 |
| Bellacosa Mainframe apresenta inteligencia artificial para padawan |
☕ Um Café no Bellacosa Mainframe
Isaac Asimov Entra no CPD — O Dia em que o COBOL Conheceu a Inteligência Artificial e Descobriu que o Robô Também Precisava de JCL, Dados e Supervisão Humana
Ou: por que a IA generativa não pensa como um ser humano, um prompt não é feitiço, RAG não é um novo comando do IDCAMS e nenhuma empresa deveria entregar RACF SPECIAL a um agente autônomo depois de apenas quinze minutos de laboratório
Prólogo — “Computador, resolva isso”, disse o humano sem fornecer o arquivo de entrada
Imagine que Isaac Asimov visite um CPD moderno.
Ele atravessa a porta de segurança, observa os racks, escuta o ruído constante da refrigeração e encontra, em um canto, um terminal com letras verdes. Na tela, um programa COBOL processa milhões de registros sem reclamar, sem pedir café e sem publicar no LinkedIn que concluiu mais um badge.
Ao lado do terminal, há uma interface de inteligência artificial.
O operador escreve:
Analise este programa, explique o erro e sugira uma solução.
A IA responde em segundos. Ela descreve o programa, aponta uma possível falha e apresenta uma alteração aparentemente elegante.
Asimov ajusta os óculos e pergunta:
— A resposta está correta?
Silêncio no CPD.
O operador olha para o desenvolvedor. O desenvolvedor olha para o analista. O analista olha para o programa. O programa olha para ninguém, porque um batch COBOL respeitável não participa de reunião sem necessidade.
Essa é a primeira grande lição sobre inteligência artificial: gerar uma resposta convincente não é a mesma coisa que produzir uma resposta verdadeira.
A IA moderna consegue escrever textos, criar imagens, gerar código, resumir documentos, conversar com usuários, procurar informações e até acionar ferramentas. Entretanto, ela não deixa de precisar de contexto, dados confiáveis, controles de acesso, validação e supervisão humana.
Em outras palavras, a inteligência artificial pode entrar no CPD. Mas primeiro precisa preencher a requisição, apresentar a identificação e explicar por que deseja acesso ao dataset de produção.
1. Afinal, o que é inteligência artificial?
Inteligência artificial é um conjunto de técnicas que permite aos computadores executar atividades normalmente associadas à inteligência humana.
Essas atividades incluem:
reconhecer imagens;
compreender linguagem;
identificar padrões;
fazer previsões;
recomendar ações;
tomar decisões dentro de regras;
gerar textos, imagens, sons, vídeos e código;
interagir com pessoas por meio de chatbots e assistentes.
A definição é ampla porque IA não representa uma única tecnologia. Ela funciona como um grande condomínio tecnológico no qual moram aprendizado de máquina, redes neurais, processamento de linguagem natural, visão computacional, robótica, sistemas especialistas e modelos generativos.
Para um programador COBOL iniciante, uma comparação útil é pensar em “mainframe”.
Mainframe não significa somente COBOL. Dentro desse universo existem z/OS, CICS, IMS, Db2, VSAM, RACF, JCL, JES2, SDSF, TCP/IP, MQ, APIs e muitas outras tecnologias.
Da mesma forma, IA não significa apenas ChatGPT. Um chatbot generativo é somente uma das aplicações possíveis.
Um sistema de detecção de fraude pode usar IA sem conversar com ninguém. Um banco pode utilizar modelos preditivos para identificar transações suspeitas. Uma indústria pode empregar visão computacional para localizar defeitos em peças. Um hospital pode analisar exames médicos. Um supermercado pode prever demanda de produtos.
A inteligência artificial é o campo. Os modelos, algoritmos e aplicações são os moradores desse campo.
2. Inteligência artificial ou inteligência aumentada?
Existe uma diferença importante entre inteligência artificial e inteligência aumentada.
A expressão “inteligência artificial” pode sugerir que a máquina está substituindo integralmente o ser humano. Já “inteligência aumentada” enfatiza que a tecnologia amplia a capacidade humana.
Essa segunda interpretação é especialmente valiosa nos ambientes corporativos.
Um sistema pode analisar milhares de registros e apontar anomalias. Entretanto, um profissional experiente deve interpretar o contexto, verificar impactos e decidir a ação adequada.
Pense em um incidente de produção.
A IA pode:
resumir mensagens do job;
relacionar o erro com incidentes anteriores;
localizar a documentação;
sugerir os programas envolvidos;
gerar uma hipótese para a causa;
preparar uma consulta SQL;
recomendar testes.
Mas ela não deveria promover uma alteração diretamente em produção sem autorização, validação e rastreabilidade.
A IA funciona como um assistente extremamente rápido, capaz de consultar uma biblioteca enorme e preparar hipóteses. O especialista continua responsável por avaliar se aquelas hipóteses fazem sentido.
Asimov provavelmente reconheceria aqui uma versão corporativa de suas famosas Leis da Robótica: quanto maior a capacidade de uma máquina agir, maiores devem ser os controles destinados a impedir danos.
3. IA estreita, IA geral e superinteligência
A inteligência artificial também pode ser classificada por sua capacidade.
IA estreita ou fraca
É criada para executar uma tarefa específica ou um conjunto limitado de tarefas.
Exemplos:
filtro de spam;
recomendação de filmes;
reconhecimento facial;
previsão de demanda;
assistente de programação;
chatbot de atendimento;
sistema antifraude.
Praticamente todas as aplicações de IA atualmente disponíveis pertencem a essa categoria.
Uma IA pode jogar xadrez melhor que quase todos os seres humanos e ainda ser incapaz de preencher uma declaração de imposto de renda. Ela domina uma tarefa, mas não possui uma compreensão geral do mundo.
É como um programa COBOL excelente em calcular folha de pagamento. Ele pode processar milhões de salários corretamente, mas não saberá reservar uma passagem aérea, a menos que alguém desenvolva essa funcionalidade.
IA geral ou forte
Seria uma inteligência capaz de aprender, compreender e executar diversas tarefas intelectuais, transferindo conhecimento entre domínios de maneira semelhante a um ser humano.
Essa inteligência ainda não foi alcançada de forma comprovada.
Modelos generativos modernos são versáteis e podem aparentar inteligência geral durante uma conversa. Contudo, continuam apresentando limitações importantes, como erros factuais, dificuldades de raciocínio consistente e ausência de compreensão humana completa.
Superinteligência
É uma hipótese na qual a inteligência da máquina superaria a humana em praticamente todos os domínios.
Esse conceito aparece com frequência na ficção científica, desde os robôs de Asimov até computadores que decidem que a melhor forma de proteger a humanidade é trancá-la em casa.
É um tema legítimo para pesquisa e reflexão, mas não descreve os sistemas corporativos atuais. Seu chatbot de Recursos Humanos ainda está longe de dominar o planeta. Algumas vezes ele sequer consegue interpretar corretamente “segunda via do comprovante”.
4. Como uma máquina aprende?
A inteligência artificial moderna depende fortemente do aprendizado de máquina, ou machine learning.
Em vez de programar todas as regras explicitamente, fornecemos dados para que um algoritmo encontre padrões.
No desenvolvimento tradicional, temos algo parecido com:
DADOS + REGRAS PROGRAMADAS → RESULTADONo aprendizado de máquina, o processo pode ser representado assim:
DADOS + RESULTADOS CONHECIDOS → MODELODepois de treinado:
NOVOS DADOS + MODELO → PREVISÃOIsso não elimina a programação. Alguém ainda precisa desenvolver o pipeline, preparar dados, escolher algoritmos, configurar infraestrutura, testar o modelo, monitorar resultados e integrar tudo aos sistemas existentes.
A máquina não acorda numa terça-feira e decide aprender sozinha sobre crédito bancário. Ela recebe dados selecionados por pessoas, dentro de um processo criado por pessoas e com objetivos definidos por pessoas.
Existem três formas clássicas de aprendizado.
Aprendizado supervisionado
O modelo recebe exemplos com respostas conhecidas.
Se quisermos ensinar um sistema a identificar operações fraudulentas, podemos fornecer transações classificadas como “fraude” ou “legítima”.
O modelo aprende relações entre os atributos e as classificações.
Dentro do aprendizado supervisionado temos, entre outras técnicas:
classificação, para escolher categorias;
regressão, para estimar valores contínuos.
Classificar uma transação como fraude ou não fraude é classificação. Estimar o valor provável de uma propriedade é regressão.
Aprendizado não supervisionado
Os dados não possuem rótulos prontos. O algoritmo procura estruturas, agrupamentos e comportamentos incomuns.
Ele pode descobrir, por exemplo, grupos de clientes com hábitos semelhantes ou transações muito diferentes do padrão habitual.
É particularmente útil para clustering e detecção de anomalias.
Aprendizado por reforço
Um agente executa ações, observa os resultados e recebe recompensas ou penalidades.
Aos poucos, aprende estratégias que maximizam a recompensa.
Essa abordagem pode ser utilizada em jogos, robótica, navegação e otimização de decisões.
É quase como treinar um operador virtual:
executou a ação correta: recompensa;
derrubou a produção: penalidade;
executou
DELETE ... PURGEno dataset errado: reunião extraordinária com a gerência e possível exílio para uma lua distante.
5. Treinamento, validação e teste: não vale estudar com o gabarito aberto
Os dados normalmente são separados em três conjuntos.
Conjunto de treinamento
É usado para ensinar os padrões ao modelo.
Conjunto de validação
Ajuda a ajustar parâmetros e comparar versões durante o desenvolvimento.
Conjunto de teste
É utilizado para avaliar o desempenho final com dados que o modelo não deveria ter visto durante o treinamento.
Se usarmos os mesmos dados para treinar e avaliar, o modelo pode simplesmente memorizar exemplos sem aprender a generalizar.
Esse problema é conhecido como overfitting.
Uma analogia simples: o aluno memoriza todas as respostas do simulado, obtém nota máxima nele e depois fracassa quando a prova apresenta perguntas diferentes.
No mainframe, seria como testar uma alteração somente com o registro feliz, perfeitamente preenchido, enquanto a produção contém datas inválidas, campos com espaços, valores inesperados, copybooks antigas e aquele arquivo criado em 1998 que ninguém deseja investigar.
Um modelo confiável precisa enfrentar dados representativos da realidade.
6. Redes neurais e deep learning
Redes neurais são modelos computacionais inspirados, de forma simplificada, na organização de neurônios biológicos.
Elas possuem:
uma camada de entrada;
uma ou mais camadas intermediárias;
uma camada de saída.
Cada conexão trabalha com valores ajustados durante o treinamento. O modelo modifica esses valores para reduzir seus erros.
Quando existem muitas camadas, entramos no campo do deep learning.
O aprendizado profundo tornou possíveis grandes avanços em:
reconhecimento de voz;
tradução automática;
visão computacional;
reconhecimento facial;
análise de imagens médicas;
veículos autônomos;
processamento de linguagem;
geração de conteúdo.
Há diversos tipos de redes neurais, como perceptrons, redes feed-forward, redes convolucionais e redes recorrentes.
Para o iniciante, o mais importante é entender que uma rede neural não contém pequenas regras escritas em português. Ela aprende representações matemáticas distribuídas.
Por isso, pode ser difícil explicar exatamente por que determinado resultado foi produzido. Surge o problema da “caixa-preta”: o modelo apresenta ótima precisão, mas seu caminho de decisão pode não ser facilmente interpretável.
Em áreas reguladas, como bancos, seguros, saúde e governo, essa falta de explicabilidade pode ser crítica.
7. O que torna a IA generativa diferente?
A IA tradicional costuma classificar, prever ou recomendar.
A IA generativa cria novos conteúdos com base nos padrões aprendidos.
Ela pode gerar:
textos;
imagens;
músicas;
vozes;
vídeos;
código;
designs;
resumos;
conversas;
dados sintéticos.
Isso não significa que a máquina cria da mesma maneira que um artista humano. O modelo aprende estruturas estatísticas presentes nos dados e produz uma nova combinação considerada provável dentro do contexto solicitado.
Uma forma simples de explicar o processo é:
EXEMPLOS + TREINAMENTO → PADRÕES APRENDIDOS
PROMPT + PADRÕES APRENDIDOS → NOVO CONTEÚDOO prompt é a instrução enviada pelo usuário.
Exemplo ruim:
Explique este programa.
Exemplo melhor:
Explique este programa COBOL para um desenvolvedor iniciante. Identifique as divisões, descreva o fluxo, liste arquivos utilizados, destaque possíveis riscos de dados inválidos e não invente informações ausentes.
Quanto mais claro for o objetivo, o público, o contexto, o formato e as restrições, maior a chance de obter uma resposta útil.
Um prompt não é uma frase mágica. É uma especificação de trabalho.
Programadores COBOL já conhecem esse problema. Se a especificação diz apenas “ajustar cálculo”, alguém passará a madrugada tentando descobrir qual cálculo, qual programa, qual carteira, qual vigência e qual regra de arredondamento.
A IA também precisa de contexto.
8. Os principais modelos generativos
Há diferentes arquiteturas usadas na IA generativa.
Variational Autoencoders — VAEs
Um encoder transforma os dados em uma representação compacta chamada espaço latente. Um decoder utiliza essa representação para gerar novos exemplos.
O espaço latente captura características relevantes dos dados.
Generative Adversarial Networks — GANs
Uma GAN utiliza dois componentes:
o gerador cria amostras;
o discriminador tenta identificar se elas são reais ou artificiais.
Os dois componentes competem e melhoram juntos.
É como um falsificador tentando produzir documentos cada vez mais convincentes enquanto um inspetor aprende a detectar as falsificações.
Modelos autorregressivos
Produzem dados sequencialmente, considerando os elementos anteriores.
Na geração de texto, o modelo prevê o próximo token com base nos tokens que vieram antes.
Transformers
Os Transformers revolucionaram o processamento de linguagem graças, entre outros elementos, ao mecanismo de atenção.
A atenção ajuda o modelo a identificar quais partes do contexto são mais relevantes para gerar o próximo elemento.
Eles estão na base de muitos modelos de linguagem modernos.
O easter egg aqui é inevitável: apesar do nome, um Transformer não se converte num caminhão e não luta contra Decepticons no estacionamento do data center. Seu trabalho é matemático, embora uma GPU superaquecida possa produzir efeitos especiais convincentes.
9. LLMs: os grandes modelos de linguagem
LLM significa Large Language Model, ou grande modelo de linguagem.
Esses modelos são treinados com enormes volumes de texto para aprender relações entre palavras, trechos de palavras, símbolos e estruturas.
O texto é dividido em tokens. Um token pode representar uma palavra inteira, parte de uma palavra, pontuação ou sequência de caracteres.
Ao receber um prompt, o modelo calcula probabilidades e seleciona os tokens que formarão a resposta.
Ele não procura necessariamente uma frase armazenada. Ele gera a sequência passo a passo.
Por isso, um LLM consegue produzir respostas originais e adaptar o estilo ao pedido. Também por isso pode inventar uma informação que parece perfeitamente plausível.
Um LLM é uma fantástica máquina de produzir linguagem provável.
“Provável”, entretanto, não significa “verdadeira”.
Se o modelo já viu muitos exemplos em que determinadas palavras aparecem juntas, ele pode construir uma resposta coerente mesmo sem possuir a informação correta.
Esse fenômeno é chamado de alucinação.
No mundo COBOL, seria como receber uma mensagem muito segura dizendo que FILE STATUS 97 significa “registro bloqueado por excesso de café”. A explicação pode soar memorável, mas você precisa verificar a documentação.
10. RAG: quando o modelo recebe uma biblioteca antes de responder
Retrieval-Augmented Generation, ou RAG, combina recuperação de informações com geração de conteúdo.
O processo normalmente possui três passos:
o usuário faz uma pergunta;
o sistema recupera documentos relevantes em uma fonte confiável;
o modelo gera a resposta utilizando a pergunta e os documentos recuperados.
Imagine uma empresa com milhares de manuais, tickets, normas, programas, copybooks, runbooks e documentos técnicos.
Sem RAG, o modelo responde principalmente com base nos padrões aprendidos durante seu treinamento e no contexto colocado manualmente no prompt.
Com RAG, o sistema pode localizar trechos relacionados ao assunto e apresentá-los ao modelo.
Exemplo:
Por que o job FINP023 terminou com RC=12?
O RAG pode recuperar:
o manual do processo;
ocorrências anteriores;
o runbook operacional;
mensagens do job;
mudanças recentes;
a documentação do programa.
O LLM utiliza esse material para preparar uma resposta fundamentada.
O fluxo simplificado é:
PERGUNTA
↓
BUSCA DE INFORMAÇÕES
↓
DOCUMENTOS RELEVANTES
↓
PROMPT ENRIQUECIDO
↓
LLM
↓
RESPOSTA FUNDAMENTADARAG reduz alucinações, melhora a atualização das respostas e permite trabalhar com conhecimento privado da organização.
Mas RAG não é água benta digital.
Se a base contém documentação antiga, contraditória ou incorreta, a resposta também pode ser problemática. Se a busca recuperar o documento errado, o modelo poderá construir uma ótima resposta para a pergunta errada.
A qualidade depende dos documentos, da indexação, da recuperação, do prompt e da validação.
11. E onde entram os grafos?
Grafos representam entidades e relacionamentos.
Em um ambiente mainframe, podemos imaginar entidades como:
programas;
copybooks;
jobs;
steps;
arquivos;
tabelas;
transações CICS;
usuários;
regras de negócio.
Os relacionamentos podem indicar:
programa lê arquivo;
programa atualiza tabela;
job executa programa;
copybook é utilizada por programa;
transação chama módulo;
usuário possui acesso;
alteração afeta processo.
Um grafo permite navegar por essas conexões.
Se alguém perguntar “o que pode ser impactado pela mudança desta copybook?”, um grafo de dependências pode localizar os programas, jobs e processos relacionados.
RAG e grafos podem trabalhar juntos.
O RAG recupera documentos e trechos relevantes. O grafo ajuda a recuperar relações estruturadas entre componentes.
Para modernização de aplicações COBOL, essa combinação é poderosa. Ela pode ajudar a construir mapas de dependência, explicar fluxos, localizar regras de negócio e avaliar impactos.
Só não devemos confundir representação com certeza absoluta. Se o inventário estiver incompleto, o grafo também estará.
Um mapa incorreto continua sendo um mapa. Apenas conduz o aventureiro ao dungeon errado.
12. Chatbots, assistentes e agentes
Um chatbot é um programa criado para conversar com usuários.
Os primeiros chatbots eram fortemente baseados em regras. Eles identificavam palavras-chave e seguiam fluxos predefinidos.
Exemplo:
Se usuário escrever “segunda via”:
apresentar menu de documentos.Chatbots modernos podem utilizar NLP, machine learning e modelos generativos para compreender variações da linguagem e manter conversas mais naturais.
Assistentes inteligentes vão além da conversa. Eles podem executar tarefas, consultar sistemas e personalizar respostas.
Já um agente de IA percebe o ambiente, planeja ações, utiliza ferramentas e trabalha para alcançar um objetivo.
Um agente pode:
receber uma meta;
dividir a meta em etapas;
consultar documentos;
chamar uma API;
executar código;
avaliar o resultado;
decidir o próximo passo.
É aqui que a discussão fica mais séria.
Um chatbot que escreve uma resposta incorreta pode confundir um usuário. Um agente com acesso a sistemas pode executar uma ação incorreta.
A diferença é semelhante àquela entre um colega sugerir um comando e alguém executar esse comando com autoridade de produção.
Quanto maior a autonomia, maior deve ser o controle.
Um agente corporativo precisa de:
identidade própria;
privilégios mínimos;
limites de ação;
registros de auditoria;
aprovação humana em operações críticas;
monitoramento;
botão de interrupção;
tratamento de exceções;
ambientes separados;
testes.
Nunca entregue ao agente a chave mestra porque ele passou no quiz introdutório com 100%.
13. IA, nuvem, edge e Internet das Coisas
A IA frequentemente trabalha com outras tecnologias.
Internet das Coisas — IoT
Dispositivos físicos coletam e compartilham dados.
Exemplos:
sensores industriais;
câmeras;
veículos;
dispositivos médicos;
equipamentos agrícolas;
sistemas prediais.
Computação em nuvem
Fornece armazenamento, processamento e serviços pela internet.
Ela facilita o treinamento e a disponibilização de modelos em grande escala.
Edge computing
Processa dados próximo de onde são gerados, reduzindo latência e dependência de conectividade.
Um veículo autônomo não pode enviar toda decisão para um data center distante e esperar tranquilamente a resposta enquanto se aproxima de uma parede.
A combinação dessas tecnologias permite semáforos inteligentes, agricultura de precisão, manutenção preditiva, edifícios automatizados e transporte conectado.
O mainframe pode participar desse ecossistema como sistema de registro, processador de transações e guardião de dados essenciais.
A IA não necessariamente substitui o legado. Muitas vezes ela se conecta ao legado por APIs, mensageria, eventos e camadas de integração.
14. Como a IA transforma empresas
A IA pode contribuir em diferentes áreas.
Automação
Executa tarefas repetitivas, como classificação de documentos, entrada de dados, agendamento e preparação de relatórios.
Análise de dados
Identifica padrões em grandes volumes de informação, auxilia previsões e apoia decisões.
Atendimento
Chatbots oferecem disponibilidade contínua, atendem muitos usuários e encaminham casos complexos para pessoas.
Desenvolvimento de produtos
A IA generativa cria alternativas de design, protótipos, descrições, simulações e ideias.
Marketing
Pode auxiliar na produção de conteúdo, segmentação, personalização e análise de comportamento.
Desenvolvimento de software
Pode explicar código, sugerir testes, completar trechos, gerar documentação e apoiar modernizações.
Para adotar IA de forma responsável, a empresa deve:
definir o problema de negócio;
estabelecer objetivos mensuráveis;
selecionar casos de uso adequados;
avaliar a disponibilidade e a qualidade dos dados;
preparar pessoas e infraestrutura;
desenvolver ou adquirir a solução;
testar;
integrar;
monitorar;
melhorar continuamente.
Comprar uma licença de IA não constitui estratégia.
É como instalar um compilador COBOL e anunciar que o sistema bancário está pronto.
15. A oportunidade para o desenvolvedor COBOL
O profissional COBOL possui uma vantagem frequentemente subestimada: conhecimento do negócio.
Modelos podem gerar código, mas não compreendem automaticamente décadas de decisões incorporadas aos sistemas.
Um programa antigo pode conter:
regras fiscais;
exceções contratuais;
convenções históricas;
adaptações regulatórias;
comportamentos esperados por outros sistemas;
tratamentos criados após incidentes esquecidos.
A IA pode ajudar o desenvolvedor COBOL a:
explicar programas;
produzir pseudocódigo;
documentar copybooks;
sugerir casos de teste;
localizar riscos;
traduzir regras para linguagem natural;
preparar consultas SQL;
analisar mensagens de erro;
criar exemplos de APIs;
comparar versões;
construir inventários;
estudar novas tecnologias.
Mas o desenvolvedor deve proteger dados empresariais. Código, credenciais, informações de clientes e regras proprietárias não devem ser enviados indiscriminadamente para ferramentas públicas.
Antes de utilizar uma IA, verifique:
a política da organização;
o tipo de dado permitido;
onde o conteúdo será processado;
se os prompts serão armazenados;
se serão usados para treinamento;
quais controles de privacidade existem;
quem é responsável pela validação.
O PROCEDURE DIVISION pode ser antigo. A obrigação de confidencialidade continua perfeitamente atual.
16. Ética: as novas Leis da Robótica corporativa
A IA apresenta riscos relacionados a:
privacidade;
segurança;
viés;
discriminação;
transparência;
direitos autorais;
desinformação;
deepfakes;
falta de explicabilidade;
autonomia excessiva;
desigualdade de acesso;
consumo de energia.
Os dados usados no treinamento podem conter preconceitos históricos. O modelo aprende esses padrões e pode reproduzi-los.
Informações confidenciais podem aparecer em datasets, prompts, logs ou respostas.
Conteúdos generativos podem parecer autênticos e ser utilizados para fraude ou manipulação.
Sistemas automatizados podem tomar decisões que afetam pessoas sem oferecer uma explicação adequada.
A resposta não é abandonar a IA. É desenvolver governança.
Asimov criou leis fictícias para limitar os robôs. Empresas precisam de mecanismos muito menos literários e muito mais verificáveis:
políticas;
responsabilidades definidas;
avaliação de risco;
gestão de dados;
controles técnicos;
auditorias;
documentação;
testes de viés;
monitoramento;
gestão de incidentes;
conformidade regulatória;
supervisão humana.
Entre os referenciais conhecidos estão o NIST AI Risk Management Framework e a legislação europeia sobre inteligência artificial.
Governança não é a reunião que acontece depois do incidente. É o conjunto de práticas que tenta impedir que o incidente aconteça.
17. Por que os modelos alucinam?
Um LLM não funciona como uma base de dados tradicional.
Ele foi treinado para gerar sequências linguisticamente coerentes. Quando não possui informação suficiente, pode completar a resposta com algo provável.
A alucinação pode ocorrer por:
falta de contexto;
ambiguidade no prompt;
conhecimento desatualizado;
dados de treinamento incompletos;
recuperação inadequada no RAG;
pressão para responder mesmo sem evidência;
tarefas que exigem precisão além da capacidade do modelo.
Algumas formas de reduzir o risco:
fornecer contexto confiável;
usar RAG;
solicitar fontes;
limitar o modelo aos documentos apresentados;
permitir que responda “não encontrei informação”;
validar resultados;
usar ferramentas determinísticas para cálculos;
testar diferentes cenários;
manter revisão humana.
A instrução mais importante pode ser:
Se não houver evidência suficiente, informe que não sabe.
Isso parece simples, mas contraria a tendência natural do modelo de continuar gerando uma resposta.
É o equivalente artificial daquele colega que nunca diz “não sei”, mesmo quando acabou de conhecer o sistema há três dias.
18. Um laboratório prático para o iniciante
Você pode experimentar IA generativa sem começar por uma arquitetura gigantesca.
Escolha um pequeno programa COBOL fictício, sem dados confidenciais.
Passo 1 — Peça uma explicação
Explique este programa COBOL para um iniciante. Descreva as divisões, os arquivos, o fluxo principal e a saída.
Passo 2 — Peça uma revisão crítica
Identifique riscos de dados inválidos, divisões por zero, campos não inicializados e problemas com tratamento de FILE STATUS.
Passo 3 — Solicite testes
Crie uma tabela de casos de teste contendo entrada, resultado esperado e risco coberto.
Passo 4 — Compare com o código
Verifique cada afirmação. Marque o que está correto, parcialmente correto ou inventado.
Passo 5 — Melhore o prompt
Acrescente contexto e restrições.
Passo 6 — Faça a IA revisar a própria resposta
Reanalise sua resposta. Para cada conclusão, informe qual trecho do programa oferece evidência.
Passo 7 — Registre o aprendizado
Observe onde a IA ajudou e onde precisou de supervisão.
Esse exercício ensina mais que simplesmente pedir “faça meu trabalho”. Ele demonstra a relação correta entre especialista e ferramenta.
19. O fluxo completo de uma IA generativa moderna
Podemos resumir uma solução moderna assim:
o usuário envia um prompt;
uma camada de segurança verifica conteúdo, identidade e permissões;
o sistema interpreta a intenção;
o RAG procura informações relevantes;
grafos podem localizar entidades e dependências;
o prompt é enriquecido com contexto;
o LLM gera uma resposta;
ferramentas podem ser chamadas para executar tarefas;
filtros avaliam o resultado;
uma pessoa revisa decisões importantes;
logs registram o processo;
métricas alimentam a melhoria contínua.
Observe que o LLM é apenas uma peça.
A aplicação real também precisa de:
autenticação;
autorização;
integração;
recuperação de dados;
observabilidade;
governança;
tratamento de erros;
auditoria;
infraestrutura;
experiência do usuário.
O modelo pode ser o ator famoso no cartaz, mas existe uma equipe inteira mantendo o filme em exibição.
No mainframe conhecemos bem essa realidade. O programa COBOL pode conter a regra principal, porém depende de JCL, datasets, catálogos, segurança, scheduler, mensageria, banco de dados e operação.
IA corporativa também é arquitetura, não apenas modelo.
Epílogo — O robô não substituiu o programador; apenas pediu acesso ao ambiente de homologação
Depois de visitar o CPD, Asimov observa o programa COBOL e a aplicação de IA trabalhando lado a lado.
O COBOL continua fazendo aquilo que sabe fazer muito bem: processar transações críticas de forma previsível.
A IA analisa documentação, auxilia o profissional, sugere testes e torna o conhecimento mais acessível.
Nenhum deles trabalha sozinho.
O sistema legado fornece regras e dados que sustentam o negócio. A IA oferece novas formas de interagir com esse conhecimento. O ser humano define o objetivo, avalia o contexto, administra riscos e assume a responsabilidade.
Essa talvez seja a verdadeira inteligência aumentada.
Não é o robô ocupando a cadeira do analista. É o analista ganhando uma ferramenta capaz de atravessar milhares de páginas, localizar padrões e preparar alternativas — desde que alguém experiente continue perguntando:
De onde veio essa informação?
Qual evidência sustenta a resposta?
Que dado foi utilizado?
Qual será o impacto?
Quem autorizou a ação?
Como podemos interromper o processo?
O resultado foi validado?
O futuro não será construído apenas por quem sabe conversar com uma IA. Será construído por quem compreende sistemas, dados, segurança, negócios e responsabilidade.
Para o programador COBOL iniciante, a mensagem é especialmente importante: você não chegou tarde.
O mundo precisa de pessoas capazes de conectar aplicações críticas a novas tecnologias sem destruir aquilo que já funciona. Precisa de profissionais que entendam que uma resposta bonita não substitui um teste, que uma automação não elimina controle e que modernização não significa apagar quarenta anos de conhecimento com um único comando.
Aprenda prompts, LLMs, RAG, agentes, grafos e APIs.
Mas continue aprendendo COBOL, JCL, Db2, CICS, VSAM, RACF e regras de negócio.
Porque, quando o robô finalmente entrar na sala de mudanças e disser “a alteração é pequena”, alguém precisará ter experiência suficiente para responder:
— Ótimo. Então mostre o impacto, apresente os testes e aguarde a janela de implementação.
Em algum lugar da Fundação, Hari Seldon provavelmente sorrirá.
E no CPD, discretamente, o JES2 continuará processando a fila.
