Translate

Mostrar mensagens com a etiqueta ChatGPT. Mostrar todas as mensagens
Mostrar mensagens com a etiqueta ChatGPT. Mostrar todas as mensagens

sábado, 18 de julho de 2026

Os Cursos Gratuitos de Inteligência Artificial que Todo Programador COBOL Padawan Precisa Conhecer em 2026

 

Bellacosa Mainframe e o roadmap para aprender ia gratuitamente

☕ Um Café no Bellacosa Mainframe

Os Cursos Gratuitos de Inteligência Artificial que Todo Programador COBOL Padawan Precisa Conhecer em 2026

Do cartão perfurado aos agentes inteligentes: como aprender IA sem gastar uma fortuna, sem cair em promessas vazias e sem abandonar os fundamentos da computação

Existe uma antiga lenda contada nos corredores refrigerados dos grandes datacenters.

Dizem que, em algum ponto entre uma sala de operações z/OS, uma tela verde 3270 e uma máquina de café que nunca é desligada, existe um programador COBOL veterano capaz de compreender qualquer sistema legado apenas observando três coisas:

  • o JCL de execução;

  • o layout do arquivo;

  • e o horário em que o ABEND aconteceu.

Esse profissional já enfrentou arquivos VSAM corrompidos, SQLCODE negativo em produção, CICS congelado na virada do mês, programa COBOL alterado sem documentação e aquele misterioso job que “sempre funcionou assim”.

Mas então chegou 2026.

De repente, todos começaram a falar sobre ChatGPT, Claude, Gemini, Copilot, agentes, engenharia de prompts, modelos de linguagem, RAG, embeddings, inteligência artificial generativa, automação cognitiva e ferramentas capazes de escrever código, analisar documentos e conversar com bancos de dados.

O nosso programador COBOL Padawan olhou para tudo aquilo e perguntou:

“Capitão, preciso pagar cinco mil reais em um curso de IA para entender isso?”

A resposta é:

Não necessariamente.

Hoje existem excelentes materiais gratuitos oferecidos diretamente por organizações como OpenAI, Anthropic, Google, Microsoft, Harvard, MIT, NVIDIA e AWS.

Porém, existe um detalhe importante.

Esses cursos não são “os únicos cursos de IA que você precisará durante toda a vida”. Essa frase é uma hipérbole típica das redes sociais, criada para gerar compartilhamentos, curtidas e aquela sensação de que alguém descobriu um atalho secreto para o conhecimento.

Os cursos são excelentes pontos de partida.

Mas a verdadeira jornada exige algo maior: fundamentos, prática, senso crítico, experiência e capacidade de integrar IA aos problemas reais do mundo corporativo.

Portanto, sente-se, Padawan.

Pegue uma caneca de café.

Ajuste o comunicador da Frota Estelar.

Vamos atravessar a fronteira entre o COBOL tradicional e a Inteligência Artificial moderna.

1. A grande mudança: aprender IA não significa apenas criar redes neurais

Durante muito tempo, estudar Inteligência Artificial significava entrar em uma trilha bastante acadêmica.

O estudante precisava aprender:

  • álgebra linear;

  • cálculo diferencial;

  • estatística;

  • probabilidade;

  • Python;

  • algoritmos;

  • aprendizado de máquina;

  • redes neurais;

  • processamento de linguagem natural;

  • visão computacional.

Tudo isso continua sendo importante.

Nada disso ficou obsoleto.

Quem deseja trabalhar como cientista de dados, engenheiro de machine learning, pesquisador ou desenvolvedor de modelos precisa conhecer profundamente esses fundamentos.

O que mudou foi a existência de uma nova camada.

Hoje você não precisa necessariamente construir um modelo de Inteligência Artificial para começar a usar IA de maneira produtiva.

Você pode utilizar modelos já existentes para:

  • resumir documentos;

  • interpretar códigos;

  • gerar testes;

  • revisar SQL;

  • analisar logs;

  • criar documentação;

  • elaborar planos de estudo;

  • organizar ideias;

  • extrair informações;

  • criar roteiros;

  • desenvolver protótipos;

  • automatizar processos.

É como a diferença entre construir um processador e programar para um processador.

O programador COBOL não precisa projetar os circuitos internos de um IBM Z para desenvolver um sistema bancário. Ele precisa compreender como utilizar aquela plataforma com segurança, eficiência e responsabilidade.

Da mesma forma, você não precisa construir um modelo de linguagem para começar a utilizá-lo.

Mas precisa saber conduzi-lo.

E essa condução vai muito além de digitar:

“Faça um programa COBOL.”

2. Engenharia de prompts: o novo cartão de controle da IA

Imagine um job JCL.

Você não envia para o JES apenas a frase:

EXECUTE MEU SISTEMA.

Você informa:

  • qual programa será executado;

  • quais bibliotecas serão usadas;

  • quais arquivos serão lidos;

  • quais parâmetros serão recebidos;

  • para onde a saída será enviada;

  • o que fazer se houver erro.

Um bom prompt funciona de maneira semelhante.

A Inteligência Artificial precisa de contexto.

Ela precisa saber:

  • quem deve representar;

  • qual problema deve resolver;

  • quem é o público;

  • quais restrições devem ser obedecidas;

  • qual formato de resposta deve produzir;

  • quais exemplos devem ser seguidos;

  • quais informações não podem ser inventadas.

Um prompt fraco seria:

Explique COBOL.

Um prompt melhor seria:

Explique o funcionamento da cláusula OCCURS em COBOL para um
programador iniciante que conhece lógica de programação, mas nunca
trabalhou com tabelas em mainframe.

Use um exemplo com cadastro de 10 produtos, mostre a WORKING-STORAGE,
a PERFORM VARYING e explique os riscos de subscritos fora do limite.

A diferença é enorme.

No primeiro caso, a IA precisa adivinhar quase tudo.

No segundo, recebe uma espécie de “JCL intelectual”.

Você forneceu o programa, os parâmetros, o formato e o destino da saída.

Essa é a essência inicial da engenharia de prompts.

Contudo, em 2026, a evolução já está levando o mercado para além do prompt isolado.

Agora falamos em:

  • engenharia de contexto;

  • workflows;

  • agentes;

  • memória;

  • ferramentas;

  • avaliação automática;

  • recuperação de informações;

  • integração com sistemas externos.

O prompt é apenas o primeiro cartão do deck.

3. OpenAI Academy: a porta de entrada para o universo ChatGPT

A OpenAI oferece conteúdos educacionais voltados para o uso de Inteligência Artificial em contextos pessoais, profissionais e técnicos.

Para um programador COBOL Padawan, o maior valor não está somente em aprender “truques de prompt”.

O verdadeiro valor está em compreender como transformar um diálogo com IA em um processo estruturado.

Você pode, por exemplo, utilizar o ChatGPT para analisar um programa COBOL legado.

Mas, em vez de enviar milhares de linhas e perguntar “o que isso faz?”, é melhor dividir o trabalho em etapas.

Etapa 1 — Entender a estrutura

Peça para identificar:

  • divisões;

  • seções;

  • arquivos;

  • tabelas;

  • variáveis;

  • programas chamados;

  • operações de entrada e saída.

Etapa 2 — Mapear o fluxo

Solicite:

  • ponto inicial;

  • parágrafos principais;

  • decisões;

  • laços;

  • tratamento de erros;

  • pontos de saída.

Etapa 3 — Identificar regras de negócio

Pergunte:

  • quais campos determinam decisões;

  • quais cálculos são realizados;

  • quais registros são rejeitados;

  • quais condições geram mensagens;

  • quais tabelas ou arquivos são atualizados.

Etapa 4 — Validar a interpretação

Nunca aceite automaticamente o resultado.

Compare com:

  • copybooks;

  • documentação;

  • JCL;

  • arquivos;

  • exemplos de entrada;

  • saídas conhecidas;

  • comportamento do programa em teste.

Esse processo é muito mais importante do que memorizar “o prompt perfeito”.

O profissional eficiente não busca uma frase mágica.

Ele cria uma sequência de análise.

Na linguagem da Frota Estelar, não basta perguntar ao computador da Enterprise:

“Onde está a nave inimiga?”

Você precisa verificar os sensores, comparar as leituras, observar interferências e confirmar se Q não está pregando alguma peça.

4. Claude: documentação, análise extensa e raciocínio estruturado

O Claude, desenvolvido pela Anthropic, tornou-se conhecido por lidar bem com textos longos, documentação extensa e tarefas de análise.

Para profissionais de mainframe, isso pode ser extremamente útil.

O universo IBM Z é repleto de:

  • manuais;

  • redbooks;

  • procedimentos operacionais;

  • dumps;

  • mensagens;

  • documentação de arquitetura;

  • normas de segurança;

  • especificações antigas;

  • programas com décadas de evolução.

Um modelo capaz de ajudar a organizar grandes volumes de texto pode funcionar como um oficial científico.

Mas atenção: ele não substitui o especialista.

Pense no Claude como o senhor Spock.

Spock pode analisar milhares de informações e encontrar relações lógicas rapidamente. Porém, o capitão ainda precisa tomar a decisão considerando missão, contexto, risco e consequências.

Um bom uso seria fornecer uma especificação interna e pedir:

Organize este documento em:

1. objetivo do sistema;
2. entradas;
3. saídas;
4. regras de negócio;
5. dependências;
6. riscos;
7. pontos que precisam de esclarecimento.

Não complete informações ausentes. Marque qualquer lacuna como
“não documentada”.

Observe a última instrução:

“Não complete informações ausentes.”

Isso é fundamental.

Modelos de IA podem produzir respostas plausíveis mesmo quando não possuem dados suficientes.

No mainframe, plausibilidade não é evidência.

Um DDNAME errado pode derrubar o job.

Um campo PIC incorreto pode deslocar todo o registro.

Uma interpretação inventada pode gerar um incidente grave.

5. Google: IA, dados, nuvem e ecossistema corporativo

O Google possui uma longa tradição em pesquisa de Inteligência Artificial, machine learning, grandes volumes de dados e infraestrutura distribuída.

Seus materiais educacionais podem ajudar o estudante a compreender:

  • conceitos fundamentais de IA;

  • machine learning;

  • IA generativa;

  • uso de modelos;

  • responsabilidade;

  • serviços de nuvem;

  • análise de dados.

Para um programador COBOL, o Google também oferece uma oportunidade interessante: compreender como o mundo distribuído pensa.

O mainframe tradicional costuma concentrar processamento crítico em uma plataforma extremamente controlada.

Já o ecossistema de nuvem trabalha muito com:

  • microsserviços;

  • escalabilidade horizontal;

  • APIs;

  • processamento distribuído;

  • eventos;

  • observabilidade;

  • serviços gerenciados.

Não se trata de decidir qual mundo é “melhor”.

A arquitetura corporativa moderna combina mundos.

Um sistema COBOL pode continuar processando milhões de transações financeiras enquanto uma aplicação em nuvem consome informações por API, utiliza IA para classificar solicitações e apresenta resultados em uma interface web.

O profissional valioso é aquele que entende a ponte.

6. Microsoft: IA para empresas, desenvolvedores e gestores

A Microsoft construiu um dos maiores ecossistemas de aprendizagem tecnológica do mercado.

Sua abordagem costuma ser muito orientada a cenários empresariais.

Isso interessa diretamente ao profissional de mainframe, pois o IBM Z raramente vive isolado.

Normalmente, ele se conecta com:

  • aplicações Windows;

  • Azure;

  • Active Directory;

  • APIs;

  • portais corporativos;

  • Power BI;

  • bancos distribuídos;

  • ferramentas DevOps;

  • ambientes de desenvolvimento.

O estudante pode explorar temas como:

  • fundamentos de Inteligência Artificial;

  • serviços de IA;

  • Copilot;

  • desenvolvimento assistido;

  • automação;

  • nuvem;

  • segurança;

  • governança.

Imagine uma empresa com um grande sistema COBOL de seguros.

O processamento central continua no IBM Z.

Mas uma equipe de atendimento usa um aplicativo moderno.

A IA pode:

  1. receber a descrição do problema do cliente;

  2. classificar o tipo de solicitação;

  3. consultar documentação;

  4. sugerir procedimentos;

  5. chamar uma API que acessa dados do mainframe;

  6. apresentar o resultado ao atendente.

Nesse cenário, a IA não substitui o COBOL.

Ela cria uma nova camada de interação sobre sistemas já existentes.

É como instalar um novo painel de comando na Enterprise sem trocar o núcleo de dobra.

7. Harvard CS50 AI: quando a brincadeira começa a ficar séria

Os cursos introdutórios de Harvard ligados ao CS50 são conhecidos por ensinar computação com profundidade, exercícios práticos e raciocínio.

Um curso de IA acadêmico não se limita a ensinar como conversar com um chatbot.

Ele apresenta conceitos como:

  • busca;

  • representação de conhecimento;

  • lógica;

  • incerteza;

  • otimização;

  • aprendizado;

  • redes neurais;

  • processamento de linguagem.

Aqui o programador COBOL começa a perceber que a Inteligência Artificial não nasceu com o ChatGPT.

A área existe há décadas.

Sistemas especialistas, algoritmos de busca, inferência e reconhecimento de padrões já eram estudados muito antes dos modelos generativos atuais.

Essa compreensão histórica é importante porque evita um erro comum:

acreditar que IA é apenas um chatbot escrevendo textos.

IA é um campo amplo.

Um sistema que encontra a melhor rota pode usar técnicas de IA.

Um mecanismo que detecta fraude pode usar machine learning.

Um programa que reconhece objetos em imagens utiliza visão computacional.

Um agente que consulta ferramentas e executa tarefas utiliza outra combinação de técnicas.

O ChatGPT é uma parte do universo, não o universo inteiro.

8. MIT: fundamentos para quem deseja olhar dentro do motor de dobra

Os materiais do MIT costumam exigir maior maturidade matemática e computacional.

Aqui a jornada pode incluir:

  • algoritmos;

  • probabilidade;

  • otimização;

  • raciocínio;

  • planejamento;

  • machine learning;

  • robótica;

  • sistemas autônomos.

Para um iniciante, alguns conteúdos podem parecer difíceis.

Isso não significa que devem ser evitados.

Significa que precisam ser abordados gradualmente.

Um programador COBOL já possui uma vantagem importante: disciplina lógica.

Ele conhece:

  • condições;

  • laços;

  • estruturas de dados;

  • arquivos;

  • validações;

  • fluxo de processamento;

  • comportamento determinístico.

Ao estudar IA, ele começa a lidar também com sistemas probabilísticos.

Essa diferença é fundamental.

Em um programa COBOL tradicional:

IF SALDO < VALOR-COMPRA
    MOVE 'REJEITADA' TO STATUS-TRANSACAO
END-IF

A decisão está explícita.

Em um modelo de machine learning, o sistema pode calcular uma probabilidade:

Probabilidade de fraude: 87%

Agora alguém precisa definir:

  • qual limite gera bloqueio;

  • qual limite exige revisão humana;

  • quais evidências justificam a decisão;

  • como evitar discriminação;

  • como registrar o resultado;

  • como permitir auditoria.

A IA introduz incerteza.

E ambientes de missão crítica não podem tratar incerteza como magia.

9. NVIDIA: a sala de máquinas da Inteligência Artificial

Muitos usuários conhecem a NVIDIA apenas como fabricante de placas de vídeo.

Mas as GPUs tornaram-se fundamentais para o treinamento e a execução de modelos modernos de IA.

Por quê?

Porque redes neurais realizam uma quantidade enorme de operações matemáticas que podem ser processadas em paralelo.

Uma CPU é extremamente versátil.

Uma GPU possui milhares de núcleos menores capazes de executar muitas operações semelhantes simultaneamente.

Uma analogia mainframeira:

Imagine que você precisa processar milhões de registros.

Uma abordagem executa cada cálculo em sequência.

Outra distribui operações semelhantes por uma grande quantidade de unidades de processamento.

A segunda pode ser muito mais eficiente para determinados tipos de trabalho.

Os conteúdos da NVIDIA podem apresentar:

  • fundamentos de IA generativa;

  • GPUs;

  • aceleração;

  • inferência;

  • treinamento;

  • ferramentas de desenvolvimento;

  • infraestrutura para IA.

Mesmo que você nunca configure uma GPU, entender essa camada ajuda a responder perguntas importantes:

  • por que modelos custam caro;

  • por que tamanho do contexto importa;

  • por que inferência consome recursos;

  • por que latência varia;

  • por que alguns modelos rodam localmente e outros não;

  • por que compressão e quantização são relevantes.

O engenheiro não precisa fabricar o motor de dobra, mas deve saber por que ele superaquece.

10. AWS: colocando IA em produção

A AWS costuma apresentar IA dentro de um ecossistema de serviços em nuvem.

Isso inclui temas como:

  • modelos fundacionais;

  • IA generativa;

  • engenharia de prompts;

  • desenvolvimento de aplicações;

  • segurança;

  • armazenamento;

  • APIs;

  • escalabilidade;

  • monitoramento.

O grande aprendizado aqui é perceber a diferença entre uma demonstração e uma solução empresarial.

Uma demonstração de IA pode funcionar com:

  • um prompt;

  • um documento;

  • uma resposta.

Uma aplicação corporativa precisa considerar:

  • autenticação;

  • autorização;

  • auditoria;

  • custos;

  • disponibilidade;

  • privacidade;

  • observabilidade;

  • versionamento;

  • testes;

  • tratamento de erro;

  • contingência.

É exatamente a mesma diferença entre rodar um programa COBOL simples e operar um sistema bancário nacional.

O código pode ser apenas uma pequena parte.

O ambiente operacional é o que transforma código em serviço confiável.

11. O que a lista dos oito cursos não ensina sozinha

Os oito recursos são valiosos, mas não substituem uma formação completa.

Um profissional de IA precisa desenvolver várias camadas de conhecimento.

Fundamentos de programação

Aprenda ou fortaleça:

  • lógica;

  • estruturas de dados;

  • algoritmos;

  • manipulação de arquivos;

  • funções;

  • tratamento de erros;

  • testes.

Para o programador COBOL, muitos desses fundamentos já existem.

O desafio é transportá-los para novos ambientes.

Python

Python tornou-se uma das principais linguagens para IA, dados e automação.

O objetivo inicial não precisa ser virar um especialista.

Aprenda:

  • variáveis;

  • listas;

  • dicionários;

  • funções;

  • leitura de arquivos;

  • bibliotecas;

  • APIs;

  • ambientes virtuais.

SQL

IA sem dados é apenas uma ponte sem nave.

SQL continua essencial para:

  • consultar informações;

  • preparar dados;

  • validar resultados;

  • criar amostras;

  • investigar inconsistências;

  • alimentar aplicações.

O programador COBOL que conhece Db2 já possui uma excelente base.

APIs

Modelos de IA podem ser integrados a aplicações por APIs.

Estude:

  • HTTP;

  • JSON;

  • REST;

  • autenticação;

  • tokens;

  • tratamento de erros;

  • limites de requisição;

  • segurança.

Git

Você precisa controlar versões de:

  • prompts;

  • código;

  • configurações;

  • avaliações;

  • datasets;

  • documentação.

Segurança

Este tópico é obrigatório.

Aprenda sobre:

  • vazamento de dados;

  • prompt injection;

  • informações confidenciais;

  • controle de acesso;

  • dependências inseguras;

  • respostas maliciosas;

  • LGPD;

  • governança.

Nunca copie dados reais de clientes, senhas, chaves, informações bancárias ou código confidencial para uma ferramenta pública sem autorização formal.

12. RAG: quando a IA consulta a biblioteca da nave

RAG significa, de forma simplificada, permitir que um modelo consulte informações externas antes de responder.

Imagine que você pergunte:

“Qual é o procedimento interno para resolver o ABEND S0C7 no sistema XPTO?”

Um modelo genérico pode explicar o que é um S0C7.

Mas não conhece necessariamente:

  • o sistema XPTO;

  • o copybook utilizado;

  • os padrões da empresa;

  • os procedimentos operacionais;

  • os contatos responsáveis;

  • o histórico de incidentes.

Com RAG, a aplicação pode:

  1. pesquisar documentos internos;

  2. recuperar trechos relevantes;

  3. fornecer esses trechos ao modelo;

  4. gerar uma resposta baseada nas fontes encontradas.

É como consultar o banco de dados da Enterprise antes de responder ao capitão.

O modelo continua podendo errar.

Por isso, um bom sistema precisa:

  • mostrar fontes;

  • limitar o escopo;

  • sinalizar incerteza;

  • registrar consultas;

  • permitir validação humana.

13. Agentes: quando a IA deixa de responder e começa a agir

Um chatbot responde perguntas.

Um agente pode executar etapas.

Por exemplo, um agente de suporte poderia:

  1. receber uma mensagem de erro;

  2. identificar o produto;

  3. pesquisar documentação;

  4. consultar um catálogo de mensagens;

  5. verificar um dashboard;

  6. montar um diagnóstico preliminar;

  7. abrir um ticket;

  8. encaminhar para o grupo adequado.

Parece fantástico.

E é.

Mas também é perigoso.

Quanto mais ferramentas um agente pode utilizar, maior é o risco.

Um agente com permissão para:

  • executar comandos;

  • apagar arquivos;

  • alterar dados;

  • enviar e-mails;

  • aprovar transações;

  • acessar produção;

precisa de controles rigorosos.

A recomendação para iniciantes é:

comece com agentes que leem e sugerem, não com agentes que alteram e executam.

Primeiro modo copiloto.

Depois, talvez, piloto automático limitado.

Nunca entregue o comando da nave a um cadete digital sem travas.

14. Um plano de estudos prático para o programador COBOL Padawan

Aqui está uma trilha realista.

Fase 1 — Fundamentos de IA generativa

Duração sugerida: duas semanas.

Estude:

  • o que é IA;

  • diferença entre IA, machine learning e IA generativa;

  • o que é um modelo de linguagem;

  • tokens;

  • contexto;

  • alucinação;

  • temperatura;

  • limitações.

Pratique perguntas simples e compare respostas.

Fase 2 — Engenharia de prompts

Duração sugerida: duas semanas.

Aprenda a definir:

  • papel;

  • objetivo;

  • contexto;

  • restrições;

  • formato;

  • exemplos;

  • critérios de qualidade.

Crie uma biblioteca de prompts para:

  • explicar COBOL;

  • revisar JCL;

  • analisar SQL;

  • documentar copybooks;

  • criar testes;

  • resumir manuais.

Fase 3 — Python e APIs

Duração sugerida: quatro a seis semanas.

Aprenda a:

  • chamar uma API;

  • enviar um texto;

  • receber JSON;

  • tratar erros;

  • salvar resultados;

  • ler arquivos.

Fase 4 — RAG básico

Duração sugerida: quatro semanas.

Construa uma aplicação simples que:

  • leia documentos;

  • divida o conteúdo;

  • localize trechos relevantes;

  • envie o contexto ao modelo;

  • apresente fontes.

Fase 5 — Segurança e governança

Estude:

  • dados permitidos;

  • dados proibidos;

  • registros de auditoria;

  • revisão humana;

  • testes;

  • controle de acesso;

  • políticas internas.

Fase 6 — Projeto mainframe

Escolha um problema realista.

Exemplo:

Assistente para análise de programas COBOL.

O assistente pode:

  • identificar divisões;

  • listar arquivos;

  • mapear CALLs;

  • localizar SQL;

  • explicar parágrafos;

  • gerar documentação preliminar.

Sem alterar o código automaticamente.

Sem acessar produção.

Sem inventar regras.

Com revisão humana obrigatória.

15. Dicas para não cair em cursos milagrosos

Desconfie de promessas como:

  • “Domine IA em sete dias”;

  • “Ganhe dinheiro automaticamente”;

  • “Nunca mais precise programar”;

  • “Um único prompt fará todo o trabalho”;

  • “Agentes totalmente autônomos sem risco”;

  • “Não é necessário aprender fundamentos”.

Pergunte:

  1. Quem é o instrutor?

  2. Existe experiência comprovada?

  3. O conteúdo é atualizado?

  4. Há exercícios?

  5. Há projetos?

  6. O curso ensina limitações?

  7. Fala sobre segurança?

  8. Ensina validação?

  9. Diferencia demonstração de produção?

  10. Evita promessas de enriquecimento fácil?

Material gratuito pode ser excelente.

Curso pago também pode ser excelente.

O problema não é pagar.

O problema é pagar caro por conteúdo superficial, copiado ou desatualizado.

Às vezes, um bom instrutor economiza meses de tentativa e erro.

O investimento faz sentido quando existe:

  • curadoria;

  • suporte;

  • sequência didática;

  • feedback;

  • laboratório;

  • comunidade;

  • experiência prática.

A gratuidade não garante qualidade.

O preço alto também não.

16. Curiosidades da sala de máquinas

Curiosidade 1 — IA é mais antiga do que muitos imaginam

O termo Inteligência Artificial ganhou força ainda no século XX.

Muito antes dos chatbots modernos, pesquisadores já exploravam lógica, jogos, visão computacional e sistemas especialistas.

Curiosidade 2 — COBOL e IA podem trabalhar juntos

Um programa COBOL pode continuar responsável pelas transações críticas enquanto serviços modernos utilizam IA para interpretação, classificação e atendimento.

A integração pode ocorrer por:

  • APIs;

  • mensageria;

  • arquivos;

  • eventos;

  • z/OS Connect;

  • IBM MQ.

Curiosidade 3 — Modelos não “sabem” como seres humanos

Eles calculam padrões e probabilidades com base em dados e contexto.

Uma resposta convincente não significa necessariamente uma resposta correta.

Curiosidade 4 — Prompt grande não é automaticamente prompt bom

Contexto inútil pode prejudicar a resposta.

Qualidade depende de relevância, organização e clareza.

Curiosidade 5 — Às vezes a melhor pergunta é solicitar incertezas

Experimente:

Liste o que você não consegue determinar com segurança a partir das
informações fornecidas.

Isso pode revelar lacunas importantes.

17. Easter egg da Frota Estelar: o Kobayashi Maru da Inteligência Artificial

Na Academia da Frota Estelar, o teste Kobayashi Maru apresenta uma situação aparentemente sem solução.

O objetivo não é apenas vencer.

É observar como o cadete reage sob pressão, incerteza e risco.

A Inteligência Artificial cria um novo Kobayashi Maru para os profissionais de tecnologia.

Você recebe uma resposta:

  • bem escrita;

  • técnica;

  • confiante;

  • detalhada;

  • aparentemente perfeita.

Mas existe uma pequena informação inventada no meio.

Você consegue encontrá-la?

Esse é o verdadeiro teste.

Não é saber fazer a pergunta.

É saber desconfiar da resposta.

O profissional do futuro não será apenas aquele que usa IA mais rapidamente.

Será aquele que valida melhor.

18. O conhecimento COBOL continua valioso

Existe uma narrativa exagerada dizendo que IA substituirá todos os programadores.

A realidade é mais complexa.

A IA pode automatizar partes do trabalho.

Pode gerar trechos de código.

Pode explicar programas.

Pode ajudar na documentação.

Mas ela não conhece automaticamente:

  • a cultura da empresa;

  • as exceções históricas;

  • os acordos com áreas de negócio;

  • as consequências financeiras;

  • os detalhes operacionais;

  • os riscos regulatórios;

  • as decisões tomadas vinte anos atrás;

  • o motivo pelo qual aquele campo aparentemente inútil ainda existe.

O programador COBOL veterano carrega um conhecimento que não está apenas no código.

Está na experiência.

Está no contexto.

Está na memória da organização.

A IA pode acelerar o acesso a esse conhecimento, desde que ele seja documentado, estruturado e validado.

Portanto, não abandone o COBOL para aprender IA.

Use IA para ampliar seus poderes como profissional COBOL.

Conclusão — O computador da Enterprise não substitui a tripulação

Os cursos gratuitos da OpenAI, Anthropic, Google, Microsoft, Harvard, MIT, NVIDIA e AWS formam uma excelente constelação inicial.

Cada organização apresenta uma parte diferente do mapa.

A OpenAI ajuda a explorar modelos generativos e workflows.

A Anthropic oferece uma visão forte de uso estruturado e desenvolvimento com modelos.

Google e Microsoft conectam IA a grandes ecossistemas corporativos.

Harvard e MIT fortalecem os fundamentos acadêmicos.

NVIDIA mostra a infraestrutura que move boa parte da revolução.

AWS apresenta caminhos para transformar experimentos em aplicações.

Porém, não existe um curso único capaz de formar completamente um especialista.

A verdadeira formação exige combinar:

  • fundamentos de computação;

  • programação;

  • dados;

  • arquitetura;

  • segurança;

  • ética;

  • prática;

  • curiosidade;

  • experiência profissional;

  • validação humana.

A Internet tornou o conhecimento muito mais acessível.

Isso é maravilhoso.

Mas acesso não é aprendizado.

Salvar um link não é estudar.

Assistir a uma aula não é praticar.

Receber um certificado não é dominar uma tecnologia.

O conhecimento nasce quando você estuda, testa, erra, corrige, documenta e aplica.

Portanto, Padawan COBOL, abra a primeira aula.

Crie um pequeno laboratório.

Escolha um programa antigo.

Peça à IA para explicar.

Compare com a realidade.

Corrija os erros.

Melhore o prompt.

Documente o processo.

Repita.

A Inteligência Artificial não é uma nave que fará a viagem por você.

Ela é um novo sistema instalado na ponte.

Os sensores ficaram mais poderosos.

Os computadores ficaram mais rápidos.

Os mapas ficaram mais completos.

Mas alguém ainda precisa decidir para onde a nave irá.

E esse alguém continua sendo você.

Vida longa ao COBOL. Vida longa à Inteligência Artificial. E vida longa aos profissionais que aprendem a comandar os dois universos sem abandonar o pensamento crítico.


********************************************************************************

P.S. — Links oficiais dos cursos gratuitos de Inteligência Artificial

Os catálogos e cursos podem mudar de endereço, conteúdo ou política de gratuidade. Por isso, os links abaixo apontam diretamente para os domínios oficiais das instituições.

1. OpenAI Academy

Portal oficial:

https://academy.openai.com/

Catálogo de cursos:

https://academy.openai.com/pages/courses

Materiais sobre prompting:

https://academy.openai.com/public/clubs/work-users-ynjqu/resources/prompting

A OpenAI Academy reúne conteúdos sobre fundamentos de IA, ChatGPT, criação de prompts, aplicações profissionais, agentes e workflows. (OpenAI Academy)

2. Anthropic Academy — Claude

Portal oficial de aprendizagem:

https://www.anthropic.com/learn

Cursos oficiais:

https://docs.anthropic.com/en/docs/resources/courses

Curso para desenvolver com Claude:

https://www.anthropic.com/learn/build-with-claude

Guia oficial de engenharia de prompts:

https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview

Esses materiais abordam prompting, utilização profissional do Claude, API, desenvolvimento de aplicações e boas práticas para trabalhar com modelos da Anthropic. (Claude Platform Docs)

3. Google — Introdução à IA Generativa

Trilha oficial para iniciantes:

https://www.cloudskillsboost.google/paths/118

Curso Introdução à IA Generativa:

https://www.cloudskillsboost.google/course_templates/536

Trilha avançada para desenvolvedores:

https://www.cloudskillsboost.google/paths/183

A trilha inicial apresenta IA generativa, modelos de linguagem e princípios de IA responsável. A trilha avançada é mais indicada para desenvolvedores, engenheiros de machine learning e cientistas de dados. (Google Skills)

4. Microsoft — Hub de Aprendizagem de IA

Hub oficial em português:

https://learn.microsoft.com/pt-br/ai/

Portal geral do Microsoft Learn:

https://learn.microsoft.com/pt-br/training/

Trilha para engenheiros de IA:

https://learn.microsoft.com/en-us/training/career-paths/ai-engineer

O Microsoft Learn reúne conteúdos para iniciantes, desenvolvedores, arquitetos, gestores e especialistas que trabalham com IA, Azure, Copilot e agentes empresariais. (Microsoft Learn)

5. Harvard — CS50’s Introduction to Artificial Intelligence with Python

Curso oficial completo:

https://cs50.harvard.edu/ai/

Semanas e conteúdos do curso:

https://cs50.harvard.edu/ai/weeks/

O curso aborda busca, conhecimento, incerteza, otimização, machine learning, redes neurais e linguagem, utilizando projetos práticos em Python. O acesso educacional ao conteúdo é gratuito; opções externas de certificado verificado podem ter condições diferentes. (edX)

6. MIT OpenCourseWare — Artificial Intelligence

Curso oficial MIT 6.034:

https://ocw.mit.edu/courses/6-034-artificial-intelligence-fall-2010/

Esse é um curso universitário completo do MIT OpenCourseWare, ministrado originalmente pelo professor Patrick Henry Winston. Ele possui vídeos, leituras, exercícios, tutoriais, provas e trabalhos de programação. Embora seja um conteúdo mais antigo, continua extremamente valioso para compreender representação de conhecimento, resolução de problemas e métodos clássicos de IA. (MIT OpenCourseWare)

7. NVIDIA — Generative AI Explained

Curso oficial gratuito:

https://resources.nvidia.com/en-eu-ai-buying-campaign-fy25q1/generative-ai-explained

Trilha de IA generativa e modelos de linguagem:

https://www.nvidia.com/en-us/learn/learning-path/generative-ai-llm/

Catálogo de cursos gratuitos:

https://resources.nvidia.com/en-us-nvidia-training/free-courses

O curso Generative AI Explained é introdutório, não exige programação e apresenta conceitos, aplicações, oportunidades e desafios da IA generativa. A NVIDIA o classifica como gratuito e com duração aproximada de duas horas. Outros cursos da trilha podem ser pagos. (NVIDIA)

8. AWS — Foundations of Prompt Engineering

AWS Training and Certification:

https://aws.amazon.com/training/

Portal de aprendizagem em Inteligência Artificial:

https://aws.amazon.com/ai/learn/

Página de treinamento em IA:

https://aws.amazon.com/training/learn-about/ai/

AWS Skill Builder:

https://skillbuilder.aws/

Dentro do AWS Skill Builder, pesquise pelo título:

Foundations of Prompt Engineering

O curso oficial possui aproximadamente quatro horas e aborda desde os fundamentos até técnicas avançadas de prompting e proteção contra uso inadequado de prompts. A AWS oferece centenas de cursos digitais gratuitos, embora determinados laboratórios, planos de assinatura e certificações sejam pagos. (Amazon Web Services, Inc.)

Observação importante para o artigo

A frase “todos são 100% gratuitos” precisa ser apresentada com cuidado. O acesso aos conteúdos indicados é gratuito ou possui opções gratuitas, mas algumas plataformas também oferecem:

  • certificados pagos;

  • laboratórios premium;

  • assinaturas;

  • workshops com instrutores;

  • trilhas avançadas pagas.

Portanto, uma formulação mais precisa seria:

Oito excelentes fontes oficiais para estudar Inteligência Artificial gratuitamente — lembrando que certificados, laboratórios e cursos avançados podem ter custos adicionais.


 



Publicada por à(s) Sem comentários:
Etiquetas: , , , , , , , , , , , , ,

terça-feira, 7 de julho de 2026

Como um Programador COBOL Padawan Pode Aprender Engenharia de Prompt e Conversar com IA Como um Arquiteto IBM Z

 

Bellacosa Mainframe dicas para criar prompts de ia melhores e mais abrangentes

☕ Um Café no Bellacosa Mainframe

Muito Além do "Escreva um Artigo"

Como um Programador COBOL Padawan Pode Aprender Engenharia de Prompt e Conversar com IA Como um Arquiteto IBM Z

"A diferença entre um programador júnior e um especialista raramente está na linguagem que ele conhece. Está na qualidade das perguntas que ele faz."

Imagine a seguinte situação.

São 8h30 da manhã.

Você acabou de entrar no TSO.

Depois de alguns segundos aparece a velha tela verde.

Você abre o SDSF.

Olha a fila.

Mais de 5.000 jobs.

Centenas de programas COBOL.

DB2.

IMS.

CICS.

MQ.

VSAM.

JCL para todos os lados.

Então alguém chega e pergunta:

— "Você conhece COBOL?"

Você responde:

— "Conheço."

Mas alguns minutos depois a mesma pessoa faz outra pergunta.

— "Como o sistema inteiro funciona?"

É aí que muitos programadores percebem que escrever código é apenas uma pequena parte da profissão.

Com Inteligência Artificial acontece exatamente a mesma coisa.

Quase todo mundo sabe escrever:

Escreva um artigo sobre COBOL.

Pouquíssimos sabem construir um pensamento.

E é justamente isso que diferencia quem apenas usa IA de quem trabalha lado a lado com ela.

Hoje vamos conversar sobre isso.

Pegue seu café.

O maior erro de um Padawan

Quando começamos em COBOL fazemos perguntas assim.

Como faço um READ?

Depois evoluímos.

Como funciona um VSAM KSDS?

Mais tarde.

Quando devo utilizar ESDS ao invés de DB2?

Depois.

Qual arquitetura suporta melhor processamento distribuído mantendo consistência ACID?

Percebeu?

As perguntas ficaram maiores.

Mais inteligentes.

Mais completas.

Com IA acontece exatamente igual.

A IA não lê pensamentos

Este talvez seja o maior Easter Egg deste artigo.

A IA possui bilhões de parâmetros.

Conhece milhões de livros.

Documentações.

Artigos.

Normas.

Código.

Mas existe uma coisa que ela nunca saberá.

O que você realmente queria.

Ela precisa inferir.

Quanto menos contexto você fornece...

Mais ela precisa adivinhar.

E adivinhações nunca são boas em engenharia.

Pense como um Sysprog

Um Sysprog nunca instala um produto IBM digitando apenas

INSTALL

Existe documentação.

Pré-requisitos.

SMP/E.

PTFs.

HOLDDATA.

CSI.

Libraries.

Parâmetros.

Porque sistemas complexos exigem contexto.

A IA também.

Um Prompt é Igual a um JCL

Esse é um paralelo que quase ninguém faz.

Observe.

Um JOB possui:

JOB

EXEC

DD

SYSIN

PARM

COND

REGION

CLASS

MSGCLASS

Cada linha informa uma intenção ao sistema.

Agora veja um prompt moderno.

ROLE

OBJECTIVE

AUDIENCE

CONTEXT

CONSTRAINTS

OUTPUT

STYLE

Não é muito diferente.

Na verdade...

É praticamente um JCL para um cérebro artificial.

Easter Egg #1

Sempre que pensar em Prompt Engineering imagine que você está escrevendo um JOB para executar um programa chamado GPT.

A analogia funciona incrivelmente bem.

Bellacosa Mainframe e a lista de frameworks para ampliar seu prompt

Frameworks são PROCs do pensamento

Quem trabalha com JCL sabe o poder de um PROC.

Você reutiliza padrões.

Evita erros.

Padroniza execução.

Frameworks fazem exatamente isso.

Eles são PROCs para organizar ideias.

Ao invés de reinventar a forma de escrever...

Você reutiliza um modelo que já foi validado durante décadas.

AIDA — O Job de Marketing

Imagine que você criou um curso COBOL.

Você escreve:

Meu curso ensina COBOL.

Fim.

Agora usando AIDA.

Attention

"O PIX brasileiro movimenta bilhões todos os dias utilizando tecnologias que nasceram décadas atrás."

Interest

"Você sabia que provavelmente existe COBOL em alguma etapa dessa transação?"

Desire

"Imagine fazer parte desse mundo."

Action

"Comece estudando COBOL no IBM Z."

Perceba.

As informações são praticamente iguais.

O caminho psicológico mudou completamente.

FAB — O erro clássico do iniciante

Quase todo programador apresenta tecnologia assim.

"COBOL possui COMP-3."

Legal.

E daí?

FAB ensina.

Feature

COMP-3.

Advantage

Ocupa menos espaço.

Benefit

Seu processamento Batch movimenta menos bytes, reduzindo I/O e aumentando desempenho.

O benefício sempre responde:

"Por que eu deveria me importar?"

PEEL — Escrevendo como um Arquiteto

Um arquiteto nunca despeja informações.

Ele organiza.

Cada parágrafo possui.

Point

Evidence

Explanation

Link

Observe qualquer documentação IBM.

Quase todas seguem essa lógica.

Nada está ali por acaso.

KISS — Um dos maiores segredos da IBM

Existe uma frase famosa.

Complexidade gera defeitos.

No Mainframe isso vale ouro.

Os melhores programas COBOL que conheci tinham milhares de linhas.

Mas eram fáceis de ler.

Nomes claros.

Fluxo simples.

Poucos IFs aninhados.

Poucos GO TO.

A IA também gosta disso.

Prompt enorme não significa prompt melhor.

Prompt organizado significa prompt melhor.

SOAPSTONE — Quem está falando?

Este framework é um verdadeiro Easter Egg.

Imagine pedir:

"Explique CICS."

Agora compare.

Você é um IBM Distinguished Engineer.

Explique CICS para um programador COBOL Júnior.

Tom inspirador.

Utilize exemplos bancários.

Use analogias.

Explique em português.

Pronto.

Você praticamente contratou um professor.

STAR — O framework escondido das entrevistas

Muitos usam STAR apenas para RH.

Erro enorme.

STAR é excelente para ensinar tecnologia.

Situação

Batch demorava 8 horas.

Tarefa

Reduzir para quatro.

Ação

RUNSTATS.

REORG.

Novo Access Path.

Resultado

2 horas.

Perceba como contar histórias facilita o aprendizado.

SWOT não serve apenas para empresas

Faça SWOT da sua carreira.

Forças

Conhece COBOL.

Fraquezas

Não conhece APIs.

Oportunidades

Modernização IBM Z.

Ameaças

Parar de estudar.

Você acabou de criar um plano de carreira.

OAR — O framework favorito do Bellacosa

Se eu tivesse que ensinar apenas um...

Seria OAR.

Objective.

Audience.

Research.

Toda vez que conversar com IA diga.

Objetivo.

Quem vai ler.

Quanto aprofundar.

Você ficará impressionado com a diferença.

O Easter Egg que ninguém comenta

Todos esses frameworks parecem diferentes.

Mas escondem um padrão.

Observe.

Todos respondem três perguntas.

O que?

Por quê?

Como?

É só isso.

Alguns acrescentam emoção.

Outros acrescentam evidências.

Outros acrescentam contexto.

Mas todos organizam pensamento.

O framework invisível da IBM

Depois de décadas lendo Redbooks percebi algo interessante.

A IBM raramente escreve utilizando apenas INTRO.

Ou apenas PEEL.

Ou apenas AIDA.

Ela mistura vários.

Introdução.

Contexto.

Problema.

Arquitetura.

Implementação.

Boas práticas.

Resumo.

É um framework híbrido.

E isso inspira um conceito poderoso para prompts.

O Framework Bellacosa Mainframe

Depois de muitos artigos, cursos e apresentações, gosto de organizar um prompt técnico em nove camadas:

1. Papel (Role)
Quem a IA deve representar: um arquiteto IBM Z, um especialista em CICS, um DBA Db2 ou um Sysprog.

2. Público (Audience)
Um Padawan de COBOL? Um desenvolvedor Java? Um gerente? A mesma explicação muda completamente conforme a audiência.

3. Objetivo (Objective)
Ensinar, convencer, revisar código, criar uma aula, produzir um laboratório ou escrever um artigo.

4. Contexto (Context)
Qual ambiente? Banco? Seguradora? IBM Z? z/OS 3.2? CICS TS 6.2? Db2 13? Quanto mais contexto, menos a IA precisa adivinhar.

5. Restrições (Constraints)
O que deve evitar? Qual o tamanho? Deve usar exemplos? Pode usar analogias? Deve citar documentação oficial?

6. Estrutura (Framework)
AIDA, PEEL, STAR, SWOT, INTRO... escolha conscientemente a estrutura que melhor atende ao objetivo.

7. Exemplos (Examples)
Mostre o estilo desejado. Um pequeno exemplo vale mais do que dezenas de instruções abstratas.

8. Formato de Saída (Output)
Artigo, slides, tabela comparativa, FAQ, quiz, roteiro de vídeo, laboratório prático ou infográfico.

9. Revisão (Quality Check)
Peça para a IA verificar coerência, consistência técnica, clareza e possíveis melhorias antes de finalizar.

Essa sequência transforma um pedido simples em uma conversa estruturada, muito parecida com a preparação de uma mudança em produção no ambiente IBM Z.

Easter Eggs para quem quer ir muito além

Se você chegou até aqui, aqui estão alguns "segredos" que costumam fazer diferença.

Easter Egg 1 — Dê identidade à IA

Em vez de pedir:

Explique VSAM.

Experimente:

Você é um IBM Fellow especialista em armazenamento. Explique VSAM para um programador COBOL com seis meses de experiência.

A qualidade costuma aumentar porque você definiu um papel, um público e um nível de profundidade.

Easter Egg 2 — Peça comparações

A IA explica muito melhor quando compara conceitos.

Exemplos:

  • VSAM × Db2

  • COMMAREA × Channels & Containers

  • RACF × ACF2 × Top Secret

  • Batch × Online

  • CICS × IMS TM

Comparações obrigam o raciocínio a destacar diferenças importantes.

Easter Egg 3 — Peça analogias

Analogia é uma ferramenta extraordinária para aprender.

"Explique WLM como se fosse um controlador de tráfego aéreo."

"Explique RACF como se fosse um sistema de portaria de um condomínio."

Você criará conexões mentais muito mais fortes.

Easter Egg 4 — Trabalhe em camadas

Não peça tudo de uma vez.

Prefira uma sequência como:

  1. Explique o conceito.

  2. Mostre a arquitetura.

  3. Apresente um exemplo COBOL.

  4. Explique os erros comuns.

  5. Mostre um caso real.

  6. Crie um laboratório.

  7. Elabore um quiz.

  8. Sugira leituras adicionais.

É exatamente assim que um bom curso é construído.

Easter Egg 5 — Transforme a IA em mentora

Em vez de pedir respostas prontas, peça orientação.

"Faça perguntas que me levem a descobrir a solução."

Esse método desenvolve autonomia e pensamento crítico.

Easter Egg 6 — Use múltiplos frameworks

Um artigo pode começar com INTRO, desenvolver cada seção com PEEL, ilustrar experiências usando STAR, analisar tendências com SWOT e concluir com AIDA. Frameworks não competem entre si; eles se complementam.

Easter Egg 7 — Aprenda observando

Leia Redbooks da IBM, RFCs, artigos técnicos e documentação oficial tentando identificar a estrutura utilizada.

Você começará a enxergar padrões que antes passavam despercebidos.

A maior lição de todas

Existe uma frase muito conhecida na área de desenvolvimento:

Garbage In, Garbage Out.

Ela continua verdadeira na era da Inteligência Artificial.

Uma pergunta superficial tende a produzir uma resposta superficial.

Uma pergunta rica em contexto, objetivos e estrutura abre espaço para uma resposta muito mais útil.

Curiosamente, isso também vale para um programador COBOL. Os profissionais mais respeitados que conheci não eram necessariamente aqueles que memorizavam mais comandos do TSO ou mais instruções COBOL. Eram aqueles que faziam as perguntas certas antes de escrever a primeira linha de código.

No fim das contas, Prompt Engineering não é sobre aprender dezenas de siglas. É sobre desenvolver uma forma organizada de pensar, comunicar objetivos e resolver problemas. Os frameworks apresentados neste artigo — AIDA, PEEL, STAR, SWOT, OAR, FAB, SOAPSTONE, KISS e tantos outros — são ferramentas para isso.

Assim como um Padawan aprende primeiro a dominar os fundamentos da linguagem COBOL antes de enfrentar um sistema bancário de milhões de linhas, quem deseja extrair o máximo da IA precisa dominar os fundamentos da comunicação estruturada. A tecnologia muda, os modelos evoluem e novas siglas surgem todos os meses, mas a capacidade de organizar ideias com clareza continua sendo uma habilidade atemporal.

Da próxima vez que abrir o ChatGPT, não pense apenas em "escrever um prompt". Pense que você está preparando um JCL para executar o maior ambiente de processamento de linguagem natural já criado. Defina o papel, o contexto, o objetivo, a estrutura e o formato da saída. Você descobrirá que conversar com uma IA pode ser tão elegante e previsível quanto construir um bom JOB para o z/OS.

E talvez esse seja o maior aprendizado para um COBOL Padawan: antes de dominar a máquina, aprenda a organizar o próprio pensamento. Afinal, os melhores programas, os melhores projetos e os melhores prompts sempre começam da mesma forma: com uma pergunta bem formulada.


Publicada por à(s) Sem comentários:
Etiquetas: , , , , , , , , , , , ,

terça-feira, 30 de junho de 2026

Inteligência Artificial: Ferramenta ou Autora?

 

Bellacosa Mainframe inteligencia artificial ferramenta ou autora?

☕ Um Café no Bellacosa Mainframe

Inteligência Artificial: Ferramenta ou Autora?

O Que Todo Programador COBOL Padawan Precisa Saber Sobre Criatividade, Direitos Autorais, Plágio, Engenharia de Prompt e Por Que a Maior Discussão da IA Não É Tecnológica — É Humana

"Um compilador nunca foi considerado autor de um programa COBOL. Então por que uma IA deveria ser considerada autora de um texto?"

Vivemos um momento curioso da história.

Talvez o mais curioso desde o surgimento da Internet.

Há poucos anos, quem escrevia um artigo digitava palavra por palavra.

Quem criava uma imagem precisava dominar Photoshop, Illustrator ou desenhar à mão.

Quem escrevia um livro passava meses organizando ideias.

Então surgiram os modelos generativos.

Hoje uma pessoa escreve um prompt de três linhas e, em poucos segundos, recebe um artigo inteiro, uma apresentação, uma música, uma imagem ou até centenas de linhas de código.

E imediatamente nasce a pergunta.

Quem criou aquilo?

A IA?

Ou a pessoa?

Essa pergunta parece simples.

Mas envolve filosofia, direito, ética, engenharia de software, criatividade, educação e até psicologia.

Infelizmente, boa parte da discussão acontece de forma apaixonada.

Pouca reflexão.

Muito preconceito.

Muito medo.

E pouca compreensão de como essas ferramentas realmente funcionam.

Vamos tomar um café.

Porque essa conversa merece calma.

Primeiro precisamos esquecer Hollywood

Hollywood nos ensinou uma imagem completamente errada da Inteligência Artificial.

Robôs conscientes.

Máquinas que pensam.

Computadores que possuem vontade própria.

Nada disso descreve um LLM moderno.

ChatGPT.

Claude.

Gemini.

Copilot.

Llama.

Mistral.

Nenhum deles "pensa" como uma pessoa.

Eles calculam probabilidades.

A próxima palavra.

Depois a próxima.

Depois outra.

Bilhões de vezes.

Existe um modelo matemático gigantesco por trás disso.

Mas não existe intenção.

Não existe desejo.

Não existe inspiração.

Não existe ego.

Não existe sofrimento.

Não existe orgulho.

E principalmente...

não existe autoria consciente.

Um martelo não constrói uma casa

Imagine um carpinteiro.

Ele possui:

  • martelo

  • serra

  • furadeira

  • parafusadeira

  • esquadro

Quem construiu a casa?

O martelo?

Claro que não.

O martelo apenas ampliou a capacidade humana.

Agora pense em um compilador COBOL.

Você escreve o código.

O compilador gera milhares de instruções de máquina.

Quem escreveu o programa?

O compilador?

Nunca.

Ele apenas traduziu.

A IA faz algo semelhante.

Só que muito mais sofisticado.

Ela amplia nossa capacidade intelectual.

O prompt é uma forma de engenharia

Existe uma enorme diferença entre pedir:

"Escreva um artigo."

e pedir:

"Escreva um artigo de 2.000 palavras para arquitetos IBM Z. Use analogias com COBOL, DevOps e Kubernetes. Explique historicamente. Utilize linguagem técnica, mas acessível. Finalize com aplicações práticas."

Esses dois resultados serão completamente diferentes.

Por quê?

Porque o segundo caso envolve projeto.

Planejamento.

Objetivo.

Conhecimento.

Curadoria.

Existe intenção humana.

E intenção é parte essencial da criação.

A IA cria do nada?

Não.

Nem seres humanos fazem isso.

Shakespeare leu outros autores.

Newton estudou Galileu.

Einstein estudou Maxwell.

Os Beatles ouviram blues.

Todo conhecimento humano é construído sobre conhecimento anterior.

A IA faz exatamente isso.

Aprende padrões estatísticos.

Não consulta um cérebro mágico.

Não recebe inspiração divina.

Ela reorganiza padrões.

Os humanos também reorganizam padrões.

A diferença está na consciência.

Então quem é o autor?

Essa é a pergunta de um milhão de dólares.

Imagine quatro situações.

Caso 1

Você escreve um livro inteiro.

A IA apenas corrige ortografia.

Autor?

Você.

Sem discussão.

Caso 2

Você escreve um livro.

A IA melhora estilo.

Reorganiza capítulos.

Sugere títulos.

Autor?

Continua sendo você.

Da mesma forma que um editor não vira autor do livro.

Caso 3

Você fornece estrutura.

Capítulos.

Argumentos.

Pesquisa.

Exemplos.

Reescreve metade.

Remove trechos.

Inclui experiências pessoais.

Autor?

Ainda é você.

A IA foi uma ferramenta.

Muito poderosa.

Mas ferramenta.

Caso 4

Você escreve:

"Escreva um romance."

Copia.

Publica.

Sem alterar uma linha.

A situação muda bastante.

Nesse caso, sua contribuição criativa foi mínima.

Você dificilmente poderia reivindicar integralmente aquela criação como fruto de um trabalho intelectual profundo.

O problema não é usar IA

O problema é fingir que não usou.

É parecido com uma calculadora.

Um engenheiro usa calculadora.

Um contador usa planilhas.

Um médico usa tomografia.

Ninguém considera isso fraude.

Fraude ocorre quando existe mentira.

Imagine um concurso literário cujo regulamento diz:

"Somente textos escritos integralmente por humanos."

Você usa IA escondido.

Isso é antiético.

Agora imagine outro concurso que permite IA.

Não existe problema.

O contexto importa.

O fantasma do plágio

Outro tema que aparece constantemente.

"IA é plágio."

Será?

Nem sempre.

Plágio significa apresentar como seu algo criado por outra pessoa identificável.

Os LLMs normalmente não copiam livros inteiros.

Eles geram novos textos baseados em padrões aprendidos.

Isso não significa que nunca possam reproduzir trechos existentes.

Pode acontecer.

Especialmente quando o conteúdo solicitado é muito específico.

Por isso sempre vale revisar.

Verificar.

Conferir fontes.

A responsabilidade continua sendo humana.

A sociedade condena porque ainda está aprendendo

Toda grande tecnologia passou por isso.

Quando surgiu a imprensa:

"Haverá excesso de livros."

Quando surgiu a calculadora:

"As crianças nunca aprenderão matemática."

Quando surgiu a Internet:

"Ninguém mais estudará."

Quando surgiu o Google:

"As pessoas deixarão de memorizar."

Quando surgiu a Wikipédia:

"Ela destruirá a educação."

Agora chegou a IA.

A história se repete.

O medo normalmente aparece antes da compreensão.

O verdadeiro diferencial deixou de ser escrever

Durante muito tempo, escrever era uma habilidade rara.

Hoje produzir texto ficou barato.

Muito barato.

O valor mudou.

Agora vale mais:

  • fazer perguntas inteligentes;

  • validar informações;

  • conectar ideias;

  • identificar erros;

  • exercer pensamento crítico;

  • tomar decisões;

  • assumir responsabilidade.

Isso nenhuma IA faz por você.

Um excelente prompt não nasce por acaso

Existe um equívoco comum.

Algumas pessoas imaginam que um prompt seja apenas uma frase.

Na realidade, um bom prompt pode representar anos de experiência.

Quando um médico solicita uma análise complexa a uma IA, ele sabe exatamente o que perguntar.

Quando um advogado pede uma minuta contratual, ele conhece os riscos jurídicos.

Quando um arquiteto IBM Z pede uma arquitetura resiliente, ele conhece CICS, DB2, MQ, RACF, WLM, Sysplex e dezenas de tecnologias.

A qualidade do resultado depende diretamente da qualidade de quem pergunta.

Garbage In.

Garbage Out.

Esse princípio continua absolutamente verdadeiro.

A IA não substitui experiência

Imagine pedir à IA:

"Projete um sistema bancário."

Ela consegue.

Mas será um projeto realmente adequado?

Talvez.

Talvez não.

Quem identifica os riscos?

Quem percebe uma inconsistência regulatória?

Quem sabe que determinada arquitetura falhou em um banco há dez anos?

Quem entende as restrições do negócio?

Quem responde perante um cliente?

Sempre haverá uma pessoa.

A responsabilidade nunca desaparece.

E na educação?

Esse talvez seja o debate mais importante.

Muitos professores proíbem IA.

Outros incentivam.

Quem está certo?

Depende do objetivo.

Se a intenção é avaliar escrita manual, talvez o uso de IA realmente prejudique a avaliação.

Mas se o objetivo é resolver problemas reais...

Proibir IA pode ser semelhante a proibir computadores em um curso de informática.

O mercado não fará essa proibição.

Os profissionais usarão IA.

Os melhores profissionais aprenderão a utilizá-la com responsabilidade.

A escola precisa ensinar isso.

Não fingir que a tecnologia não existe.

Detectores de IA nem sempre acertam

Outra polêmica.

Ferramentas que afirmam detectar textos produzidos por IA.

Elas existem.

Mas nenhuma é infalível.

Diversos estudos já mostraram falsos positivos.

Textos escritos por humanos foram classificados como IA.

Textos feitos por IA passaram despercebidos.

Por isso, utilizar esses detectores como única prova de fraude é extremamente problemático.

Eles podem auxiliar.

Jamais substituir análise humana.

O futuro pertence aos profissionais híbridos

No início da computação existia resistência ao computador.

Depois veio resistência ao Excel.

Depois ao Google.

Depois ao GitHub.

Depois ao Stack Overflow.

Agora chegou a IA.

A tendência é semelhante.

Os profissionais mais valorizados não serão aqueles que recusam a tecnologia.

Nem aqueles que dependem completamente dela.

Serão aqueles que unem:

  • experiência;

  • conhecimento;

  • criatividade;

  • ética;

  • pensamento crítico;

  • Inteligência Artificial.

Essa combinação produz resultados extraordinários.

Então a IA é autora?

Na minha visão, não.

Ela não possui intenção.

Não possui consciência.

Não possui responsabilidade.

Não possui identidade.

Ela não responde judicialmente.

Não assina contratos.

Não sente orgulho da obra.

Ela produz conteúdo.

Quem transforma esse conteúdo em conhecimento útil continua sendo o ser humano.

Talvez estejamos fazendo a pergunta errada

Talvez a pergunta nunca tenha sido:

"Quem escreveu?"

Talvez a pergunta correta seja:

Quem tomou as decisões intelectuais?

Quem escolheu o tema?

Quem definiu o público?

Quem estruturou a narrativa?

Quem validou os fatos?

Quem assumiu a responsabilidade?

Quem publicou?

Quem responderá pelos erros?

Enquanto essas respostas apontarem para uma pessoa, continuará existindo autoria humana.

A IA participa do processo.

Mas participação não significa autoria.

Assim como um compilador participa do desenvolvimento de um sistema.

Assim como um editor participa da produção de um livro.

Assim como uma câmera participa da criação de uma fotografia.

Ferramentas ampliam capacidades.

Não substituem responsabilidade.

Muito Além da Inteligência Artificial

Talvez a maior transformação provocada pela IA não seja tecnológica.

Seja filosófica.

Durante séculos acreditamos que produzir texto era prova definitiva de inteligência.

Hoje uma máquina produz milhões de palavras por minuto.

Isso nos obriga a redefinir o que realmente significa ser inteligente.

Talvez inteligência nunca tenha sido apenas escrever.

Talvez criatividade nunca tenha sido apenas combinar palavras.

Talvez conhecimento nunca tenha sido apenas memorizar informações.

O verdadeiro diferencial humano continua sendo algo que nenhuma arquitetura de redes neurais demonstrou possuir: consciência, propósito, julgamento moral, empatia e responsabilidade pelas consequências de suas escolhas.

A IA é uma das ferramentas mais poderosas já criadas pela humanidade. Como toda grande ferramenta, pode ampliar o melhor e o pior de quem a utiliza. Nas mãos de alguém desonesto, facilita fraudes. Nas mãos de um estudante preguiçoso, reduz o aprendizado. Nas mãos de um profissional ético, acelera descobertas, democratiza conhecimento, elimina tarefas repetitivas e libera tempo para aquilo que realmente importa: pensar.

Portanto, talvez devêssemos abandonar a pergunta "A IA substitui o ser humano?" e adotar outra muito mais útil:

"Como posso usar a IA para me tornar um profissional melhor, mais criativo, mais produtivo e mais responsável?"

Essa, sim, é a pergunta que definirá os vencedores desta nova era.

Porque, no fim das contas, a Inteligência Artificial não diminui o valor da inteligência humana.

Ela apenas torna ainda mais evidente onde ela realmente está.

Se desejar, posso adaptar este texto para o formato tradicional da série "Um Café no Bellacosa Mainframe", com referências a IBM Z, COBOL, compiladores, DevOps, Git, revisão por pares, casos reais do mercado e um tom ainda mais reflexivo, chegando a cerca de 2.500–3.000 palavras.

Publicada por à(s) Sem comentários:
Etiquetas: , , , , , , , , , , , , ,

sexta-feira, 5 de junho de 2026

☕💣 OPERADOR, TEM ALGUÉM NO TERMINAL! — O Dia em Que um Assistente de IA Pediu Acesso ao Seu Mainframe

 

Bellacosa Mainframe e o assistente de IA LLM RAG

☕💣 OPERADOR, TEM ALGUÉM NO TERMINAL! — O Dia em Que um Assistente de IA Pediu Acesso ao Seu Mainframe

"Primeiro ele responde perguntas. Depois organiza tarefas. Em seguida consulta sistemas. Quando você percebe, existe uma inteligência trabalhando ao seu lado 24 horas por dia."

🚀 Afinal, o que é um Assistente de IA?

Imagine um operador de computador que:

✅ Nunca dorme
✅ Nunca tira férias
✅ Nunca esquece um procedimento
✅ Aprende com documentação
✅ Conversa em linguagem natural

Um Assistente de Inteligência Artificial é um software capaz de compreender perguntas, interpretar contexto, acessar informações e executar tarefas para auxiliar pessoas em suas atividades.

Diferente de um chatbot tradicional, que segue roteiros pré-definidos, um assistente moderno utiliza modelos de linguagem (LLMs) para raciocinar sobre problemas e gerar respostas dinâmicas.

Na prática, ele pode:

  • Responder dúvidas técnicas

  • Gerar código

  • Criar documentos

  • Automatizar processos

  • Consultar bancos de dados

  • Executar fluxos de negócio

  • Integrar sistemas corporativos

  • Apoiar decisões operacionais

Pense nele como uma mistura de:

  • Analista de Sistemas

  • Operador

  • DBA

  • Documentador

  • Programador

  • Professor

Tudo em uma única interface.

🏛️ O Assistente de IA no Mundo Mainframe

Imagine um assistente treinado com:

  • JCL

  • COBOL

  • CICS

  • DB2

  • IMS

  • RACF

  • TSO/ISPF

  • JES2

  • z/OS

Você poderia perguntar:

"Por que este JOB deu ABEND S0C7?"

ou

"Monte um JCL para copiar um VSAM KSDS."

ou

"Explique a diferença entre EXEC CICS LINK e XCTL."

Em segundos ele produziria:

  • Explicações

  • Diagnósticos

  • Exemplos

  • Sugestões de correção

É como ter um especialista Bellacosa Mainframe disponível 24x7.

🔧 Como Construir um Assistente de IA?

Hoje existem vários caminhos.

Caminho 1 — O Mais Simples

Utilizar plataformas prontas:

  • GPTs personalizados

  • Assistants

  • Copilots

  • No-Code AI Builders

Você fornece:

  • Documentação

  • PDFs

  • Manuais

  • Procedimentos

E o assistente aprende aquele contexto.

Ideal para:

  • Empresas

  • Equipes de suporte

  • Times de treinamento

Caminho 2 — Assistente com Base de Conhecimento

Arquitetura típica:

Usuário
   │
   ▼
Assistente IA
   │
   ▼
Base de Conhecimento
   │
   ├── PDFs
   ├── Manuais
   ├── Wikis
   ├── Procedimentos
   └── Documentação Técnica

O modelo consulta documentos antes de responder.

Chamamos isso de:

RAG (Retrieval Augmented Generation)

É uma das arquiteturas mais populares atualmente.

Caminho 3 — Assistente Corporativo

Aqui a brincadeira fica séria.

Usuário
   │
   ▼
Assistente IA
   │
   ├── SAP
   ├── Mainframe
   ├── Banco de Dados
   ├── ServiceNow
   ├── Jira
   ├── APIs
   └── Sistemas Legados

O assistente deixa de apenas responder.

Ele passa a:

  • Consultar sistemas

  • Abrir chamados

  • Executar processos

  • Atualizar registros

Estamos entrando no território dos Agentes de IA.

🎯 O Que Eu Ganho Construindo Um?

Muito mais do que parece.

1. Produtividade

Tarefas que demoravam horas passam a levar minutos.

2. Documentação Viva

Em vez de procurar em centenas de PDFs:

CTRL+F
CTRL+F
CTRL+F
CTRL+F

Você simplesmente pergunta.

3. Treinamento Acelerado

Novatos aprendem mais rápido.

Um júnior pode consultar o assistente constantemente.

4. Preservação do Conhecimento

Quando especialistas se aposentam, muito conhecimento desaparece.

O assistente pode ajudar a preservar:

  • Procedimentos

  • Boas práticas

  • Lições aprendidas

5. Disponibilidade 24x7

Não importa:

  • Madrugada

  • Feriado

  • Final de semana

O assistente continua disponível.

⚠️ As Desvantagens

Nem tudo é magia.

Alucinações

O maior problema atual.

A IA pode responder com enorme confiança algo completamente errado.

Exemplo:

"Qual parâmetro resolve esse ABEND?"

Ela pode inventar uma solução inexistente.

Dependência Excessiva

Algumas pessoas param de pensar.

Começam a copiar respostas sem validar.

Isso é extremamente perigoso.

Custo

Modelos avançados podem gerar custos relevantes.

Especialmente em grandes empresas.

Segurança

Documentos enviados para modelos externos podem conter:

  • Dados sensíveis

  • Segredos corporativos

  • Informações confidenciais

Governança é obrigatória.

☠️ Os Caminhos Tenebrosos

Agora entramos na sala escura do datacenter.

Luzes piscando.

Ar-condicionado rugindo.

Alarmes ao fundo.

Caminho Tenebroso #1

Confiar Cegamente na IA

A IA não é uma autoridade.

Ela é uma ferramenta.

Quem assina a decisão continua sendo o humano.

Caminho Tenebroso #2

Alimentar a IA com Dados Incorretos

Existe uma regra antiga:

Garbage In
Garbage Out

Se o treinamento estiver errado:

As respostas estarão erradas.

Caminho Tenebroso #3

Expor Informações Sigilosas

Jamais envie para modelos públicos:

  • Senhas

  • Chaves de API

  • Dumps confidenciais

  • Dados de clientes

Uma única falha pode gerar consequências enormes.

Caminho Tenebroso #4

Automatizar Sem Controle

Um assistente que apenas responde é uma coisa.

Um assistente que executa comandos é outra completamente diferente.

Imagine:

DELETE PRODUCAO

executado automaticamente.

Nem preciso explicar o restante da história...

Caminho Tenebroso #5

Substituir Conhecimento Humano

O objetivo não é eliminar especialistas.

É amplificar sua capacidade.

O melhor cenário é:

Humano + IA

e não

Humano OU IA

🎓 O Futuro

Estamos caminhando para uma era onde cada profissional terá seu próprio assistente especializado.

Um desenvolvedor terá um assistente de programação.

Um médico terá um assistente clínico.

Um advogado terá um assistente jurídico.

E um profissional de Mainframe poderá ter algo como:

"Bellacosa Mainframe Assistant"

Capaz de explicar:

  • JES2

  • RACF

  • CICS

  • DB2

  • COBOL

  • JCL

  • z/OS

com exemplos, laboratórios e diagnósticos.

☕💣 Conclusão Bellacosa Mainframe

O assistente de IA não é o fim do operador.

Não é o fim do programador.

Não é o fim do analista.

Ele é uma nova camada de abstração, assim como:

  • Assembly evoluiu para COBOL

  • Cartões perfurados evoluíram para terminais

  • Terminais evoluíram para interfaces gráficas

  • Interfaces evoluíram para a Web

Agora estamos entrando na era da conversa.

A pergunta não é mais:

"Como faço isso?"

Mas sim:

"Como explico para a IA o que eu preciso?"

Quem dominar essa habilidade terá uma vantagem semelhante à de quem aprendeu internet nos anos 90 ou computação em nuvem nos anos 2000.

Porque, no fim das contas, o maior poder da IA não está em responder perguntas.

Está em transformar conhecimento em ação.

E isso, meu amigo operador, é algo que merece um café forte antes do próximo IPL. ☕🚀💣


Publicada por à(s) Sem comentários:
Etiquetas: , , , , , , , , , , , ,

terça-feira, 21 de abril de 2026

AI Chatbots, AI Agents e Multi-Agent Systems O Que Todo Programador COBOL Padawan Precisa Saber Sobre a Próxima Revolução da Engenharia de Software

 

Bellacosa Mainframe AI chatbos agents e multi-agents systems

☕ Um Café no Bellacosa Mainframe

AI Chatbots, AI Agents e Multi-Agent Systems

O Que Todo Programador COBOL Padawan Precisa Saber Sobre a Próxima Revolução da Engenharia de Software

"Você não está apenas aprendendo Inteligência Artificial. Está descobrindo como os sistemas do futuro serão construídos — e, curiosamente, como eles se parecem muito mais com um IBM Mainframe do que a maioria das pessoas imagina."

Durante muitos anos ouvimos que a Inteligência Artificial substituiria programadores, escreveria software sozinha e transformaria completamente a indústria. Grande parte dessas previsões eram exageradas. O que realmente está acontecendo é muito mais interessante.

A verdadeira revolução não está em criar uma IA que saiba fazer tudo.

Ela está em criar equipes de inteligências artificiais, cada uma especializada em uma função específica, trabalhando em conjunto exatamente como acontece em uma empresa ou, para nossa surpresa, exatamente como acontece dentro de um ambiente IBM z/OS.

Se você é um Programador COBOL Padawan, este é um daqueles momentos em que compreender um conceito novo pode mudar completamente sua maneira de enxergar a tecnologia.

E a boa notícia?

Você já conhece, sem perceber, muitos dos princípios que sustentam essa nova geração de IA.

A primeira ilusão da Inteligência Artificial

Quando o ChatGPT surgiu, muita gente imaginou que havia nascido um cérebro artificial.

Parecia existir uma única inteligência capaz de responder qualquer pergunta.

Na realidade, um chatbot tradicional funciona de maneira relativamente simples.

O fluxo costuma ser:

Usuário

↓

Prompt

↓

LLM

↓

Resposta

O usuário faz uma pergunta.

O modelo analisa os tokens.

Prediz a sequência mais provável.

Entrega uma resposta.

Fim.

Não existe uma equipe trabalhando.

Não existe divisão de tarefas.

Não existe planejamento complexo.

É uma conversa extremamente sofisticada, mas ainda assim linear.

O chatbot é um excelente especialista... mas continua sozinho

Imagine que você pergunte:

"Explique como funciona um arquivo VSAM KSDS."

O chatbot responde.

Agora pergunte:

"Escreva um programa COBOL utilizando CICS, DB2, MQ, autenticação RACF, documentação técnica, casos de teste, scripts DevOps e um pipeline CI/CD."

Ele tentará fazer tudo.

Mas existe um problema.

Está tentando atuar simultaneamente como:

  • Analista de Sistemas

  • Arquiteto

  • DBA

  • Programador COBOL

  • Especialista CICS

  • Especialista MQ

  • Especialista em Segurança

  • Analista de Testes

  • Redator Técnico

  • DevOps

Nenhum profissional faz tudo isso perfeitamente.

Nem um modelo de IA.

Imagine uma empresa com apenas um funcionário

Vamos fazer uma analogia.

Imagine abrir um banco.

Você contrata apenas uma pessoa.

Ela deverá ser:

  • Presidente

  • Caixa

  • Segurança

  • Auditor

  • Contador

  • Analista de Crédito

  • Atendimento

  • TI

  • Limpeza

Parece absurdo.

Mas foi exatamente assim que imaginamos a Inteligência Artificial durante algum tempo.

Uma única IA faria absolutamente tudo.

O problema é que especialização sempre vence generalização quando o assunto é trabalho complexo.

É aqui que nascem os AI Agents

Agora imagine outro cenário.

Você continua tendo uma IA extremamente inteligente.

Mas ela aprende uma habilidade nova.

Ela não apenas responde.

Ela começa a agir.

Ela consegue:

  • planejar

  • pesquisar

  • acessar APIs

  • consultar bancos de dados

  • executar programas

  • validar resultados

  • corrigir erros

  • tentar novamente

Ela passa a perseguir objetivos.

Isso muda completamente o jogo.

Um agente pensa em etapas

Vamos imaginar um pedido simples.

"Analise o desempenho do meu banco DB2."

Um chatbot responderia algo como:

"Verifique índices, RUNSTATS, REORG..."

Um AI Agent faria algo diferente.

Ele poderia executar automaticamente um fluxo como este:

Receber objetivo

↓

Conectar ao catálogo DB2

↓

Ler estatísticas

↓

Analisar índices

↓

Verificar tabelas fragmentadas

↓

Comparar histórico

↓

Gerar relatório

↓

Sugerir melhorias

Observe a diferença.

Ele deixou de responder.

Agora ele trabalha.

O cérebro continua sendo um LLM

Muitas pessoas imaginam que um AI Agent seja um modelo completamente diferente.

Não é.

O cérebro continua sendo um Large Language Model.

A diferença é que agora existe uma arquitetura em volta dele.

Ela adiciona capacidades como:

  • memória

  • ferramentas

  • planejamento

  • execução

  • observação

  • replanejamento

É como instalar diversos periféricos em um computador.

O processador continua sendo o mesmo.

Mas agora ele possui discos, rede, impressoras e dispositivos externos.

Um agente utiliza ferramentas

Pense em você.

Você não resolve tudo apenas pensando.

Você utiliza ferramentas.

No Mainframe você usa:

  • ISPF

  • SDSF

  • TSO

  • DB2 SPUFI

  • File Manager

  • Fault Analyzer

  • Abend-AID

Da mesma forma, um agente utiliza ferramentas digitais.

Ele pode chamar:

  • APIs REST

  • Bancos SQL

  • Python

  • Shell Script

  • GitHub

  • Docker

  • Navegadores

  • Serviços MCP (Model Context Protocol)

O LLM passa a ser apenas o cérebro que decide qual ferramenta utilizar.

Mas a verdadeira revolução ainda estava por vir

Mesmo um agente possui limitações.

Imagine pedir:

"Modernize um sistema COBOL com oito milhões de linhas."

É uma tarefa gigantesca.

Existe muito trabalho.

Então surge uma pergunta natural.

Por que colocar tudo nas costas de um único agente?

Por que não criar uma equipe?

Nasce então o conceito de Multi-Agent Systems.

Bem-vindo ao escritório da Inteligência Artificial

Agora imagine um escritório.

Em vez de uma única IA...

Existem várias.

Cada uma extremamente especializada.

             Orquestrador

      ↓       ↓       ↓

 COBOL     DB2      CICS

      ↓       ↓       ↓

 Segurança   Testes   APIs

             ↓

      Documentação

Pela primeira vez, a IA começa a funcionar como uma empresa.

O papel do Orquestrador

Toda equipe precisa de alguém coordenando.

Na arquitetura Multi-Agent existe normalmente um componente chamado Orchestrator.

Ele funciona como um gerente de projetos.

Recebe um objetivo.

Analisa.

Divide.

Distribui.

Depois reúne os resultados.

Seu trabalho não é escrever código.

Seu trabalho é organizar pessoas...

Ou melhor...

Organizar agentes.

Parece familiar?

Se você trabalha com Mainframe, provavelmente sim.

Veja alguns componentes do z/OS.

  • JES2

  • RACF

  • DB2

  • IMS

  • CICS

  • MQ

  • DFSMS

  • WLM

Nenhum deles faz tudo.

Cada um possui responsabilidades muito claras.

O sistema operacional coordena todos.

Curiosamente, a arquitetura Multi-Agent segue exatamente essa filosofia.

IBM já fazia isso há décadas

Muita gente acredita que Multi-Agent Systems são uma invenção recente.

Na prática, a computação corporativa utiliza esse conceito desde os anos 70.

Pense em uma transação bancária.

Quando um cliente faz um PIX ou consulta saldo, vários subsistemas trabalham em conjunto:

  • CICS recebe a requisição.

  • RACF autentica o usuário.

  • DB2 consulta os dados.

  • MQ envia mensagens para outros sistemas.

  • JES2 agenda tarefas em batch.

  • WLM distribui recursos de CPU.

  • DFSMS gerencia armazenamento.

Nenhum desses componentes conhece todo o sistema.

Cada um é especialista em sua área.

Essa divisão de responsabilidades é um dos pilares da escalabilidade do IBM Z.

Os sistemas multiagentes apenas transportam essa filosofia para o universo da IA.

Um exemplo para um Programador COBOL Padawan

Imagine que um banco deseje transformar um sistema legado em APIs REST.

Um ambiente multiagente poderia funcionar assim:

Agente 1 — Descoberta

Analisa milhões de linhas COBOL.

Identifica programas.

Mapeia COPYBOOKs.

Agente 2 — Banco de Dados

Localiza tabelas DB2.

Descobre relacionamentos.

Analisa índices.

Agente 3 — CICS

Detecta transações.

Analisa COMMAREAs.

Mapeia Channels e Containers.

Agente 4 — Documentação

Produz diagramas.

Cria documentação técnica.

Explica regras de negócio.

Agente 5 — APIs

Transforma programas em serviços REST.

Gera especificações OpenAPI.

Agente 6 — Testes

Cria testes unitários.

Executa validações.

Produz cobertura de testes.

Agente 7 — Segurança

Analisa autenticação.

Detecta vulnerabilidades.

Sugere melhorias.

Observe que ninguém faz tudo.

Cada agente faz apenas aquilo em que é especialista.

O conceito de Inteligência Coletiva

Um dos maiores erros ao estudar IA é imaginar inteligência como algo individual.

Na natureza, muitos organismos demonstram inteligência coletiva.

Formigas.

Abelhas.

Cupins.

Cardumes.

Nenhum indivíduo conhece o plano completo.

Mesmo assim, a colônia produz comportamentos extraordinários.

Os sistemas multiagentes seguem esse princípio.

Cada agente possui conhecimento limitado.

Mas o conjunto resolve problemas extremamente complexos.

Comunicação entre agentes

Surge então outro desafio.

Como essas inteligências conversam?

A resposta depende da arquitetura.

Algumas utilizam mensagens JSON.

Outras empregam filas como Apache Kafka ou RabbitMQ.

Há ainda sistemas baseados em eventos, chamadas REST e protocolos emergentes como o Model Context Protocol (MCP), que facilita o compartilhamento de contexto e ferramentas entre modelos.

Essa comunicação precisa ser eficiente, confiável e segura.

Caso contrário, os agentes passam mais tempo trocando informações do que resolvendo problemas.

Quando os agentes discordam

Outro aspecto fascinante é que agentes podem divergir.

Imagine três especialistas analisando uma consulta SQL.

O primeiro sugere criar um índice.

O segundo afirma que uma reorganização resolveria o problema.

O terceiro recomenda alterar o plano de acesso.

Quem está certo?

Em sistemas avançados, outro agente pode atuar como árbitro, comparar evidências, executar testes e escolher a melhor solução.

Esse mecanismo reduz vieses e melhora a qualidade das decisões.

Mais agentes significam mais inteligência?

Nem sempre.

Adicionar agentes indiscriminadamente pode gerar:

  • custos maiores com tokens;

  • aumento da latência;

  • conflitos de decisão;

  • duplicação de trabalho;

  • dificuldade de coordenação.

Assim como uma empresa com funcionários demais pode se tornar burocrática, um sistema multiagente mal projetado pode ser menos eficiente do que um único agente bem configurado.

Arquitetura continua sendo essencial.

O futuro do desenvolvimento de software

Imagine abrir seu ambiente de desenvolvimento daqui a alguns anos.

Você descreve uma funcionalidade:

"Criar um novo módulo de empréstimos."

Imediatamente, um orquestrador distribui tarefas:

  • um agente conversa com os analistas de requisitos;

  • outro gera o modelo de dados;

  • um terceiro escreve programas COBOL;

  • outro prepara JCLs;

  • um agente cria testes automatizados;

  • outro verifica segurança;

  • outro produz documentação;

  • um último acompanha a implantação.

Você deixa de trabalhar sozinho com uma IA e passa a liderar uma equipe digital de especialistas.

O desenvolvedor torna-se um arquiteto e coordenador, capaz de definir objetivos, validar resultados e integrar soluções.

O Programador COBOL Padawan não está ficando para trás

Existe um mito de que apenas quem desenvolve aplicações em linguagens modernas participará dessa transformação.

Nada poderia estar mais distante da realidade.

Os maiores bancos, seguradoras, empresas aéreas e governos do mundo continuam executando processos críticos em IBM Z. São ambientes ricos em regras de negócio, documentação histórica e sistemas integrados — exatamente o tipo de contexto em que agentes especializados podem gerar enorme valor.

Conhecer COBOL, CICS, JCL, DB2, VSAM e arquitetura de sistemas corporativos passa a ser um diferencial estratégico, porque esses agentes precisam de especialistas humanos para orientar sua evolução, validar decisões e definir políticas de governança.

Uma nova trilha de conhecimento

Se você deseja se preparar para essa nova era, considere construir uma trilha de aprendizado como esta:

  1. Domine os fundamentos de algoritmos e estruturas de dados.

  2. Aprofunde seus conhecimentos em COBOL, JCL, CICS e DB2.

  3. Estude APIs REST e integração entre sistemas.

  4. Aprenda conceitos de Large Language Models e Engenharia de Prompts.

  5. Explore arquiteturas de AI Agents.

  6. Conheça frameworks como LangGraph, CrewAI, AutoGen e OpenAI Agents SDK.

  7. Entenda protocolos de integração como MCP.

  8. Estude observabilidade, segurança e governança para sistemas de IA.

  9. Pratique a orquestração de múltiplos agentes em problemas reais.

  10. Desenvolva a habilidade mais importante de todas: pensar em sistemas, não apenas em programas.

Conclusão

A história da computação sempre caminhou em direção à especialização e à colaboração. Primeiro vieram os programas monolíticos, depois os sistemas distribuídos, os microsserviços e, agora, os Sistemas Multiagentes.

Para o Programador COBOL Padawan, essa não é uma ruptura com o passado, mas uma continuidade natural. Quem compreende como CICS, DB2, MQ, RACF, JES2 e z/OS colaboram para manter milhões de transações funcionando diariamente já possui uma base conceitual surpreendentemente próxima da lógica dos agentes de IA.

A próxima geração de software não será construída por uma única inteligência artificial onisciente. Ela será resultado da cooperação entre diversas inteligências especializadas, coordenadas por arquiteturas capazes de planejar, executar, validar e aprender continuamente.

E talvez a maior ironia dessa revolução seja esta: enquanto muitos acreditam que a IA está inventando uma forma completamente nova de computação, os profissionais de Mainframe podem reconhecer nela um velho conhecido. Há décadas, o IBM Z nos ensina que sistemas robustos nascem da colaboração entre componentes especializados, governados por uma arquitetura sólida e por princípios de engenharia bem estabelecidos.

Você não está apenas estudando Inteligência Artificial. Está ampliando sua visão sobre a evolução da engenharia de software e descobrindo que, no futuro, o profissional mais valioso não será aquele que compete com a IA, mas aquele que sabe construir, coordenar e orientar equipes inteiras de inteligências artificiais para resolver problemas que, sozinho, nenhum modelo conseguiria enfrentar.

Publicada por à(s) Sem comentários:
Etiquetas: , , , , , , , , , , , , , ,
Subscrever: Mensagens (Atom)
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
☕ Um Café no Bellacosa Mainframe
Conhecimento legado preparando o futuro.
Conheça minha trajetória
Autor Contato Política de Privacidade Política de Cookies
GitHub LinkedIn
Inicializando conteúdo...