma determinada janela.

O programa chama-se:

XPTO047B

Naturalmente.

E assim começa a nossa aventura.

Porque a crise de habilidades do mainframe não é simplesmente uma crise de gente.

É uma crise de continuidade de conhecimento.

E se você é um programador COBOL iniciante entrando agora nesse universo, tenho duas notícias.

A primeira é ótima:

Nunca houve tanto material para aprender mainframe.

A segunda é ligeiramente perturbadora:

Aprender material não significa aprender mainframe.

Pegue sua toalha.

Vamos conversar sobre isso.



🧭 Capítulo 1 — Você não precisa saber IBM Z para começar IBM Z

Comecemos eliminando uma bobagem imediatamente.

Existem pessoas que ficam indignadas quando aparece um curso anunciando:

No previous IBM Z experience required.

Isso, por si só, não é um problema.

Na realidade, é excelente.

Se para aprender mainframe fosse necessário já conhecer mainframe, teríamos criado um paradoxo digno de um departamento burocrático intergaláctico:

Para conseguir experiência:
    você precisa trabalhar com mainframe.

Para trabalhar com mainframe:
    você precisa ter experiência com mainframe.

Resultado:

RC=12
REASON=HUMAN_RESOURCE_NOT_FOUND

Todo ecossistema precisa de portas de entrada.

Precisamos de universidades.

Precisamos de cursos.

Precisamos de bootcamps.

Precisamos de laboratórios.

Precisamos de vídeos.

Precisamos de badges.

Precisamos de ambientes educacionais.

Precisamos até daquele sujeito no YouTube que grava um tutorial às três da manhã explicando JCL enquanto um gato atravessa o teclado.

Tudo isso é valioso.

O problema surge quando confundimos:

porta de entrada

com

linha de chegada.

Um curso de 15 semanas pode apresentar você ao IBM Z.

Ele pode ensinar conceitos fundamentais.

Pode fazer você executar JCL.

Pode mostrar COBOL.

Pode apresentar Db2.

Pode colocar você diante de CICS.

Pode ensinar conceitos de RACF.

Pode fazer você entender datasets, JES, TSO, ISPF e talvez z/OSMF.

Fantástico.

Mas quinze semanas não transformam automaticamente alguém em especialista.

Da mesma forma que quinze semanas de aulas de medicina não transformam alguém em neurocirurgião.

Você pode aprender onde fica o cérebro.

Isso já ajuda bastante.

Mas eu não entregaria imediatamente uma furadeira.



🪪 Capítulo 2 — O Badge não é seu inimigo

Existe uma tendência divertida em tecnologia de atacar badges como se pequenos arquivos PNG fossem responsáveis pela decadência da civilização ocidental.

Eles não são.

Um badge é simplesmente um marcador.

Ele pode dizer:

Esta pessoa concluiu determinada formação.

Perfeito.

O problema aparece quando alguém interpreta:

Esta pessoa concluiu determinada formação.

como:

Esta pessoa domina profundamente a tecnologia.

A diferença é gigantesca.

Para um programador COBOL iniciante, eu gosto de imaginar cinco níveis.

Nível 1 — Exposure

Você já ouviu falar das coisas.

Sabe que:

JCL não é COBOL.
Db2 não é VSAM.
CICS não é um banco de dados.
RACF não é antivírus.
JES2 não é Jesus 2.0.

O último esclarecimento evita algumas reuniões constrangedoras.


Nível 2 — Literacy

Agora você consegue explicar aproximadamente como as coisas se relacionam.

Você entende que um programa COBOL batch pode:

  • receber arquivos;

  • acessar Db2;

  • executar dentro de um JOB;

  • produzir datasets;

  • ser controlado por JCL;

  • retornar códigos;

  • gerar dumps;

  • participar de uma cadeia de processamento.

Você começa a montar o mapa mental.


Nível 3 — Competence

Agora consegue fazer trabalho real.

Você recebe um programa COBOL.

Identifica um problema.

Compila.

Executa.

Interpreta resultados.

Corrige erros.

Entende alguns abends.

Analisa JCL.

Usa ferramentas.

Sabe que mexer em produção sem compreender impacto pode resultar em pessoas pronunciando seu nome em reuniões onde você não foi convidado.


Nível 4 — Proficiency

Você começa a trabalhar independentemente.

Recebe problemas menos estruturados.

Não existe tutorial dizendo exatamente o que fazer.

Você encontra caminhos.

Começa a correlacionar sintomas.


Nível 5 — Mastery

Aqui a brincadeira muda.

Você consegue lidar com problemas que não estavam no treinamento.

Essa é uma definição extremamente importante.

Um especialista não é simplesmente quem sabe responder perguntas conhecidas.

É quem consegue raciocinar quando a pergunta é nova.


🧠 Capítulo 3 — O verdadeiro patrimônio do mainframe não está no DASD

Está dentro da cabeça das pessoas.

Chamamos isso de:

conhecimento tácito.

Conhecimento explícito é relativamente fácil de registrar:

Comando X faz Y.
Parâmetro Z controla W.
Arquivo possui LRECL 100.

Conhecimento tácito é diferente.

É quando o especialista olha para determinada situação e diz:

— Isso está estranho.

Você pergunta:

— Por quê?

Ele responde:

— Não sei ainda.

Isso parece pouco científico.

Mas geralmente significa:

Meu cérebro comparou essa situação com aproximadamente 27 anos de incidentes, padrões, falhas, mudanças, madrugadas, dumps e decisões e encontrou alguma discrepância ainda não verbalizada.

Esse tipo de percepção não aparece instantaneamente.

É acumulada.

Considere dois programadores.

Programador A terminou um curso sobre CICS.

Programador B trabalha com CICS há vinte anos.

Ambos sabem que existe:

EXEC CICS LINK

Mas o segundo talvez tenha vivenciado:

  • problemas de storage;

  • loops;

  • short-on-storage;

  • runaway tasks;

  • deadlocks;

  • transaction dumps;

  • problemas de terminal;

  • mudanças de region;

  • falhas em integração;

  • incidentes envolvendo Db2;

  • problemas de performance;

  • erros provocados por parâmetros aparentemente inocentes.

O conhecimento não é apenas:

“Como funciona CICS?”

É também:

“Como CICS costuma falhar de maneiras que parecem ser outra coisa?”

Essa segunda categoria vale ouro.



🏺 Capítulo 4 — Arqueologia orientada a produção

Em sistemas antigos existe uma disciplina raramente ensinada nas universidades.

Ela se chama:

Arqueologia de Software

Você encontra:

       IF WS-FLAG = 'Y'
           MOVE 'N' TO WS-FLAG
           PERFORM 9000-TRATAMENTO-ESPECIAL.

Você pergunta:

— Por que isso existe?

Ninguém sabe.

O Git não possui histórico porque o programa nasceu antes do Git.

Talvez antes do Linux.

Talvez antes de alguns membros da equipe.

O comentário diz:

* ALTERACAO 12/08/1996 - JORGE

Jorge desapareceu da empresa em 2003.

Ninguém sabe onde Jorge está.

Talvez Jorge esteja pescando.

Talvez Jorge esteja em Portugal.

Talvez Jorge tenha transcendido e virado uma entidade puramente energética.

Mas aquele IF continua executando três milhões de vezes por dia.

O desenvolvedor moderno então pensa:

Código morto.

Remove.

Compila.

Teste passa.

Produção recebe.

Às 03:11 ocorre algo que não acontecia desde 1997.

Parabéns.

Você acabou de descobrir por que Jorge escreveu aquilo.

Esse é um dos motivos pelos quais veteranos são tão valiosos.

Eles frequentemente carregam o contexto histórico do código.


💳 Capítulo 5 — Technical Debt ganhou um primo: Knowledge Debt

Você provavelmente já ouviu falar de Technical Debt.

É quando fazemos escolhas que criam custo futuro.

Existe outra dívida silenciosa:

Knowledge Debt

Ela acontece quando uma organização depende de conhecimento que não está sendo transferido.

Exemplo.

Maria trabalha com Db2 há 28 anos.

Ela conhece profundamente:

performance
utilities
locking
bind
packages
statistics
reorg
recovery
SQL

Todos sabem que Maria sabe.

Então ninguém se preocupa.

Maria resolve problemas.

Maria responde mensagens.

Maria entra nas bridges.

Maria salva a madrugada.

Excelente.

Até o dia em que Maria anuncia:

Vou me aposentar.

Repentinamente surge um PowerPoint:

KNOWLEDGE TRANSFER PLAN

Slide 1:

Duration: 3 weeks

Naturalmente.

Porque obviamente 28 anos podem ser compactados em três semanas através da misteriosa tecnologia conhecida como Microsoft Teams.

Isso é Knowledge Debt vencendo.


🧑‍🏫 Capítulo 6 — Apprenticeship: a tecnologia revolucionária inventada há milhares de anos

Existe uma abordagem surpreendentemente eficiente para formar pessoas.

Coloque alguém menos experiente próximo de alguém experiente.

Deixe trabalhar juntos.

Parece radical.

Antigamente chamávamos isso de:

aprendizagem.

No mundo moderno poderíamos chamar:

Human Knowledge Replication Framework 2.0

e cobrar consultoria.

O processo saudável costuma parecer assim:

OBSERVAR
   ↓
EXECUTAR COM AJUDA
   ↓
EXECUTAR SOZINHO
   ↓
RESOLVER PROBLEMAS
   ↓
TOMAR DECISÕES
   ↓
ENSINAR OUTROS

Observe a última etapa.

Ensinar é importantíssimo.

Quando você consegue ensinar alguém, precisa organizar mentalmente aquilo que sabe.

É por isso que recomendo que programadores iniciantes criem pequenos registros.

Pode ser:

  • blog;

  • notas;

  • Markdown;

  • Git;

  • wiki;

  • caderno;

  • Obsidian;

  • arquivos pessoais.

Depois de resolver um problema, escreva:

O que aconteceu?

O que pensei inicialmente?

O que estava errado?

Como diagnostiquei?

Qual era a causa?

O que faria diferente?

Depois de alguns anos isso vira seu próprio Knowledge Vault.


🧪 Capítulo 7 — O laboratório perfeito não deve funcionar

Isso mesmo.

Se você está aprendendo mainframe, laboratórios onde tudo funciona são úteis apenas até certo ponto.

O verdadeiro aprendizado começa quando alguma coisa quebra.

Um ótimo laboratório deveria dizer:

Aqui está o JOB.

Ele não funciona.

Descubra por quê.

Talvez exista:

DISP incorreto

Talvez:

LRECL incompatível

Talvez:

dataset inexistente

Talvez:

SQLCODE -805

Talvez:

S0C7

Talvez:

AEI9

Talvez seja apenas uma vírgula.

Essa última opção costuma causar mais sofrimento.

O objetivo é criar musculatura diagnóstica.


🩺 Capítulo 8 — House M.D. entra no CPD

Imagine o Dr. House analisando um incidente COBOL.

Operações diz:

— O batch falhou.

House:

— Isso é um sintoma.

Desenvolvimento:

— O programa deu S0C7.

House:

— Outro sintoma.

Gerente:

— Ontem funcionava.

House:

— Impressionante. Ontem também não é hoje.

Então começa o diagnóstico.

A pergunta errada é:

Como elimino o S0C7?

A pergunta correta é:

O que fez o programa interpretar esses bytes como número?

Pode ser:

PIC incorreta

Pode ser arquivo errado.

Pode ser layout diferente.

Pode ser REDEFINES.

Pode ser campo não inicializado.

Pode ser alteração upstream.

Pode ser dados corrompidos.

Pode ser compilação diferente.

O especialista pensa em cadeia causal.

Essa é a diferença entre aprender mensagens e aprender sistemas.


🌌 Capítulo 9 — Systems Thinking: a habilidade secreta

Mainframe ensina uma coisa muito importante:

Nada acontece sozinho.

Programa COBOL pode depender de:

JCL
 ↓
PROC
 ↓
dataset
 ↓
catalog
 ↓
SMS
 ↓
Db2
 ↓
CICS
 ↓
MQ
 ↓
RACF
 ↓
network
 ↓
WLM
 ↓
storage

Um erro aparece no COBOL.

A causa pode estar cinco camadas atrás.

Essa capacidade de pensar em relações é o que chamamos de systems thinking.

Comece a praticar isso imediatamente.

Sempre pergunte:

O que chama isso?

O que isso chama?

Quais dados entram?

Quem produz esses dados?

Quem consome a saída?

Quais configurações externas influenciam?

O que mudou recentemente?

Essas perguntas valem mais do que decorar cem mensagens de erro.


🪜 Capítulo 10 — O caminho real para quem está começando

Se eu estivesse começando COBOL hoje, montaria esta progressão.

Etapa 1 — COBOL puro

Aprenda muito bem:

DIVISION
SECTION
PARAGRAPH
PIC
MOVE
COMPUTE
IF
EVALUATE
PERFORM
OCCURS
REDEFINES
COMP
COMP-3

Entenda dados.

COBOL é profundamente orientado a dados.

Não trate PIC como decoração.


Etapa 2 — Arquivos

Aprenda:

SEQUENTIAL
INDEXED
VSAM
KSDS
ESDS

Entenda:

RECFM
LRECL
BLKSIZE

Arquivo errado é fonte inesgotável de aventuras.


Etapa 3 — JCL

Não diga:

“Sou desenvolvedor, JCL não é comigo.”

Isso é aproximadamente equivalente a ser piloto dizendo:

“Combustível é coisa da equipe de solo.”

Aprenda:

JOB
EXEC
DD
DISP
SPACE
DSN
SYSOUT
COND
IF
PROC
GDG

Etapa 4 — Db2

Entenda:

SELECT
INSERT
UPDATE
DELETE
COMMIT
ROLLBACK
CURSOR
HOST VARIABLES
NULL INDICATOR
SQLCODE

Depois vá mais fundo.


Etapa 5 — CICS

Aprenda pelo menos os conceitos.

COMMAREA
CHANNEL
CONTAINER
LINK
XCTL
RETURN
READ
WRITE
REWRITE
START

E sobretudo entenda transação.


Etapa 6 — Debugging

Comece a amar mensagens de erro.

Não porque seja saudável.

Mas porque é inevitável.

Leia:

compile listing
runtime messages
joblog
sysout
dump

O dump é o romance policial do mainframe.

O assassino está lá.

Você só precisa descobrir quem é.


🧯 Capítulo 11 — MAXCC=0 não significa que o mundo está salvo

Esse merece moldura.

Você executou:

MAXCC=0

Excelente.

Isso significa aproximadamente:

O utilitário não detectou determinados tipos de problema segundo seus critérios.

Não significa:

Sua solução está correta.

Exemplo.

Você pode executar um SORT perfeitamente.

MAXCC=0

Mas ordenar pelo campo errado.

O computador fez exatamente aquilo que você pediu.

A tragédia é que você pediu uma coisa absurda.

Computadores possuem esse hábito desagradável.


🪐 Easter Egg 42

Em O Guia do Mochileiro das Galáxias, a resposta para a grande pergunta sobre a vida, o universo e tudo mais é:

42.

No mainframe também existe uma grande pergunta.

Quantos anos são necessários para dominar completamente IBM Z?

Resposta:

42.

A diferença é que, no ano 42, provavelmente alguém instalará uma atualização e você terá que estudar novamente.


📊 Capítulo 12 — O Grande Deus Dashboard

Organizações adoram métricas.

Não há nada errado nisso.

O problema é medir aquilo que é fácil em vez daquilo que importa.

É fácil medir:

NUMBER_OF_BADGES
NUMBER_OF_STUDENTS
COURSES_COMPLETED
LABS_FINISHED

Muito mais difícil medir:

CAN_HANDLE_PRODUCTION_INCIDENT
CAN_EXPLAIN_ARCHITECTURE
CAN_RECOVER_SERVICE
CAN_MENTOR_JUNIOR
CAN_REPLACE_RETIRING_SME

Imagine dois programas.

Programa A:

1.000 certificados

Programa B:

20 pessoas
18 meses
shadowing
incidentes
laboratórios
mentoria
responsabilidade progressiva

O primeiro produz slide bonito.

O segundo talvez salve seu banco às três da manhã.


👴 Capítulo 13 — Não transforme veteranos em sacerdotes secretos

Agora uma advertência importante.

Também não devemos romantizar demais o passado.

Existia — e ainda existe — o profissional conhecido como:

“Só o Carlos sabe.”

Pergunta:

— Como funciona esse processo?

Resposta:

— Pergunta pro Carlos.

— Onde está documentado?

— Carlos sabe.

— O que acontece se Carlos sair?

Silêncio.

Carlos não é arquitetura.

Carlos é um risco operacional humano.

O conhecimento precisa circular.

Um bom especialista não apenas resolve.

Ele deixa rastros.

Documenta.

Ensina.

Explica contexto.

Forma sucessores.


🗺️ Capítulo 14 — Como aprender com um veterano sem sequestrá-lo

Quando encontrar alguém experiente, não faça apenas perguntas genéricas.

Pergunte histórias.

Em vez de:

Como funciona Db2?

Pergunte:

Qual foi o pior incidente Db2 que você já viu?

Depois:

Como vocês perceberam?

Qual foi a hipótese inicial?

O que enganou vocês?

Qual era a verdadeira causa?

O que mudou depois?

Isso extrai conhecimento tácito.

Profissionais veteranos frequentemente possuem centenas dessas histórias.

Cada história contém:

contexto
hipótese
erro
diagnóstico
causa
solução
prevenção

Isso vale ouro.


⚠️ Capítulo 15 — Não tenha pressa de parecer sênior

Esse talvez seja o conselho mais importante para um iniciante.

Não tenha vergonha de dizer:

Não sei.

Em sistemas complexos, fingir conhecimento é muito mais perigoso do que admitir desconhecimento.

O bom iniciante pergunta.

O iniciante perigoso inventa.

Você encontrará pessoas exibindo uma coleção impressionante de badges.

Ótimo.

Você também encontrará pessoas com trinta anos de experiência e nenhum badge.

Não trate nenhuma das duas coisas isoladamente como prova definitiva.

Observe capacidade.

Observe raciocínio.

Observe comportamento diante de problemas.


🛠️ Capítulo 16 — Seu plano pessoal de apprenticeship

Mesmo que sua empresa não tenha um programa formal, crie um informal.

Faça isso:

1. Escolha um domínio

Por exemplo:

COBOL batch

2. Encontre alguém mais experiente

Não precisa ser o maior guru do planeta.

Só precisa estar alguns quilômetros à sua frente.


3. Observe problemas reais

Sempre respeitando segurança e acesso.


4. Reproduza em laboratório

Transforme incidentes em exercícios.


5. Documente

Crie notas.


6. Explique para outra pessoa

Se você não consegue explicar, talvez ainda não tenha entendido.


7. Volte seis meses depois

Você ficará horrorizado com suas primeiras anotações.

Isso é bom.

Significa evolução.


🧬 Capítulo 17 — Expertise não é uma coleção de comandos

Esse é o ponto central de toda esta conversa.

Expertise não é:

quantidade de sintaxe memorizada

É uma mistura de:

conhecimento
+
experiência
+
contexto
+
julgamento
+
memória de falhas
+
capacidade de investigação
+
capacidade de ensinar

É por isso que ela demora.

E talvez seja bom que demore.

Porque sistemas que movimentam bancos, governos, seguradoras, companhias aéreas, indústrias e redes gigantescas não deveriam depender de uma cultura onde qualquer pessoa é declarada especialista depois de algumas semanas.


🚨 Capítulo 18 — Production Disaster Nobody Predicted

Todo treinamento deveria possuir um módulo final chamado:

“Algo aconteceu e ninguém sabe o quê.”

Descrição:

03:07

Produção degradada.

Nenhuma mudança aparente.

Aplicação parcialmente funcionando.

Usuários reclamando.

Batch atrasado.

CICS estranho.

Db2 aparentemente saudável.

Uma alteração ocorreu 14 horas atrás.

Ninguém lembra qual.

Objetivo:

sobreviva.

Sem múltipla escolha.

Sem botão “Hint”.

Sem resposta imediatamente disponível.

Esse tipo de exercício aproxima treinamento de realidade.


🧙 Capítulo 19 — O verdadeiro mestre Jedi do mainframe

Você reconhece um grande profissional porque ele não precisa fingir onisciência.

Ele diz:

Não sei ainda.

Depois começa a investigar.

Ele sabe onde procurar.

Sabe formular hipótese.

Sabe descartar hipótese.

Sabe evitar mudanças destrutivas.

Sabe pedir ajuda.

Sabe interpretar evidência.

Sabe documentar descoberta.

E depois ensina alguém.

Essa última parte transforma especialista em legado.


🛰️ Capítulo 20 — Então o que fazemos com os programas de 15 semanas?

Usamos.

Melhoramos.

Expandimos.

Mas chamamos as coisas pelo nome correto.

Um programa curto pode ser:

Foundation Program

Excelente.

Depois crie:

FOUNDATION
    ↓
LAB
    ↓
APPRENTICESHIP
    ↓
PRODUCTION SHADOWING
    ↓
RESPONSIBILITY
    ↓
SPECIALIZATION
    ↓
MENTORSHIP

Agora temos um pipeline.

Não um evento.

A crise de skills não será resolvida através de um único curso.

Será resolvida construindo gerações sobre gerações de profissionais.

Exatamente como o próprio mainframe foi construído.


☕ Epílogo — NÃO ENTRE EM PÂNICO

Se você é iniciante e chegou até aqui preocupado porque aparentemente precisa de trinta anos para aprender IBM Z, relaxe.

Você não precisa aprender tudo.

Ninguém sabe tudo.

IBM Z é grande demais.

Escolha uma trilha.

Aprenda profundamente.

Construa conexões com outras áreas.

Pergunte.

Quebre coisas em laboratório.

Leia mensagens.

Leia listings.

Leia dumps.

Leia documentação.

Converse com veteranos.

Ensine iniciantes.

E principalmente:

não confunda velocidade de formação com profundidade de conhecimento.

Badge é ótimo.

Curso é ótimo.

Certificação é ótima.

Laboratório é ótimo.

Mas todos são partes de algo maior.

A verdadeira formação acontece quando conhecimento encontra experiência.

Quando teoria encontra produção.

Quando documentação encontra memória.

Quando o iniciante pergunta:

Por que fazemos isso assim?

E, em vez de receber:

Porque sempre foi assim.

recebe uma história.

Talvez uma história envolvendo um abend.

Talvez um IPL.

Talvez um banco.

Talvez alguém chamado Jorge.

Talvez 1996.

Talvez um PROC.

Talvez uma madrugada particularmente infeliz.

Essas histórias são o DNA invisível do mainframe.

Preservá-las é tão importante quanto preservar código.

Porque máquinas podem executar programas durante cinquenta anos.

Mas somente pessoas conseguem explicar por que aquele programa ainda deveria existir.

E se algum dashboard corporativo disser que resolvemos tudo depois de quinze semanas, faça aquilo que todo bom programador COBOL aprende cedo ou tarde.

Leia o detalhe.

Procure a mensagem.

Questione a condição.

E desconfie profundamente de qualquer universo onde:

SKILLS-CRISIS = 'SOLVED'

foi definido simplesmente porque:

BADGE-COUNT > 1000

Afinal, como diria um guia extremamente confiável de viagens intergalácticas:

NÃO ENTRE EM PÂNICO.

Mas mantenha o dump por perto.

https://eljefemidnightlunch.blogspot.com/2026/08/o-caso-tsb-bank-como-uma-migracao-de.html

https://eljefemidnightlunch.blogspot.com/2026/08/quanto-custa-um-programador-salario.htm



Antes do ChatGPT, Tinha a Biblioteca 🍺 Não aquela biblioteca: ghostwriters, senpais eternos, antiplágio, Teoria dos Jogos e o boteco do Manoel na universidade dos anos 1990



☕ Um Café no Bellacosa Mainframe 

Antes do ChatGPT, Tinha a Biblioteca

🍺 Não aquela biblioteca: ghostwriters, senpais eternos, antiplágio, Teoria dos Jogos e o boteco do Manoel na universidade dos anos 1990

Existe uma narrativa muito confortável sobre a educação antes da inteligência artificial.

Ela costuma funcionar mais ou menos assim:

Antigamente o aluno pesquisava.
Lia livros.
Ia à biblioteca.
Escrevia o próprio trabalho.
Aprendia.
O professor lia tudo.
Corrigia.
E todos voltavam para casa intelectualmente enriquecidos.

Então surgiu o ChatGPT.

E aparentemente Satanás recebeu acesso ao Wi-Fi da universidade.

A partir daí, segundo essa versão da história, os estudantes pararam de pensar, começaram a terceirizar trabalhos para máquinas e obrigaram professores desesperados a recuperar tecnologias avançadíssimas como:

papel.

caneta.

prova oral.

Tenho uma pequena contribuição histórica para essa discussão.

Eu estava numa universidade entre 1993 e 1996.

E tenho más notícias.

O paraíso nunca existiu.


🕰️ Bem-vindo a 1994

Imagine o cenário.

Não existe Google.

Não existe Wikipédia.

Não existe ChatGPT.

Internet, quando existe, ainda parece uma experiência envolvendo ruídos estranhos, paciência e algum tipo de ritual de invocação eletrônica.

Pesquisar significa literalmente pesquisar.

Você vai até uma biblioteca.

Procura um livro.

Descobre que o livro está emprestado.

Procura outro.

Abre índices.

Consulta bibliografias.

Encontra três páginas úteis num livro de quatrocentas.

Marca.

Anota.

Fotocopia.

Volta para casa carregando uma pequena floresta convertida em papel.

Depois começa a fase dois.

Digitação.

Quem viveu aquela época talvez se lembre de WordStar, DOS, editores simples e computadores que hoje seriam considerados equipamentos arqueológicos.

O Microsoft Office ainda era um rapazinho tentando provar seu valor.

Uma alteração de última hora podia significar reorganizar páginas, imprimir novamente, descobrir que a impressora resolveu mastigar papel e começar uma negociação diplomática com uma Epson matricial às duas da manhã.

Produzir vinte páginas tinha custo.

Custava horas.

Custava xerox.

Custava transporte.

Custava papel.

Custava impressão.

Custava paciência.

E, naturalmente, quando existe custo...

surge mercado.



👻 Antes da IA, existia inteligência orgânica terceirizada

Já naquela época existiam alunos que faziam trabalhos para outros alunos.

Ghostwriters acadêmicos.

Não estou falando de uma conspiração secreta comandada por homens de sobretudo num estacionamento subterrâneo.

Era muito mais banal.

Todo mundo conhecia alguém que conhecia alguém.

O sujeito fazia um bom trabalho.

Depois fazia outro.

Guardava os arquivos.

Guardava bibliografias.

Guardava estruturas.

Guardava introduções.

Guardava conclusões.

Pouco a pouco começava a construir aquilo que hoje provavelmente seria vendido por uma consultoria com quinze slides e uma palavra em inglês:


Knowledge Base.

Só que a knowledge base estava num HD de algumas dezenas de megabytes.

Ou em disquetes.

E funcionava.

Chegava um novo cliente.

— Preciso de um trabalho sobre Administração Científica.

— Quantas páginas?

— Vinte.

— Para quando?

— Sexta.

— Professor?

E aqui aparecia uma das perguntas mais importantes de todo aquele sistema.

— Almeida.

Silêncio.

— Ahhh... Almeida.

Pronto.

Acabava de acontecer uma consulta ao banco de dados.

Porque aquele ghostwriter não conhecia apenas Frederick Taylor.

Ele conhecia Almeida.

E Almeida podia ser mais importante que Taylor.



🧠 Fine-tuning acadêmico de 1994

Um veterano experiente podia saber coisas que não estavam em nenhuma ementa.

Professor X gostava de bibliografia extensa.

Professora Y detestava introduções muito longas.

Professor Z desconfiava de textos perfeitos.

Fulano conhecia determinado livro de trás para frente.

Beltrano raramente aceitava trabalhos sem exemplos.

Ciclano lembrava trabalhos entregues em semestres anteriores.

Isso era inteligência institucional.

Hoje poderíamos chamar isso, brincando um pouco, de:

fine-tuning humano.

O ghostwriter conhecia não apenas o conteúdo.

Conhecia o ambiente.

Conhecia a cultura.

Conhecia a ameaça.

Conhecia o detector.

E adaptava o produto.



📚 Centenas de trabalhos prontos

Alguns desses personagens acumulavam dezenas ou centenas de trabalhos.

O primeiro trabalho sobre determinado assunto exigia pesquisa pesada.

O segundo reaproveitava referências.

O terceiro reaproveitava estrutura.

No décimo, boa parte do caminho já estava pavimentada.

A lógica era extraordinariamente semelhante a sistemas modernos:

corpus → recuperação → adaptação → geração → revisão → entrega

Não existia Large Language Model.

Existia:

Large Veteran Model.

LVM.

😂

Context window: memória do sujeito.

Retrieval: diretórios do HD.

Embedding: “acho que tenho alguma coisa sobre isso”.

RAG: procurar um trabalho antigo e misturar com material novo.

Temperature: quantidade de cerveja consumida.

Humanizer: erros ortográficos estrategicamente distribuídos.

E sim.

Essa última parte merece atenção.



🕵️ Quando chegaram os primeiros xerifes

Com a informatização do ambiente acadêmico começaram também a surgir ferramentas destinadas a encontrar semelhanças, reutilizações e plágio.

Na minha memória daquela época, as notícias sobre software antiplágio primeiro apareciam muito associadas ao mundo de teses e pesquisas avançadas.

Depois a lógica começou a descer a cadeia.

Doutorado.

Mestrado.

Graduação.

E aconteceu aquilo que sempre acontece quando um sistema cria uma defesa:

o outro lado começou a criar contramedidas.

O jogo havia começado.



♟️ Dicionário de sinônimos entra em produção

Se o software procurava frases iguais...

então não entregue frases iguais.

Troque palavras.

Mude estruturas.

Inverta parágrafos.

Modifique exemplos.

Misture trechos de fontes diferentes.

Faça citações indiretas.

Pegue material já usado num trabalho anterior e altere.

Se necessário, use um dicionário de sinônimos.

A frase:

“A administração científica procura aumentar a eficiência do trabalho.”

poderia se transformar em algo como:

“O gerenciamento científico busca ampliar a produtividade das atividades executadas.”

Pronto.

Mesma ideia.

Outra superfície textual.

Isso não era inteligência artificial.

Era inteligência artesanal adversarial.



🐞 O erro ortográfico como feature

Aqui começa uma das minhas partes favoritas dessa história.

Porque havia um problema curioso.

Se determinado aluno escrevia normalmente com dificuldades e, de repente, entregava um texto impecável, extremamente bem estruturado e com vocabulário quase acadêmico profissional...

aquilo também podia chamar atenção.

Perfeição demais gera suspeita.

Então surgia uma ideia brilhantemente perversa:

introduzir erros.

Um pequeno erro de ortografia aqui.

Uma construção menos elegante ali.

Uma vírgula questionável acolá.

O objetivo já não era produzir o melhor trabalho possível.

Era produzir o trabalho mais plausível para aquele aluno.

Isso é muito importante.

Porque mostra que o fraudador sofisticado não otimiza qualidade.

Ele otimiza credibilidade.

Em segurança da informação existe uma diferença enorme entre produzir algo perfeito e produzir algo que parece legítimo.

Em 1995 já havia gente entendendo isso sem usar nenhuma dessas palavras.



🎭 O texto precisava parecer humano antes de existir detector de IA

Décadas depois apareceriam ferramentas prometendo detectar textos gerados por inteligência artificial.

Depois apareceriam ferramentas prometendo “humanizar” esses mesmos textos.

É divertido olhar para trás e perceber que a lógica já existia.

O ghostwriter podia pensar:

“Esse texto está bom demais.”

Então piorava um pouco.

Hoje alguém diz para uma IA:

“Escreva como um aluno de primeiro semestre.”

“Use frases menos sofisticadas.”

“Não pareça perfeito.”

“Coloque pequenas inconsistências.”

Tecnologia nova.

Estratégia velha.



🧓 E então existiam os senpais eternos

Mas o personagem mais extraordinário daquele ecossistema não era necessariamente o melhor aluno.

Era o veterano eterno.

Todo campus parecia produzir alguns.

O sujeito estava ali havia sete, oito, dez anos.

Nunca se formava.

Ou parecia não ter nenhuma pressa especial em se formar.

Era mediano.

Debochado.

Conhecia todo mundo.

Sabia todas as histórias.

Já tinha cursado algumas disciplinas mais vezes do que determinados professores tinham ministrado.

O calouro olhava para aquela criatura e pensava:

“Esse cara está completamente perdido.”

Talvez.

Mas havia outra possibilidade.

Alguns precisavam continuar dentro do ecossistema.

Porque ali estavam os clientes.



💼 Quando ser estudante vira verniz profissional

Pense economicamente.

Para um aluno convencional, a função de utilidade é simples:

terminar curso rapidamente = bom.

Mas para alguém que ganha dinheiro produzindo trabalhos dentro daquele ambiente:

continuar circulando = acesso ao mercado.

A matrícula fornece legitimidade.

O campus fornece clientes.

A biblioteca fornece matéria-prima.

Os corredores fornecem inteligência.

As turmas novas fornecem demanda.

Os veteranos fornecem reputação.

Os professores fornecem especificações técnicas.

O aluno eterno deixa de ser apenas aluno.

Torna-se uma espécie de microempreendedor acadêmico informal.

O verniz é estudante.

Por baixo existe um pequeno negócio.



🤝 O marketplace era humano

Não existia plataforma.

Não existia aplicativo.

Não existia avaliação cinco estrelas.

Não existia checkout.

Existia uma frase:

— Fala com o Fulano.

Esse era o algoritmo de recomendação.

Alguém precisava de um trabalho.

Outro alguém conhecia alguém.

A reputação circulava.

— Ele entrega.

— É caro?

— Depende.

— É bom?

— O professor deu oito no meu.

Isso bastava.

Marketplace construído.

Sem venture capital.

Sem AWS.

Sem Kubernetes.



🍺 E então chegamos à Biblioteca

Agora preciso apresentar o coração de toda essa infraestrutura.

Havia um boteco.

Não era simplesmente um lugar para beber.

Era o lugar onde todo mundo acabava se encontrando.

Alunos.

Veteranos.

Professores.

Funcionários.

Ex-alunos.

Conhecidos.

Desconhecidos.

Figuras que ninguém sabia exatamente de qual curso eram.

E toda aquela extraordinária fauna noturna que São Paulo dos anos 1990 sabia produzir.

Uma pequena democracia alcoólica acadêmica.

O dono chamava-se Manoel.

E Manoel tinha senso de humor.

O boteco chamava-se:

BIBLIOTECA

Sim.

Acredite se quiser.


😂 “Mãe, eu estava na Biblioteca”

É difícil imaginar um nome mais eficiente.

— Onde você estava?

— Na Biblioteca.

Verdade.

— Até duas da manhã?

— Faculdade exige dedicação.

— Estudando?

— Conversando com veteranos.

Também verdade.

— Encontrou material para o trabalho?

— Encontrei.

Talvez sentado numa mesa segurando um copo.

— Fez pesquisa?

— De campo.

Manoel havia criado, sem saber, a melhor ferramenta de negação plausível universitária dos anos 1990.


🖥️ BIBLIOTECA/390

Hoje talvez descrevêssemos aquele lugar assim:

Sistema: BIBLIOTECA/390
Vendor: Manoel Systems
Interface: balcão
Authentication: reconhecimento facial do Manoel
Network: mesas
Protocol: conversa
Database: memória coletiva
Search engine: “Ô, alguém conhece alguém que...”
Recommendation engine: “fala com o Fulano”
Billing: caderneta
Knowledge management: fofoca
Threat intelligence: veteranos
Machine learning: repetir semestre
Cloud: fumaça de cigarro acumulada perto do teto
Batch window: depois da última aula
Disaster recovery: mais uma cerveja
Shutdown: quando Manoel decidia fechar

Era robusto.

Provavelmente tinha menos downtime que muito sistema moderno.



🌐 A universidade tinha departamentos. A Biblioteca tinha interoperabilidade.

Dentro da universidade formal havia divisões.

Curso.

Departamento.

Disciplina.

Professor.

Aluno.

Funcionário.

Na Biblioteca essas fronteiras ficavam mais porosas.

Professor conversava com estudante.

Veterano conversava com calouro.

Funcionário sabia histórias administrativas que ninguém mais sabia.

Aluno de outro curso aparecia.

Ex-aluno trazia notícia do mercado.

Alguém conhecia alguém procurando estágio.

Outro conhecia alguém vendendo alguma coisa.

Outro sabia quem fazia trabalhos.

Era uma rede social antes das redes sociais.

Mais importante:

era uma rede social de colisão.

As pessoas não estavam organizadas por algoritmo de recomendação.

Elas simplesmente esbarravam umas nas outras.

E conhecimento emergia dessa bagunça.



🧠 A Biblioteca oficial guardava livros. A outra guardava contexto.

Essa talvez seja uma das diferenças mais bonitas.

A biblioteca acadêmica tradicional guardava:

livros,

revistas,

artigos,

teses,

referências.

A Biblioteca do Manoel guardava:

quem sabia o quê,

quem conhecia quem,

qual professor gostava de quê,

qual disciplina derrubava alunos,

qual trabalho já tinha circulado,

qual veterano tinha material,

qual funcionário podia explicar determinado procedimento,

onde havia estágio,

quem estava contratando,

quem havia terminado namoro,

quem devia dinheiro,

e provavelmente umas cinquenta outras coisas muito mais importantes naquela noite.

Uma guardava informação.

A outra guardava relações entre informações e pessoas.

Não existia grafo de conhecimento.

Existia mesa de plástico.



♟️ E aqui entra a Teoria dos Jogos

O sistema de avaliação acadêmica nunca foi uma estrada de mão única.

Universidade cria regra.

Aluno reage.

Professor cria fiscalização.

Aluno adapta comportamento.

Software procura coincidência.

Ghostwriter altera texto.

Professor começa a desconfiar de trabalhos perfeitos.

Ghostwriter introduz imperfeições.

Novo detector aparece.

Nova técnica de evasão surge.

Formalmente podemos imaginar:

D₁ → E₁ → D₂ → E₂ → D₃ → E₃

Detecção.

Evasão.

Nova detecção.

Nova evasão.

Isso acontece em segurança cibernética.

Acontece no combate a spam.

Acontece em fraude bancária.

Acontece em doping esportivo.

Acontece em SEO.

Acontece em imposto.

E acontecia dentro da universidade.

A Teoria dos Jogos já estava sentada na Biblioteca bebendo uma cerveja muito antes de virar buzzword em apresentação corporativa.



📄 Mas há outra pergunta ainda mais desconfortável

Vamos imaginar 150 alunos.

Cada um entrega um trabalho de vinte páginas.

Temos:

3.000 páginas.

Agora olhe para o professor.

Ele dá aula.

Prepara aula.

Participa de reunião.

Corrige prova.

Orienta aluno.

Faz pesquisa.

Escreve artigo.

Responde burocracia.

Participa de banca.

Preenche sistema.

Corre atrás de prazo.

E recebe três mil páginas.



Existe uma pergunta que raramente fazemos:

ele realmente consegue ler tudo com profundidade?

Não estou dizendo que professores não leem trabalhos.

Muitos certamente fazem enorme esforço para isso.

Estou falando de física.

Tempo é finito.

Atenção também.

Se cada página exigir apenas dois minutos de leitura cuidadosa, três mil páginas exigem cem horas.

Uma única rodada.

Então talvez existisse uma segunda camada silenciosa de otimização.

O aluno aprendia a produzir um artefato que parecesse academicamente adequado.

O professor aprendia onde concentrar atenção.

Introdução.

Conclusão.

Bibliografia.

Coerência.

Trechos suspeitos.

Amostragem.

Experiência.

Ambos estavam navegando restrições.



🤖 Então chegou a IA e alguém gritou: “Agora acabou!”

ChatGPT apareceu e tornou possível produzir rapidamente textos extensos, organizados e razoavelmente sofisticados.

E muitas instituições reagiram.

Detectores de IA.

Restrições.

Trabalhos manuscritos.

Provas presenciais.

Apresentações orais.

Há uma ironia histórica enorme nisso.

Porque o sistema começa a falar:

“Agora não sabemos mais se o aluno realmente escreveu o trabalho.”

E o ghostwriter de 1995, em algum lugar do multiverso, levanta a mão.

— Professor...

Temos uma notícia.



✍️ Manuscrito não resolve terceirização intelectual

Mandar escrever à mão pode aumentar o custo.

Mas não prova autoria intelectual.

Um aluno pode pedir à IA:

“Produza duas páginas sobre determinado tema num estilo simples.”

Depois copiar tudo para o papel.

Agora o texto é manuscrito.

Mas o raciocínio continua terceirizado.

Parabéns.

Eliminamos a impressora.

A fraude sobreviveu.


🎙️ A prova oral muda o problema

Há uma diferença importante entre perguntar:

“Quem escreveu este texto?”

e perguntar:

“Este aluno domina esta ideia?”

A primeira pergunta pode gerar uma corrida armamentista infinita.

Detector.

Humanizador.

Novo detector.

Novo humanizador.

A segunda permite uma abordagem completamente diferente.

— Explique sua conclusão.

— Por que escolheu essa fonte?

— O que aconteceria se essa variável mudasse?

— Dê um contraexemplo.

— Discorde do seu próprio trabalho.

Essa última é maravilhosa.

Porque decorar não basta.

O aluno precisa manipular o conhecimento mentalmente.



😈 O professor faz Red Team do aluno

Imagine uma avaliação contemporânea.

O estudante entrega cinco páginas.

Pode usar IA.

Pode usar biblioteca.

Pode usar Google.

Pode conversar com colegas.

Pode consultar especialistas.

Mas depois precisa defender o resultado.

Professor:

— Você afirma X.

Aluno:

— Sim.

Professor:

— Agora vou remover sua premissa principal.

Aluno:

— ...

Professor:

— Reconstrua a conclusão.

Nesse momento não estamos mais detectando uma ferramenta.

Estamos testando competência.

É praticamente Red Team aplicado ao conhecimento.


🤯 Mas então o aluno usa IA para treinar a prova oral

E aqui a Teoria dos Jogos dá mais uma volta.

O estudante pode pegar o próprio trabalho e dizer para uma IA:

“Simule uma banca extremamente exigente. Faça perguntas inesperadas. Tente descobrir se eu realmente entendo este assunto.”

A IA começa:

— Por que você escolheu essa metodologia?

— Qual seria a principal crítica ao seu argumento?

— Que evidência derrubaria sua conclusão?

— Como esse conceito se aplica a outro contexto?

O aluno passa três horas treinando.

Até que surge a pergunta filosófica perfeita:

se ele estudou durante três horas para conseguir sustentar intelectualmente o trabalho... ainda estamos falando de fraude?

😂

Em algum momento, tentando trapacear, o sujeito acaba aprendendo.

Sócrates venceu novamente.


📚 Talvez o problema nunca tenha sido o ChatGPT

Durante décadas usamos determinados artefatos como proxies.

Vinte páginas significavam esforço.

Bibliografia significava pesquisa.

Texto sofisticado significava conhecimento.

Mas proxy não é realidade.

Um texto de vinte páginas pode representar:

vinte horas de pesquisa,

vinte minutos de geração,

pagamento a um ghostwriter,

reutilização de trabalho antigo,

colaboração,

ou uma mistura de tudo isso.

A IA não destruiu necessariamente a educação.

Ela destruiu a confiança automática no proxy.


🧪 O ChatGPT fez um teste de carga no sistema acadêmico

Imagine uma aplicação antiga.

Ela funciona há décadas.

Todo mundo acredita que é robusta.

Então alguém aumenta brutalmente o volume de transações.

De repente começam a aparecer gargalos que sempre estiveram lá.

Timeout.

Fila.

Deadlock.

Campo pequeno demais.

Tabela mal indexada.

Regra de negócio esquecida.

A inteligência artificial fez algo parecido com determinados modelos educacionais.

Ela aumentou a escala da terceirização intelectual.

O problema existia.

Mas era caro.

Humano.

Limitado.

Local.

Agora ficou barato.

Automático.

Instantâneo.

Global.

O bug não nasceu em 2022.

Foi apenas colocado sob carga máxima.



🦖 O ghostwriter foi disruptado

Existe até uma dimensão econômica nisso.

O ghostwriter acadêmico de baixa complexidade foi provavelmente um dos profissionais informais mais brutalmente atacados pela IA generativa.

Antes:

cliente procura intermediário.

Negocia preço.

Explica tema.

Espera.

Recebe trabalho.

Pede alteração.

Paga.

Agora:

abre navegador.

Digita.

Recebe.

Refaz.

Expande.

Resume.

Traduz.

Formata.

Em minutos.

O senpai eterno perdeu para automação.

Schumpeter ficaria orgulhoso.

Ou pediria outra cerveja.



🍺 Mas nenhuma IA substitui completamente o Manoel

Porque havia uma coisa que aquele ecossistema produzia e que é muito mais difícil digitalizar:

contexto humano local.

Quem era aquele professor.

Quem estava brigado com quem.

Quem sabia determinada matéria.

Quem tinha emprego.

Quem precisava de funcionário.

Qual disciplina estava mudando.

Qual veterano já havia passado pelo problema.

Quem tinha um livro raro.

Quem podia apresentar você para alguém.

Tudo isso circulava na Biblioteca.

Não a biblioteca dos livros.

A outra.

Aquela onde Manoel servia cerveja.


☕ Trinta anos depois

Hoje temos:

Google.

Wikipédia.

bibliotecas digitais.

bases acadêmicas.

LLMs.

detectores.

LMS.

videoconferência.

plataformas adaptativas.

analytics educacional.

proctoring.

IA generativa.

IA avaliadora.

IA tutora.

IA revisora.

IA que escreve.

IA que detecta IA.

IA que humaniza texto de IA.

IA que tenta descobrir se o humanizador humanizou a IA.

É uma corrida tecnológica impressionante.

Mas talvez a pergunta pedagógica fundamental continue sendo uma das mais antigas da humanidade:

Você realmente entende aquilo que está dizendo?

E para descobrir isso às vezes ainda funciona uma tecnologia surpreendentemente simples.

Duas pessoas.

Uma pergunta.

Uma resposta.

Uma nova pergunta.


🍻 Talvez Sócrates tivesse gostado da Biblioteca

Consigo imaginar perfeitamente.

Sócrates sentado numa mesa.

Copo na frente.

Aluno chega com vinte páginas debaixo do braço.

Sócrates olha.

— Você escreveu isso?

— Escrevi.

— Interessante.

Coloca as vinte páginas de lado.

— Explique.

O aluno começa.

Sócrates interrompe.

— Por quê?

O aluno responde.

— E se o contrário fosse verdadeiro?

Silêncio.

Manoel passa carregando cervejas.

Olha para a mesa.

Sorri.

Ele já sabe.

A prova começou.


🧩 O passado nunca foi tão limpo quanto gostamos de lembrar

É muito fácil romantizar o mundo pré-digital.

Nós pesquisávamos.

Sim.

Nós líamos.

Sim.

Passávamos horas em bibliotecas.

Sim.

Gastávamos dinheiro com xerox.

Sim.

Digitávamos trabalhos em máquinas e computadores que hoje fariam qualquer universitário chorar.

Tudo isso aconteceu.

Mas também existiam atalhos.

Trabalhos vendidos.

Trabalhos reciclados.

Ghostwriters.

Veteranos profissionais.

Sinônimos para enganar software.

Erros introduzidos propositalmente.

Reputação informal.

Mercados subterrâneos.

Estratégias para entender professores.

Estratégias para sobreviver à avaliação.

A humanidade não esperou a IA para descobrir a fraude acadêmica.

Nós somos muito mais criativos que isso.


🎯 A pergunta correta

Talvez por isso a pergunta de 2026 não devesse ser:

“Como impedir que o aluno use IA?”

Talvez devesse ser:

“Como desenhar uma avaliação em que usar IA não substitua a necessidade de saber?”

Isso muda tudo.

Porque, se o estudante precisa explicar, aplicar, criticar, transformar, defender e conectar conhecimentos...

a ferramenta deixa de ser o centro da discussão.

O conhecimento volta a ser.


🍺 Epílogo: onde você estava?

Entre 1993 e 1996 muitas coisas mudaram.

Computadores ficaram melhores.

Software acadêmico evoluiu.

A internet começou a entrar em nossas vidas.

Ferramentas de detecção apareceram.

A universidade foi se informatizando.

Décadas depois vieram Google, Wikipédia e inteligência artificial.

Mas ainda guardo uma imagem muito mais simples daquele ecossistema.

Uma noite em São Paulo.

Professor.

Funcionário.

Aluno.

Veterano.

Calouro.

Ghostwriter.

Gente que estudava muito.

Gente que estudava pouco.

Gente que provavelmente nem deveria estar ali.

Todos conversando.

Todos trocando informação.

E Manoel atrás do balcão administrando silenciosamente a maior base de conhecimento informal daquele pedaço da universidade.

Se alguém perguntasse no dia seguinte:

— Onde você estava ontem à noite?

Não havia necessidade de mentir.

A resposta era absolutamente verdadeira.

Na Biblioteca.

🍺

Só não precisava explicar qual.

Artigo que startou tudo

https://www1.folha.uol.com.br/tec/2026/08/inteligencia-artificial-avanca-em-fraudes-e-ameaca-educacao-online-nos-eua.shtml

https://www.nytimes.com/2026/08/14/business/google-gemini-ai-schools.html?unlocked_article_code=1.5VA.w1nZ.TOd26znBidf5&smid=url-share

Visite outros temas doidos







sábado, 15 de agosto de 2026

O Milhão de Chimpanzés, Gutenberg e a Máquina do Juízo Final: quando o Homem Médio Ganhou Inteligência Artificial

 

Bellacosa Mainframe e o case do um milhão de chimpanzes e a ia generativa

☕ Um Café no Bellacosa Mainframe

O Milhão de Chimpanzés, Gutenberg e a Máquina do Juízo Final: quando o Homem Médio Ganhou Inteligência Artificial

🐒 IA generativa, teoria dos jogos, incentivo econômico, eleições, fraude, economia da atenção e a perturbadora hipótese de que talvez não precisemos de uma superinteligência para criar um desastre — basta entregar ferramentas suficientemente boas a gente suficiente durante tempo suficiente

Há uma velha experiência mental que diz que, se colocarmos um número infinito de chimpanzés diante de máquinas de escrever durante tempo infinito, eventualmente um deles produzirá as obras completas de Shakespeare.

É uma ideia simpática.

Matemática.

Elegante.

Praticamente poética.

Mas possui uma falha fundamental.

Ela pressupõe que os chimpanzés estejam interessados em usar a máquina de escrever.

Quem já observou seres humanos durante tempo suficiente sabe que essa é uma suposição perigosíssima.

Alguns chimpanzés provavelmente bateriam nas teclas.

Outros dormiriam.

Alguns brigariam.

Outros roubariam a banana do vizinho.

Uma quantidade respeitável descobriria alguma forma obscena de utilizar o equipamento.

Um provavelmente urinaria no teclado.

E inevitavelmente algum deles passaria a mão na bunda do pesquisador encarregado de observar o experimento.

A humanidade, afinal, nunca teve grande respeito pelos modelos elegantes.

Mas estamos em 2026.

E cometemos um pequeno erro experimental.

Entregamos Inteligência Artificial aos chimpanzés.

Agora eles não precisam mais escrever Shakespeare.

Podem simplesmente pedir.


🎹 Senhores, parem de bater aleatoriamente nas teclas

Imagine a sala de guerra.

Homens engravatados.

Cinzeiros.

Mapas gigantes.

Telefones vermelhos.

Um general aponta solenemente para uma tela.

— Senhores, temos um problema.

— Os russos?

— Não.

— Os chineses?

— Também não.

— Terroristas?

— Pior.

Silêncio.

— O cidadão comum descobriu Inteligência Artificial.

É aproximadamente aqui que nosso hipotético Dr. Lovestrange deixa cair o café.

Porque durante boa parte da história humana existiu uma proteção invisível para inúmeros sistemas:

a dificuldade.

Fazer determinadas coisas era difícil.

Escrever um livro era difícil.

Produzir um jornal era caro.

Montar uma campanha publicitária exigia equipe.

Editar vídeo exigia conhecimento.

Programar computadores exigia estudo.

Produzir um relatório técnico exigia competência.

Interpretar determinadas regras exigia especialistas.

Fraudar certos processos também exigia competência.

Atacar sistemas computacionais exigia conhecimento.

Produzir propaganda convincente exigia gente talentosa.

Criar música exigia músicos.

Ilustração exigia ilustradores.

Tudo possuía uma barreira de entrada.

E então começamos, lentamente, a derrubar essas barreiras.

O primeiro grande suspeito atende pelo nome de Johannes Gutenberg.


📚 Gutenberg aperta o primeiro botão vermelho

Por volta do século XV, Gutenberg ajudou a transformar radicalmente o custo da reprodução de textos.

Antes, copiar conhecimento era caro.

Depois, ficou muito mais barato.

E aqui aparece uma verdade desconfortável que acompanha toda democratização tecnológica:

quando você democratiza a produção de coisas boas, também democratiza a produção de porcaria.

A prensa não imprimiu apenas ciência.

Imprimiu propaganda.

Não imprimiu apenas literatura.

Imprimiu mentira.

Não imprimiu apenas filosofia.

Imprimiu panfletos, insultos, pornografia, superstições, ataques políticos, bobagens e todo o maravilhoso zoológico intelectual que acompanha nossa espécie.

Gutenberg não democratizou a verdade.

Democratizou a cópia.

Séculos depois, telégrafo, rádio e televisão atacaram outro gargalo:

a distância.

A Internet atacou:

a distribuição.

Blogs e redes sociais atacaram:

a publicação.

Smartphones colocaram câmera, gráfica, estúdio, rádio e emissora no bolso.

Algoritmos de recomendação começaram a industrializar:

a atenção.

E então chegou a Inteligência Artificial generativa atacando um gargalo diferente.

Talvez o último grande gargalo.

A competência produtiva.


🤖 O homem médio recebe uma promoção que ninguém aprovou

A grande transformação talvez não seja tornar gênios ainda mais geniais.

Os melhores profissionais sempre tiveram capacidade extraordinária.

O melhor advogado já sabia escrever.

O melhor programador já sabia programar.

O melhor fraudador já conhecia o sistema.

O melhor publicitário sabia capturar atenção.

Eles constituem a ponta da distribuição.

Mas a sociedade não é feita apenas das pontas.

Ela é feita principalmente da imensa barriga da curva.

O homem médio.

A mulher média.

O profissional razoável.

O estudante comum.

O cidadão curioso.

O sujeito que sabe um pouco.

O sujeito que não sabe quase nada.

O famoso:

“deixa que eu tento.”

A IA não precisa transformar esse indivíduo em especialista.

Basta transformá-lo de:

“não consigo fazer”

em:

“consigo fazer algo suficientemente plausível.”

Essa palavra — suficientemente — pode causar estragos monumentais.

Porque não estamos falando de um indivíduo.

Estamos falando de milhões.


🐒 O Teorema do Milhão de Chimpanzés

Vamos abandonar por um momento o infinito.

Não precisamos dele.

Vamos trabalhar com apenas:

1.000.000 de chimpanzés.

Cada um recebe:

um computador,

acesso à Internet,

IA generativa,

imagem,

áudio,

vídeo,

programação,

tradução,

automação,

redes sociais,

métricas,

algoritmos de recomendação,

e tempo.

Agora acrescente motivações humanas.

Alguns querem dinheiro.

Alguns querem poder.

Alguns querem passar em concurso.

Alguns querem economizar tempo.

Alguns querem produzir relatórios.

Alguns querem promover candidatos.

Alguns querem atacar candidatos.

Alguns querem fraudar seguradoras.

Alguns querem defender seguradoras.

Alguns querem escrever petições.

Alguns querem contestar petições.

Alguns querem estudar.

Alguns querem colar.

Alguns querem cometer crimes.

Alguns querem combater crimes.

Alguns querem pornografia.

Alguns querem fama.

Alguns só querem assistir jovens dançando com pouca roupa no TikTok e no Instagram.

Outros preferem plataformas mais explícitas.

Uma grande quantidade só quer matar o tédio.

E inevitavelmente alguns continuarão urinando no teclado.

Esse detalhe é importante.

Não estamos modelando agentes racionais perfeitos.

Estamos modelando seres humanos.


🎲 E então entra a teoria dos jogos

Agora nosso experimento fica interessante.

Imagine um concurso.

Um candidato usa determinadas ferramentas para obter vantagem indevida.

Outro percebe.

Ele pode seguir as regras e aceitar uma possível desvantagem.

Ou pode imitar.

Se acredita que muitos estão fazendo o mesmo, surge uma pressão:

“Se eu não fizer, perco.”

Esse pensamento aparece em inúmeras áreas.

No trabalho acadêmico:

“Todo mundo está usando.”

No marketing:

“Meu concorrente produz cinquenta vídeos por semana.”

No escritório jurídico:

“O outro escritório já usa IA.”

No relatório técnico:

“Precisamos entregar amanhã.”

Na eleição:

“O adversário domina as redes.”

Na fraude:

“Esse método está funcionando.”

O comportamento pode espalhar-se mesmo entre pessoas que inicialmente não desejavam participar.

Essa é uma das perversidades da teoria dos jogos.

Não precisamos que todos gostem do equilíbrio final.

Basta que cada agente considere irracional permanecer sozinho fora dele.


💰 E então alguém oferece dinheiro ao chimpanzé

Nesse momento a sala de guerra inteira deveria pedir café duplo.

Porque capacidade tecnológica é uma coisa.

Incentivo econômico é outra.

O chimpanzé pode desistir depois de dez tentativas fracassadas.

Mas e se a décima primeira pagar R$ 5.000?

Agora existe motivação para continuar.

Se determinada atividade apresenta retorno esperado positivo, o fracasso deixa de ser obstáculo.

Vira custo operacional.

Mil tentativas.

Novecentas e noventa e nove falham.

Uma funciona.

Se aquela única tentativa pagar o suficiente, o modelo sobrevive.

E então algo quase darwiniano começa.

tentativa

resultado

recompensa

imitação

melhoria

nova tentativa

As estratégias ruins morrem.

As boas sobrevivem.

O dinheiro funciona como função de fitness.

E estratégias lucrativas possuem uma característica desagradável:

financiam a próxima geração.

Lucro compra:

mais máquinas,

melhores modelos,

mais dados,

mais automação,

mais tentativas.

Então surge um loop:

capital → capacidade → experimentação → sucesso → capital maior.

Não precisamos de Skynet.

Temos contabilidade.


🛡️ A seguradora entra na sala

Considere seguros.

Durante décadas seguradoras construíram processos assumindo determinado custo para produzir documentação, contestar decisões, compreender contratos e executar fraudes.

Agora ambos os lados recebem IA.

O cliente legítimo passa a compreender melhor sua apólice.

Excelente.

O fraudador também.

Menos excelente.

A seguradora coloca IA para detectar padrões.

O adversário aprende como os detectores funcionam.

A seguradora melhora.

O adversário adapta.

Ataque.

Defesa.

Adaptação.

Contra-adaptação.

Estamos diante de uma corrida armamentista.

E ela não precisa ser liderada por grandes organizações criminosas.

Milhares de pequenas tentativas podem produzir conhecimento coletivo sobre o que funciona.

Depois aparecem fóruns.

Vídeos.

Tutoriais.

Ferramentas.

Serviços.

Mercados.

Especialização.

Aquilo que inicialmente exigia um especialista acaba empacotado.

Fraud-as-a-Service.

O chimpanzé agora assina mensalmente.


🎓 A universidade recebe Shakespeare demais

Agora coloque nossos chimpanzés na academia.

Milhões de estudantes recebem máquinas capazes de gerar textos plausíveis.

O problema óbvio é cola.

O problema interessante é outro.

Imagine uma alucinação.

Uma referência inexistente.

Um conceito errado.

A IA produz.

Um estudante publica.

Outro copia.

Um site indexa.

Outra IA recupera.

Outro estudante utiliza.

Uma terceira IA encontra vários textos repetindo a mesma informação.

Pronto.

Criamos uma porcaria com genealogia.

A mentira agora possui avós.

Depois de algumas gerações, ninguém sabe exatamente onde nasceu.

E temos outro problema.

A universidade coloca IA para identificar textos produzidos por IA.

O aluno coloca IA para modificar o texto.

A universidade melhora o detector.

O aluno melhora a transformação.

Outra corrida armamentista.

Senhores, alguém poderia verificar se ainda há café?


⚖️ Advogados, peritos e a aparência de competência

O problema ganha outra dimensão quando os documentos possuem autoridade institucional.

Petição.

Laudo.

Parecer.

Relatório.

Memorando.

Auditoria.

Análise técnica.

Todos possuem uma característica psicológica poderosa:

formato profissional gera percepção de competência.

Um documento de cinquenta páginas, bem diagramado, cheio de tabelas, gráficos e referências parece importante.

Mesmo quando é lixo.

Historicamente, produzir lixo sofisticado dava trabalho.

Agora talvez dê um prompt.

Temos então uma nova equação:

aparência de competência ≠ competência real.

Isso é especialmente perigoso quando o receptor também utiliza IA para analisar o documento.

Uma máquina escreve.

Outra resume.

Uma terceira classifica.

Um humano lê três parágrafos.

E todos seguem felizes.

Até alguma coisa explodir.


💻 O cybercriminoso mediano ganha estagiários sintéticos

Segurança cibernética oferece talvez o exemplo mais intuitivo.

Sempre existiram especialistas extremamente capazes.

Mas especialistas são raros.

O perigo interessante é reduzir parcialmente a barreira para quem está abaixo deles.

Pesquisa.

Tradução.

Automação.

Explicação de código.

Reconhecimento de padrões.

Adaptação.

A IA pode tornar determinadas tarefas mais acessíveis.

Do lado defensivo isso é maravilhoso.

Do lado ofensivo também existe aumento de capacidade.

Mais uma vez:

a tecnologia não escolhe o lado.

Ela reduz custo.

E incentivos escolhem como aquela capacidade será utilizada.


🗳️ Itatiba entra discretamente na sala de guerra

Agora chegamos às eleições.

E aqui tenho uma lembrança particularmente interessante.

Em 2016, em Itatiba, cidade do interior paulista, acompanhei de perto um candidato chamado Du Pedroso.

Não havia grande agência.

Não havia escritório de marketing.

Não havia exército de especialistas.

Era praticamente:

um homem contra o sistema eleitoral.

Ele produzia vídeos, jingles, fotomontagens e outras peças digitais utilizando as ferramentas disponíveis naquele período, distribuindo material por WhatsApp e redes sociais.

Independentemente da avaliação jurídica específica de cada peça, aquilo mostrava algo importante:

um indivíduo tecnologicamente habilidoso já conseguia multiplicar sua capacidade comunicacional sem possuir a infraestrutura tradicional de uma campanha profissional.

Agora retire Du Pedroso da eleição de 2016.

Coloque-o em 2026.

Entregue:

LLM,

geração de imagem,

geração de vídeo,

voz sintética,

música,

edição,

automação,

analytics,

agentes.

Um homem pode carregar uma pequena agência publicitária dentro do computador.

Agora não faça isso com um.

Faça com:

1.000.000.

Chegamos novamente aos chimpanzés.


🗳️ Um milhão de microcampanhas

Quando falamos em interferência eleitoral, nossa imaginação costuma procurar grandes estruturas.

Partidos.

Estados.

Agências.

Empresas.

Organizações.

Mas talvez o desafio mais estranho esteja em outro lugar.

E se tivermos milhões de microprodutores?

Um simpatizante cria um meme.

Outro melhora.

Outro transforma em vídeo.

Outro coloca música.

Outro traduz.

Outro exagera.

Outro distorce.

Outro corrige.

Outro transforma a correção em piada.

Outro produz uma sátira.

Outro cria uma montagem.

Outro cria resposta.

Todos parcialmente independentes.

Agora cada um possui ferramentas de produção industrial.

Temos:

geração

distribuição

feedback

seleção

mutação

nova distribuição

Isso parece menos uma campanha tradicional e mais um organismo cultural.

Não precisa haver comandante.

Não precisa haver sala secreta.

Não precisa haver plano mestre.

O sistema pode produzir comportamento emergente.


📱 Mas metade dos chimpanzés está vendo dancinha

E aqui aparece a grande piada cósmica.

Temos acesso a uma quantidade de informação jamais vista.

Bibliotecas.

Cursos.

Ciência.

História.

Literatura.

Documentos.

Universidades.

Inteligência Artificial.

Praticamente toda a memória da humanidade disponível dentro de um pequeno retângulo de vidro.

E o cidadão usa o retângulo para assistir uma dancinha.

Ou vídeo de gato.

Ou celebridade.

Ou conteúdo sensual.

Ou pornografia.

Isso não é necessariamente estupidez.

É economia da atenção.

Porque Gutenberg resolveu a escassez de cópias.

A Internet resolveu a escassez de distribuição.

IA começa a resolver a escassez de produção.

Mas ninguém resolveu:

a escassez de atenção humana.

Continuamos com dois olhos.

Um cérebro.

Vinte e quatro horas.

E sono.

Quanto mais conteúdo produzimos, mais valiosa fica a atenção.

Consequentemente, milhões de produtores começam a competir não necessariamente pela verdade.

Competem pelo clique.

Pela retenção.

Pelo compartilhamento.

Pelo choque.

Pela indignação.

Pelo tesão.

Pelo medo.

Pela risada.

Pela curiosidade.

E aqui surge uma questão terrível:

o conteúdo mais correto não é necessariamente o conteúdo mais competitivo.


📢 O algoritmo também ganhou direito a voto

Nosso milhão de chimpanzés não distribui conteúdo diretamente.

Existe um intermediário.

O algoritmo.

Ele observa.

Mede.

Classifica.

Recomenda.

Amplifica.

Oculta.

E possui sua própria função objetivo.

Assim passamos de:

chimpanzé → chimpanzé

para:

chimpanzé → algoritmo → chimpanzé.

O algoritmo também participa da seleção cultural.

Uma mensagem recebe atenção.

Outra morre.

Uma imagem viraliza.

Outra desaparece.

A seleção acontece em velocidade industrial.

Então nossos agentes recebem feedback.

“Isso funcionou.”

Produzem mais.

Outra rodada.

Mais dados.

Mais seleção.

Estamos novamente em território evolucionário.


🕵️ O burocrata de 1964 pede transferência

Agora tragam para nossa sala de guerra um burocrata brasileiro de 1964.

Ele está acostumado com outro universo.

Jornais.

Editoras.

Gráficas.

Rádio.

Televisão.

Livros.

Filmes.

Pontos físicos de produção.

Ele consegue imaginar censura porque consegue imaginar gargalos.

Então mostramos 2026.

— Quantas publicações existem?

— Muitas.

— Quantas editoras?

— Não importa.

— Onde estão as gráficas?

— No bolso das pessoas.

— Quantos jornalistas?

— Também não importa.

— Quem produziu este vídeo?

— Talvez uma pessoa.

— Qual estúdio?

— Um notebook.

— Quanto tempo levou?

— Dois minutos.

— Proíba esta imagem.

— Já existem quinze mil variantes.

— Recolha as cópias.

— Não existem originais.

— Então bloqueie tudo.

— Enquanto conversávamos surgiram mais vinte mil.

Nosso burocrata olha lentamente para o teto.

Pede um Xanax.

Depois pergunta se pode misturar com Rivotril.

O médico militar responde que talvez seja melhor apenas pedir aposentadoria.

Mas a piada possui uma conclusão séria.

Muitos mecanismos de governança foram construídos supondo pontos de concentração.

Poucos emissores.

Poucas instituições.

Poucos produtores.

Agora podemos ter milhões.


🌊 Você não precisa derrotar o fiscal. Basta afogá-lo

Essa talvez seja uma das maiores assimetrias do mundo generativo.

Produzir pode levar segundos.

Verificar pode levar minutos.

Horas.

Dias.

Gerar uma alegação é barato.

Investigar exige contexto.

Gerar uma imagem é barato.

Autenticar exige trabalho.

Gerar cinquenta páginas é barato.

Revisar cinquenta páginas continua caro.

Portanto:

custo de produção ↓↓↓

enquanto

custo de verificação ↓ lentamente.

Isso aparece em:

universidades,

tribunais,

seguradoras,

bancos,

auditorias,

moderação,

eleições,

cybersecurity,

jornalismo,

compliance.

Talvez não seja necessário quebrar o sistema.

Basta fornecer mais entradas do que ele consegue verificar.

Não invadimos a fortaleza.

Enviamos formulários.

Milhões deles.

Dr. Lovestrange sorri discretamente.


🐒 Mas o chimpanzé ainda pode urinar no teclado

Existe, porém, outro erro que devemos evitar.

Não podemos imaginar um milhão de agentes perfeitamente racionais usando IA da maneira mais eficiente possível.

Isso seria reconfortante demais.

Humanos são muito mais interessantes.

Alguns procurarão lucro.

Outros cometerão erros.

Outros experimentarão coisas absurdas.

E justamente nesses comportamentos absurdos podem surgir descobertas inesperadas.

Um agente encontra uma estratégia por conhecimento.

Outro por análise.

Outro por tentativa.

Outro porque entendeu errado.

Outro porque estava brincando.

Outro porque apertou o botão errado.

Se o resultado funcionar, alguém observa.

Copia.

Melhora.

Automatiza.

Monetiza.

Portanto, nossa civilização possui uma capacidade curiosa:

transformar acidentes em modelos de negócio.

O chimpanzé que urinou no teclado talvez apenas tenha destruído um computador.

Mas se por alguma coincidência isso revelar uma falha do laboratório...

os outros imediatamente perguntarão:

“Como automatizamos a urina?”


☢️ Senhores, construímos uma máquina do juízo final sem perceber?

A velha ficção sobre Inteligência Artificial imagina uma máquina extraordinariamente inteligente tomando uma decisão extraordinariamente perigosa.

Talvez estejamos olhando para o lado errado.

Talvez o risco sistêmico mais interessante não seja:

uma superinteligência fazendo uma coisa terrível.

Talvez seja:

milhões de inteligências humanas medianas fazendo pequenas coisas suficientemente eficientes, simultaneamente, usando ferramentas suficientemente poderosas.

Não precisamos de HAL.

Não precisamos de Skynet.

Não precisamos de um supervilão.

Podemos precisar apenas de:

N — muitos agentes

IA — capacidade suficiente

T — tempo suficiente

I — incentivo suficiente

A — automação suficiente

F — feedback suficiente

R — conectividade suficiente

B — barreira de entrada baixa

e aquela velha característica humana:

“Se está dando dinheiro, continua.”

Então eventos improváveis deixam de ser necessariamente impossíveis.

Eles podem virar:

questões de tempo.


🎰 O improvável encontra o número grande

Suponha que alguma estratégia possua uma probabilidade minúscula de funcionar.

Para um indivíduo realizando poucas tentativas, ela é irrelevante.

Mas multiplique por milhões de agentes.

Depois multiplique por milhares de tentativas.

Depois dê anos.

Depois permita compartilhamento.

Depois preserve os sucessos.

Agora aquilo que era improvável pode eventualmente ocorrer.

E, uma vez descoberto, não volta necessariamente ao estado anterior.

O conhecimento fica.

É copiado.

Melhorado.

Industrializado.

O tempo não fornece apenas mais tentativas.

Fornece:

memória.


🧠 O verdadeiro problema talvez seja a democratização da competência

Durante muito tempo discutimos democratização da informação como algo predominantemente positivo.

E, em grande parte, é.

Acesso a conhecimento é extraordinário.

IA pode ensinar.

Traduzir.

Programar.

Explicar.

Auxiliar deficientes.

Ajudar pequenos empresários.

Dar capacidade criativa a quem nunca teve acesso a especialistas.

Reduzir desigualdades de conhecimento.

Isso é maravilhoso.

Mas toda democratização possui um gêmeo desagradável.

A mesma ferramenta que ajuda alguém a compreender uma apólice pode ajudar outro a explorar o sistema.

A ferramenta que auxilia o aluno pode ajudar a fraudar uma avaliação.

A ferramenta que ajuda um advogado pode industrializar documentos ruins.

A ferramenta que protege redes pode ensinar conceitos utilizados ofensivamente.

A ferramenta que permite participação política pode industrializar propaganda.

O mesmo motor.

Duas direções.

A tecnologia não precisa ser má.

Basta ser poderosa.


📜 Gutenberg observa tudo e lentamente se afasta

Talvez exista uma linha histórica simples demais para ser ignorada.

Gutenberg democratizou a reprodução.

A Internet democratizou a distribuição.

As redes sociais democratizaram a publicação.

Os algoritmos industrializaram a atenção.

A IA generativa democratiza parte da competência.

Cada revolução remove um gargalo.

Até chegarmos ao gargalo mais curioso.

Nós.

O cérebro humano.

Nossa atenção.

Nossa ética.

Nossa capacidade de verificar.

Nossa propensão a copiar.

Nossa atração por recompensa.

Nosso desejo de vencer.

Nossa capacidade espetacular de racionalizar aquilo que queremos fazer.


☕ O programador COBOL finalmente desliga o terminal

Talvez por isso a pergunta errada seja:

“O que acontecerá quando a Inteligência Artificial ficar inteligente demais?”

Existe uma pergunta anterior.

Mais simples.

Mais feia.

Mais humana.

O que acontece quando milhões de pessoas comuns ficam suficientemente capazes de tentar coisas que anteriormente exigiam especialistas?

E depois:

O que acontece quando algumas dessas tentativas dão dinheiro?

E depois:

O que acontece quando os vencedores ensinam os outros?

E depois:

O que acontece quando algoritmos selecionam aquilo que merece atenção?

E finalmente:

O que acontece quando produzir uma nova tentativa custa quase nada, mas verificar cada tentativa continua caro?

Talvez não aconteça nada catastrófico.

Talvez nossas instituições se adaptem.

Talvez novas defesas apareçam.

Talvez o próprio mercado desenvolva mecanismos de confiança.

Talvez aprendamos a conviver com um mundo onde imagem, áudio, vídeo, texto e autoridade documental precisam ser constantemente verificados.

Ou talvez estejamos fazendo um experimento social em escala planetária sem grupo de controle.

Um milhão de chimpanzés.

Um milhão de teclados.

Um milhão de copilotos.

Um milhão de incentivos diferentes.

Alguns escrevendo Shakespeare.

Alguns fraudando seguro.

Alguns tentando passar no concurso.

Alguns criando propaganda eleitoral.

Alguns protegendo sistemas.

Alguns atacando sistemas.

Alguns vendendo curso sobre como fazer tudo isso.

Alguns vendo TikTok.

Alguns entrando no OnlyFans.

E um, inevitavelmente...

urinando no teclado.

No fundo da sala, Dr. Lovestrange olha para o painel onde uma luz vermelha começou a piscar.

Perguntam:

— Doutor, devemos desligar a máquina?

Ele olha para Gutenberg.

Olha para o smartphone.

Olha para o milhão de chimpanzés.

E responde:

Desligar qual delas?

☕🐒💣


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...