 |
| Bellacosa Mainframe introduz o agentic data intelligence no ibm watsonx |
☕ Um Café no Bellacosa Mainframe
Agentic Data Intelligence no IBM watsonx.data intelligence: Quando a Inteligência Artificial Descobre que Dados Sem Contexto São Apenas Bits Perdidos
Como um Programador COBOL Padawan Pode Entender a Próxima Grande Revolução da Inteligência Artificial Corporativa
Durante muito tempo, ouvimos que a Inteligência Artificial iria substituir programadores.
Depois disseram que bastava conectar um LLM (Large Language Model) ao banco de dados da empresa e todos os problemas estariam resolvidos.
Hoje sabemos que nenhuma dessas ideias estava completamente correta.
O verdadeiro desafio nunca foi fazer a IA "ler" dados.
O desafio sempre foi fazer a IA entender o significado daqueles dados.
Essa diferença parece pequena.
Na prática, ela separa uma IA que apenas gera respostas bonitas de uma IA capaz de trabalhar como um verdadeiro analista de negócios.
É exatamente esse o objetivo do novo Agentic Data Intelligence, incorporado ao IBM watsonx.data intelligence.
Para quem trabalha com IBM Z, COBOL, CICS, DB2, VSAM ou IMS, esse assunto é muito mais importante do que parece. Na realidade, ele conversa diretamente com um problema que todo programador experiente já enfrentou: como descobrir o impacto de uma mudança em um sistema gigantesco criado ao longo de décadas?
Pegue sua caneca de café.
Hoje vamos conversar sobre uma das tecnologias que provavelmente fará parte do futuro do desenvolvimento em Mainframe.
O maior problema da IA nunca foi inteligência
Imagine que amanhã você seja contratado por um grande banco.
No primeiro dia, entregam seu usuário RACF.
Você recebe acesso ao:
TSO/ISPF
SDSF
DB2
CICS
JCL
dezenas de bibliotecas PDS
milhares de programas COBOL
Você consegue abrir qualquer programa.
Consegue consultar tabelas.
Consegue executar jobs.
Mas consegue entender o sistema?
Claro que não.
Você não sabe:
qual tabela é oficial;
qual copybook está obsoleto;
qual campo representa uma regra de negócio;
quem é o responsável por determinado cadastro;
quais programas utilizam aquele arquivo VSAM;
quais APIs dependem daquele campo.
Agora imagine uma Inteligência Artificial.
Ela sofre exatamente do mesmo problema.
Ela consegue acessar dados.
Mas não conhece a empresa.
Dados não são conhecimento
Essa talvez seja a primeira grande lição deste artigo.
Existe uma enorme diferença entre:
Dados
e
Conhecimento Corporativo.
Por exemplo:
CLIENTE.STATUS = "A"
Para você isso significa o quê?
Nada.
Agora imagine que o glossário da empresa define:
"A = Cliente Ativo"
Já faz sentido.
Mas e se outra empresa definir:
"A = Cliente Aposentado"
Ou ainda:
"A = Cliente de Alto Valor"
Percebe?
O dado é exatamente igual.
O significado muda completamente.
É isso que chamamos de contexto.
O que é o IBM watsonx.data intelligence?
Pense nele como um enorme cérebro corporativo.
Ele não guarda apenas tabelas.
Ele guarda conhecimento sobre essas tabelas.
Ele sabe:
quem criou;
quem mantém;
quem utiliza;
quais sistemas dependem;
de onde vieram os dados;
quais regras foram aplicadas;
qual o nível de qualidade;
quais políticas de segurança existem.
Em outras palavras...
Ele transforma metadados em conhecimento utilizável.
Fazendo uma analogia com o Mainframe
Todo ambiente z/OS possui diversos "cérebros invisíveis".
Por exemplo:
ICF Catalog
RACF
SYS1.PARMLIB
PROCLIB
SMS
JES2
Nenhum deles processa transações bancárias.
Mesmo assim...
sem eles o banco simplesmente para.
O watsonx.data intelligence exerce um papel semelhante.
Ele não substitui o DB2.
Nem o VSAM.
Nem o IMS.
Ele explica para a IA como interpretar tudo isso.
Como funciona o Agentic Data Intelligence?
Vamos imaginar um fluxo simples.
Um usuário pergunta:
"Quais clientes Premium tiveram queda no faturamento este mês?"
Uma IA tradicional faria algo parecido com isto:
Pergunta
↓
Procura tabelas
↓
Executa SQL
↓
Entrega resposta
Parece bom.
Mas há vários riscos.
Ela pode consultar:
tabela errada;
coluna desatualizada;
dados duplicados;
informações sem governança.
Agora veja o novo fluxo.
Pergunta
↓
Consulta o catálogo corporativo
↓
Verifica definições de negócio
↓
Consulta Data Lineage
↓
Verifica políticas
↓
Avalia qualidade
↓
Gera resposta
É um processo muito mais inteligente.
O que significa "Trusted Context"?
Esse é provavelmente o conceito mais importante do watsonx.data intelligence.
Traduzindo livremente:
Contexto Confiável.
A IA deixa de confiar apenas nos dados.
Ela passa a confiar também nas regras que explicam aqueles dados.
Isso muda completamente a qualidade das respostas.
O papel do Business Glossary
Imagine um banco.
A palavra "Saldo" pode significar:
Saldo Contábil
Saldo Disponível
Saldo Projetado
Saldo Bloqueado
Saldo Médio
Todos são "Saldo".
Mas representam conceitos diferentes.
O Business Glossary resolve exatamente esse problema.
Ele funciona como um dicionário oficial da empresa.
Quando a IA encontra um termo, ela consulta o glossário antes de responder.
É como perguntar ao analista de negócios:
"Quando vocês dizem saldo, qual saldo exatamente?"
Data Lineage: seguindo o caminho dos dados
Agora imagine um campo chamado:
LIMITE_DISPONIVEL
De onde ele veio?
A IA consegue descobrir algo como:
PIX
↓
Movimentações
↓
Conta Corrente
↓
Motor Financeiro
↓
Tabela DB2
↓
Dashboard
Ela enxerga toda a cadeia de transformação.
Isso é chamado de Lineage.
Pensando como um Programador COBOL
Imagine alterar um copybook.
01 CLIENTE.
05 LIMITE PIC S9(9)V99 COMP-3.
Antes de alterar esse campo, você gostaria de saber:
Quantos programas usam esse copybook?
Quais transações CICS dependem dele?
Existe algum Job Batch?
Alguma API REST utiliza esse campo?
Existe integração com sistemas externos?
Hoje isso normalmente exige:
SDSF.
Pesquisa no Endevor.
Ferramentas de Impact Analysis.
Consulta a analistas.
Reuniões.
Com Agentic Data Intelligence, boa parte dessa investigação pode ser automatizada.
O poder do Data Quality
Imagine perguntar:
"Qual o faturamento do último trimestre?"
Uma IA comum responde.
Uma IA inteligente responde:
"O conjunto de dados possui 97,8% de qualidade, porém existem registros duplicados na origem."
Essa pequena diferença aumenta enormemente a confiança na resposta.
Governança não é burocracia
Muitos iniciantes acham que Governança serve apenas para gerar documentação.
Na verdade...
Governança protege a empresa.
Por exemplo:
CPF.
A IA sabe que:
deve mascarar;
exige autorização;
está protegido pela LGPD;
possui classificação confidencial.
Ela aprende regras.
Não apenas dados.
Ownership: quem é o dono da informação?
Imagine encontrar uma tabela chamada:
CLIENT_MASTER
Quem responde por ela?
Financeiro?
CRM?
Marketing?
TI?
A IA consulta o catálogo.
Descobre o proprietário.
E informa.
Isso reduz muito o tempo gasto procurando especialistas.
O que é o MCP?
MCP significa:
Model Context Protocol.
Você pode imaginar o MCP como um "idioma universal" entre agentes de IA e sistemas corporativos.
Assim como:
ODBC
JDBC
ODBC permitiu acessar bancos de dados diferentes.
O MCP pretende permitir que qualquer IA consulte conhecimento corporativo da mesma maneira.
Isso significa integração com:
IBM Bob
Claude
GitHub Copilot
watsonx Orchestrate
aplicações internas
Agent Skills: ensinando experiência para a IA
Aqui está uma das partes mais interessantes.
Imagine ensinar um estagiário.
Você não diz apenas:
"Cadastre um novo Data Product."
Você entrega um procedimento.
Receber dados
↓
Classificar
↓
Enriquecer metadados
↓
Aplicar LGPD
↓
Publicar
↓
Validar
Esse fluxo recebe o nome de Agent Skill.
São habilidades reutilizáveis.
É como um PROC em JCL.
Você encapsula conhecimento.
Depois reutiliza quantas vezes quiser.
Um exemplo para quem conhece JCL
Veja este comando:
//STEP01 EXEC PROC=BACKUP
Você não precisa lembrar:
IDCAMS
SORT
DELETE
DEFINE
REPRO
Tudo já está preparado.
Agent Skills funcionam exatamente assim.
Um exemplo de uso no mundo real
Imagine um auditor perguntando:
"De onde veio o valor mostrado neste Dashboard?"
A IA pode responder:
Dashboard
↓
Data Product
↓
Tabela Curada
↓
Pipeline ETL
↓
DB2
↓
Programa COBOL
↓
Arquivo VSAM
↓
Sistema de Origem
Tudo automaticamente.
Sem abrir dez ferramentas diferentes.
Outro exemplo para o Padawan
Você altera um Copybook.
Antes do Deploy, pergunta:
"Qual será o impacto?"
O agente responde:
218 programas COBOL afetados;
12 aplicações Java;
31 APIs REST;
4 sistemas parceiros;
6 dashboards;
2 modelos de IA.
Isso é muito mais poderoso do que uma simples pesquisa textual.
Como isso muda a vida do Programador COBOL?
Muito.
Hoje gastamos boa parte do tempo tentando descobrir:
"Quem usa isso?"
No futuro a pergunta será:
"IA, mostre todo o impacto desta alteração."
A IA não apenas responderá.
Ela mostrará:
dependências;
riscos;
qualidade;
governança;
responsáveis.
Como começar a estudar?
Se você é um COBOL Padawan, siga esta ordem.
Etapa 1 — Domine o Mainframe
Antes de IA, conheça bem:
JCL
TSO
SDSF
VSAM
DB2
CICS
IMS
Sem isso, você não entenderá de onde vêm os dados.
Etapa 2 — Aprenda Modelagem de Dados
Estude:
Chaves primárias
Chaves estrangeiras
Normalização
Data Warehouse
Data Lake
Data Products
Etapa 3 — Aprenda Governança
Entenda conceitos como:
Metadata
Business Glossary
Data Steward
Lineage
Data Quality
Data Catalog
Ownership
Esses termos aparecerão cada vez mais no mercado.
Etapa 4 — Estude IA Corporativa
Depois avance para:
LLM
RAG (Retrieval-Augmented Generation)
Agentes de IA
MCP (Model Context Protocol)
IBM watsonx
IBM Bob
watsonx Orchestrate
Você perceberá que IA corporativa é muito diferente de simplesmente conversar com um chatbot.
Dicas práticas para evoluir
✔ Aprenda SQL profundamente. A IA depende de dados bem estruturados.
✔ Leia documentação de arquitetura dos sistemas onde trabalha. O contexto de negócio é tão importante quanto o código.
✔ Familiarize-se com ferramentas de análise de impacto, catálogos de dados e governança. Muitas das capacidades do Agentic Data Intelligence automatizam tarefas que hoje são feitas manualmente.
✔ Estude conceitos de segurança, LGPD e classificação de dados. Um bom profissional de Mainframe entende que proteger a informação é tão importante quanto processá-la.
✔ Experimente copilotos e agentes de IA, mas sempre valide as respostas. A confiança em IA corporativa nasce da combinação entre automação e governança.
Curiosidades
A maior parte do conhecimento de uma empresa não está no código COBOL, mas nas regras de negócio documentadas — ou, muitas vezes, apenas na cabeça dos especialistas.
Grandes bancos mantêm aplicações com mais de 40 anos de evolução contínua. Compreender suas dependências é um desafio monumental.
O conceito de lineage existe há anos em ferramentas de integração de dados, mas agora passa a fazer parte das respostas produzidas por agentes de IA.
O Model Context Protocol (MCP) está se consolidando como um padrão importante para conectar modelos de IA a ferramentas e fontes de conhecimento corporativo.
O futuro da IA empresarial dependerá menos de modelos gigantes e mais da capacidade de utilizar dados confiáveis, governados e contextualizados.
Conclusão: o futuro pertence a quem entende contexto
Durante décadas, o diferencial de um excelente programador COBOL nunca foi decorar comandos do compilador ou conhecer todas as instruções da linguagem. O que realmente fazia diferença era compreender profundamente as regras de negócio, as dependências entre sistemas e a história por trás de cada aplicação.
O Agentic Data Intelligence leva essa mesma filosofia para a Inteligência Artificial.
Em vez de responder apenas com base em dados brutos, os agentes passam a consultar glossários de negócio, políticas de governança, linhagem dos dados, métricas de qualidade e informações sobre responsabilidade dos ativos. Em outras palavras, eles começam a agir como faria um analista experiente que conhece o ambiente da empresa.
Para o COBOL Padawan, isso representa uma oportunidade extraordinária. Dominar apenas a linguagem COBOL continuará sendo importante, mas já não será suficiente. O profissional que se destacar será aquele capaz de unir programação, arquitetura de dados, governança, inteligência artificial e conhecimento do negócio.
Assim como o Mainframe evoluiu de cartões perfurados para APIs REST, microsserviços e integração com nuvem, a próxima evolução será impulsionada por agentes inteligentes capazes de compreender o contexto completo da organização.
E talvez essa seja a maior lição deste café no Bellacosa Mainframe:
O código continua sendo essencial, mas o verdadeiro poder está em compreender o significado dos dados. Quem dominar esse conhecimento ajudará a construir a próxima geração de sistemas inteligentes sobre a plataforma mais confiável do mundo: o IBM Z.
