 |
| Bellacosa Mainframe AI-First |
☕ Um Café no Bellacosa Mainframe
AI-First: A Maior Revolução da Engenharia de Software Desde o Surgimento da Internet
"A Inteligência Artificial não está mudando apenas as aplicações. Ela está mudando a forma como construímos sistemas."
Durante muitos anos, nós, desenvolvedores, aprendemos uma receita que parecia imutável.
Criávamos uma interface.
Essa interface chamava um backend.
O backend aplicava regras de negócio.
As regras consultavam um banco de dados.
O banco retornava informações.
A aplicação respondia ao usuário.
Era simples.
Era elegante.
Era determinístico.
E, durante mais de cinquenta anos, funcionou muito bem.
Mas estamos entrando em uma nova era.
Uma era em que o software deixa de apenas executar instruções para começar a interpretar, raciocinar, decidir e aprender.
Esse novo paradigma recebe um nome que você ouvirá cada vez mais:
AI-First Architecture.
E este talvez seja o conceito mais importante que um desenvolvedor júnior pode aprender nesta década.
Não é apenas adicionar um chatbot
Muita gente acredita que IA significa colocar um ChatGPT dentro do sistema.
Não.
Isso é apenas a ponta do iceberg.
Imagine um banco.
Hoje ele possui:
aplicações COBOL;
programas CICS;
bancos DB2;
APIs REST;
aplicativos móveis;
internet banking.
Adicionar um chatbot na frente desse ambiente não transforma a empresa em AI-First.
É como instalar um motor elétrico em uma carroça.
O veículo continua sendo uma carroça.
A verdadeira transformação acontece quando toda a arquitetura passa a ser desenhada considerando que existe uma inteligência tomando decisões durante a execução.
Essa diferença muda absolutamente tudo.
A história sempre se repete
Se observarmos a evolução da computação, veremos um padrão interessante.
Nos anos 60 e 70, o Mainframe dominava o mundo.
Depois surgiu o Cliente/Servidor.
Mais tarde apareceu a Internet.
Em seguida vieram os Smartphones.
Depois a Cloud Computing.
Logo depois Kubernetes, Containers, DevOps e Microsserviços.
Agora estamos entrando na era dos sistemas AI-First.
Cada uma dessas mudanças obrigou empresas inteiras a reconstruírem suas arquiteturas.
A IA está fazendo exatamente a mesma coisa.
Não é uma atualização.
É um reset arquitetural.
O software tradicional
Vamos imaginar um sistema bancário extremamente simples.
Cliente
↓
Aplicação
↓
Backend
↓
COBOL
↓
DB2
↓
Resposta
Observe que tudo é previsível.
Se você executar o programa hoje...
Amanhã...
Ou daqui cinco anos...
A resposta será exatamente igual.
Essa é a beleza dos sistemas determinísticos.
O software AI-First
Agora imagine o mesmo fluxo.
Cliente
↓
Modelo de IA
↓
Planejamento
↓
Busca de Informações
↓
Ferramentas
↓
APIs
↓
COBOL
↓
DB2
↓
Validação
↓
Resposta
Perceba que surgiram diversas novas camadas.
Cada uma delas resolve um problema diferente.
É isso que a imagem apresentada tenta mostrar.
Vamos entender cada transformação.
APIs deixam de ser protagonistas
Durante muitos anos aprendemos que toda integração era feita através de APIs.
A arquitetura era simples.
Sistema A
↓
API
↓
Sistema B
Agora surgiu uma nova camada.
O modelo de IA.
Em vez de apenas consumir APIs, ele decide:
"Qual API devo chamar?"
"Qual informação preciso?"
"Preciso consultar dois sistemas?"
"Devo resumir o resultado?"
O modelo deixa de ser apenas consumidor.
Ele passa a coordenar toda a execução.
Isso muda completamente a arquitetura.
Model Hosting
Outro conceito importante é o Model Hosting.
Hoje muitas empresas utilizam modelos hospedados por terceiros.
Por exemplo:
ChatGPT
Claude
Gemini
Mas imagine um banco.
Será que ele deseja enviar informações financeiras para uma IA hospedada externamente?
Na maioria das vezes, não.
Por isso cresce rapidamente o uso de modelos privados.
Alguns exemplos são:
Granite (IBM)
Llama
Mistral
Gemma
Qwen
Phi
DeepSeek
Nesse cenário, a empresa instala o modelo dentro do próprio datacenter.
Os dados nunca saem do ambiente corporativo.
Para quem trabalha com IBM Z, isso faz muito sentido.
O Mainframe sempre foi sinônimo de segurança.
Executar modelos próximos aos dados reduz custos, melhora a privacidade e atende requisitos regulatórios como LGPD.
O banco de dados não é mais suficiente
Durante décadas aprendemos SQL.
SELECT *
FROM CLIENTES
WHERE CPF='12345678900'
A consulta é perfeita.
Mas agora imagine outra pergunta.
"Quais clientes possuem perfil semelhante ao João?"
Onde está essa coluna?
Não existe.
Essa informação é baseada em significado.
É aí que entram os Vector Stores.
O que são Embeddings?
Imagine que cada documento vire uma coordenada em um enorme mapa matemático.
Por exemplo.
Um texto sobre COBOL.
Outro sobre CICS.
Outro sobre DB2.
Mesmo que usem palavras diferentes, eles ficam próximos porque possuem o mesmo significado.
Essa representação matemática recebe o nome de Embedding.
Em vez de procurar palavras iguais...
A IA procura ideias parecidas.
Essa é a base do chamado RAG (Retrieval-Augmented Generation), uma técnica que permite aos modelos consultar documentos corporativos antes de responder.
Um exemplo no Mainframe
Imagine um desenvolvedor COBOL perguntando:
"Onde é calculado o limite de crédito?"
Nenhum programa possui exatamente essa frase.
Mas o banco vetorial consegue localizar o módulo correto porque entende o contexto.
Essa capacidade muda completamente a forma como pesquisamos código, documentação e conhecimento.
Batch versus Tempo Real
Quem trabalha com Mainframe conhece muito bem o Batch.
À noite executamos milhares de Jobs.
Relatórios são gerados.
Arquivos são atualizados.
Tudo acontece em horários programados.
Mas a IA trabalha de forma diferente.
Ela responde imediatamente.
Em poucos milissegundos.
Isso exige outra infraestrutura.
Precisamos de:
baixa latência;
processamento paralelo;
cache;
streaming;
aceleração por GPU quando aplicável.
A arquitetura deixa de ser orientada por agendas e passa a ser orientada por eventos.
Backends estáticos dão lugar aos Pipelines de IA
No passado existia apenas um backend.
Hoje surgem fluxos inteligentes.
Imagine um assistente bancário.
Quando o cliente pergunta:
"Posso financiar um carro?"
O sistema pode executar vários passos automaticamente.
Primeiro interpreta a pergunta.
Depois identifica o cliente.
Consulta o cadastro.
Consulta o histórico financeiro.
Verifica regras de crédito.
Calcula a renda.
Resume tudo.
Finalmente gera a resposta.
Isso é um Pipeline de IA.
Cada etapa pode utilizar ferramentas diferentes.
Orquestração
Um dos novos papéis da engenharia é criar orquestradores.
Eles decidem:
qual ferramenta chamar;
qual banco consultar;
qual modelo utilizar;
quando interromper o fluxo;
quando pedir confirmação ao usuário.
Esse conceito lembra bastante um maestro conduzindo uma orquestra.
Cada instrumento faz sua parte.
O resultado aparece apenas quando tudo trabalha em conjunto.
MCP: a ponte entre IA e sistemas corporativos
Nos últimos meses um termo ganhou enorme destaque:
Model Context Protocol (MCP).
Imagine que cada sistema da empresa fala um idioma diferente.
COBOL.
Java.
Python.
SAP.
Salesforce.
CICS.
DB2.
MQ.
O MCP cria uma linguagem comum para que agentes de IA descubram e utilizem essas ferramentas de forma padronizada.
Para quem trabalha com IBM Z, isso abre possibilidades fascinantes.
Um agente pode consultar programas COBOL, acessar DB2 por meio de APIs, disparar transações CICS e reunir todas essas informações para responder ao usuário em linguagem natural.
Um modelo não basta mais
Outro mito é acreditar que existe "a melhor IA".
Na prática, diferentes modelos têm especialidades diferentes.
Alguns são excelentes para programação.
Outros para matemática.
Outros para análise de documentos.
Outros para visão computacional.
Por isso surgiu o conceito de Multi-Model Routing.
Um roteador escolhe automaticamente qual modelo é mais adequado para cada tarefa.
Isso reduz custos, melhora a precisão e aumenta a disponibilidade do sistema.
É semelhante ao que acontece em uma equipe de desenvolvimento: ninguém espera que um único profissional seja especialista em todas as áreas.
Manual Ops evolui para AIOps
No passado o administrador monitorava CPU, memória e disco.
Hoje isso continua importante, mas não é suficiente.
Também precisamos observar:
qualidade das respostas;
custo por token;
tempo de inferência;
uso das ferramentas;
falhas de recuperação de contexto;
frequência de alucinações;
precisão das respostas.
AIOps amplia o conceito tradicional de operações para incluir o comportamento dos modelos de IA.
É uma evolução natural do DevOps e do MLOps.
Observabilidade em IA
Logs tradicionais respondem perguntas como:
"O servidor caiu?"
"A API retornou erro?"
Mas sistemas AI-First precisam responder outras perguntas.
"Qual prompt foi enviado?"
"Qual documento foi recuperado pelo RAG?"
"Qual ferramenta foi utilizada?"
"Qual modelo respondeu?"
"Qual foi o nível de confiança?"
Essa nova disciplina é chamada de AI Observability.
Ela é essencial para auditoria, conformidade e melhoria contínua.
Cloud não desaparece, mas muda
Durante muito tempo acreditamos que tudo iria para a nuvem.
Hoje percebemos que isso não é verdade.
Muitos modelos estão sendo executados:
no notebook;
no celular;
dentro das empresas;
em hospitais;
em fábricas;
no Edge;
e também em Mainframes.
Por quê?
Porque mover grandes volumes de dados é caro, lento e pode gerar problemas de privacidade.
Em muitos casos é mais eficiente levar o modelo até os dados do que enviar os dados até o modelo.
Essa é a essência da arquitetura híbrida.
Sistemas probabilísticos
Talvez esta seja a mudança mais difícil para quem vem da programação tradicional.
Um programa COBOL sempre executará exatamente as mesmas instruções.
Já um modelo de IA trabalha com probabilidades.
Ele estima qual é a melhor resposta.
Isso significa que pode existir mais de uma resposta correta.
Ou até respostas incorretas.
Por isso surgem novos conceitos:
Guardrails;
Validação;
Human-in-the-Loop;
Avaliação contínua;
Score de confiança;
Governança.
A engenharia passa a tratar a incerteza como parte do sistema.
E onde entra o Mainframe?
Algumas pessoas acreditam que a IA substituirá o Mainframe.
Na prática, acontece justamente o contrário.
O IBM Z continua sendo um dos ambientes mais seguros e confiáveis do mundo para executar aplicações críticas.
Os modelos de IA não substituem essas aplicações.
Eles adicionam uma camada inteligente sobre elas.
Imagine o seguinte cenário:
Cliente
↓
Assistente Inteligente
↓
MCP
↓
z/OS Connect
↓
CICS
↓
COBOL
↓
DB2
↓
Resposta Inteligente
O COBOL continua executando a regra de negócio.
O DB2 continua armazenando os dados.
O CICS continua processando transações.
A IA apenas facilita a interação com esses sistemas, interpreta perguntas em linguagem natural e automatiza tarefas repetitivas.
O resultado é uma arquitetura moderna sem abrir mão da robustez construída ao longo de décadas.
O que um programador júnior deve aprender?
Se você está iniciando sua carreira, talvez esteja se perguntando:
"Preciso abandonar tudo o que aprendi?"
A resposta é não.
Os fundamentos continuam sendo indispensáveis.
Aprenda lógica de programação, algoritmos, estruturas de dados, SQL, redes, sistemas operacionais e boas práticas de engenharia.
Esses conhecimentos continuam sustentando qualquer arquitetura.
Ao mesmo tempo, vale a pena ampliar seu repertório com tecnologias ligadas à IA:
fundamentos de LLMs;
embeddings e bancos vetoriais;
RAG;
engenharia de prompts;
agentes de IA;
MCP;
observabilidade em IA;
DevOps, MLOps e LLMOps;
integração entre IA e sistemas legados.
No universo IBM Z, entender como essas tecnologias conversam com COBOL, CICS, DB2 e z/OS Connect será um diferencial importante nos próximos anos.
Conclusão
A mensagem principal é simples, mas poderosa: AI-First não representa uma nova funcionalidade; representa uma nova maneira de pensar a engenharia de software.
Durante décadas escrevemos programas que seguiam regras fixas. Agora estamos construindo sistemas capazes de interpretar contexto, utilizar ferramentas, consultar conhecimento, escolher modelos, avaliar resultados e interagir de forma muito mais natural com as pessoas.
Para o desenvolvedor júnior, essa transformação pode parecer assustadora. No entanto, ela também representa uma oportunidade extraordinária. Nunca houve um momento em que aprender fundamentos sólidos de programação e, ao mesmo tempo, compreender IA, integração e arquiteturas modernas pudesse abrir tantas portas.
Como costumo dizer aqui no Bellacosa Mainframe, o futuro não pertence a quem conhece apenas a tecnologia mais nova, nem apenas a mais antiga. Pertence a quem consegue conectar os dois mundos.
O Mainframe continua sendo o coração das maiores empresas do planeta. A Inteligência Artificial está se tornando o cérebro que amplia suas capacidades. E o profissional que souber integrar esses dois universos estará preparado para construir a próxima geração de sistemas corporativos. Afinal, a tecnologia muda, mas os princípios da boa engenharia continuam sendo o melhor ponto de partida para qualquer revolução.
Sem comentários:
Enviar um comentário