 |
| Bellacosa Mainframe e o major Tom explora a IA |
☕ Um Café no Bellacosa Mainframe
Major Tom Entra no CPD — Ground Control Descobre que a Inteligência Artificial Não Quer Apenas Responder: Agora Ela Quer Executar o JOB
Ou: como Machine Learning, Deep Learning, Transformers, LLMs, RAG, Function Calling, Memory, AI Agents, Multi-Agent Systems, Observability, Governance, RACF e um programador COBOL iniciante partiram para o espaço — e descobriram que autonomia sem controle é apenas um ABEND viajando em alta velocidade
Prólogo — Ground Control to Major Tom
03:17 da manhã.
Naturalmente.
Há certos acontecimentos que parecem contratualmente obrigados a ocorrer às 03:17.
Incidentes de produção.
Falhas de batch.
Telefonemas do suporte.
SQLCODE -911.
S0C7.
E, aparentemente, revoluções tecnológicas.
Naquela madrugada, o jovem programador COBOL estava sozinho diante do terminal quando uma mensagem apareceu:
GROUND CONTROL TO MAJOR TOM
AI AGENT READY.
GOAL:
ANALYZE PRODUCTION FAILURE
PERMISSION TO PROCEED?Ele ficou olhando.
Não era exatamente o que esperava encontrar depois de executar seu primeiro programa COBOL.
O velho programador surgiu carregando café.
— Algum problema?
— Instalaram Inteligência Artificial no ambiente.
O velho tomou um gole.
— E?
— Ela quer investigar o incidente.
— Deixe investigar.
— E também quer executar comandos.
O café parou a meio caminho da boca.
— Ah.
Silêncio.
— Então agora temos um problema.
1. Antes de Major Tom existir, alguém precisou inventar o foguete
Quando falamos atualmente em Inteligência Artificial, é muito fácil começar pelos Large Language Models.
Chatbots.
IA generativa.
Agentes.
Mas isso seria como explicar uma missão espacial começando pelo astronauta e ignorando foguetes, motores, sistemas de navegação, telemetria e décadas de engenharia anteriores.
A história começa muito antes.
Artificial Intelligence é o grande guarda-chuva.
Dentro dele encontramos Machine Learning.
Simplificando bastante, Machine Learning permite que computadores construam modelos a partir de dados em vez de depender exclusivamente de regras programadas manualmente.
Imagine que precisamos identificar determinadas transações suspeitas.
Na programação tradicional poderíamos escrever:
IF TRANSACTION-AMOUNT > 10000
AND COUNTRY-CODE = 'XX'
AND CUSTOMER-RISK = 'H'
MOVE 'REVIEW' TO TRANSACTION-STATUS
END-IF.As regras foram explicitamente definidas por alguém.
Machine Learning muda a abordagem.
Fornecemos exemplos históricos e tentamos construir um modelo capaz de aprender relações estatísticas entre características dos dados e resultados.
É outra maneira de resolver problemas.
E aqui aparecem três famílias clássicas:
Supervised Learning, quando existem exemplos rotulados.
Unsupervised Learning, quando procuramos estruturas e padrões sem possuir previamente as respostas.
Reinforcement Learning, quando um agente aprende através de recompensas associadas às ações tomadas.
Major Tom ainda nem saiu da plataforma.
Mas os motores começaram a funcionar.
2. Deep Learning — ignition sequence start
Machine Learning cresceu.
Os dados cresceram.
O poder computacional cresceu.
As redes neurais cresceram.
Chegamos ao Deep Learning.
Em vez de modelos relativamente pequenos, passamos a utilizar redes neurais compostas por múltiplas camadas capazes de aprender representações extremamente complexas.
Durante essa história surgiram ou ganharam enorme importância arquiteturas como:
CNN
RNN
LSTM
Deep Neural Networks
TransformersCNNs tiveram enorme impacto em visão computacional.
RNNs foram utilizadas para informações sequenciais.
LSTMs ajudaram a lidar melhor com dependências mais longas em sequências.
Então chegaram os Transformers.
E a contagem regressiva mudou.
10...
9...
8...
7...
ATTENTION...
6...
5...
TRANSFORMER...
4...
3...
LARGE LANGUAGE MODEL...
2...
1...LIFTOFF.
3. Attention — Houston, conseguimos olhar para partes diferentes da mensagem
Uma das ideias fundamentais por trás dos Transformers é o mecanismo de attention.
Imagine a frase:
O programa COBOL tentou atualizar o registro, mas ele estava bloqueado.
O que significa "ele"?
Um sistema precisa compreender relações existentes entre diferentes elementos da sequência.
Attention permite que diferentes partes da entrada contribuam de maneira distinta para a representação construída pelo modelo.
Isso ajudou enormemente no processamento de linguagem.
E os Transformers possibilitaram treinamento em escala extraordinária.
Daí surgiram os modelos que hoje conhecemos como Large Language Models — LLMs.
Mas aqui encontramos nosso primeiro alerta de Ground Control:
LLM não significa Inteligência Artificial inteira.
Uma representação simplificada seria:
ARTIFICIAL INTELLIGENCE
│
▼
MACHINE LEARNING
│
▼
DEEP LEARNING
│
▼
TRANSFORMERS
│
▼
LARGE LANGUAGE MODELSExistem inúmeras técnicas e sistemas de IA fora dessa sequência.
ChatGPT não é sinônimo de Inteligência Artificial.
LLM também não.
4. Major Tom aprende a falar
Então aconteceu algo extraordinário.
Os modelos começaram a gerar resultados extremamente convincentes.
Texto.
Código.
Imagens.
Áudio.
Vídeo.
Nascia a explosão da Generative AI.
Para quem passou décadas programando computadores deterministicamente, a mudança parece quase ficção científica.
Você escreve:
Explique este SQLCODE para um programador COBOL iniciante.E recebe uma explicação.
Pede:
Crie um exemplo COBOL.E recebe código.
Pede:
Explique o dump.E o modelo tenta interpretá-lo.
Fantástico.
Mas observe cuidadosamente.
O modelo ainda está essencialmente fazendo:
INPUT
↓
MODEL
↓
OUTPUTMajor Tom consegue conversar com Ground Control.
Ainda não significa que ele consiga pilotar toda a nave.
5. O primeiro problema: Major Tom não conhece nosso CPD
Pergunte a um LLM:
O que significa SQLCODE -911?
Ele provavelmente poderá explicar.
Pergunte:
Qual foi o último incidente relacionado ao programa XPTO01 da minha empresa?
Temos outro problema.
O modelo não necessariamente conhece:
runbooks internos
tickets
logs
documentação
fontes COBOL
procedures
copybooks
catálogo
inventário
arquitetura
normas internas
incidentes anterioresPrecisamos fornecer conhecimento externo.
Entra em cena:
RAG — Retrieval-Augmented Generation
A arquitetura básica pode ser imaginada assim:
PERGUNTA
│
▼
RETRIEVAL
│
┌──────────┼──────────┐
▼ ▼ ▼
Docs Wiki Runbook
│ │ │
└──────────┼──────────┘
▼
CONTEXTO
│
▼
LLM
│
▼
RESPOSTAAgora podemos fornecer ao modelo informações específicas de determinado domínio.
No CPD Bellacosa:
Pergunta
↓
Retriever
↓
Documentação z/OS
↓
Runbook
↓
Histórico do incidente
↓
LLM
↓
Resposta contextualizadaO velho programador resumiria:
— Então deram documentação para o estagiário.
Exatamente.
Só que o estagiário lê absurdamente rápido.
6. Function Calling — Major Tom encontra os botões
Aqui acontece uma transformação muito maior.
Até agora nossa IA poderia dizer:
Consulte o status do JOB no SDSF.
Mas imagine que disponibilizamos uma ferramenta:
get_job_status(jobname)O modelo pode reconhecer que precisa consultar determinada informação e solicitar a execução dessa função.
Agora temos:
USER
↓
LLM
↓
TOOL CALL
↓
SYSTEM/API
↓
RESULT
↓
LLM
↓
USEREssa mudança é fundamental.
Antes:
"Faça isso."
Agora:
a arquitetura pode fazer isso.
Poderíamos conectar ferramentas a:
APIs
databases
search engines
ticket systems
monitoring
email
calendars
enterprise applicationsE, no universo mainframe:
AI
↓
API
↓
z/OS Connect
↓
CICS
↓
COBOL
↓
DB2Major Tom encontrou o painel de controle.
Ground Control começa a ficar nervoso.
7. Tool orchestration — agora temos vários botões
Um único recurso é simples.
Mas imagine dezenas.
search_runbook()
get_job_status()
read_joblog()
query_incident()
search_source()
query_db2()
create_ticket()
notify_team()O sistema precisa decidir:
qual ferramenta utilizar?
quando utilizar?
com quais parâmetros?
o que fazer com o resultado?
Chegamos à Tool Orchestration.
Um objetivo complexo pode gerar algo semelhante a:
OBJETIVO:
Descubra por que PAYROLL falhou.
↓
1. Consultar execução
↓
2. Recuperar JOBLOG
↓
3. Identificar ABEND
↓
4. Pesquisar runbook
↓
5. Consultar histórico
↓
6. Localizar programa
↓
7. Formular diagnóstico
↓
8. Recomendar açãoAgora já não estamos falando simplesmente de geração de texto.
Estamos construindo um workflow inteligente.
8. Planning — Major Tom recebe uma missão
Um agente não deveria receber apenas prompts.
Ele pode receber goals.
Por exemplo:
GOAL:
Diagnosticar falha do processamento PAYROLL.O sistema precisa decompor isso.
É o chamado Goal Decomposition.
GOAL
│
├── descobrir JOB
├── descobrir execução
├── encontrar erro
├── identificar componente
├── procurar evidências
├── correlacionar informações
└── produzir conclusãoObserve como estamos nos afastando daquele chatbot inicial.
Começamos com:
Pergunta → RespostaAgora temos:
Goal
↓
Planning
↓
Task decomposition
↓
Tool selection
↓
Execution
↓
Observation
↓
Evaluation
↓
ReplanningAqui nasce a ideia moderna de AI Agent.
9. AI Agent — Major Tom deixa de ser passageiro
Podemos imaginar um agente através deste loop:
┌───────────────────┐
│ │
▼ │
OBSERVE │
│ │
▼ │
REASON │
│ │
▼ │
PLAN │
│ │
▼ │
ACT │
│ │
▼ │
EVALUATE ───────────────┘Isso é dramaticamente diferente de um chatbot.
O chatbot espera você perguntar novamente.
O agente pode possuir uma tarefa cuja conclusão exige múltiplas etapas.
Imagine:
USER:
Investigue o incidente INC001234.O agente poderia executar:
Consultar ticket
↓
Encontrar JOB
↓
Consultar execução
↓
Ler mensagens
↓
Encontrar SQLCODE
↓
Consultar documentação
↓
Pesquisar incidente semelhante
↓
Construir diagnósticoE então responder.
A palavra fundamental aqui é:
autonomia.
Mas justamente aí encontramos o problema mais interessante da nossa viagem.
10. Memory — Major Tom precisa lembrar do que aconteceu
Imagine um agente que executa dez etapas mas esquece as nove anteriores.
Não ajuda muito.
Sistemas agênticos precisam administrar estado e memória.
Podemos separar conceitualmente:
SHORT-TERM MEMORYContexto necessário para a atividade corrente.
E:
LONG-TERM MEMORYInformações persistidas e recuperáveis posteriormente.
Além disso temos:
State
History
Context
Previous actions
Tool results
DecisionsO programador COBOL imediatamente reconhece a importância disso.
Porque estado é uma das ideias mais antigas da computação.
Um programa batch pode ser relativamente simples:
INPUT → PROCESS → OUTPUTMas aplicações corporativas precisam frequentemente manter:
customer state
transaction state
checkpoint
session
history
audit
recovery informationA IA está descobrindo algo que o mainframe conhece muito bem:
memória transforma uma execução isolada em processo.
11. Self-reflection e Error Recovery — Major Tom cometeu um erro
Agora nosso agente executou uma ferramenta.
Resultado:
RC=12O que fazer?
Um sistema rudimentar simplesmente falharia.
Um agente mais sofisticado pode avaliar:
Minha ação funcionou?Não.
Por quê?Parâmetro incorreto.
Posso corrigir?Sim.
Então:
ACTION
↓
ERROR
↓
EVALUATION
↓
REPLAN
↓
NEW ACTIONTemos feedback loops, self-reflection e mecanismos de error recovery.
Aqui a metáfora espacial fica perfeita.
Uma nave não pode depender de:
IF TRAJECTORY-WRONG
DISPLAY 'SORRY'
STOP RUN
END-IF.😂
Ela precisa corrigir trajetória.
12. Multi-Agent Systems — Ground Control agora virou uma equipe
Por que ter apenas um agente?
Podemos criar especialistas.
ORCHESTRATOR
│
┌──────────────┼──────────────┐
│ │ │
▼ ▼ ▼
COBOL AGENT DB2 AGENT RACF AGENT
│ │ │
└──────────────┼──────────────┘
▼
REVIEW AGENT
│
▼
HUMANO COBOL Agent examina fonte.
O Db2 Agent examina SQL.
O RACF Agent verifica autorização.
Outro agente consulta documentação.
Outro correlaciona observabilidade.
Finalmente um agente coordenador consolida tudo.
Parece revolucionário.
O velho programador olha para o desenho.
— Isso é uma equipe.
Sim.
— Com especialistas.
Sim.
— Com um coordenador distribuindo tarefas.
Sim.
— Reuniões também?
Esperamos que não.
13. Agent Coordination — nasceu o gerente digital
Multi-Agent Systems introduzem novos problemas.
Quem decide qual agente trabalha?
Como eles comunicam resultados?
Quem possui autoridade?
Como evitar trabalho duplicado?
Como resolver conclusões contraditórias?
Precisamos de:
Agent Coordination
Communication
Task Scheduling
Resource Allocation
Delegation
Handoff ProtocolsE aparece uma ironia deliciosa.
Quanto mais sofisticada fica a IA, mais ela começa a parecer uma organização humana.
Existe especialista.
Supervisor.
Delegação.
Memória.
Orçamento.
Governança.
Auditoria.
E provavelmente algum agente dizendo:
This task is outside my scope.Major Tom oficialmente entrou no mundo corporativo.
14. Cost & Resource Management — alguém precisa pagar o combustível
Existe outra coisa que diagramas futuristas às vezes escondem:
computação custa dinheiro.
Uma arquitetura agêntica pode envolver:
100 chamadas de modelo
+
20 buscas
+
10 APIs
+
embeddings
+
vector database
+
storage
+
observability
+
network
+
computeMultiplique por milhares de usuários.
A pergunta deixa de ser apenas:
Funciona?
Passa a ser:
Quanto custa cada tarefa concluída?
Isso aproxima Agentic AI de disciplinas tradicionais de infraestrutura:
capacity planning
performance
resource management
workload management
cost optimizationAlguém do z/OS ouviu Workload Management?
Pois é.
O futuro chegou carregando conceitos antigos debaixo do braço.
15. Ground Control encontra RACF
Agora chegamos ao ponto crítico.
Imagine que nosso agente possa executar:
query_customer()
update_customer()
cancel_payment()
restart_job()
create_user()
change_limit()Precisamos perguntar imediatamente:
quem é esse agente?
Depois:
o que ele pode acessar?
Depois:
quem autorizou?
Depois:
qual ação exige aprovação humana?
Isso nos leva a:
IDENTITY
↓
AUTHENTICATION
↓
AUTHORIZATION
↓
LEAST PRIVILEGE
↓
AUDITINGSe você trabalha com RACF, isso deveria provocar um sorriso.
Porque sistemas autônomos tornam conceitos tradicionais de segurança ainda mais importantes.
Nunca:
PERMIT * ACCESS(ALTER)para Major Tom.
Jamais.
16. Human-in-the-Loop — Ground Control ainda existe
Autonomia não significa necessariamente ausência humana.
Podemos classificar ações por risco.
AGENT
│
┌────────┴────────┐
│ │
LOW RISK HIGH RISK
│ │
▼ ▼
EXECUTE REQUEST APPROVAL
│
▼
HUMANPor exemplo:
baixo risco:
consultar documentação.
médio risco:
abrir ticket.
alto risco:
alterar dados financeiros.
risco crítico:
mudar segurança ou executar determinada ação produtiva.
Quanto maior o impacto potencial, mais importante se torna a supervisão.
Ground Control não desapareceu.
Ele mudou de função.
17. Observability — Houston, onde está Major Tom?
Existe uma pergunta terrível em qualquer sistema autônomo:
O que ele fez?
Imagine receber:
TASK COMPLETED.Ótimo.
Como?
Precisamos conseguir reconstruir:
Goal
↓
Plan
↓
Agent
↓
Tool call
↓
Input
↓
Result
↓
Decision
↓
Next action
↓
Final resultIsso é Observability & Tracing.
E aqui nosso programador mainframe reconhece imediatamente a filosofia.
No z/OS vivemos cercados de:
SMF
RMF
SYSLOG
JOBLOG
CICS traces
Db2 traces
RACF auditingPor quê?
Porque produção exige evidência.
18. O SMF da Inteligência Artificial
Imagine um registro conceitual:
AGENT-ID MAJOR-TOM
USER-ID BELLACOSA
GOAL ANALYZE-PAYROLL
START 03:17:02
TOOL GET-JOB-STATUS
RESOURCE PAYROLL
RESULT FAILED
NEXT-ACTION READ-JOBLOG
RISK-LEVEL LOWDepois:
TOOL RESTART-JOB
RISK-LEVEL HIGH
ACTION BLOCKED
REASON HUMAN-APPROVAL-REQUIREDIsso é governança transformada em operação.
Não queremos apenas saber o que o agente respondeu.
Queremos saber como chegou lá e o que fez durante o caminho.
19. Governance — alguém finalmente leu o manual da nave
A camada mais importante da revolução talvez não seja o modelo.
É a governança.
Precisamos estabelecer:
Policies
Guardrails
Permissions
Risk constraints
Retention policies
Memory governance
Auditing
Observability
Human oversight
Failure recoveryPorque um modelo capaz de produzir texto incorreto pode causar inconveniência.
Um agente capaz de executar uma ação incorreta pode causar incidente.
Essa diferença é monumental.
HALLUCINATIONem chatbot:
resposta errada.
Em agente:
HALLUCINATION
+
TOOL ACCESS
+
PRIVILEGE
=
PRODUCTION INCIDENTGround Control compreendeu finalmente por que segurança não pode ser adicionada depois.
20. Full Automation — cuidado com essa expressão
Existe uma tentação de imaginar:
AI
↓
FULL AUTONOMY
↓
HUMANS GO HOMEA realidade empresarial provavelmente será muito mais interessante.
Teremos diferentes graus de autonomia.
LEVEL 0
AI recomenda
LEVEL 1
AI prepara
LEVEL 2
AI executa ações simples
LEVEL 3
AI executa workflows sob políticas
LEVEL 4
AI opera com supervisão
LEVEL 5
Autonomia extensa dentro de limitesE esses limites importam.
Um agente pode possuir autonomia total para:
pesquisar documentaçãomas nenhuma autonomia para:
DELETE FROM CUSTOMERAutonomia deve ser contextual.
21. O erro de imaginar que IA substituirá todo o sistema
Agora chegamos a uma questão especialmente interessante para quem trabalha com COBOL.
É comum ouvir:
"IA vai substituir COBOL."
Isso mistura camadas diferentes.
Imagine uma arquitetura:
USER
│
▼
AI AGENT
│
ORCHESTRATION
│
TOOL / API LAYER
│
z/OS CONNECT
│
▼
CICS
│
▼
COBOL
│
▼
DB2O agente pode entender intenção.
Planejar.
Selecionar ferramentas.
Interpretar respostas.
Mas quando chega a hora de executar:
DEBIT ACCOUNT
CREDIT ACCOUNT
UPDATE BALANCE
COMMIT TRANSACTIONum sistema determinístico, transacional e auditável continua extremamente valioso.
A IA pode não destruir o mainframe.
Pode tornar-se mais uma interface para ele.
22. O programador COBOL do futuro
Isso também muda o que um programador deveria estudar.
COBOL continua importante.
Mas observe o novo entorno:
COBOL
CICS
DB2
JCL
RACF
+
REST APIs
JSON
z/OS Connect
MQ
Python
+
LLMs
RAG
Agents
Tool Calling
Observability
GovernanceNão significa dominar tudo imediatamente.
Significa compreender como as peças se conectam.
O profissional valioso não será necessariamente aquele que decorou mais sintaxe.
Será aquele que consegue olhar para:
USER → AI → API → CICS → COBOL → DB2e compreender a transação inteira.
23. Curiosidade — o futuro está cheio de coisas antigas
Existe algo quase poético nisso tudo.
Quando examinamos Agentic AI encontramos:
memory
state
scheduling
resource allocation
security
logging
auditing
recovery
workload management
transaction processingUm veterano de mainframe poderia dizer:
— Nós já tínhamos isso.
E estaria parcialmente certo.
A novidade não está necessariamente em cada componente isolado.
Está na maneira como modelos capazes de interpretar linguagem, raciocinar probabilisticamente e selecionar ações estão sendo integrados a esses mecanismos tradicionais.
É a combinação que muda o jogo.
24. Passo a passo — como estudar essa revolução sem se perder
Para o programador COBOL iniciante, eu seguiria esta sequência:
1. AI
↓
2. MACHINE LEARNING
↓
3. DEEP LEARNING
↓
4. NEURAL NETWORKS
↓
5. ATTENTION
↓
6. TRANSFORMERS
↓
7. LLM
↓
8. GENERATIVE AI
↓
9. EMBEDDINGS
↓
10. RAG
↓
11. FUNCTION CALLING
↓
12. AI AGENTS
↓
13. MEMORY
↓
14. PLANNING
↓
15. MULTI-AGENT SYSTEMS
↓
16. OBSERVABILITY
↓
17. SECURITY
↓
18. GOVERNANCENão comece tentando construir uma frota espacial.
Primeiro aprenda como o foguete funciona.
25. Ground Control to Major Tom — a conclusão
Nosso jovem programador voltou ao terminal.
A mensagem ainda estava lá:
AI AGENT READY.
GOAL:
ANALYZE PRODUCTION FAILURE
PERMISSION TO PROCEED?O velho programador aproximou-se.
— O que você vai fazer?
— Dar acesso somente aos logs.
— Ótimo.
— Read-only.
— Melhor.
— Registrar todas as chamadas.
— Excelente.
— Não permitir alterações em produção.
O velho tomou café.
— Agora você está começando a entender Inteligência Artificial.
O jovem estranhou.
— Mas isso parece segurança de mainframe.
— Exatamente.
Ele pressionou Enter.
AGENT-ID: MAJOR-TOM
ACCESS: READ
TRACE: ENABLED
HUMAN-OVERSIGHT: REQUIREDMajor Tom partiu.
Consultou logs.
Encontrou o JOB.
Leu mensagens.
Localizou um programa COBOL.
Descobriu uma atualização Db2.
Encontrou um lock.
Correlacionou o horário com outro processamento.
E finalmente respondeu:
ROOT CAUSE IDENTIFIED.
SQLCODE -911
TRANSACTION ROLLED BACK DUE TO
DEADLOCK OR TIMEOUT.O jovem arregalou os olhos.
— Ele encontrou!
— Excelente.
Então surgiu outra mensagem:
RECOMMENDED ACTION:
RESTART PAYROLL JOB?
[Y/N]O jovem colocou o dedo sobre o teclado.
O velho programador segurou sua mão.
— Major Tom pode pilotar.
— Então por que não deixamos?
O velho apontou para o terminal.
— Porque Ground Control ainda somos nós.
🥚 Easter egg — Space Oddity no CPD
Às 03:42 o incidente estava resolvido.
O agente havia analisado milhares de linhas de logs, consultado documentação, correlacionado eventos e encontrado a provável causa.
O JOB foi reiniciado manualmente.
Minutos depois:
JOB PAYROLL
ENDED
MAXCC=0000O jovem comemorou.
O velho programador terminou o café.
Major Tom enviou sua última mensagem:
GROUND CONTROL,
I'M STEPPING THROUGH THE DOOR...
SYSTEM STATUS: NORMAL
CPU: NORMAL
DB2: NORMAL
CICS: NORMAL
AND THE MAINFRAME LOOKS
VERY DIFFERENT TODAY.Silêncio no CPD.
Então outra mensagem apareceu:
MEMORY UPDATED.
LESSON LEARNED.O velho programador congelou.
— O que foi?
— Ele guardou o que aprendeu.
O velho puxou outra cadeira.
Abriu o RACF.
— Então faça mais café.
— Por quê?
Ele olhou para Major Tom piscando tranquilamente no terminal.
— Porque agora a história ficou interessante.
☕🚀
Ground Control to Major Tom.
A revolução da Inteligência Artificial não aconteceu quando a máquina aprendeu a conversar conosco.
A verdadeira mudança começou quando demos à máquina memória para lembrar, ferramentas para agir, planejamento para decidir o próximo passo e autonomia para continuar trabalhando depois da primeira resposta.
E justamente nesse momento descobrimos que o futuro da IA depende de algumas das ideias mais antigas da computação empresarial:
identidade, autorização, estado, persistência, auditoria, observabilidade, recuperação, controle de recursos e supervisão humana.
Talvez Major Tom esteja realmente viajando para um território novo.
Mas Ground Control continua funcionando sobre princípios que qualquer velho operador de CPD reconheceria imediatamente.
E em algum lugar, entre um Transformer com bilhões de parâmetros e um programa COBOL compilado décadas atrás, duas eras da computação acabam de estabelecer comunicação.
GROUND CONTROL TO MAJOR TOM
CONNECTION ESTABLISHED.
CICS REGION: ACTIVE
DB2 SUBSYSTEM: ACTIVE
RACF: ACTIVE
AI AGENT: ACTIVE
READY FOR NEXT MISSION.Não desligue o terminal. 🚀☕
Sem comentários:
Enviar um comentário