☕ Um Café no Bellacosa Mainframe
Gostou do conteúdo? Ajude a manter o café quente, o COBOL compilando e o mainframe acordado. 😄
☕ Pague um café ao Bellacosa

Translate

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

quinta-feira, 25 de junho de 2026

☕ O ABEND da Migração Mágica: Quando a IA Generativa Descobre que o Mainframe Não é Apenas um Arquivo COBOL

Bellacosa Mainframe quando a magia da migração via ia do mainframe falha


☕ O ABEND da Migração Mágica: Quando a IA Generativa Descobre que o Mainframe Não é Apenas um Arquivo COBOL

O Dia em que o Mercado Percebeu que o ChatGPT Não Conhece o Batch das 02h17

Existe um momento na carreira de todo profissional de Mainframe em que ele aprende uma lição importante.

A primeira é que JCL não foi criado para ser bonito.

A segunda é que ninguém documenta adequadamente um scheduler.

A terceira é que sempre haverá alguém chegando com um PowerPoint dizendo:

— Vamos aposentar o Mainframe em doze meses.

Nos últimos vinte anos ouvi essa frase tantas vezes quanto mensagens $HASP373, IEC161I ou aquele clássico telefonema de sexta-feira às 18h:

— Bellacosa, caiu a produção.

Recentemente, entretanto, surgiu um ingrediente novo nessa antiga receita corporativa.

A Inteligência Artificial Generativa.

E, junto dela, uma nova promessa digna dos antigos alquimistas digitais:

"Nossa IA converte milhões de linhas COBOL para Java automaticamente."

"Seu CICS vira microsserviços em poucos cliques."

"Seu VSAM agora é PostgreSQL."

"Seu batch vira Kubernetes."

"Seu legado desaparece em seis meses."

Foi justamente nesse contexto que a Gartner publicou uma análise que talvez represente um dos maiores banhos de água fria já aplicados no mercado de migração de Mainframe.

Segundo a consultoria, mais de 70% dos projetos de saída do Mainframe iniciados em 2026 não entregarão os benefícios esperados.

E o motivo é simples.

As pessoas estão superestimando o que a IA realmente sabe fazer.

E subestimando brutalmente o que um ambiente IBM Z realmente é.


O Maior Equívoco da Década: Achar que Mainframe é Apenas COBOL

Quando alguém diz:

— Temos cinquenta milhões de linhas COBOL.

Meu primeiro pensamento nunca é sobre COBOL.

Meu primeiro pensamento é:

Quantos schedulers existem?

Quantos GDGs?

Quantos catálogos?

Quantos exits?

Quantos produtos ISV?

Quantos jobs dependem de um único arquivo VSAM aberto em RLS?

Porque o código é apenas a ponta visível do iceberg.

Abaixo da linha d'água vivem criaturas muito mais antigas e perigosas.

CA-7.

Control-M.

ESP.

Zeke.

NetView.

RACF.

DFSMS.

SMF.

RMF.

MQ.

WLM.

CICSplex.

IMS.

DB2 Packages.

Plan Stability.

PassTickets.

SAF.

Exit routines escritas em Assembler por alguém que se aposentou em 2009 e hoje cultiva orquídeas em Campinas.

A IA consegue interpretar um trecho como:

IF SALDO > LIMITE
   MOVE 'BLOQUEAR' TO ACAO
END-IF

Ela pode até gerar um Java elegante.

Mas dificilmente responderá perguntas como:

Por que esse programa executa apenas às terças-feiras?

Por que ele depende do fechamento do SMF?

Por que aguarda um arquivo SWIFT vindo da Bélgica?

Por que existe um passo IEBGENER aparentemente inútil?

Por que um job precisa terminar antes das 02h17?

E principalmente:

Quem será responsabilizado se o PIX parar durante duas horas?


O Conhecimento Tribal: A Tecnologia Mais Difícil de Migrar

Costumo dizer aos alunos do Bellacosa Mainframe:

O ativo mais caro de um banco não é o hardware.

Não é o software.

Nem mesmo os dados.

É o conhecimento acumulado por pessoas.

José está há trinta e dois anos na instituição.

Maria administra o RACF desde 1997.

Carlos conhece cada mensagem DFSxxxx de cabeça.

João sabe exatamente qual dataset pode ser apagado e qual causará um desastre regulatório.

Nenhum deles está em um repositório Git.

Nenhum deles está em um Wiki.

Nenhum deles aparece em um prompt.

Esse conhecimento mora na memória das pessoas.

E a IA não faz leitura telepática.

Ela apenas processa aquilo que recebeu.

Quando recebe documentação incompleta, devolve respostas incompletas.

Quando recebe caos, produz caos estatisticamente coerente.


O Marketing da Varinha Mágica Digital

Não tenho dúvidas.

Existe muita tecnologia impressionante surgindo.

Copilots.

Agentes autônomos.

Análise semântica.

Descoberta automática de dependências.

RAG.

Embeddings.

Vetorização.

Tudo isso possui enorme potencial.

Mas também estamos vivendo uma epidemia de apresentações corporativas.

Parece que alguns vendedores descobriram a Pedra Filosofal da Computação.

Basta enviar um ZIP contendo quarenta milhões de linhas COBOL.

E, algumas horas depois, nasce uma arquitetura nativa de nuvem.

Observabilidade pronta.

CI/CD configurado.

Microsserviços desacoplados.

Eventos Kafka.

Terraform.

OpenTelemetry.

Kubernetes.

Documentação impecável.

Testes automatizados.

Compliance.

Segurança.

Alta disponibilidade.

Tudo isso sem compreender uma única regra de negócio.

É quase uma versão tecnológica daquele vendedor de elixires do Velho Oeste.

Só que agora utilizando a palavra GenAI.


O Mainframe Continua Evoluindo

Enquanto parte do mercado tenta organizar funerais prematuros para o IBM Z, a IBM continua investindo bilhões de dólares na plataforma.

Hoje temos:

COBOL 6.x;

z/OS Connect;

OpenTelemetry;

Ansible;

Zowe;

Git integrado;

DevOps moderno;

API Economy;

Containers Linux on Z;

IA embarcada;

Criptografia acelerada por hardware;

Processadores especializados.

Ou seja.

O Mainframe não está parado.

O Mainframe está fazendo aquilo que sempre fez melhor.

Adaptando-se.

Em 1964 ele sobreviveu ao surgimento dos minicomputadores.

Nos anos 80 sobreviveu às workstations.

Nos anos 90 sobreviveu ao Client/Server.

Nos anos 2000 sobreviveu à internet.

Nos anos 2010 sobreviveu à cloud.

Nos anos 2020 provavelmente sobreviverá ao hype da IA Generativa.

Porque, no final das contas, bancos continuam precisando fechar o dia.

Companhias aéreas continuam emitindo passagens.

Governos continuam pagando benefícios.

Seguradoras continuam processando milhões de eventos.

E quase ninguém gosta quando esses sistemas param.


Talvez a Pergunta Esteja Errada

A pergunta nunca deveria ser:

"Como saímos do Mainframe?"

A pergunta correta talvez seja:

"Qual workload realmente precisa sair?"

Talvez um portal web de RH possa migrar.

Talvez um batch de impressão possa ser substituído.

Talvez um sistema satélite seja reescrito.

Mas talvez o motor central de compensação bancária deva permanecer exatamente onde está.

Porque engenharia não é religião.

Arquitetura não é ideologia.

Tecnologia não é torcida organizada.

A melhor plataforma é aquela que resolve o problema com menor risco, melhor disponibilidade, maior previsibilidade financeira e retorno sustentável.


Considerações Finais

Suspeito que a Gartner não esteja dizendo:

"Nunca migrem."

Também não está afirmando:

"Mainframe venceu."

A mensagem parece muito mais madura.

A IA Generativa será extraordinariamente útil para documentar, explicar, testar, modernizar e integrar aplicações existentes.

Mas ainda estamos distantes de confiar bilhões de dólares em transações financeiras a um modelo estatístico incapaz de compreender por que um velho JOB chamado FINA987 precisa começar precisamente às 02h17 da madrugada.

E talvez seja justamente aí que esteja a maior ironia desta década.

A tecnologia mais avançada da atualidade descobriu que o Mainframe nunca foi apenas COBOL.

Ele sempre foi memória institucional.

Processos.

Pessoas.

Histórias.

E algumas dezenas de milhares de linhas de JCL escritas por um Sysprog que provavelmente continua tendo razão.

https://www.gartner.com/en/newsroom/press-releases/2026-06-18-gartner-predicts-more-than-70-percent-of-mainframe-exit-projects-will-fail-due-to-overestimation-of-generative-ais-capabilities

terça-feira, 31 de dezembro de 2024

Do Zero ao AI Engineer: O Roadmap Completo para Quem Quer Construir o Futuro (Mesmo Vindo do COBOL ou do Mainframe)

 

Bellacosa Mainframe do zero ao ai enginer

☕ Um Café no Bellacosa Mainframe

Do Zero ao AI Engineer: O Roadmap Completo para Quem Quer Construir o Futuro (Mesmo Vindo do COBOL ou do Mainframe)

"A Inteligência Artificial não substituiu a Engenharia de Software. Ela elevou o nível do jogo."

Durante décadas ouvimos a mesma frase:

"Aprenda Java."

Depois veio:

"Aprenda Python."

Mais recentemente:

"Aprenda Prompt Engineering."

Agora surge uma nova:

"Todo programador precisa aprender IA."

Mas existe um enorme problema nessa afirmação.

Ela faz parecer que basta abrir o ChatGPT, conversar com um modelo de linguagem e pronto: você virou um AI Engineer.

Nada poderia estar mais distante da realidade.

Assim como ninguém se torna um excelente programador COBOL apenas aprendendo MOVE, IF e PERFORM, ninguém se torna Engenheiro de IA apenas sabendo escrever prompts.

Existe uma jornada.

Uma construção.

Uma evolução.

E talvez esta seja a melhor notícia para quem está começando.

Porque AI Engineers não nascem prontos. Eles são construídos, uma habilidade de cada vez.

Pegue sua xícara de café.

Hoje vamos percorrer essa estrada juntos.


A maior mentira sobre Inteligência Artificial

Existe uma crença que afasta milhares de pessoas.

"Eu nunca vou aprender IA porque não sou bom em matemática."

Curiosamente, a maioria dos profissionais que hoje trabalham com IA não desenvolveu novos algoritmos matemáticos.

Eles aprenderam primeiro a resolver problemas.

A matemática veio depois.

Pense em um programador Mainframe.

Ele não começa estudando arquitetura interna do processador IBM Z.

Primeiro aprende:

  • TSO

  • ISPF

  • JCL

  • COBOL

  • VSAM

Depois entende como tudo funciona por baixo dos panos.

Na IA acontece exatamente o mesmo.

Você aprende a construir.

Depois aprende por que funciona.


Etapa 1 — Aprenda Programação (de verdade)

Muitos iniciantes acreditam que aprender Python significa decorar comandos.

Não.

Python é apenas a chave inglesa.

O importante é aprender engenharia.

Imagine um mecânico.

O que faz dele um profissional não é possuir uma chave de boca.

É saber onde usá-la.

Da mesma forma, um AI Engineer precisa dominar conceitos muito antes das bibliotecas.

Aprenda:

  • variáveis

  • funções

  • módulos

  • orientação a objetos

  • tratamento de exceções

  • leitura e escrita de arquivos

  • testes automatizados

  • Git

  • GitHub

Mas vá além.

Estude:

  • Clean Code

  • SOLID

  • Design Patterns

  • Refatoração

Esses conhecimentos continuam valendo mesmo que Python seja substituído por outra linguagem daqui a dez anos.

Os princípios permanecem.


Dica Bellacosa 💡

Se você já programa COBOL, PL/I, Natural ou Java, não subestime sua experiência.

Você já aprendeu o mais difícil:

resolver problemas usando lógica.

A sintaxe muda.

A lógica permanece.


Etapa 2 — Aprenda Dados

Existe uma frase famosa entre cientistas de dados.

"Garbage In, Garbage Out."

Ou seja...

Se os dados são ruins...

A IA será ruim.

Simples assim.

Na prática, boa parte do trabalho diário consiste em preparar informações.

Imagine um cadastro bancário.

Nome

CPF

Telefone

CEP

Imagine metade dos registros escritos assim:

São Paulo

S Paulo

SP

S.Paulo

Sao Paulo

Para um humano isso parece igual.

Para uma IA...

São cinco cidades diferentes.

É por isso que limpeza de dados vale ouro.


Aprenda formatos como:

  • CSV

  • JSON

  • XML

  • Parquet

  • APIs REST

  • SQL

E principalmente:

como transformar dados bagunçados em informações confiáveis.


Curiosidade ☕

Na maioria dos projetos corporativos, entre 70% e 90% do tempo não é gasto treinando modelos.

É gasto preparando dados.

Treinar costuma ser a parte "fácil".


Etapa 3 — Matemática sem sofrimento

Quando alguém fala em IA...

Logo aparecem palavras assustadoras:

Álgebra Linear.

Probabilidade.

Estatística.

Gradiente.

Derivadas.

Respire.

Você não precisa começar resolvendo equações de doutorado.

Precisa entender conceitos.

Por exemplo.

Imagine uma fotografia.

Para nós é uma imagem.

Para o computador ela é apenas uma enorme matriz.

Cada pixel possui números.

Milhões deles.

É isso que uma CNN enxerga.

Agora imagine um Transformer.

Ele também trabalha com matrizes gigantes.

Só que de palavras.


Probabilidade

Aqui existe uma descoberta interessante.

LLMs não "pensam".

Eles fazem previsões.

Se escrevemos:

Bom _____

O modelo calcula probabilidades.

Talvez:

Bom dia

87%
Boa noite

8%
Bom café

0,4%

Ele simplesmente escolhe a sequência mais provável.

É elegante.

É estatística.


Etapa 4 — Machine Learning

Agora entram os algoritmos clássicos.

E muita gente fica surpresa.

Eles continuam extremamente importantes.

Nem tudo precisa de Deep Learning.


Imagine um banco.

Ele deseja prever:

Quem vai atrasar um financiamento?

Talvez uma árvore de decisão resolva perfeitamente.

Não há necessidade de usar um Transformer com bilhões de parâmetros.

Aprenda:

  • Regressão Linear

  • Regressão Logística

  • Decision Trees

  • Random Forest

  • XGBoost

  • Clustering

  • K-Means

Esses algoritmos continuam dominando inúmeros problemas reais.


Easter Egg 🎮

O algoritmo Random Forest é literalmente uma "floresta".

Cada árvore toma uma decisão.

Depois todas votam.

É como uma reunião de arquitetos.

A maioria vence.


Etapa 5 — Deep Learning

Aqui entramos na parte mais famosa.

As Redes Neurais.

Mas cuidado.

Elas não imitam o cérebro humano.

Elas apenas foram inspiradas nele.

Existe uma enorme diferença.

Aprenda:

  • Perceptron

  • MLP

  • CNN

  • RNN

  • LSTM

  • Transformers

E principalmente PyTorch.

Hoje ele domina boa parte da pesquisa em IA.


Curiosidade

O ChatGPT utiliza Transformers.

O Gemini utiliza Transformers.

O Claude utiliza Transformers.

O Llama utiliza Transformers.

O DeepSeek utiliza Transformers.

A arquitetura criada em 2017 simplesmente mudou toda a indústria.

O artigo que iniciou essa revolução possui um título histórico:

Attention Is All You Need

Vale cada minuto da leitura.


Etapa 6 — GenAI e LLMs

Aqui chegamos ao assunto do momento.

Mas existe um mito.

Prompt Engineering não é escrever perguntas bonitas.

É projetar conversas.

Existe muita engenharia envolvida.

Você aprende:

Zero-shot.

Few-shot.

Chain of Thought.

Self Reflection.

Structured Output.

Function Calling.

Tool Calling.

RAG.

Tudo isso faz parte do trabalho.


RAG

Imagine perguntar:

Qual é o padrão de nomenclatura JCL da empresa?

O modelo não sabe.

Então ele consulta documentos internos.

Lê.

Depois responde.

Esse processo chama-se:

Retrieval-Augmented Generation.

Ou simplesmente:

RAG.

Hoje praticamente todo chatbot corporativo funciona assim.


Etapa 7 — Projetos

Aqui acontece a verdadeira transformação.

Cursos ensinam.

Projetos formam profissionais.

Construa.

Mesmo pequenos.

Exemplos:

✔ Chatbot para biblioteca

✔ Sistema OCR

✔ Resumidor de PDFs

✔ Tradutor

✔ Analisador de Logs

✔ Gerador de documentação

✔ Assistente SQL

✔ Agente Financeiro


Dica Bellacosa

Se você trabalha com Mainframe...

Não copie projetos de internet.

Crie projetos do seu mundo.

Imagine construir:

  • Copiloto para COBOL

  • Agente especialista em JCL

  • Assistente para RACF

  • IA para explicar ABENDs

  • Gerador de documentação CICS

  • Tutor de Db2

Esses projetos chamam muito mais atenção de recrutadores do que mais um chatbot genérico.


Etapa 8 — MLOps

Um modelo parado no notebook vale quase nada.

Empresas precisam colocar IA em produção.

Aqui entram ferramentas como:

Docker.

Kubernetes.

GitHub Actions.

MLflow.

Kubeflow.

Airflow.

Monitoramento.

Versionamento.

Deploy.

Rollback.

Observabilidade.

É exatamente o DevOps da Inteligência Artificial.


Analogia Mainframe

Assim como um programa COBOL precisa:

Compilar

Linkar

Executar

Ser monitorado

Receber manutenção

Um modelo de IA também possui seu ciclo de vida.

A diferença é que agora monitoramos também qualidade das respostas.


Etapa 9 — AI System Design

Este talvez seja o maior divisor de águas.

Fazer um notebook funcionar não significa construir um sistema.

Uma aplicação real possui:

Frontend.

Backend.

Banco de Dados.

Fila.

Cache.

Autenticação.

LLM.

Banco Vetorial.

APIs.

Logs.

Monitoramento.

Escalabilidade.

Segurança.

Tudo junto.

É aqui que nasce o verdadeiro AI Engineer.


Curiosidade

Em muitos sistemas modernos...

O modelo de IA representa menos de 10% da arquitetura.

Os outros 90% continuam sendo Engenharia de Software.


Etapa 10 — Especialização

Depois de dominar a base...

Escolha um caminho.

Hoje existem dezenas.

GenAI.

Vision.

NLP.

Áudio.

Robótica.

Agentes.

IA Médica.

IA Financeira.

Cyber Security.

Mainframe.

E aqui existe uma enorme oportunidade.


O futuro da IA no Mainframe

Muita gente acredita que IA e IBM Z vivem em mundos diferentes.

Na verdade...

Eles estão cada vez mais próximos.

Imagine um agente capaz de:

✔ explicar um JCL antigo

✔ converter documentação em linguagem simples

✔ localizar programas impactados

✔ sugerir índices Db2

✔ interpretar mensagens do JES2

✔ explicar parâmetros do DFSORT

✔ documentar milhares de linhas COBOL automaticamente

Isso já começou.

E tende a acelerar.

O profissional que conhecer IA e Mainframe será extremamente raro.

E profissionais raros costumam ser muito valorizados.


O que a imagem não mostra

O roadmap apresentado é excelente.

Mas ele deixa de fora algumas habilidades essenciais.

Um AI Engineer moderno também precisa entender:

  • Engenharia de Software

  • Arquitetura de Sistemas

  • APIs REST

  • Microsserviços

  • Docker

  • Kubernetes

  • Cloud Computing

  • Segurança

  • LGPD

  • Observabilidade

  • Bancos Vetoriais

  • Cache

  • Mensageria

  • Engenharia de Prompt

  • MCP (Model Context Protocol)

  • Agentes Inteligentes

  • Ferramentas (Tool Calling)

  • Avaliação de LLMs (LLM Evals)

  • Custos de inferência

  • Otimização de contexto

  • Governança de IA

Em outras palavras, construir IA hoje significa integrar diversas disciplinas em um único produto confiável.


A mentalidade que faz a diferença

Existe uma característica comum entre os melhores engenheiros.

Eles nunca param de aprender.

A IA muda rápido.

As ferramentas mudam.

Os modelos evoluem.

Mas alguns fundamentos permanecem:

  • resolver problemas

  • escrever código limpo

  • comunicar ideias

  • compreender negócios

  • aprender continuamente

Essas habilidades atravessam gerações tecnológicas.


Cinco conselhos para quem está começando

  1. Construa antes de consumir. Cada projeto entregue ensina mais do que horas de vídeos.

  2. Publique seu trabalho. Um repositório bem documentado no GitHub vale mais do que dezenas de certificados.

  3. Aprenda o "porquê", não apenas o "como". Entender os princípios permite acompanhar qualquer nova ferramenta.

  4. Não abandone a Engenharia de Software. A IA potencializa bons engenheiros; ela não substitui seus fundamentos.

  5. Escolha um domínio para se diferenciar. Saúde, finanças, indústria ou Mainframe: especialistas que unem IA e conhecimento de negócio são os profissionais mais disputados.


O Café Está Quase no Fim...

Nos anos 1970, aprender COBOL parecia abrir as portas do futuro.

Nos anos 1990, dominar orientação a objetos era o grande diferencial.

Nos anos 2000, a Internet transformou a forma de construir software.

Na década de 2010, a computação em nuvem mudou a infraestrutura.

Agora, a Inteligência Artificial redefine a maneira como criamos aplicações. Mas, apesar de toda essa evolução, um princípio permanece inalterado: as melhores soluções continuam sendo construídas por pessoas que entendem profundamente problemas, processos e arquitetura.

A IA não elimina a necessidade de pensar. Ela amplia o alcance de quem sabe pensar.

Se você é um programador júnior — ou mesmo um veterano do Mainframe começando a explorar esse universo — não tente aprender tudo de uma vez. Siga um caminho estruturado, consolide os fundamentos, desenvolva projetos reais e evolua continuamente. O conhecimento em IA se acumula como juros compostos: cada nova habilidade potencializa as anteriores.

No fim das contas, tornar-se um AI Engineer não é uma corrida de velocidade, mas uma maratona de aprendizado contínuo. Quem constrói uma base sólida hoje estará preparado para as tecnologias que ainda nem foram inventadas.

E lembre-se de uma máxima que combina perfeitamente com o espírito do Bellacosa Mainframe:

"As linguagens evoluem. Os frameworks mudam. Os modelos ficam mais inteligentes. Mas os grandes engenheiros continuam sendo aqueles que nunca deixam de aprender." ☕🚀

 

segunda-feira, 26 de agosto de 2024

A Universidade Invisível da Inteligência Artificial Por que os profissionais mais inteligentes estudam diretamente com quem constrói a IA do futuro

 

Bellacosa Mainframe e cursos gratuitos de IA

☕ Um Café no Bellacosa Mainframe

A Universidade Invisível da Inteligência Artificial

Por que os profissionais mais inteligentes estudam diretamente com quem constrói a IA do futuro

Existe uma cena clássica que todo veterano de Mainframe conhece.

O jovem programador chega ao CPD com um livro de COBOL de procedência duvidosa.

O sysprog veterano pergunta:

— Você aprendeu isso onde?

Resposta:

— Num vídeo aleatório de um influenciador.

O veterano suspira.

Abre a gaveta.

Entrega um manual IBM vermelho de 900 páginas.

E responde:

— Padawan… aprenda com quem escreveu o compilador.

Em 2026 estamos vivendo exatamente isso.

Milhões de pessoas estão assistindo vídeos intitulados:

"Ganhe 20 mil por mês usando IA em sete dias."

"Cinco prompts secretos proibidos pela OpenAI."

"Como substituir toda sua equipe por ChatGPT."

Enquanto isso...

Existe uma pequena comunidade aprendendo diretamente com:

  • Anthropic

  • OpenAI

  • Google

  • Microsoft

  • NVIDIA

  • IBM

As empresas que literalmente estão escrevendo o código-fonte da próxima revolução industrial.


A diferença entre consumir IA e estudar IA

No Mainframe aprendemos algo importante.

Existe uma diferença gigantesca entre:

Usuário de TSO

e

Sysprog de z/OS.

Da mesma forma:

Existe uma diferença brutal entre:

Pessoa que usa ChatGPT

e

Profissional fluente em IA.

É parecido com:

Usar CICS

vs

Entender o Dispatcher.

Usar Db2

vs

Entender o Otimizador.

Executar um JOB

vs

Entender JES2.

A IA entrou exatamente nessa fase.

Estamos migrando da Era do Prompt.

Para a Era da Fluência em IA.


🟣 Anthropic — Aprendendo a Pensar com IA

Anthropic possui talvez o melhor material do mercado sobre raciocínio assistido.

O foco não é apenas gerar texto.

É aprender a colaborar com modelos inteligentes.

Claude 101

Claude 101

Ensina:

  • recursos do Claude

  • workflows

  • resumo

  • pesquisa

  • escrita

  • automação

Ideal para:

Analistas

Consultores

Arquitetos

Sysprogs


AI Fluency Framework

Anthropic Learn

ou

AI Fluency: Framework and Foundations

Talvez seja o curso mais subestimado do mercado.

Ele apresenta algo semelhante ao que chamamos em Mainframe de:

Operational Maturity.

A pergunta deixa de ser:

"Como faço um prompt?"

e passa a ser:

"Como decompor problemas?"

"Como validar resultados?"

"Como detectar alucinações?"

"Como usar IA com responsabilidade?"


Easter Egg Bellacosa

Anthropic ensina algo parecido com RACF.

Confiança mínima.

Verificação constante.

Zero Trust Cognitivo.

Nunca acreditar cegamente no modelo.

Sempre conferir.

Exatamente como fazemos com:

DELETE PROD.DATA

antes de apertar ENTER.


🟢 OpenAI

A Academia da Era da AGI

A OpenAI fez algo muito inteligente.

Criou uma academia.

Não apenas documentação.

OpenAI Academy

OpenAI Academy

A iniciativa oferece aprendizado guiado e colaboração com especialistas e parceiros. (OpenAI Academy)


Fundamentos de IA

Fundamentos de IA OpenAI

Explica:

LLM

Embeddings

Treinamento

Inferência

Alignment

Segurança

Uso responsável

(OpenAI)


ChatGPT no Trabalho

ChatGPT for Work

Talvez seja um dos materiais com maior ROI imediato.

Exemplos:

Gerar documentação

Analisar planilhas

Escrever código

Pesquisar normas

Criar apresentações

Automatizar processos

(OpenAI)


Easter Egg Bellacosa

Imagine um operador JES2.

Em 1995:

Recebe dump.

Lê dump.

Investiga.

Em 2026:

Recebe dump.

Envia para ChatGPT.

Recebe hipóteses.

Valida.

Resolve em minutos.

A IA não substitui o operador.

Amplifica o operador.


🔵 Google

A IA para produtividade em escala planetária

Google AI Essentials

Google AI Essentials

Curso desenhado para iniciantes, focando em uso prático da IA para produtividade diária. (Grow with Google US)

Ensina:

Prompting

Ideação

Tomada de decisão

Produtividade

Criação de conteúdo


Introdução à IA Generativa

Google foi pioneira em muitas tecnologias atuais.

Transformers.

Attention.

BERT.

Gemini.

Curiosidade:

O artigo científico

Attention Is All You Need

é provavelmente o equivalente moderno do manual:

OS/360 Principles of Operation.

Um documento que mudou toda a indústria.


🔷 Microsoft

O caminho do desenvolvedor

Generative AI for Beginners

Generative AI for Beginners

Curso open source.

21 lições.

Laboratórios.

Exemplos.

(Microsoft no GitHub)


AI-900

Conhecida certificação introdutória.

Aborda:

Machine Learning

Visão computacional

Speech

NLP

Responsible AI


Easter Egg Mainframe

AI-900 é quase o equivalente moderno do:

IBM Professional Certificate

ou

z/OS Fundamentals.

É a porta de entrada.


🟡 NVIDIA

O império invisível da IA

Muita gente pensa:

ChatGPT é IA.

Na prática:

GPU é petróleo.

CUDA é refinaria.

LLM é combustível.

NVIDIA DLI

NVIDIA Deep Learning Institute

Oferece cursos técnicos avançados em IA, deep learning e computação acelerada. (NVIDIA)


Agentic AI

Agentic AI Explained

Tema dominante em 2026.

Agentes capazes de:

planejar

usar ferramentas

executar tarefas

avaliar resultados

iterar

(NVIDIA)


Easter Egg Bellacosa

Agente IA é quase um operador automático.

Imagine:

NetView

SA z/OS

REXX

ChatGPT

Resultado:

Operações autônomas.


🟠 IBM

A velha senhora continua ensinando

Se existe uma empresa que entende longevidade tecnológica...

É a IBM.

Mais de um século.

Ainda relevante.

(IBM)


IBM SkillsBuild

IBM SkillsBuild AI Learning

Cursos gratuitos.

Badges.

Laboratórios.

(IBM SkillsBuild)


Fundamentos e Aplicações da IA Generativa

IBM AI Training

Aborda:

Prompt Engineering

ML

GenAI

Governança

Watsonx

Aplicações corporativas

(IBM)


AI Engineering Certificate

IBM AI Engineering Professional Certificate Badge

Voltado para quem deseja atuar profissionalmente em Engenharia de IA. (IBM)


O melhor currículo gratuito de IA em 2026

EtapaCurso
Semana 1Claude 101
Semana 2OpenAI Fundamentals
Semana 3ChatGPT for Work
Semana 4Google AI Essentials
Semana 5Microsoft GenAI
Semana 6AI-900
Semana 7NVIDIA DLI
Semana 8IBM SkillsBuild
Semana 9Agentes de IA
Semana 10Projeto pessoal

O verdadeiro diferencial não é usar IA

O mercado está cheio de pessoas que sabem escrever:

"Faça um texto sobre COBOL."

Poucas sabem perguntar:

"Modele um agente capaz de analisar SMF30, correlacionar com RMF III, identificar gargalos de WLM, propor tuning e gerar documentação Markdown versionada em Git."

Essa é a diferença entre o usuário de IA e o arquiteto da era dos agentes.

Como diria um velho sysprog do Bellacosa Mainframe:

"Em 1985, quem lia os manuais da IBM dominava o CPD. Em 2026, quem estudar diretamente com Anthropic, OpenAI, Google, Microsoft, NVIDIA e IBM dominará a próxima década. O resto continuará assistindo vídeos de 30 segundos explicando cinco prompts secretos que deixam de funcionar na semana seguinte."

E talvez esse seja o maior Easter Egg de todos:

A revolução da IA não está escondida. Ela está aberta, gratuita e documentada pelos próprios engenheiros que estão construindo o futuro. Basta parar de assistir o barulho e começar a estudar o código-fonte da mudança.


terça-feira, 30 de julho de 2024

AI-First: A Maior Revolução da Engenharia de Software Desde o Surgimento da Internet

 

Bellacosa Mainframe AI-First

☕ Um Café no Bellacosa Mainframe

AI-First: A Maior Revolução da Engenharia de Software Desde o Surgimento da Internet

"A Inteligência Artificial não está mudando apenas as aplicações. Ela está mudando a forma como construímos sistemas."

Durante muitos anos, nós, desenvolvedores, aprendemos uma receita que parecia imutável.

Criávamos uma interface.

Essa interface chamava um backend.

O backend aplicava regras de negócio.

As regras consultavam um banco de dados.

O banco retornava informações.

A aplicação respondia ao usuário.

Era simples.

Era elegante.

Era determinístico.

E, durante mais de cinquenta anos, funcionou muito bem.

Mas estamos entrando em uma nova era.

Uma era em que o software deixa de apenas executar instruções para começar a interpretar, raciocinar, decidir e aprender.

Esse novo paradigma recebe um nome que você ouvirá cada vez mais:

AI-First Architecture.

E este talvez seja o conceito mais importante que um desenvolvedor júnior pode aprender nesta década.


Não é apenas adicionar um chatbot

Muita gente acredita que IA significa colocar um ChatGPT dentro do sistema.

Não.

Isso é apenas a ponta do iceberg.

Imagine um banco.

Hoje ele possui:

  • aplicações COBOL;

  • programas CICS;

  • bancos DB2;

  • APIs REST;

  • aplicativos móveis;

  • internet banking.

Adicionar um chatbot na frente desse ambiente não transforma a empresa em AI-First.

É como instalar um motor elétrico em uma carroça.

O veículo continua sendo uma carroça.

A verdadeira transformação acontece quando toda a arquitetura passa a ser desenhada considerando que existe uma inteligência tomando decisões durante a execução.

Essa diferença muda absolutamente tudo.


A história sempre se repete

Se observarmos a evolução da computação, veremos um padrão interessante.

Nos anos 60 e 70, o Mainframe dominava o mundo.

Depois surgiu o Cliente/Servidor.

Mais tarde apareceu a Internet.

Em seguida vieram os Smartphones.

Depois a Cloud Computing.

Logo depois Kubernetes, Containers, DevOps e Microsserviços.

Agora estamos entrando na era dos sistemas AI-First.

Cada uma dessas mudanças obrigou empresas inteiras a reconstruírem suas arquiteturas.

A IA está fazendo exatamente a mesma coisa.

Não é uma atualização.

É um reset arquitetural.


O software tradicional

Vamos imaginar um sistema bancário extremamente simples.

Cliente

↓

Aplicação

↓

Backend

↓

COBOL

↓

DB2

↓

Resposta

Observe que tudo é previsível.

Se você executar o programa hoje...

Amanhã...

Ou daqui cinco anos...

A resposta será exatamente igual.

Essa é a beleza dos sistemas determinísticos.


O software AI-First

Agora imagine o mesmo fluxo.

Cliente

↓

Modelo de IA

↓

Planejamento

↓

Busca de Informações

↓

Ferramentas

↓

APIs

↓

COBOL

↓

DB2

↓

Validação

↓

Resposta

Perceba que surgiram diversas novas camadas.

Cada uma delas resolve um problema diferente.

É isso que a imagem apresentada tenta mostrar.

Vamos entender cada transformação.


APIs deixam de ser protagonistas

Durante muitos anos aprendemos que toda integração era feita através de APIs.

A arquitetura era simples.

Sistema A

↓

API

↓

Sistema B

Agora surgiu uma nova camada.

O modelo de IA.

Em vez de apenas consumir APIs, ele decide:

"Qual API devo chamar?"

"Qual informação preciso?"

"Preciso consultar dois sistemas?"

"Devo resumir o resultado?"

O modelo deixa de ser apenas consumidor.

Ele passa a coordenar toda a execução.

Isso muda completamente a arquitetura.


Model Hosting

Outro conceito importante é o Model Hosting.

Hoje muitas empresas utilizam modelos hospedados por terceiros.

Por exemplo:

  • ChatGPT

  • Claude

  • Gemini

Mas imagine um banco.

Será que ele deseja enviar informações financeiras para uma IA hospedada externamente?

Na maioria das vezes, não.

Por isso cresce rapidamente o uso de modelos privados.

Alguns exemplos são:

  • Granite (IBM)

  • Llama

  • Mistral

  • Gemma

  • Qwen

  • Phi

  • DeepSeek

Nesse cenário, a empresa instala o modelo dentro do próprio datacenter.

Os dados nunca saem do ambiente corporativo.

Para quem trabalha com IBM Z, isso faz muito sentido.

O Mainframe sempre foi sinônimo de segurança.

Executar modelos próximos aos dados reduz custos, melhora a privacidade e atende requisitos regulatórios como LGPD.


O banco de dados não é mais suficiente

Durante décadas aprendemos SQL.

SELECT *

FROM CLIENTES

WHERE CPF='12345678900'

A consulta é perfeita.

Mas agora imagine outra pergunta.

"Quais clientes possuem perfil semelhante ao João?"

Onde está essa coluna?

Não existe.

Essa informação é baseada em significado.

É aí que entram os Vector Stores.


O que são Embeddings?

Imagine que cada documento vire uma coordenada em um enorme mapa matemático.

Por exemplo.

Um texto sobre COBOL.

Outro sobre CICS.

Outro sobre DB2.

Mesmo que usem palavras diferentes, eles ficam próximos porque possuem o mesmo significado.

Essa representação matemática recebe o nome de Embedding.

Em vez de procurar palavras iguais...

A IA procura ideias parecidas.

Essa é a base do chamado RAG (Retrieval-Augmented Generation), uma técnica que permite aos modelos consultar documentos corporativos antes de responder.


Um exemplo no Mainframe

Imagine um desenvolvedor COBOL perguntando:

"Onde é calculado o limite de crédito?"

Nenhum programa possui exatamente essa frase.

Mas o banco vetorial consegue localizar o módulo correto porque entende o contexto.

Essa capacidade muda completamente a forma como pesquisamos código, documentação e conhecimento.


Batch versus Tempo Real

Quem trabalha com Mainframe conhece muito bem o Batch.

À noite executamos milhares de Jobs.

Relatórios são gerados.

Arquivos são atualizados.

Tudo acontece em horários programados.

Mas a IA trabalha de forma diferente.

Ela responde imediatamente.

Em poucos milissegundos.

Isso exige outra infraestrutura.

Precisamos de:

  • baixa latência;

  • processamento paralelo;

  • cache;

  • streaming;

  • aceleração por GPU quando aplicável.

A arquitetura deixa de ser orientada por agendas e passa a ser orientada por eventos.


Backends estáticos dão lugar aos Pipelines de IA

No passado existia apenas um backend.

Hoje surgem fluxos inteligentes.

Imagine um assistente bancário.

Quando o cliente pergunta:

"Posso financiar um carro?"

O sistema pode executar vários passos automaticamente.

Primeiro interpreta a pergunta.

Depois identifica o cliente.

Consulta o cadastro.

Consulta o histórico financeiro.

Verifica regras de crédito.

Calcula a renda.

Resume tudo.

Finalmente gera a resposta.

Isso é um Pipeline de IA.

Cada etapa pode utilizar ferramentas diferentes.


Orquestração

Um dos novos papéis da engenharia é criar orquestradores.

Eles decidem:

  • qual ferramenta chamar;

  • qual banco consultar;

  • qual modelo utilizar;

  • quando interromper o fluxo;

  • quando pedir confirmação ao usuário.

Esse conceito lembra bastante um maestro conduzindo uma orquestra.

Cada instrumento faz sua parte.

O resultado aparece apenas quando tudo trabalha em conjunto.


MCP: a ponte entre IA e sistemas corporativos

Nos últimos meses um termo ganhou enorme destaque:

Model Context Protocol (MCP).

Imagine que cada sistema da empresa fala um idioma diferente.

COBOL.

Java.

Python.

SAP.

Salesforce.

CICS.

DB2.

MQ.

O MCP cria uma linguagem comum para que agentes de IA descubram e utilizem essas ferramentas de forma padronizada.

Para quem trabalha com IBM Z, isso abre possibilidades fascinantes.

Um agente pode consultar programas COBOL, acessar DB2 por meio de APIs, disparar transações CICS e reunir todas essas informações para responder ao usuário em linguagem natural.


Um modelo não basta mais

Outro mito é acreditar que existe "a melhor IA".

Na prática, diferentes modelos têm especialidades diferentes.

Alguns são excelentes para programação.

Outros para matemática.

Outros para análise de documentos.

Outros para visão computacional.

Por isso surgiu o conceito de Multi-Model Routing.

Um roteador escolhe automaticamente qual modelo é mais adequado para cada tarefa.

Isso reduz custos, melhora a precisão e aumenta a disponibilidade do sistema.

É semelhante ao que acontece em uma equipe de desenvolvimento: ninguém espera que um único profissional seja especialista em todas as áreas.


Manual Ops evolui para AIOps

No passado o administrador monitorava CPU, memória e disco.

Hoje isso continua importante, mas não é suficiente.

Também precisamos observar:

  • qualidade das respostas;

  • custo por token;

  • tempo de inferência;

  • uso das ferramentas;

  • falhas de recuperação de contexto;

  • frequência de alucinações;

  • precisão das respostas.

AIOps amplia o conceito tradicional de operações para incluir o comportamento dos modelos de IA.

É uma evolução natural do DevOps e do MLOps.


Observabilidade em IA

Logs tradicionais respondem perguntas como:

"O servidor caiu?"

"A API retornou erro?"

Mas sistemas AI-First precisam responder outras perguntas.

"Qual prompt foi enviado?"

"Qual documento foi recuperado pelo RAG?"

"Qual ferramenta foi utilizada?"

"Qual modelo respondeu?"

"Qual foi o nível de confiança?"

Essa nova disciplina é chamada de AI Observability.

Ela é essencial para auditoria, conformidade e melhoria contínua.


Cloud não desaparece, mas muda

Durante muito tempo acreditamos que tudo iria para a nuvem.

Hoje percebemos que isso não é verdade.

Muitos modelos estão sendo executados:

  • no notebook;

  • no celular;

  • dentro das empresas;

  • em hospitais;

  • em fábricas;

  • no Edge;

  • e também em Mainframes.

Por quê?

Porque mover grandes volumes de dados é caro, lento e pode gerar problemas de privacidade.

Em muitos casos é mais eficiente levar o modelo até os dados do que enviar os dados até o modelo.

Essa é a essência da arquitetura híbrida.


Sistemas probabilísticos

Talvez esta seja a mudança mais difícil para quem vem da programação tradicional.

Um programa COBOL sempre executará exatamente as mesmas instruções.

Já um modelo de IA trabalha com probabilidades.

Ele estima qual é a melhor resposta.

Isso significa que pode existir mais de uma resposta correta.

Ou até respostas incorretas.

Por isso surgem novos conceitos:

  • Guardrails;

  • Validação;

  • Human-in-the-Loop;

  • Avaliação contínua;

  • Score de confiança;

  • Governança.

A engenharia passa a tratar a incerteza como parte do sistema.


E onde entra o Mainframe?

Algumas pessoas acreditam que a IA substituirá o Mainframe.

Na prática, acontece justamente o contrário.

O IBM Z continua sendo um dos ambientes mais seguros e confiáveis do mundo para executar aplicações críticas.

Os modelos de IA não substituem essas aplicações.

Eles adicionam uma camada inteligente sobre elas.

Imagine o seguinte cenário:

Cliente

↓

Assistente Inteligente

↓

MCP

↓

z/OS Connect

↓

CICS

↓

COBOL

↓

DB2

↓

Resposta Inteligente

O COBOL continua executando a regra de negócio.

O DB2 continua armazenando os dados.

O CICS continua processando transações.

A IA apenas facilita a interação com esses sistemas, interpreta perguntas em linguagem natural e automatiza tarefas repetitivas.

O resultado é uma arquitetura moderna sem abrir mão da robustez construída ao longo de décadas.


O que um programador júnior deve aprender?

Se você está iniciando sua carreira, talvez esteja se perguntando:

"Preciso abandonar tudo o que aprendi?"

A resposta é não.

Os fundamentos continuam sendo indispensáveis.

Aprenda lógica de programação, algoritmos, estruturas de dados, SQL, redes, sistemas operacionais e boas práticas de engenharia.

Esses conhecimentos continuam sustentando qualquer arquitetura.

Ao mesmo tempo, vale a pena ampliar seu repertório com tecnologias ligadas à IA:

  • fundamentos de LLMs;

  • embeddings e bancos vetoriais;

  • RAG;

  • engenharia de prompts;

  • agentes de IA;

  • MCP;

  • observabilidade em IA;

  • DevOps, MLOps e LLMOps;

  • integração entre IA e sistemas legados.

No universo IBM Z, entender como essas tecnologias conversam com COBOL, CICS, DB2 e z/OS Connect será um diferencial importante nos próximos anos.


Conclusão

A mensagem principal é simples, mas poderosa: AI-First não representa uma nova funcionalidade; representa uma nova maneira de pensar a engenharia de software.

Durante décadas escrevemos programas que seguiam regras fixas. Agora estamos construindo sistemas capazes de interpretar contexto, utilizar ferramentas, consultar conhecimento, escolher modelos, avaliar resultados e interagir de forma muito mais natural com as pessoas.

Para o desenvolvedor júnior, essa transformação pode parecer assustadora. No entanto, ela também representa uma oportunidade extraordinária. Nunca houve um momento em que aprender fundamentos sólidos de programação e, ao mesmo tempo, compreender IA, integração e arquiteturas modernas pudesse abrir tantas portas.

Como costumo dizer aqui no Bellacosa Mainframe, o futuro não pertence a quem conhece apenas a tecnologia mais nova, nem apenas a mais antiga. Pertence a quem consegue conectar os dois mundos.

O Mainframe continua sendo o coração das maiores empresas do planeta. A Inteligência Artificial está se tornando o cérebro que amplia suas capacidades. E o profissional que souber integrar esses dois universos estará preparado para construir a próxima geração de sistemas corporativos. Afinal, a tecnologia muda, mas os princípios da boa engenharia continuam sendo o melhor ponto de partida para qualquer revolução.

Vagner Renato Bellacosa, IBM Champion e especialista em IBM Mainframe
IBM Z17 SYSTEM ONLINE
Sobre o autor

Vagner Renato Bellacosa

IBM Champion 2026 • Especialista em IBM Mainframe

Vagner Renato Bellacosa trabalha com IBM Mainframe desde 1988 , é IBM Champion e especialista em COBOL, CICS, Db2, z/OS e IBM Z. Compartilha experiências profissionais, conhecimento técnico, história da computação e práticas do universo mainframe para aproximar novas gerações das tecnologias que sustentam empresas, bancos e governos ao redor do mundo.

IBM Champion IBM Z COBOL CICS Db2 z/OS Mainframe desde 1988
GitHub LinkedIn
Inicializando conteúdo...