 |
| Bellacosa Mainframe e o scheduler da curiosidade |
☕ Um Café no Bellacosa Mainframe
O Scheduler da Curiosidade: IA, Backlogs e o Dia em que Tínhamos 30 Assuntos em Paralelo e Nenhum Queria Dar $HASP395
Por Vagner Bellacosa
Existe um problema novo acontecendo na minha mesa.
Não é falta de documentação.
Não é falta de livros.
Não é falta de cursos.
Não é falta de acesso à informação.
Também não é exatamente falta de tempo — embora os boletos continuem insistindo que o dia tenha apenas 24 horas.
O problema é quase o contrário.
Há conhecimento demais ao alcance das mãos.
E então chegou a Inteligência Artificial.
Agora existe uma criatura disponível praticamente a qualquer momento que aceita perguntas sobre COBOL, filosofia, economia, anime, história, mainframe, arqueologia, inteligência artificial, acidentes aéreos, linguística, segurança, psicologia, grafos, bancos, YAML, XML, Atari e aquela dúvida completamente absurda que apareceu às duas da manhã e que você jamais perguntaria numa reunião de trabalho.
Você pergunta.
Ela responde.
A resposta produz outra pergunta.
Essa produz três.
Uma delas parece muito mais interessante do que a pergunta original.
Você segue por ali.
Duas horas depois está lendo sobre uma tabuinha de argila babilônica de milhares de anos atrás e já não consegue explicar exatamente como uma conversa sobre COBOL terminou na Mesopotâmia.
Bem-vindo ao problema.
Ou talvez...
bem-vindo à solução.
Coloque café na xícara.
Hoje não vamos falar exatamente sobre COBOL.
Vamos falar sobre o programa mais complexo que provavelmente executaremos durante toda a nossa vida:
a nossa própria curiosidade.
E aparentemente o scheduler está tendo problemas.
$HASP100: JOB CURIOSIDADE ON READER
Outro dia olhei para minha lista de conversas fixadas no ChatGPT.
Ali estavam coisas como:
Anime Another Resumo
Memórias Vagnerianas
JSON no COBOL Mainframe
Manias Econômicas Históricas
Curso Lógica Programação
YAML para Programadores
Inuyasha Anime e Legado
Impacto de Conan no Anime
Análise de Erros XML
Homenagem ao Atari
Olhei aquilo e comecei a rir.
Não porque fossem assuntos ruins.
Justamente o contrário.
Todos eram interessantes.
Esse era o problema.
Cada conversa havia começado por alguma razão perfeitamente legítima. Algumas estavam virando artigos. Outras eram investigações técnicas. Algumas eram memórias. Outras tinham começado simplesmente porque alguma coisa despertara curiosidade.
Nenhuma havia realmente terminado.
E então percebi algo.
Minha lista de conversas estava começando a parecer:
SDSF STATUS DISPLAY
Só que em vez de JOBs havia ideias.
JOBNAME STATUS
COBOLJSON ACTIVE
YAML001 HELD
ATARI001 WAITING
INUYASHA ACTIVE
MEMORIA ACTIVE
ECONHIST HELD
XMLERROR ACTIVE
CONAN001 WAITING
LOGICA15 ACTIVE
E em algum lugar do sistema:
30 JOBS ACTIVE
47 JOBS WAITING
123 JOBS DISCOVERED
Nenhum querendo emitir:
$HASP395 JOB ENDED
Foi quando percebi que talvez tivéssemos inventado acidentalmente uma espécie de JES2 da curiosidade intelectual.
E o ChatGPT estava funcionando como uma mistura perigosa de READER, CONVERTER, EXECUTOR e operador da console.
A escola ensinou conhecimento como uma fila
Durante muito tempo fomos educados segundo uma estrutura predominantemente linear.
Capítulo 1.
Depois capítulo 2.
Depois capítulo 3.
Prova.
Próxima matéria.
A própria estrutura física dos livros reforçava isso.
Página 1 → página 2 → página 3.
Claro que sempre existiram notas de rodapé, referências e bibliografias. Mas havia um custo para abandonar a estrada principal.
Imagine estudar alguma coisa em 1985.
Você encontra uma referência interessante:
"Esse conceito deriva dos trabalhos de Fulano publicados em 1967."
Interessante.
Mas você não possui o livro de Fulano.
Talvez exista na biblioteca.
Talvez precise pedir emprestado.
Talvez nem esteja traduzido.
Então você faz uma anotação:
Pesquisar Fulano depois.
E continua lendo.
A escassez de informação produzia involuntariamente uma coisa extremamente valiosa:
foco.
Não porque as pessoas fossem necessariamente mais disciplinadas.
Mas porque perseguir cada ramificação era caro.
Hoje o custo marginal de abrir outra porta intelectual aproxima-se perigosamente de zero.
Estou lendo sobre COBOL.
Encontro "JSON GENERATE".
Pesquiso.
Descubro JSON PARSE.
Pergunto ao ChatGPT.
Aparece uma discussão sobre interoperabilidade.
Interoperabilidade lembra APIs.
APIs levam ao z/OS Connect.
z/OS Connect leva a REST.
REST leva a OpenAPI.
OpenAPI leva a YAML.
YAML lembra pipelines.
Pipelines levam a Jenkins.
Jenkins leva a DevOps.
DevOps leva a agentes de IA.
Agentes levam a sistemas autônomos.
Sistemas autônomos levam a governança.
Governança leva a acidentes.
Acidentes levam à aviação.
Aviação leva a Crew Resource Management.
CRM leva a psicologia organizacional.
Psicologia leva a vieses cognitivos.
E de repente...
onde está o JSON?
Ele continua lá.
Cinco níveis acima no stack trace da curiosidade.
Talvez estejamos pensando errado sobre conhecimento
Aqui aparece algo fascinante.
Talvez o problema seja esperar que conhecimento verdadeiro tenha estrutura linear.
Porque ele não tem.
Conhecimento parece muito mais um grafo.
Para quem passou recentemente pelo Neo4j, a analogia é irresistível.
Imagine:
(:Pessoa)-[:ESTUDA]->(:COBOL)
(:COBOL)-[:EXECUTA_EM]->(:Mainframe)
(:Mainframe)-[:UTILIZA]->(:zOS)
(:zOS)-[:POSSUI]->(:JES2)
(:JES2)-[:GERENCIA]->(:Jobs)
(:Jobs)-[:PODEM_FALHAR_COM]->(:ABEND)
(:ABEND)-[:EXIGE]->(:Diagnostico)
(:Diagnostico)-[:USA]->(:Raciocinio)
(:Raciocinio)-[:SOFRE_COM]->(:ViesCognitivo)
(:ViesCognitivo)-[:APARECE_EM]->(:Aviacao)
(:ViesCognitivo)-[:APARECE_EM]->(:Medicina)
(:ViesCognitivo)-[:APARECE_EM]->(:MercadoFinanceiro)
Agora faça uma pergunta aparentemente inocente:
"Como diagnosticar melhor um problema em produção?"
Podemos começar no COBOL e terminar estudando Sherlock Holmes, House, Patrick Jane, Kahneman, acidentes aéreos e medicina diagnóstica.
E isso não é necessariamente desvio.
Pode ser travessia do grafo.
O ChatGPT virou uma máquina de criar arestas
Essa talvez seja uma das transformações intelectuais mais interessantes provocadas pelos grandes modelos de linguagem.
Google tradicionalmente é extraordinário para encontrar nós.
Você pergunta:
IBM COBOL JSON GENERATE
e recebe documentos relacionados ao assunto.
Mas numa conversa podemos fazer algo diferente:
"Isso me lembrou o problema de comunicação entre pilotos em acidentes aéreos. Existe alguma relação conceitual?"
Agora estamos procurando uma aresta.
COBOL → operação → incidente → comunicação → aviação
Ou:
"Essa arquitetura de agentes lembra CICS?"
Outra aresta.
"O problema de memória de agentes lembra checkpoint/restart?"
Outra.
"Essa ideia econômica existia na Roma antiga?"
Outra.
"Esse comportamento de IA lembra alguma coisa da psicologia cognitiva?"
Outra.
É como se tivéssemos colocado diante do grafo uma máquina especializada em sugerir:
MATCH (ideia)-[r:?]->(outra_ideia)
RETURN outra_ideia
Só existe um pequeno problema.
O MATCH não termina.
O Rabbit Hole virou feature
Existe uma expressão inglesa maravilhosa:
rabbit hole.
A toca do coelho.
Alice vê o coelho, entra atrás dele e descobre que aquilo era apenas a entrada para um universo inteiro.
A Internet já havia industrializado rabbit holes.
A IA generativa colocou elevadores dentro deles.
Você pergunta:
"Por que isso acontece?"
Recebe resposta.
Pergunta:
"Mas de onde veio?"
Resposta.
"Existe precedente histórico?"
Resposta.
"Quem discordava?"
Resposta.
"Isso ainda é válido?"
Resposta.
"E se aplicarmos ao mainframe?"
Resposta.
"E ao mercado financeiro?"
Resposta.
"E aos agentes de IA?"
Resposta.
Às 03:17 da manhã:
"Então precisamos voltar aos babilônios."
Parabéns.
Você começou querendo entender um parâmetro do JCL.
A diferença entre distração e exploração
Mas precisamos tomar cuidado para não diagnosticar toda ramificação como déficit de atenção.
Há uma diferença enorme entre:
COBOL
↓
Instagram
↓
meme
↓
vídeo
↓
notícia
↓
WhatsApp
↓
esqueci o COBOL
e:
COBOL
↓
Mainframe
↓
Sistemas críticos
↓
Resiliência
↓
Falhas
↓
Fator humano
↓
Psicologia cognitiva
↓
Gestão de incidentes
O primeiro fluxo provavelmente representa distração.
O segundo pode representar exploração intelectual.
Existe coerência semântica.
O problema é que ambos consomem o mesmo recurso físico:
tempo.
Seu cérebro pode ter descoberto a conexão intelectual mais extraordinária da semana.
O relógio continuará dizendo:
03:42.
O verdadeiro recurso escasso mudou
Durante séculos o recurso escasso foi informação.
Hoje, para grande parte de nós, não é mais.
Temos Wikipedia.
Livros digitais.
Papers.
Vídeos.
Cursos.
Podcasts.
Blogs.
GitHub.
Documentação.
Fóruns.
Reddit.
Stack Overflow.
ChatGPT.
Outras IAs.
E bilhões de páginas indexadas.
O recurso escasso passou a ser:
atenção.
E logo atrás:
capacidade de seleção.
A pergunta intelectual moderna não é apenas:
"O que devo aprender?"
É também:
"O que deliberadamente não vou aprender agora?"
Essa segunda pergunta é muito mais cruel.
Porque dizer "não" para algo desinteressante é fácil.
O verdadeiro problema é dizer:
"Isso é fascinante. Mas ficará para depois."
Surge o backlog intelectual
É exatamente aí que nasce nossa lista.
JSON no COBOL
YAML
XML
Atari
Anime
Economia
Memórias
IA
Segurança
História
Ela não é necessariamente um cemitério de projetos abandonados.
Talvez seja algo mais interessante:
um buffer intelectual.
Uma área de spool.
A ideia chegou.
Foi registrada.
Ainda não existem recursos disponíveis para executá-la.
Então:
JOB STATUS = HELD
Isso é infinitamente melhor do que perder a ideia.
O problema começa quando confundimos:
HELD
com:
FAILED
Uma investigação estacionada não fracassou.
Ela apenas perdeu prioridade para outra.
Precisamos de WLM para a cabeça
Quem trabalha com mainframe imediatamente perceberá o próximo problema.
Se existem dezenas de workloads competindo pelos mesmos recursos, alguém precisa estabelecer prioridades.
No z/OS temos Workload Manager.
Na cabeça temos...
Bem...
Café.
Talvez seja justamente aí que precisamos melhorar.
Imagine um WLM intelectual:
SERVICE CLASS: PRODUCAO
-----------------------
Curso atual
Trabalho
Artigo com prazo
Aula da semana
SERVICE CLASS: ALTA
-------------------
Pesquisa diretamente relacionada
Projeto em andamento
SERVICE CLASS: DISCRETIONARY
----------------------------
Anime obscuro de 1987
História do Atari
Origem de palavra suméria
Tecnologia soviética esquecida
SERVICE CLASS: SYSOTHER
-----------------------
"Por que os romanos não inventaram..."
😂
O objetivo não seria matar SYSOTHER.
Aliás, algumas das descobertas mais deliciosas provavelmente estão lá.
O objetivo seria impedir SYSOTHER de consumir toda a capacidade enquanto PRODUCAO está atrasada.
A IA não eliminou a necessidade de disciplina
Esse é um ponto importante.
Existe uma fantasia contemporânea segundo a qual IA permitirá aprender tudo.
Não permitirá.
Pode reduzir brutalmente o custo de explicação.
Pode resumir.
Pode traduzir.
Pode comparar.
Pode produzir exemplos.
Pode adaptar a linguagem.
Pode ajudar a encontrar relações.
Pode responder perguntas imediatamente.
Mas existe uma coisa que ela ainda não consegue aumentar:
24 horas = 24 horas
Podemos aumentar nossa eficiência.
Não podemos aumentar indefinidamente nosso throughput humano.
E pior:
compreender continua custando tempo.
Ler uma explicação não significa incorporá-la.
Reconhecer um conceito não significa dominá-lo.
Assistir a uma demonstração não significa conseguir reproduzi-la.
Receber código funcionando não significa compreender sua arquitetura.
Esse talvez seja um dos perigos da aprendizagem com IA:
confundir velocidade de obtenção da resposta com velocidade de aquisição do conhecimento.
São coisas diferentes.
Muito diferentes.
Conhecimento não é download
Se conhecimento fosse simplesmente transferência de bytes, poderíamos fazer:
//LEARN EXEC PGM=UPLOAD
//SYSIN DD *
COBOL
NEO4J
PYTHON
QUANTUM
JAPANESE
/*
Resultado:
IEC999I KNOWLEDGE SUCCESSFULLY INSTALLED
Infelizmente não funciona.
Aprendizagem exige reconstrução interna.
Você precisa errar.
Relacionar.
Esquecer.
Relembrar.
Aplicar.
Comparar.
Explicar para outra pessoa.
Encontrar contradições.
Reformular.
Voltar meses depois e perceber que aquilo que parecia óbvio não era.
A IA pode acompanhar todo esse processo.
Mas não pode simplesmente substituir o processo.
Talvez nossa aparente desorganização esconda alguma coisa valiosa
Aqui entra uma hipótese que me fascina.
E se parte dessas ramificações não for desperdício?
E se estivermos construindo uma espécie de Knowledge Graph pessoal?
Durante décadas de trabalho uma pessoa acumula experiências.
Banco.
Mainframe.
Incidentes.
Programação.
Gestão.
Pessoas.
Viagens.
Livros.
Filmes.
Histórias.
Tecnologias.
Fracassos.
Acertos.
Essas coisas ficam armazenadas como nós aparentemente desconectados.
Então surge uma conversa.
Um assunto ativa outro.
Uma memória conecta-se a um conceito novo.
Uma história profissional antiga encontra uma teoria publicada décadas depois.
De repente:
(:Experiencia1989)
|
| [:EXPLICA]
v
(:Conceito2026)
A experiência sempre esteve lá.
Faltava a aresta.
Talvez uma das funções mais poderosas da IA para alguém que acumulou décadas de experiência não seja simplesmente ensinar fatos novos.
Talvez seja ajudar a indexar intelectualmente a própria vida.
Isso é enorme.
Curiosidade como algoritmo de busca
Uma pessoa curiosa executa continuamente algo parecido com:
while alive:
observe()
question()
connect()
investigate()
update_model()
Só existe um pequeno bug:
while alive:
não possui END-IF.
E aparentemente tampouco possui MAX-DEPTH.
😂
Por isso precisamos talvez acrescentar:
IF DEPTH > ACCEPTABLE-LIMIT
MOVE CURRENT-TOPIC TO BACKLOG
PERFORM RETURN-TO-MAIN-QUEST
END-IF
Esse talvez seja o algoritmo intelectual necessário para a era da IA.
Não bloquear rabbit holes.
Controlar profundidade.
O conceito de estacionamento intelectual
Imagine que estamos estudando agentes de IA.
Durante a conversa surgem:
[ ] memória vetorial
[ ] MCP
[ ] sistemas multiagentes
[ ] segurança
[ ] prompt injection
[ ] teoria de jogos
[ ] swarm intelligence
[ ] governança
[ ] custos de inferência
[ ] mainframe integration
Não precisamos abrir dez frentes.
Podemos dizer:
CURRENT:
Agentes e memória
PARKED:
MCP
Segurança
Swarm
Governança
Mainframe integration
A curiosidade continua viva.
Mas o scheduler recupera o controle.
Essa simples mudança psicológica é poderosa porque reduz aquela sensação:
"Estou deixando algo importante para trás."
Não.
Você colocou no spool.
O perigo oposto: nunca terminar nada
Agora precisamos tomar a red pill.
Existe uma versão romântica da curiosidade que pode virar desculpa.
"Sou explorador."
"Tenho muitos interesses."
"Estou conectando conhecimentos."
Tudo verdadeiro.
Mas existe um teste brutal:
o que foi concluído?
Porque conhecimento também precisa produzir $HASP395.
Artigo publicado.
Programa funcionando.
Curso concluído.
Experimento documentado.
Livro lido.
Hipótese descartada.
Aula preparada.
Problema resolvido.
Sem isso podemos passar anos em:
$HASP373 JOB STARTED
sem jamais chegar a:
$HASP395 JOB ENDED
E então o backlog não é biblioteca.
É dívida.
Talvez terminar seja uma tecnologia
Essa é outra ideia que merece reflexão.
Somos treinados para começar.
Cursos vendem começos.
Tutoriais ensinam começos.
Plataformas recomendam novos começos.
Algoritmos apresentam novidades.
IA responde imediatamente à próxima curiosidade.
Pouquíssimos sistemas são economicamente incentivados a dizer:
"Não abra nada novo. Termine aquilo."
Porque novidade gera clique.
Descoberta gera dopamina.
Conclusão frequentemente exige a parte menos glamourosa:
revisar.
corrigir.
testar.
reescrever.
organizar.
publicar.
documentar.
É muito mais divertido descobrir outro rabbit hole.
Talvez finalização tenha se tornado uma competência intelectual própria.
O Scheduler da Curiosidade
Chegamos então ao nosso pequeno sistema operacional mental.
Eu o imaginaria assim:
┌───────────────┐
│ CURIOSIDADE │
└───────┬───────┘
│
▼
NOVA PERGUNTA
│
┌─────────┴─────────┐
│ │
RELEVANTE AGORA? NÃO
│ │
SIM ▼
│ BACKLOG
▼
EXECUTAR
│
┌─────┴─────┐
│ │
NOVO RAMO? NÃO
│ │
SIM ▼
│ CONCLUIR
▼ │
REGISTRAR ▼
│ $HASP395
│
└──────► VOLTAR
Parece trivial.
Mas pense na diferença.
Não estamos dizendo:
"Pare de ser curioso."
Estamos dizendo:
"Faça scheduling da curiosidade."
E onde vamos parar?
Essa talvez seja a pergunta mais divertida.
Provavelmente em lugar nenhum.
E isso não é necessariamente ruim.
Porque conhecimento não possui tela final.
Não existe:
CONGRATULATIONS
YOU HAVE COMPLETED KNOWLEDGE
100%
Quanto mais aprendemos, maior parece o mapa.
É quase cruel.
Quando sabemos pouco, o mundo parece relativamente simples.
Quando aprendemos mais, começamos a enxergar as dependências.
Depois enxergamos as exceções.
Depois as controvérsias.
Depois a história.
Depois as escolas rivais.
Depois descobrimos que algumas certezas eram aproximações.
O mapa aumenta justamente porque aprendemos a enxergá-lo.
Talvez seja esse o paradoxo definitivo da curiosidade:
cada resposta aumenta o território das perguntas.
A IA tornou o universo intelectual navegável — não finito
Esse ponto é fundamental.
ChatGPT e outras ferramentas não transformaram conhecimento em algo que podemos terminar.
Transformaram conhecimento em algo que podemos percorrer com muito menos atrito.
Antes havia oceanos entre os continentes intelectuais.
Agora construímos pontes.
Isso muda completamente a viagem.
Mas não reduz o tamanho do planeta.
Talvez até faça o contrário.
Quando percebemos que COBOL pode conversar com IA, que mainframe pode conversar com cloud, que psicologia pode conversar com segurança, que história pode explicar tecnologia e que experiências de décadas atrás podem iluminar problemas atuais...
o mundo fica intelectualmente maior.
Não menor.
O profissional em T
Durante muito tempo falou-se no profissional em T.
Conhecimento amplo horizontalmente.
Especialização profunda verticalmente.
Talvez a IA esteja favorecendo outro formato.
Algo parecido com um grafo.
Você possui alguns nós extremamente profundos.
Mainframe.
COBOL.
Sistemas financeiros.
E centenas de conexões menos profundas:
História
|
Economia--Mainframe--IA
|
Segurança
/ \
Psicologia Aviação
|
Gestão
O valor não está necessariamente em dominar todos esses campos.
Está também em conseguir perceber:
"Eu já vi esse padrão em outro lugar."
Essa capacidade é extraordinariamente poderosa.
Porque inovação muitas vezes nasce justamente da transferência de modelos entre domínios.
Easter egg: talvez o cérebro seja um mainframe ruim
Antes que algum neurocientista jogue café em mim:
é uma metáfora.
Mas divertida.
Temos memória.
Temos processamento.
Temos prioridades.
Temos interrupções.
Temos cache.
Temos processos esquecidos.
Temos informações que sabemos que estão armazenadas em algum lugar, mas cujo endereço aparentemente foi perdido.
Temos:
"Eu conheço essa pessoa..."
seguido de:
SEARCHING...
SEARCHING...
SEARCHING...
Três horas depois, tomando banho:
HIT!
😂
Temos também algo equivalente a storage leak:
uma música ruim de 1987 permanece perfeitamente armazenada enquanto esquecemos por que entramos na cozinha.
O hardware humano definitivamente possui algumas decisões arquitetônicas curiosas.
O grande desafio não será saber mais
Será governar o que queremos saber.
Isso talvez seja uma das grandes competências da próxima década.
Não apenas prompt engineering.
Não apenas saber perguntar.
Mas saber decidir:
qual pergunta merece continuação?
qual merece estacionamento?
qual merece profundidade?
qual merece abandono?
qual precisa virar projeto?
qual deve permanecer apenas como curiosidade?
Porque podemos perguntar praticamente indefinidamente.
Mas não podemos viver indefinidamente.
Existe aí uma dimensão profundamente humana que nenhuma otimização elimina.
Escolher aprender alguma coisa significa escolher não aprender outras naquele momento.
Escolher escrever um artigo significa deixar três esperando.
Escolher terminar um curso significa ignorar temporariamente cinco tecnologias novas.
Escolher profundidade significa renunciar momentaneamente à novidade.
Esse é o verdadeiro scheduler.
Blue Pill ou Red Pill?
A Blue Pill é confortável:
"Com IA finalmente conseguirei aprender tudo."
Não.
Provavelmente acontecerá exatamente o contrário.
A IA mostrará quanto existe para aprender.
A Red Pill é mais interessante:
"Nunca aprenderei tudo. Então preciso escolher melhor minhas viagens."
Isso muda completamente nossa relação com conhecimento.
Não precisamos conquistar todo o mapa.
Podemos explorá-lo.
Construir caminhos.
Registrar descobertas.
Voltar.
Conectar regiões.
E ocasionalmente colocar uma placa:
TODO:
RETORNAR AQUI
$HASP395: ou talvez não
Chegamos ao fim deste artigo falando sobre...
Deixe-me conferir.
Começamos com conversas abertas no ChatGPT.
Passamos por JES2.
Grafos.
Neo4j.
Rabbit holes.
Psicologia.
WLM.
Aprendizagem.
Gestão de atenção.
IA.
Knowledge Graph.
E terminamos discutindo finitude humana.
Nada mal para uma conversa que começou olhando uma barra lateral cheia de chats inacabados.
Talvez seja exatamente esse o ponto.
A curiosidade intelectual não é uma estrada.
É uma rede.
Cada pergunta é um nó.
Cada associação cria uma aresta.
Cada experiência antiga pode ganhar significado novo quando conectada a alguma coisa aprendida hoje.
ChatGPT não inventou esse comportamento.
Nós sempre fizemos isso.
A diferença é que agora existe uma ferramenta capaz de acompanhar nossa corrida pelo grafo quase na velocidade em que surgem as perguntas.
E isso é maravilhoso.
Também é perigoso.
Porque sempre haverá outra aresta.
Sempre haverá outro nó.
Sempre haverá:
"Só mais uma pergunta..."
O verdadeiro desafio intelectual da era da IA talvez não seja descobrir como começar uma investigação.
Isso ficou absurdamente fácil.
Será aprender quando continuar, quando estacionar e quando terminar.
Precisamos ser simultaneamente exploradores e operadores.
Curiosos e schedulers.
Alice e JES2.
Precisamos permitir:
$HASP373 CURIOSITY STARTED
Mas de vez em quando precisamos olhar para o backlog, escolher alguma coisa e exigir:
$HASP395 CURIOSITY ENDED
Mesmo sabendo que aquilo nunca terminou completamente.
Porque uma boa resposta deixa uma pergunta.
Uma boa pergunta encontra outra área.
Uma experiência encontra uma teoria.
Uma memória encontra significado.
Um artigo encontra outro artigo.
E talvez seja justamente por isso que continuamos estudando depois de décadas.
Não porque estejamos chegando ao fim.
Mas porque finalmente começamos a enxergar o tamanho do grafo.
Então onde vamos parar?
Não faço a menor ideia.
Provavelmente começaremos falando sobre o scheduler da curiosidade, alguém mencionará teoria dos grafos, daí surgirá a história dos sete graus de separação, que levará a redes sociais, que levará a algoritmos de recomendação, que levará a manipulação comportamental, que levará a Skinner, que levará a psicologia, que lembrará inteligência artificial...
...e daqui a pouco estaremos novamente discutindo COBOL.
Talvez exista uma explicação técnica para isso.
Ou talvez seja simplesmente:
//CURIOS EXEC PGM=LIFE
//PARM DD *
MAXDEPTH=UNLIMITED
CURIOSITY=YES
COFFEE=STRONG
RETURN=OPTIONAL
/*
IEFBR14 provavelmente não resolverá.
☕ Café terminado.
Artigo terminado.
JOB terminado.
Finalmente:
$HASP395 CURIOSITY ENDED
...
Espera.
Se conhecimento funciona como grafo, será que nosso backlog de conversas poderia ser automaticamente transformado em um grafo visual de interesses, mostrando quais assuntos deram origem a quais outros?
Droga.
$HASP100 NEWJOB ON READER
E lá vamos nós outra vez. ☕🖥️
