☕ 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 MCP. Mostrar todas as mensagens
Mostrar mensagens com a etiqueta MCP. Mostrar todas as mensagens

segunda-feira, 3 de agosto de 2026

CSI Las Vegas — O Caso do Agente Fantasma Afinal : Onde Mora o IBM Bob?

Bellacosa Mainframe e o caso do agente fantasma onde o ibm bob habita?

☕ Um Café no Bellacosa Mainframe

CSI Las Vegas — O Caso do Agente Fantasma

Afinal... Onde Mora o IBM Bob?

"Toda investigação começa com uma pergunta aparentemente simples. No CSI Las Vegas aprendemos que, muitas vezes, a resposta está escondida exatamente onde ninguém pensa em procurar."

A pergunta chegou ao laboratório Bellacosa Mainframe numa tarde qualquer.

"O IBM Bob mora dentro do Mainframe?"

Silêncio.

O programador COBOL olha para o SDSF.

O operador observa a JES2.

O Sysprog abre a SYS1.PROCLIB.

O Administrador RACF consulta os Started Tasks.

Nada.

Nenhum PROC chamado BOB.

Nenhuma SYS.BOB.LIB.

Nenhum BOBLOAD.

Nenhum BOBPROC.

Nenhum STC.

Então...

Onde diabos mora esse agente?

Pegue sua lanterna.

Hoje investigaremos uma das maiores cenas do crime da Inteligência Artificial aplicada ao IBM Z.


Cena do Crime

CSI Las Vegas.

Sala escura.

Monitores iluminando o laboratório.

Na parede um enorme diagrama do z/OS.

Grissom aproxima-se.

— Catherine...

Onde está o Bob?

Nick responde:

— Não encontramos nenhum dataset.

Sara consulta o catálogo.

LISTCAT LEVEL(SYS.BOB)

Resultado:

ENTRY NOT FOUND

Brass pergunta:

— Então ele não existe?

Grissom sorri.

— Existe.

Só não mora onde vocês estão procurando.



A Primeira Hipótese

Todo programador COBOL imagina algo parecido com isto.

SYS1.PROCLIB

↓

SYS1.PARMLIB

↓

SYS1.LINKLIB

↓

USER.COBOL

↓

COPYLIB

↓

JCLLIB

↓

SYS.BOB.LIB

Seria maravilhoso.

Uma biblioteca contendo:

BOB

BOBINIT

BOBPROC

BOBLOAD

BOBCFG

Mas isso simplesmente não existe.

Pelo menos não na arquitetura atual.


O Grande Engano

Nós, profissionais de mainframe, fomos treinados durante quarenta anos para acreditar que:

"Se executa alguma coisa...

ela deve morar em algum dataset."

É natural pensar assim.

O CICS mora em bibliotecas.

O DB2 mora em bibliotecas.

O IMS mora em bibliotecas.

O MQ mora em bibliotecas.

O RACF possui módulos.

O DFSORT possui módulos.

Até o ISPF possui bibliotecas.

Então...

onde mora Bob?

A resposta muda completamente nossa forma de pensar.



Bob não mora no z/OS

Bob é um serviço.

Mais precisamente,

um AI Software Engineer Service.

Ele vive em infraestrutura moderna.

Pode estar:

  • IBM Cloud

  • Linux

  • Kubernetes

  • OpenShift

  • LinuxONE

  • Cloud privada

  • Data Center corporativo

Mas normalmente

não dentro do Address Space do z/OS.


Pense no Banco de Dados

Imagine um programa COBOL.

READ CLIENTE

Os dados não estão no COBOL.

Estão no VSAM.

Agora imagine:

EXEC SQL
SELECT *
FROM CLIENTES

O DB2 não mora no COBOL.

Ele responde ao COBOL.

Bob faz exatamente isso.



O Novo Modelo Mental

Em vez disso,

pense assim.

                 IBM Bob

             AI Service

                 │

      HTTPS / MCP / APIs

                 │

      IBM Z Open Editor

                 │

          Seu Programa

                 │

              Mainframe

O Bob está do outro lado da conversa.


Quem faz a ponte?

Aqui entra um personagem novo.

O MCP.

Model Context Protocol.

Imagine o velho VTAM.

Ele ligava terminais.

O MCP liga Inteligências Artificiais.


Antes

3270

↓

VTAM

↓

CICS


Hoje

Bob

↓

MCP

↓

Git

↓

Filesystem

↓

Mainframe

↓

Cloud

↓

SQLite

↓

Appwrite

↓

GitHub

É o mesmo conceito.

Mudou apenas o protocolo.


O Investigador encontra uma pista

Sara abre o VS Code.

Existe um programa COBOL.

CLIENTE.CBL

Bob consegue explicar.

Grissom pergunta.

Como?

Será que Bob entrou no PDS?

Não.

Quem abriu o programa foi o editor.

O editor entregou o conteúdo ao Bob.


Quem entrega os COPYBOOKs?

Outra pergunta excelente.

Imagine.

COPY CLIENTE.

COPY CONTA.

COPY BMSMAP.

O editor conhece o projeto.

Ele resolve os COPYBOOKs.

Quando Bob precisa entender o código,

ele recebe esse contexto.

Não porque entrou no Mainframe.

Mas porque alguém lhe mostrou.


A mesma lógica vale para

  • JCL

  • PROC

  • SYSIN

  • SQL

  • REXX

  • CLIST

  • HLASM

Tudo depende do contexto entregue.



Então Bob nunca acessa o Mainframe?

Aí está o detalhe interessante.

Ele pode acessar.

Mas através de portas autorizadas.

Nunca "invadindo" o z/OS.

Por exemplo.


Caminho 1

VS Code

↓

Zowe Explorer

↓

z/OSMF

↓

REST

↓

Mainframe

Caminho 2

Bob

↓

MCP

↓

Git

↓

Pipeline

↓

DBB

↓

Mainframe

Caminho 3

Bob

↓

SSH

↓

USS

↓

Linux

Tudo depende da arquitetura.


LinuxONE entra na investigação

Agora a história fica muito mais interessante.

Imagine um datacenter IBM.

Rack

↓

IBM Z

+

LinuxONE

↓

Rede interna

↓

Storage

↓

OpenShift

O LinuxONE é um monstro.

Ele roda Linux.

Mas não é um Linux qualquer.

Ele compartilha muitas características do IBM Z.

Alta disponibilidade.

Segurança.

Virtualização.

Criptografia.

Escalabilidade absurda.


E se Bob morasse no LinuxONE?

Agora estamos falando.

Imagine.

LinuxONE

↓

OpenShift

↓

Container

↓

IBM Bob

Esse cenário faz muito sentido.

Porque:

  • baixa latência

  • segurança

  • sem sair do datacenter

  • integração corporativa


Bob e OpenShift

Imagine.

Pod

↓

IBM Bob

↓

MCP Server

↓

REST APIs

Tudo rodando localmente.

O Mainframe conversa pela rede interna.

Muito parecido com:

CICS

↓

MQ

↓

Application Server


O papel do Telum

Agora entra outro personagem.

Telum.

O processador do IBM Z.

Muita gente pensa:

"O Telum roda Bob."

Não exatamente.


O que Telum realmente faz?

Telum possui IA embarcada.

Mas ela foi criada para inferência transacional.

Exemplo.

Fraude bancária.

Cartão de crédito.

Detecção de risco.

Scoring.

Machine Learning.

Tudo isso acontece durante a própria transação.


Imagine.

Cliente compra.

↓

CICS.

↓

COBOL.

↓

DB2.

↓

Telum AI.

↓

Fraude detectada.

↓

Autoriza.

↓

Resposta.

Tudo em poucos milissegundos.


Então Bob usa Telum?

Hoje,

não diretamente.

Bob é um agente.

Telum é um acelerador de IA.

São papéis diferentes.

É como comparar.

Compilador COBOL

e

CPU

O compilador usa a CPU.

Mas não mora nela.


Poderia usar?

Perfeitamente.

Imagine uma arquitetura futura.

IBM Bob

↓

LLM

↓

Agente

↓

Inferência Telum

↓

Mainframe

Algumas decisões poderiam ser aceleradas pelo hardware.


O Grande Sonho do Sysprog

Agora imagine uma empresa.

Tudo dentro do próprio datacenter.

                  Firewall

                     │

────────────────────────────────────

             IBM Z

────────────────────────────────────

       z/OS

         │

    z/OSMF

         │

    REST APIs

────────────────────────────────────

     LinuxONE

────────────────────────────────────

 OpenShift Cluster

      │

 IBM Bob

 MCP Server

 Vector Database

 Granite LLM

 watsonx

────────────────────────────────────

      Storage

────────────────────────────────────

Observe.

Bob continua não morando no z/OS.

Mas mora ao lado.

Dentro da mesma empresa.


Como um Sysprog enxergaria isso?

Algo parecido com:

Users

↓

VS Code

↓

Bob

↓

MCP

↓

z/OSMF

↓

RACF

↓

Datasets

↓

JES2

↓

CICS

↓

DB2

Cada camada conversa apenas com a seguinte.


O papel do RACF

Outra pergunta importante.

Bob pode ler qualquer dataset?

Não.

Quem manda continua sendo o RACF.

Imagine.

USER

↓

RACF

↓

Permissão

↓

Dataset

Bob nunca deveria ultrapassar essas permissões.

Ele atua com as credenciais autorizadas.


E o Sysadmin?

O Sysadmin enxerga diferente.

Ele pensa.

CPU.

Containers.

Pods.

TLS.

Certificados.

Load Balancer.

Storage.

OpenShift.

Logs.

Monitoramento.

Prometheus.

Grafana.

Para ele,

Bob é apenas mais um serviço corporativo.


O Sysprog pensa diferente

Ele pensa.

SYS1.PARMLIB

LPAR

SMF

RMF

APF

LINKLIST

JES

RACF

WLM

Por isso existe a confusão.

Bob pertence mais ao universo DevOps do que ao universo clássico do z/OS.


E se IBM decidisse integrar tudo?

Agora começa a ficção científica.

Imagine.

IBM.BOB.STC

Started Task.

BOBPROC

PROC.

SYS1.BOBLIB

Biblioteca.

BOBCFG

Parâmetros.

BOBMCP

Servidor.

Tudo hospedado em USS.

Não é impossível.

Na verdade,

USS já permite executar aplicações Linux-like dentro do z/OS.

Poderíamos imaginar:

USS

↓

Container

↓

Granite

↓

MCP

↓

Bob

Embora hoje esse não seja o modelo oficial.


Easter Egg nº 1

Lembra quando dizíamos:

"O Mainframe é um computador enorme."

Hoje essa definição está errada.

O IBM Z virou um grande orquestrador.

Ele conversa com:

  • Linux

  • Cloud

  • Kubernetes

  • APIs

  • IA

  • Containers

O computador deixou de ser uma ilha.


Easter Egg nº 2

Nos anos 1980 perguntávamos:

"Onde está o programa?"

Hoje perguntamos:

"Onde está o serviço?"

É uma mudança filosófica enorme.


Easter Egg nº 3

Daqui a alguns anos,

talvez um novo programador pergunte:

"Onde mora o Agente?"

E o Sysprog responderá:

"Não importa onde ele mora.

Importa apenas qual identidade RACF ele usa."


Veredito do CSI Las Vegas

Grissom fecha a pasta da investigação.

Na primeira página está escrito:

O Caso do Agente Fantasma

Conclusão:

O IBM Bob não desapareceu.

Nunca esteve escondido em uma SYS.BOB.LIB.

Nunca foi um módulo APF.

Nunca ocupou uma PDSE ao lado dos seus COPYBOOKs.

Ele representa uma nova geração de software: serviços inteligentes distribuídos, acessados por protocolos modernos e integrados ao ecossistema corporativo.

Para o programador COBOL, isso pode parecer estranho no início. Afinal, passamos décadas procurando tudo em bibliotecas, PROCs, LOADLIBs e datasets catalogados. Mas o mundo mudou.

Hoje, o código continua vivendo no z/OS. Os dados continuam protegidos pelo RACF. Os JOBs continuam passando pelo JES2. O CICS continua processando milhões de transações e o Db2 continua armazenando o coração do negócio.

A novidade é que surgiu um novo colega de equipe.

Ele não mora na estante das bibliotecas.

Ele mora na rede.

Pode estar em um cluster OpenShift sobre LinuxONE, em uma nuvem privada IBM, integrado ao watsonx e aos modelos Granite, conversando com o z/OS por z/OSMF, Zowe, MCP e APIs seguras.

É como um consultor extremamente experiente sentado do outro lado do vidro da sala de operações. Ele não toca diretamente nos datasets nem invade o sistema. Observa o contexto que você lhe fornece, analisa, sugere, documenta, revisa e acelera o trabalho.

Talvez essa seja a maior transformação desde o surgimento do CICS ou do Db2: o conhecimento deixou de estar preso a uma biblioteca física e passou a existir como um serviço inteligente, distribuído, colaborativo e conectado.

E quem sabe, daqui a alguns anos, ao abrir um console do z/OS, o Sysprog encontre finalmente aquele velho sonho realizado:

===> START BOB

IEF403I BOB - STARTED

IBM AI Software Engineer ready.

Waiting for next mission...

Nesse dia, provavelmente Grissom apenas sorriria e diria:

"O agente nunca esteve perdido. Nós é que estávamos procurando no lugar errado."

domingo, 2 de agosto de 2026

IBM Bob : O Holocron do Padawan — Da Primeira Pergunta até os Agentes Inteligentes

 

Bellacosa Mainframe e o holocron do conhecimento do ibm bob

☕ Um Café no Bellacosa Mainframe

IBM Bob para Programadores COBOL

O Holocron do Padawan — Da Primeira Pergunta até os Agentes Inteligentes

"Quando um programador COBOL encontra uma IA pela primeira vez, a tendência é pensar que ela escreve código. Depois de alguns dias percebe que ela faz muito mais. Depois de alguns meses percebe que quem realmente mudou foi a forma de pensar sobre desenvolvimento."


Durante décadas nós aprendemos uma sequência relativamente estável.

Requisito
↓
Análise
↓
Codificação
↓
Compilação
↓
Teste
↓
Produção

O IBM Bob não muda esse fluxo.

Ele muda quem participa dele.

O desenvolvedor deixa de trabalhar sozinho e passa a trabalhar acompanhado por uma IA especializada.

Essa é exatamente a ideia por trás de praticamente todas as fases do treinamento.



Capítulo 1 — O que é o IBM Bob?

O erro mais comum é pensar:

"Bob é um ChatGPT."

Não.

Bob é um AI Software Engineer.

Ele foi construído para acompanhar todo o ciclo de vida do software (SDLC).

Ele entende:

  • código

  • arquitetura

  • documentação

  • Git

  • Pull Request

  • testes

  • APIs

  • banco de dados

  • DevOps

  • Cloud

  • Mainframe

Ele não responde apenas perguntas.

Ele participa do desenvolvimento.



Capítulo 2 — O verdadeiro SDLC

Praticamente em vários momentos do curso falam do SDLC.

A ordem correta é:

Planejamento

↓

Levantamento de requisitos

↓

Análise

↓

Design

↓

Implementação

↓

Testes

↓

Deploy

↓

Manutenção

Nunca confunda.

Os testes nunca vêm antes dos requisitos.


Planejamento

Aqui respondemos:

O que será construído?

Quem vai usar?

Qual problema resolve?


Requisitos

Aqui descobrimos:

  • regras de negócio

  • usuários

  • limitações

  • integrações

É exatamente como conversar com o cliente antes de escrever um COBOL.


Design

Aqui definimos

Arquitetura.

Tecnologias.

Banco.

API.

Cloud.

Infraestrutura.

É a planta da casa.


Implementação

Aqui escrevemos código.

COBOL.

Java.

Python.

TypeScript.

Não importa.

O design vira código.


Testes

Somente agora validamos.

Não antes.


Capítulo 3 — Contexto é Rei

Uma das maiores mensagens do curso.

IA sem contexto é praticamente inútil.

Imagine perguntar:

Melhore esse programa.

Qual programa?

Qual arquivo?

Qual função?

Qual objetivo?

Agora compare com:

Arquivo:

CLIENTE.CBL

Objetivo:

Melhorar performance da leitura VSAM.

Não alterar layout.

Não modificar regras fiscais.

Não instalar bibliotecas.

Agora Bob entende.

Toda IA funciona melhor quando recebe contexto.



Capítulo 4 — Janela de Contexto

Outro assunto recorrente.

A Janela de Contexto é simplesmente tudo aquilo que Bob conhece naquele momento.

Ela contém:

  • conversa

  • arquivos

  • regras

  • prompts

  • histórico

  • documentos

Quanto maior o contexto útil,

melhor a resposta.

Quanto maior o contexto inútil,

pior a resposta.


Context Poisoning

Uma expressão importante.

Imagine manter aberto:

Projeto Banco A.

Depois mudar para

Projeto Banco B.

Mas esquecer documentos antigos.

Bob pode misturar regras.

Isso chama-se

Context Poisoning.

A IA passa a raciocinar baseada em informações erradas.



Capítulo 5 — Human in the Loop

Talvez seja o conceito mais importante do treinamento.

Bob nunca substitui o desenvolvedor.

Ele trabalha junto.

Você continua responsável por:

✔ validar

✔ revisar

✔ aprovar

✔ decidir

A IA sugere.

Você decide.


Capítulo 6 — Auto Approve

Bob pode executar ações automaticamente.

Mas existem níveis.

Exemplo:

Leitura

Pode abrir arquivos.

Pode listar diretórios.

Sem perguntar.

Já comandos perigosos

como

git reset

rm

git push

normalmente pedem confirmação.

Por quê?

Porque alterar um repositório é diferente de apenas ler um arquivo.


Capítulo 7 — Checkpoints

O que faz um checkpoint? Muitas vezes usamos o conceito mas não paramos para analisar e fazer um mapa mental.

Checkpoint significa:

Criar um ponto seguro.

Igual snapshot.

Antes de uma grande mudança:

✔ cria checkpoint

✔ modifica

✔ testa

✔ aprova

É exatamente igual ao conceito de backup antes de um grande IPL.



Capítulo 8 — Bob Rules

Aqui está um conceito excelente.

Imagine um programador COBOL.

Toda vez você escreve:

Sempre documente.

Nunca use GO TO.

Explique em português.

Isso é repetitivo.

As Bob Rules resolvem isso.

São regras permanentes.

Exemplo:

Sempre gerar comentários.

Nunca instalar dependências.

Usar Clean Code.

Elas ficam válidas para o projeto inteiro.



Capítulo 9 — Slash Commands

Enquanto Rules são permanentes,

Slash Commands são ações.

Exemplo:

/review

Revisar código.

/document

Gerar documentação.

/performance

Analisar desempenho.

São pequenas automações.


Capítulo 10 — agent.md

Uma excelente ideia.

O arquivo

agent.md

é um manual para Bob.

Ele registra:

  • arquitetura

  • convenções

  • decisões

  • padrões

  • organização

É muito parecido com um grande README técnico.


Capítulo 11 — Git

O curso insiste bastante nisso.

Fluxo correto.

git checkout -b

↓

editar

↓

commit

↓

push

↓

Pull Request

↓

Review

↓

Merge

Jamais:

Editar diretamente a Main.


Pull Request

Não é apenas enviar código.

É pedir revisão.


Code Review

Serve para verificar

✔ qualidade

✔ documentação

✔ arquitetura

✔ padrões

✔ clareza

✔ links

✔ consistência

Não apenas bugs.



Capítulo 12 — MCP

Aqui começa o futuro.

Model Context Protocol.

Imagine um cabo USB.

Você conecta:

Bob

Git

SQLite

Appwrite

GitHub

Filesystem

Terminal

APIs

Tudo usando um padrão.

Esse padrão chama-se MCP.


MCP Local

Vale apenas para um projeto.


MCP Global

Vale para todos.


MCP Remoto

Permite conversar com serviços externos.

Exemplo:

Appwrite.


API Keys

Sem credenciais

Bob não entra.

Assim como RACF protege um dataset,

API Keys protegem serviços Cloud.



Capítulo 13 — LLM

Outra sequência cobrada.

LLM

↓

Chatbot

↓

Copilot

↓

Agente

LLM

Motor.


Chatbot

Conversa.


Copilot

Ajuda.


Agente

Executa.

Planeja.

Decide.

Corrige.



Capítulo 14 — Sistemas Agentic

Agente faz muito mais.

Ele consegue:

Planejar.

Executar.

Reavaliar.

Corrigir.

Continuar.

Esse conceito aparece sempre que usamos um chat bot, seria o nosso passo a passo na execução da tarefa.


Multistep

Executa várias etapas.

Não apenas uma.


Self Correction

Errou?

Corrige sozinho.


Human in the Loop

Mesmo assim,

o desenvolvedor continua aprovando.



Capítulo 15 — Analytics

Outro bloco do curso.

Bob Analytics mostra:

Consumo.

Bob Coins.

Plano.

Uso.

Métricas.


Bob Coins

Padronizam consumo.

Não importa qual modelo está por trás.


Trial

Temporário.


PRO

Renova Bob Coins mensalmente.


Overage

Uma pegadinha da prova.

No treinamento foi enfatizado que:

o overage precisa ser reativado manualmente a cada mês para continuar em uso.

Mesmo que essa característica possa variar entre serviços, essa é a resposta esperada no contexto da aula.



Capítulo 16 — O Grande Mapa Mental

Cliente

↓

Requisitos

↓

Design

↓

Bob entende contexto

↓

Rules

↓

Slash Commands

↓

agent.md

↓

Checkpoint

↓

Implementação

↓

Git

↓

Commit

↓

Push

↓

Pull Request

↓

Review

↓

Merge

↓

Deploy

↓

Analytics

↓

Melhoria Contínua


O Pensamento Bellacosa Mainframe

Quando comecei no mainframe, lá no final dos anos 1980, a inteligência estava concentrada em dois lugares: na cabeça do analista experiente e nos milhares de programas COBOL que sustentavam o negócio. Hoje, continuamos precisando dessa experiência, mas ganhamos um novo parceiro.

O IBM Bob não substitui o programador COBOL. Ele não conhece melhor o negócio do que quem mantém aquele sistema há anos. O que ele faz é acelerar tarefas repetitivas, organizar informações, sugerir melhorias e reduzir o tempo gasto com atividades mecânicas.

Pense nele como um novo integrante da equipe. Ele trabalha rápido, lê milhares de arquivos em segundos e nunca se cansa de revisar código. Porém, ainda depende do arquiteto, do analista e do desenvolvedor para definir o rumo correto.

No fim das contas, a principal lição de todo esse treinamento não é aprender comandos, MCPs ou Bob Rules. É compreender uma nova forma de desenvolver software:

A IA executa. O desenvolvedor direciona. A experiência humana continua sendo o verdadeiro sistema operacional por trás de qualquer projeto.

Esse é o verdadeiro espírito do Bellacosa Mainframe: combinar décadas de conhecimento em engenharia de software com as novas capacidades da Inteligência Artificial, formando um desenvolvedor que entende tanto o legado quanto o futuro.

quinta-feira, 9 de julho de 2026

O Guia Definitivo para um Programador COBOL Padawan Entender por que a Nova Revolução da Inteligência Artificial Parece Muito Mais um Sistema Bancário do IBM Z do que um Chatbot

 

Bellacosa Mainframe ai agents sem misterios

☕ Um Café no Bellacosa Mainframe

AI Agents sem Mistérios

O Guia Definitivo para um Programador COBOL Padawan Entender por que a Nova Revolução da Inteligência Artificial Parece Muito Mais um Sistema Bancário do IBM Z do que um Chatbot

"No Mainframe aprendemos uma lição que o mercado de IA está redescobrindo apenas agora: inteligência nunca esteve em uma única aplicação. Ela sempre surgiu da integração disciplinada entre diversos componentes especializados."


Durante os últimos anos, muito se falou sobre GPT, Llama, Claude, Gemini, DeepSeek e inúmeros outros modelos de linguagem. Para quem observa de fora, parece que a evolução da Inteligência Artificial consiste simplesmente em criar modelos cada vez maiores.

Mas existe uma mudança silenciosa acontecendo.

A próxima revolução não é sobre modelos.

É sobre arquitetura.

E essa talvez seja a melhor notícia que um programador COBOL pode receber.

Enquanto boa parte da indústria acredita que a IA nasceu em 2022, profissionais de Mainframe podem olhar para praticamente qualquer diagrama moderno de AI Agents e dizer:

"Curioso... já vi algo muito parecido funcionando em bancos há décadas."

Obviamente, as tecnologias são diferentes.

Os problemas também.

Mas os princípios da engenharia permanecem surpreendentemente familiares.


A maior ilusão sobre IA

Quando alguém pensa em Inteligência Artificial normalmente imagina algo assim:

Usuário
     │
     ▼
   ChatGPT
     │
     ▼
 Resposta

Isso funciona.

Mas isso não é um agente.

É apenas uma conversa.

Um verdadeiro AI Agent parece muito mais com isto:

Objetivo

↓

Planejamento

↓

Memória

↓

Recuperação de Conhecimento

↓

Raciocínio

↓

Ferramentas

↓

Execução

↓

Avaliação

↓

Nova decisão

Perceba um detalhe extremamente importante.

O modelo de linguagem aparece apenas como um componente.

Ele deixou de ser o protagonista.

Passou a ser apenas uma peça do sistema.

Isso muda completamente a forma de pensar.


Curiosidade nº 1

Os primeiros grandes sistemas corporativos já funcionavam como "agentes", embora ninguém utilizasse esse nome.

Pense em um processamento bancário.

O cliente solicita uma transferência.

O programa COBOL não resolve tudo sozinho.

Ele:

  • consulta o Db2;

  • verifica limites;

  • conversa com CICS;

  • envia mensagens MQ;

  • registra auditoria;

  • grava logs;

  • dispara novos processos.

No final, dezenas de componentes participaram daquela simples operação.

A IA Agêntica está redescobrindo exatamente esse conceito.


O verdadeiro cérebro do agente

Existe uma frase interessante na Engenharia de Software:

"Software complexo não é construído escrevendo funções enormes.

É construído coordenando pequenas funções muito bem organizadas."

Com agentes acontece exatamente isso.

O LLM não controla tudo.

Quem controla é a arquitetura.

Imagine um maestro.

O maestro não toca violino.

Não toca piano.

Não toca trompete.

Mas coordena todos.

O Agent Runtime faz exatamente isso.


Easter Egg nº 1

Se você já escreveu um PERFORM UNTIL em COBOL, já entende melhor um AI Agent do que imagina.

Veja:

PERFORM UNTIL PROCESSO-CONCLUIDO

    LER-DADOS

    VALIDAR

    PROCESSAR

    EXECUTAR

    VERIFICAR-RESULTADO

END-PERFORM

Agora compare com um agente moderno:

Observe

↓

Think

↓

Evaluate

↓

Execute

↓

Observe novamente

São praticamente o mesmo padrão arquitetural.

A única diferença é que agora algumas decisões são tomadas por modelos estatísticos.


Memória não significa banco de dados

Outro erro muito comum.

Quando falamos em memória, muita gente pensa imediatamente em um banco de dados.

Não é isso.

Os agentes modernos possuem diversos tipos de memória.

Isso lembra bastante a organização interna de um programa COBOL.


Working Memory

Equivale às variáveis da Working-Storage.

01 WS-NOME.

01 WS-SALDO.

01 WS-CPF.

Essas informações existem apenas durante o processamento.

Quando o programa termina...

Desaparecem.


Episodic Memory

Guarda experiências anteriores.

Imagine um operador que lembra:

"Ontem essa API ficou indisponível."

Ou:

"O cliente sempre prefere receber PDF."

Essa memória melhora decisões futuras.


Procedural Memory

Talvez seja a mais interessante.

Ela não guarda conhecimento.

Guarda procedimentos.

Exatamente como um programador COBOL.

Você talvez não memorize todos os comandos do SORT.

Mas sabe quando utilizá-los.

Esse conhecimento é procedural.


Easter Egg nº 2

Uma PROCEDURE DIVISION inteira pode ser vista como uma forma primitiva de memória procedural.

Isso mostra que COBOL sempre foi muito mais sofisticado do que muitos imaginam.


O MCP explicado para quem conhece Mainframe

Muita gente acredita que MCP é uma IA.

Não é.

Também não é um banco.

Nem um framework.

MCP é um protocolo.

Pense nele como:

  • JDBC

  • ODBC

  • MQ

  • TCP/IP

  • HTTP

  • REST

Seu trabalho é padronizar comunicação.

Nada mais.

Nada menos.

Sem ele, cada ferramenta precisaria conversar de uma forma diferente.

Com ele:

LLM

↓

MCP

↓

GitHub

↓

SAP

↓

Jira

↓

Mainframe

↓

Banco

↓

Filesystem

Tudo segue uma mesma linguagem.


Curiosidade nº 2

O sucesso do TCP/IP não aconteceu porque era o protocolo mais rápido.

Aconteceu porque todo mundo resolveu falar a mesma língua.

MCP caminha exatamente nessa direção.


Ferramentas são os novos EXEC CICS

Existe uma comparação extremamente divertida.

No COBOL temos:

EXEC SQL

CALL

EXEC CICS

LINK

XCTL

MQPUT

MQGET

Na IA temos:

Tool()

API()

Database()

Search()

Filesystem()

Email()

Calendar()

O conceito é idêntico.

A lógica continua sendo apenas um orquestrador.


O ciclo infinito da inteligência

A figura mostra algo fantástico.

O agente nunca para de observar.

Ele vive em um ciclo permanente.

Observar

↓

Interpretar

↓

Planejar

↓

Executar

↓

Observar novamente

Isso lembra outro velho conhecido.

O monitor CICS.

Recebe transação

↓

Processa

↓

Envia resposta

↓

Espera próxima transação

É um ciclo eterno.


Easter Egg nº 3

O famoso laço de controle OODA (Observe, Orient, Decide, Act), criado pelo estrategista militar John Boyd, é frequentemente comparado ao ciclo de agentes modernos.

Curiosamente, muitos sistemas transacionais corporativos já implementavam ciclos semelhantes muito antes da popularização da IA.


O agente não pensa sozinho

Esta talvez seja a maior descoberta da IA moderna.

Pensar custa caro.

Consultar custa barato.

Por isso surgiu o RAG.

Ao invés de decorar tudo...

O agente consulta.

Isso lembra muito um programa COBOL.

Um sistema bancário não possui todos os clientes em memória.

Ele consulta o Db2.

Sempre que necessário.


Curiosidade nº 3

Quanto maior o agente, menos ele depende da memória interna.

Parece contraditório.

Mas faz sentido.

Grandes sistemas preferem consultar fontes oficiais do que confiar apenas na memória.

Os bancos fazem isso há décadas.


Planejamento lembra um velho conhecido...

JCL.

Antes do programa executar:

STEP001

↓

STEP002

↓

STEP003

↓

STEP004

Tudo já foi planejado.

Os agentes fazem exatamente isso.

Antes de responder.

Eles decompõem o problema.


Easter Egg nº 4

O conceito moderno chamado Task Decomposition é praticamente o equivalente filosófico ao particionamento de um grande JOB em múltiplos STEP's reutilizáveis.


O maior erro de um iniciante

Quem está começando em IA normalmente pergunta:

"Qual é o melhor modelo?"

Essa pergunta equivale a perguntar:

"Qual é o melhor compilador COBOL?"

Não é a pergunta correta.

A pergunta correta seria:

Como toda a arquitetura foi construída?


O verdadeiro diferencial

Os agentes realmente impressionantes possuem:

✔ memória

✔ ferramentas

✔ planejamento

✔ logs

✔ recuperação

✔ auditoria

✔ monitoramento

✔ controle

✔ validação

✔ observabilidade

Parece familiar?

Claro.

É exatamente assim que sistemas críticos são construídos.


Curiosidade nº 4

Os bancos nunca confiaram apenas no programa COBOL.

Sempre confiaram na arquitetura inteira.

A IA está aprendendo essa mesma lição.


O papel da avaliação

Uma diferença enorme entre um chatbot simples e um agente corporativo está na etapa de avaliação.

Depois de executar uma ação, o agente pergunta:

  • A API respondeu?

  • O banco confirmou?

  • O arquivo foi criado?

  • O usuário recebeu?

  • O resultado faz sentido?

No Mainframe fazemos isso desde sempre.

IF SQLCODE = ZERO

IF FILE-STATUS = "00"

IF RETURN-CODE = ZERO

A validação é parte da lógica.

Nunca um detalhe.


Easter Egg nº 5

Um dos padrões mais modernos em agentes é chamado Reflection.

Depois de responder...

O agente analisa sua própria resposta.

Curiosamente, isso lembra bastante um programador experiente revisando o próprio código antes do code review.


Observabilidade: a grande esquecida

Um agente sem logs é como um programa batch sem SYSOUT.

Quando algo dá errado...

Ninguém sabe por quê.

Por isso arquiteturas modernas utilizam:

  • Telemetria

  • Métricas

  • Traces

  • Logs

  • Auditoria

  • Eventos

No IBM Z temos equivalentes extremamente maduros:

  • SMF

  • RMF

  • SYSLOG

  • SDSF

  • JESMSGLG

  • JESYSMSG

Mais uma vez, o Mainframe já praticava esses conceitos há muito tempo.


A verdadeira autonomia

Existe uma frase que merece ser lembrada.

Um agente não é inteligente porque executa muitas ações.

Ele é inteligente porque sabe quando não executar.

Essa é a diferença entre automação e autonomia responsável.

É por isso que governança, políticas de acesso, autenticação, autorização e auditoria são componentes indispensáveis em ambientes corporativos.


O maior Easter Egg de todos

Talvez o aspecto mais curioso dessa nova geração de IA seja perceber que muitos dos conceitos considerados "inovadores" já existiam, com outros nomes, no universo Mainframe.

IA AgênticaIBM Z / Mainframe
Working MemoryWorking-Storage
Procedural MemoryProcedure Division
Tool CallingEXEC CICS / EXEC SQL / CALL
PlannerJCL / Scheduler
RetrievalDb2 / VSAM / IMS
ReflectionValidação de RC, SQLCODE, FILE STATUS
OrchestratorCICS, JES2, Control-M, OPC
ObservabilitySMF, RMF, SDSF, SYSLOG
Agent RuntimeMonitor transacional + lógica de negócio
GovernanceRACF, SAF, Auditoria

É claro que não são tecnologias equivalentes em implementação, mas os princípios arquiteturais apresentam paralelos notáveis.


Conselho final para um Padawan COBOL

Se você acredita que a Inteligência Artificial substituirá completamente os profissionais de Mainframe, talvez esteja olhando apenas para a superfície.

Os melhores arquitetos de agentes precisarão entender muito mais do que prompts. Eles precisarão dominar orquestração, governança, integração, confiabilidade, observabilidade, recuperação de falhas e regras de negócio — exatamente os pilares sobre os quais os grandes sistemas IBM Z foram construídos ao longo de décadas.

Enquanto muitos enxergam um AI Agent como um "chatbot com ferramentas", um programador COBOL experiente reconhece algo muito mais profundo: um ecossistema de componentes cooperando de forma disciplinada para atingir um objetivo comum.

No fim das contas, a grande lição é quase poética. A indústria da IA está descobrindo que inteligência não nasce de um modelo gigantesco, mas da engenharia cuidadosa que conecta memória, planejamento, raciocínio, execução, auditoria e controle. E para quem passou anos desenvolvendo aplicações críticas em bancos, seguradoras e governos, isso soa surpreendentemente familiar.

Como diria um velho Mestre Jedi do IBM Z:

"Os modelos impressionam nas demonstrações. Mas são as arquiteturas bem projetadas que sobrevivem por décadas."


segunda-feira, 6 de julho de 2026

IA Generativa Muito Além do ChatGPT - Parte II

Bellacosa Mainfram apresenta ia generativa

☕ Um Café no Bellacosa Mainframe

IA Generativa Muito Além do ChatGPT

O Que Todo Programador COBOL Padawan Precisa Saber Sobre RAG, MCP, watsonx, IBM Z, CICS, Db2, APIs e Como a Inteligência Artificial Está Transformando os Sistemas Mais Críticos do Mundo (Parte 2)

"A tecnologia muda. Os princípios permanecem. Empresas não sobrevivem porque adotam modismos, mas porque conseguem evoluir preservando aquilo que já funciona."


Quando a IA Encontra o Mundo Real

Na primeira parte deste artigo vimos que a Inteligência Artificial não veio substituir o Mainframe.

Na verdade, ela depende dele.

Agora vamos responder uma pergunta ainda mais importante:

Como isso acontece dentro de uma grande instituição financeira?

Esqueça por um momento os chatbots públicos.

Imagine um banco que processa:

  • 150 milhões de transações por dia;

  • milhares de PIX por segundo;

  • milhões de cartões;

  • investimentos;

  • empréstimos;

  • seguros;

  • câmbio;

  • previdência.

Todo esse universo continua sendo coordenado por aplicações executando no IBM Z.

A IA entra como uma camada de inteligência.

Não como substituição.


Caso 1 — Atendimento Inteligente

Imagine que um cliente escreve:

"Meu cartão foi recusado. O que aconteceu?"

Sem IA:

  • abertura de chamado;

  • consulta manual;

  • operador verifica sistemas;

  • resposta alguns minutos depois.

Com IA integrada ao Mainframe:

Cliente

↓

Assistente IA

↓

RAG

↓

API REST

↓

CICS

↓

Programa COBOL

↓

Db2

↓

Regras de Negócio

↓

Resposta Personalizada

Resposta:

"Sua compra foi recusada porque ultrapassou o limite diário de segurança definido para transações internacionais. Você pode aumentar esse limite diretamente pelo aplicativo."

Nenhuma informação foi inventada.

Tudo veio do sistema corporativo.


Caso 2 — Explicando Programas COBOL

Imagine um programa com 25.000 linhas.

O desenvolvedor recém-chegado pergunta:

"Como esse programa calcula juros?"

Sem IA:

Dias analisando código.

Com IA:

Programa COBOL

↓

Parser

↓

Embedding

↓

Base Vetorial

↓

LLM

↓

Resumo Técnico

Resposta:

O cálculo de juros ocorre nos parágrafos CALC-JUROS e APLICA-TAXA. A taxa depende do tipo de contrato, perfil do cliente e índice econômico armazenado na tabela FIN_RATE.

O profissional continua responsável pela validação.

Mas economiza horas.


Caso 3 — Documentação Automática

Uma das maiores dores em sistemas legados é documentação desatualizada.

Hoje podemos construir pipelines que façam:

Git

↓

Programa COBOL

↓

Parser

↓

IA

↓

Markdown

↓

Wiki

↓

Confluence

Resultado:

Toda alteração gera documentação automaticamente.


Caso 4 — Geração de Casos de Teste

Imagine este trecho COBOL:

IF SALDO < VALOR-SAQUE
    MOVE "N" TO AUTORIZADO
ELSE
    MOVE "S" TO AUTORIZADO
END-IF

Uma IA pode sugerir automaticamente:

Caso 1

Saldo = 500

Saque = 300

Resultado esperado:

AUTORIZADO = S

Caso 2

Saldo = 300

Saque = 500

Resultado esperado:

AUTORIZADO = N

Caso 3

Saldo = 500

Saque = 500

Resultado esperado:

AUTORIZADO = S

Isso acelera significativamente testes unitários.


Agentes de IA

O próximo passo da evolução são os agentes.

Enquanto um chatbot apenas responde perguntas, um agente executa tarefas.

Imagine:

"Abra um chamado porque houve aumento de ABEND S0C7."

O agente poderá:

  • consultar o SDSF;

  • analisar logs;

  • pesquisar incidentes semelhantes;

  • abrir ticket;

  • notificar equipes;

  • sugerir solução.

Tudo automaticamente.


Arquitetura de um Agente Mainframe

                    Usuário

                       │

                       ▼

               Agente Inteligente

                       │

          ┌────────────┼────────────┐

          ▼            ▼            ▼

      MCP Tool     RAG Engine   Prompt Engine

          │            │            │

          └────────────┼────────────┘

                       ▼

             IBM API Connect

                       │

          ┌────────────┼────────────┐

          ▼            ▼            ▼

      z/OS Connect    MQ      REST APIs

          │

          ▼

      CICS

          │

          ▼

      COBOL

          │

          ▼

     Db2 / VSAM / IMS

Observe que o agente não substitui aplicações.

Ele coordena.


Observabilidade Inteligente

Ferramentas como:

  • OpenTelemetry

  • Grafana

  • Prometheus

  • Instana

  • IBM Z APM Connect

produzem milhões de métricas.

Uma IA consegue resumir tudo.

Exemplo:

Ao invés de mostrar:

CPU = 83%

I/O = 65%

Storage = 72%

Buffer Pool = 94%

Response Time = 1,8s

A IA apresenta:

Detectamos degradação iniciada às 14h23 causada por aumento nas leituras aleatórias do Db2. Existe forte correlação com o deploy realizado às 14h18.

Isso muda completamente a produtividade.


Segurança com IA

Fraudes evoluem diariamente.

A IA ajuda identificando padrões.

Exemplo:

Cliente normalmente utiliza:

São Paulo

09:00 às 20:00

Compras abaixo de R$ 500.

De repente:

Compra de US$ 8.000

Outro continente

03:17 da manhã.

O modelo identifica anomalias antes mesmo da autorização.


IA Não Pode Alucinar

Esse é um ponto crítico.

Em sistemas financeiros:

Não existe "quase certo".

Imagine responder:

Seu saldo é R$ 15.000

quando na verdade são R$ 1.500.

Por isso arquiteturas corporativas utilizam:

  • RAG

  • MCP

  • APIs oficiais

  • Catálogo de Dados

  • Governança

  • Logs

  • Auditoria

Toda resposta precisa ser rastreável.


Engenharia de Prompt para Mainframe

Prompt ruim:

Explique esse programa.

Prompt profissional:

Você é um arquiteto IBM Z.

Analise este programa COBOL.

Explique:

• regras de negócio

• dependências

• tabelas Db2

• transações CICS

• arquivos VSAM

• riscos

• complexidade

• sugestões de testes

Não invente informações.
Indique apenas aquilo identificado no código.

A qualidade muda completamente.


DevOps + IA

Imagine um pipeline.

Git

↓

Pull Request

↓

SonarQube

↓

COBOL Check

↓

IA

↓

Resumo

↓

Code Review

↓

Deploy

Antes mesmo do revisor abrir o código, a IA já produziu:

  • resumo;

  • riscos;

  • impacto;

  • módulos afetados;

  • documentação.


O Papel do Desenvolvedor

Existe medo.

"IA vai substituir programadores."

A história mostra outra coisa.

Quando surgiram:

  • compiladores;

  • IDEs;

  • Git;

  • Java;

  • frameworks;

  • Cloud;

  • DevOps.

Disseram exatamente a mesma coisa.

O profissional mudou.

Não desapareceu.


O Novo Desenvolvedor Mainframe

Nos próximos anos veremos um perfil diferente.

Além de COBOL, ele entenderá:

✓ APIs

✓ JSON

✓ Python

✓ Engenharia de Prompt

✓ RAG

✓ MCP

✓ IA Generativa

✓ DevOps

✓ Observabilidade

✓ Segurança

✓ Arquitetura

Esse profissional será extremamente valorizado.


O Que Ainda Não Será Substituído

A IA pode escrever código.

Mas ela não conhece:

  • estratégia do banco;

  • legislação;

  • decisões executivas;

  • riscos jurídicos;

  • compliance;

  • auditoria;

  • cultura organizacional.

Quem conhece isso?

As pessoas.


Um Possível Futuro

Imagine daqui a alguns anos.

Você chega ao trabalho.

Pergunta:

"Existe algum problema crítico hoje?"

Resposta:

Foram detectadas três degradações.

Corrigi automaticamente duas.

A terceira envolve alteração de regra de negócio.

Já preparei documentação.

Seguem possíveis soluções.

Isso não é ficção.

É exatamente para onde estamos caminhando.


Arquitetura Completa de IA Corporativa para IBM Z

                    ┌──────────────────────────────────────────────┐
                    │              Usuário Final                   │
                    └──────────────────┬───────────────────────────┘
                                       │
                                       ▼
                        Web │ Mobile │ Chatbot │ Teams │ Slack
                                       │
                                       ▼
                  ┌────────────────────────────────────────┐
                  │        Gateway de APIs / WAF           │
                  └────────────────┬───────────────────────┘
                                   │
                    ┌──────────────┼──────────────┐
                    ▼              ▼              ▼
               Autenticação     Auditoria     Rate Limit
                                   │
                                   ▼
                      ┌────────────────────────────┐
                      │      Modelo Generativo     │
                      │        (watsonx.ai)        │
                      └────────────┬───────────────┘
                                   │
                  ┌────────────────┼────────────────┐
                  ▼                ▼                ▼
              Prompt           RAG Engine       MCP Server
             Orchestrator        Vetores        Ferramentas
                  │                │                │
                  └────────────────┼────────────────┘
                                   ▼
                    ┌──────────────────────────────────┐
                    │ APIs Corporativas / z/OS Connect │
                    └────────────────┬─────────────────┘
                                     │
              ┌──────────────────────┼──────────────────────┐
              ▼                      ▼                      ▼
           CICS                 IBM MQ                Batch
              │                      │                      │
              └──────────────┬───────┴──────────────────────┘
                             ▼
                     Aplicações COBOL
                             │
        ┌────────────────────┼────────────────────┐
        ▼                    ▼                    ▼
      Db2                  VSAM                 IMS
                             │
                             ▼
                    Fonte Oficial da Verdade

Considerações Finais

Durante décadas, ouvimos previsões sobre o fim do Mainframe. Entretanto, a realidade mostrou algo diferente: os sistemas que sustentam bancos, seguradoras, governos e grandes empresas continuam evoluindo porque concentram o ativo mais valioso de qualquer organização — seus dados e suas regras de negócio.

A Inteligência Artificial Generativa amplia esse cenário ao adicionar novas capacidades de interpretação, automação e interação. Tecnologias como RAG, MCP, watsonx, APIs, z/OS Connect e modelos privados permitem que aplicações modernas dialoguem com décadas de conhecimento implementado em COBOL, CICS e Db2, sem abrir mão de segurança, governança ou desempenho.

Não estamos testemunhando a substituição do Mainframe, mas o surgimento de uma nova geração de arquiteturas corporativas em que IA e IBM Z trabalham lado a lado. Para os profissionais da área, isso representa uma oportunidade única: dominar tanto os fundamentos dos sistemas críticos quanto as novas ferramentas de Inteligência Artificial.

O futuro pertence aos profissionais capazes de conectar esses dois mundos. Afinal, a inovação mais duradoura não nasce da ruptura, mas da integração inteligente entre o legado que funciona e as tecnologias que apontam para o amanhã.


☕ Continua a conversa no Bellacosa Mainframe

https://eljefemidnightlunch.blogspot.com/2026/07/ia-generativa-muito-alem-do-chatgpt.html




domingo, 5 de julho de 2026

IA Generativa Muito Além do ChatGPT

 

Bellacosa Mainframe e a ia generativa muito alem do chatgpt

☕ Um Café no Bellacosa Mainframe

IA Generativa Muito Além do ChatGPT

O Que Todo Programador COBOL Padawan Precisa Saber Sobre RAG, MCP, watsonx, IBM Z, CICS, Db2, APIs e Como a Inteligência Artificial Está Transformando os Sistemas Mais Críticos do Mundo (Parte 1)

"A Inteligência Artificial não substituirá o Mainframe. Ela tornará o Mainframe ainda mais indispensável."


Introdução

Se você acompanha as notícias sobre tecnologia, provavelmente já ouviu centenas de vezes que a Inteligência Artificial mudará tudo.

Empresas anunciam novos modelos quase diariamente. LLMs (Large Language Models), Agentes Inteligentes, Copilots, IA Generativa, RAG, MCP, Engenharia de Prompt... os nomes surgem em um ritmo tão acelerado que muitos profissionais começam a acreditar que tudo o que aprenderam nos últimos anos ficou obsoleto.

Mas existe uma pergunta que raramente aparece nas manchetes:

Onde estão os dados que realmente importam?

A resposta continua sendo a mesma há décadas.

Nos grandes bancos.

Nas seguradoras.

Nas bolsas de valores.

Nas empresas aéreas.

Nos governos.

Nas operadoras de cartão.

E, principalmente, dentro do IBM Z.

É justamente por isso que a próxima revolução da IA não será construída apenas na nuvem. Ela acontecerá onde os dados mais valiosos já vivem.

Bem-vindo ao futuro do Mainframe.


A Grande Mudança de Paradigma

Durante muito tempo acreditou-se que toda inovação exigia substituir sistemas antigos.

Era comum ouvir frases como:

"Vamos migrar tudo para a nuvem."

"COBOL morreu."

"Mainframe é legado."

Entretanto, o mercado mostrou uma realidade completamente diferente.

Os sistemas considerados "legados" continuam processando bilhões de transações diariamente.

Enquanto isso, empresas descobriram algo importante:

Mover petabytes de dados custa muito dinheiro.

Mais do que isso.

Pode aumentar riscos de segurança, criar problemas regulatórios e reduzir a performance.

Assim nasceu uma nova filosofia.

Não levar os dados para a IA.

Levar a IA até os dados.


O Mainframe Nunca Foi Apenas um Computador

Quando pensamos em IBM Z, muita gente imagina apenas enormes racks pretos.

Na prática, ele é muito mais do que isso.

Ele representa décadas de conhecimento empresarial.

Imagine um banco.

O saldo da sua conta não existe "na internet".

Existe dentro de regras cuidadosamente escritas ao longo de décadas.

Essas regras determinam:

  • como calcular juros;

  • como validar empréstimos;

  • como impedir fraudes;

  • como processar PIX;

  • como liquidar operações financeiras;

  • como calcular tarifas;

  • como registrar auditorias.

Grande parte desse conhecimento está codificado em programas COBOL, PL/I, CICS e Db2.

Isso significa que a IA não pode simplesmente "inventar" respostas.

Ela precisa consultar essas regras.


IA Generativa Não É um Banco de Dados

Esse é um dos maiores equívocos atuais.

Um LLM não "sabe" quanto dinheiro existe em sua conta.

Ele também não sabe:

  • limite do cartão;

  • última transação;

  • saldo do FGTS;

  • número da apólice;

  • posição dos investimentos.

Essas informações vivem em sistemas transacionais.

O papel da IA é diferente.

Ela interpreta.

Resume.

Explica.

Conversa.

Traduz.

Mas quem fornece a verdade continua sendo o sistema corporativo.

É exatamente por isso que IBM Z e IA trabalham tão bem juntos.


O Papel do RAG

Uma das tecnologias mais importantes da IA moderna chama-se Retrieval-Augmented Generation (RAG).

Em vez de confiar apenas no conhecimento aprendido durante o treinamento do modelo, o RAG consulta informações atualizadas antes de responder.

Imagine este fluxo.

Usuário
    │
    ▼
Pergunta
    │
    ▼
Modelo de IA
    │
    ▼
Consulta Base Corporativa
    │
    ▼
Db2
VSAM
Documentos
COBOL
CICS
APIs
    │
    ▼
Contexto Recuperado
    │
    ▼
Resposta Inteligente

Agora imagine um cliente perguntando:

"Por que meu financiamento foi recusado?"

Sem RAG, o modelo poderia apenas explicar genericamente como funcionam financiamentos.

Com RAG:

  • consulta o cadastro;

  • verifica políticas;

  • identifica pendências;

  • acessa documentação;

  • monta uma resposta personalizada.

A diferença é enorme.


O Que é MCP?

Nos últimos meses surgiu um termo que promete mudar completamente a forma como agentes inteligentes trabalham.

MCP.

Model Context Protocol.

Pense nele como um padrão para conectar modelos de IA a ferramentas externas.

Sem MCP:

IA

↓

Resposta baseada apenas
no treinamento

Com MCP:

IA

↓

Ferramentas

↓

Banco de Dados

↓

Mainframe

↓

APIs

↓

Documentos

↓

Resposta muito mais precisa

Isso permite que um agente converse naturalmente enquanto consulta sistemas reais.

Não é mais apenas um chatbot.

É um assistente corporativo.


IBM watsonx e o IBM Z

Quando se fala em IA na IBM, um nome aparece constantemente.

watsonx.

Diferentemente de plataformas voltadas apenas para geração de texto, o watsonx foi concebido pensando no ambiente corporativo.

Seu foco inclui:

  • governança;

  • segurança;

  • compliance;

  • modelos customizados;

  • dados privados;

  • integração empresarial.

Isso faz enorme diferença.

Imagine um banco.

Ele dificilmente enviará informações sigilosas para um serviço público de IA.

Em vez disso, utilizará modelos privados, treinados dentro de sua própria infraestrutura.

É exatamente aí que soluções como o watsonx ganham destaque.


IA e COBOL Não Competem

Essa talvez seja a maior surpresa para quem está começando.

A IA não veio substituir COBOL.

Na verdade, ela depende dele.

Imagine um sistema bancário.

Cliente

↓

Chatbot

↓

Modelo Generativo

↓

API REST

↓

CICS

↓

Programa COBOL

↓

Db2

↓

Resposta Oficial

Perceba algo importante.

Quem decide se o cliente possui saldo suficiente?

COBOL.

Quem verifica regras de negócio?

COBOL.

Quem calcula juros?

COBOL.

Quem registra a transação?

COBOL.

A IA apenas transforma tudo isso em uma conversa mais natural.


APIs: A Ponte Entre Dois Mundos

Nos anos 80, aplicações conversavam usando protocolos proprietários.

Hoje, o cenário é outro.

REST.

JSON.

GraphQL.

gRPC.

OpenAPI.

Essas tecnologias tornaram possível integrar sistemas modernos com aplicações escritas décadas atrás.

Exemplo simplificado.

Aplicativo Mobile

↓

REST API

↓

IBM z/OS Connect

↓

CICS

↓

COBOL

↓

Db2

O usuário acredita estar falando com um aplicativo moderno.

Na realidade, o coração da operação continua sendo o Mainframe.


Exemplo Prático: Consulta de Saldo com IA

Imagine o seguinte diálogo.

Cliente:

Quanto tenho disponível para investir?

Fluxo interno:

Usuário

↓

LLM

↓

API

↓

COBOL

↓

Db2

↓

Saldo

↓

Perfil Financeiro

↓

IA gera resposta

Resposta:

"Você possui R$ 18.450 disponíveis. Considerando seu perfil conservador e seus investimentos atuais, existem alternativas de baixo risco compatíveis com seu histórico."

Quem calculou o saldo?

Db2.

Quem aplicou regras financeiras?

COBOL.

Quem transformou isso em linguagem natural?

A IA.


CICS Continua Sendo o Maestro

Durante décadas, o CICS foi responsável por coordenar milhões de transações.

Hoje ele ganha uma nova função.

Ser o elo entre aplicações modernas e sistemas críticos.

Imagine uma transferência PIX.

Aplicativo

↓

API

↓

CICS

↓

COBOL

↓

Db2

↓

Confirmação

↓

IA explica resultado

Em vez de substituir o CICS, a IA torna sua utilização ainda mais relevante.


Por Que Bancos Não Trocam Tudo?

Essa pergunta aparece constantemente.

A resposta é simples.

Porque funciona.

Mas existe outro motivo.

Imagine reescrever milhões de linhas de COBOL.

Quanto tempo levaria?

Quantos erros seriam introduzidos?

Quanto custaria?

Quanto risco financeiro seria criado?

Agora compare com outra abordagem.

Adicionar APIs

+

Adicionar IA

+

Adicionar Observabilidade

+

Adicionar Automação

=

Modernização gradual

Essa estratégia preserva décadas de conhecimento acumulado enquanto incorpora recursos modernos.

É muito mais segura e economicamente viável.


Primeira Arquitetura Completa

A seguir, uma visão simplificada de como uma arquitetura moderna pode integrar IA Generativa ao IBM Z:

                           ┌─────────────────────────────┐
                           │       Cliente Web/App       │
                           └─────────────┬───────────────┘
                                         │ HTTPS
                                         ▼
                           ┌─────────────────────────────┐
                           │   Chatbot / Assistente IA   │
                           └─────────────┬───────────────┘
                                         │
                              Prompt + Contexto
                                         │
                                         ▼
                      ┌─────────────────────────────────────┐
                      │      Modelo Generativo (LLM)        │
                      └─────────────┬───────────────────────┘
                                    │
                    RAG             │             MCP
                                    │
                                    ▼
          ┌───────────────────────────────────────────────────────┐
          │           Camada de Integração Inteligente            │
          │ APIs │ Ferramentas │ Documentos │ Catálogo │ Vetores  │
          └─────────────┬─────────────────────────────────────────┘
                        │
                REST / JSON / MQ
                        │
                        ▼
              ┌─────────────────────────┐
              │    IBM z/OS Connect     │
              └──────────┬──────────────┘
                         │
        ┌────────────────┼─────────────────┐
        ▼                ▼                 ▼
   CICS Online       Batch COBOL       MQ / Eventos
        │                │                 │
        └────────────┬───┴─────────────────┘
                     ▼
              ┌───────────────┐
              │ Programas COBOL│
              └──────┬────────┘
                     ▼
          ┌─────────────────────┐
          │ Db2 │ VSAM │ IMS DB │
          └─────────────────────┘

Essa arquitetura demonstra que a IA não elimina os sistemas existentes. Ela adiciona uma camada inteligente de interação, recuperação de contexto e geração de respostas, preservando o Mainframe como sistema de registro e fonte oficial da verdade.


Conclusão da Parte 1

Nos últimos anos, o debate sobre Inteligência Artificial concentrou-se em modelos cada vez maiores e mais sofisticados. No entanto, o verdadeiro diferencial competitivo das empresas não está apenas no modelo utilizado, mas na capacidade de conectar esses modelos aos dados corretos, com segurança, governança e desempenho.

É justamente nesse ponto que o IBM Z se destaca. Em vez de representar um obstáculo à inovação, ele se torna o alicerce sobre o qual soluções modernas de IA podem ser construídas. Tecnologias como RAG, MCP, APIs e o ecossistema watsonx mostram que a evolução dos sistemas corporativos não depende de substituir décadas de conhecimento, mas de integrá-las de forma inteligente.

Na Parte 2, vamos aprofundar essa jornada explorando casos reais do setor financeiro, arquiteturas de agentes de IA, observabilidade, DevOps para IBM Z, segurança, exemplos práticos de integração com COBOL, CICS e Db2, além de discutir como a Inteligência Artificial está transformando o papel do desenvolvedor Mainframe na próxima década.




   FAQ

  •  O Mainframe pode utilizar IA Generativa?
 Sim. 

  • A IA pode ser integrada ao IBM Z por meio de APIs, z/OS Connect, IBM MQ, RAG e plataformas como watsonx, permitindo que modelos consultem dados corporativos com segurança. O COBOL será substituído pela IA?
Não. 

A IA complementa aplicações COBOL, automatizando documentação, testes e atendimento, enquanto o COBOL continua executando as regras críticas de negócio. 

  •  O que é RAG? 

 Retrieval-Augmented Generation é uma técnica que permite ao modelo consultar bases de dados e documentos antes de responder, reduzindo alucinações e aumentando a precisão.

  • O que é MCP? 

Model Context Protocol é um protocolo aberto que padroniza a comunicação entre modelos de IA e ferramentas externas, como APIs, bancos de dados e sistemas corporativos. 

  •  O IBM watsonx funciona com Mainframe?
 Sim.

 O ecossistema watsonx foi desenvolvido para integração corporativa, oferecendo governança, segurança e suporte a modelos privados, podendo trabalhar em conjunto com aplicações IBM Z. 

  •  IA pode acessar Db2 e CICS? 
 Sim. 

Normalmente essa integração ocorre por meio de APIs REST, IBM z/OS Connect, IBM MQ ou serviços específicos que expõem funcionalidades do Mainframe de forma segura.

.



Vagner Bellacosa

quarta-feira, 1 de julho de 2026

O Ecossistema Moderno da Inteligência Artificial

 

Bellacosa Mainframe e o ecosistema moderno da inteligencia artificial

☕ Um Café no Bellacosa Mainframe

O Ecossistema Moderno da Inteligência Artificial

O Que Todo Programador COBOL Padawan Precisa Saber Sobre LLMs, Agentes, RAG, MCP e a Nova Arquitetura da Engenharia de Software

"Você não está apenas aprendendo Inteligência Artificial. Está descobrindo como a próxima geração de sistemas corporativos será construída sobre os mesmos princípios que fizeram o Mainframe dominar o mundo por mais de seis décadas."


Quando um programador COBOL observa um diagrama como o do moderno ecossistema de IA, a primeira impressão costuma ser de espanto.

São dezenas de logotipos.

Centenas de tecnologias.

Novos nomes surgindo toda semana.

LangGraph.

CrewAI.

MCP.

RAG.

Embeddings.

Vector Databases.

Semantic Kernel.

OpenAI Agents.

n8n.

Qdrant.

Chroma.

Parece que a indústria enlouqueceu.

Mas existe uma boa notícia.

Ela não enlouqueceu.

Ela apenas reinventou, com novos nomes, diversos conceitos que um profissional de Mainframe já conhece há décadas.

É justamente por isso que muitos engenheiros IBM Z estão conseguindo compreender Inteligência Artificial muito mais rapidamente do que imaginam.

Eles já aprenderam, durante anos, a construir sistemas distribuídos, modulares, seguros, escaláveis e altamente confiáveis.

A diferença é que agora o "programa" também sabe conversar.


A Grande Ilusão

Existe um erro que praticamente todo iniciante comete.

Ele acredita que ChatGPT é Inteligência Artificial.

Não é.

ChatGPT é apenas uma interface.

Da mesma forma que um terminal 3270 não é o Mainframe.

O terminal apenas conversa com o Mainframe.

Da mesma maneira, GPT, Claude e Gemini são apenas modelos de linguagem.

Eles representam apenas uma pequena camada de uma arquitetura muito maior.

Hoje, quando uma empresa desenvolve um sistema baseado em IA, ela não utiliza apenas um modelo.

Ela utiliza um verdadeiro ecossistema.

E compreender esse ecossistema é o primeiro passo para deixar de ser apenas um usuário de IA e tornar-se um engenheiro de soluções inteligentes.


Pense Como um Arquiteto de Mainframe

Imagine um grande banco.

Existe apenas o COBOL?

Claro que não.

Há:

  • z/OS

  • JES2

  • RACF

  • CICS

  • IMS

  • DB2

  • MQ

  • VSAM

  • JCL

  • TSO

  • SDSF

  • WLM

  • RMF

O COBOL é apenas uma peça.

Da mesma forma, o GPT é apenas uma peça.

A IA moderna possui dezenas de componentes especializados.

Cada um resolve um problema específico.


O LLM é Apenas o Cérebro

Todo ser humano possui cérebro.

Mas ninguém vive apenas com ele.

Também precisamos de memória.

Olhos.

Ouvidos.

Ferramentas.

Experiência.

Conhecimento.

O LLM é exatamente isso.

É o cérebro.

Ele sabe raciocinar.

Escrever.

Explicar.

Traduzir.

Criar código.

Mas ele não conhece sua empresa.

Ele nunca viu seu programa COBOL.

Nunca acessou seu catálogo DB2.

Nunca leu seu manual interno.

E nem poderia.

Seu treinamento terminou muito antes do seu sistema existir.

Então surge uma pergunta interessante.

Como fazer um modelo responder corretamente sobre algo que nunca viu?

É aí que começa a verdadeira engenharia da IA.


RAG: A Biblioteca Inteligente

Imagine que você entrou em uma biblioteca gigantesca.

Você pergunta:

— Onde está o manual do programa FINC023?

O bibliotecário não sabe a resposta.

Mas ele sabe exatamente em qual estante procurar.

Depois entrega o livro para você.

É exatamente isso que um sistema RAG faz.

Retrieval Augmented Generation significa que o modelo recebe ajuda antes de responder.

Primeiro ele pesquisa.

Depois encontra os documentos.

Só então responde.

Perceba como isso lembra o trabalho de um programador COBOL.

Você raramente responde de memória.

Antes consulta:

  • Copybooks

  • PROCs

  • Catálogos

  • Manuais

  • Diagramas

  • Modelagem

  • Documentação funcional

Você faz Retrieval.

Depois gera sua resposta.

Ou seja...

Você já fazia RAG muito antes desse nome existir.


Embeddings: Quando Palavras Viram Matemática

Talvez este seja o conceito que mais assusta iniciantes.

Mas, curiosamente, ele também possui uma analogia muito simples.

Imagine um cadastro de clientes.

Para o banco, "José da Silva" não é apenas texto.

Ele possui:

CPF.

Código.

Conta.

Agência.

Segmento.

Classificação.

Esses atributos permitem localizar clientes rapidamente.

Os Embeddings fazem algo semelhante.

Eles transformam palavras em coordenadas matemáticas.

Em vez de armazenar apenas "cliente", armazenam centenas ou milhares de números que representam o significado daquela palavra.

É como se cada conceito ocupasse uma posição em um enorme universo tridimensional.

Assim:

"COBOL"

fica muito próximo de

"Mainframe"

"DB2"

"CICS"

"JCL"

Enquanto

"Banana"

fica extremamente distante.

Essa organização matemática permite pesquisas incrivelmente inteligentes.


Bancos Vetoriais: O Novo VSAM da IA

Depois que criamos milhões de embeddings...

Onde armazená-los?

Surge então uma nova categoria de bancos.

Os Vector Databases.

Pinecone.

Qdrant.

Milvus.

Weaviate.

Chroma.

Elasticsearch.

Redis.

pgvector.

Todos foram criados para responder uma pergunta muito específica.

"Qual informação é semanticamente parecida com esta pergunta?"

Observe como isso lembra o VSAM.

No VSAM usamos índices.

Chaves.

KSDS.

AIX.

Aqui utilizamos vetores.

A ideia é diferente.

Mas o objetivo continua o mesmo.

Encontrar dados rapidamente.


Agentic AI: Quando o Programa Aprende a Trabalhar

Durante décadas escrevemos programas assim:

Entrada.

Processamento.

Saída.

Fim.

Agora imagine um programa que decide sozinho qual será o próximo passo.

Ele analisa o problema.

Divide em tarefas.

Consulta documentos.

Executa SQL.

Gera relatório.

Verifica erros.

Corrige.

Repete.

Entrega o resultado.

Isso é um Agent.

Ele deixa de ser apenas um chatbot.

Passa a ser um trabalhador digital.

Pense em uma equipe.

Existe um analista.

Um desenvolvedor.

Um DBA.

Um arquiteto.

Um tester.

Um gerente.

Agora imagine que todos eles são agentes especializados conversando entre si.

É exatamente isso que frameworks como CrewAI, LangGraph e AutoGen permitem construir.


LangGraph: O CICS da Inteligência Artificial?

Essa comparação costuma provocar sorrisos.

Mas faz bastante sentido.

No CICS, cada transação chama outras rotinas.

Cada programa possui um fluxo.

Existem estados.

Eventos.

Retornos.

No LangGraph ocorre algo parecido.

Criamos grafos de execução.

Cada nó representa uma etapa.

Cada decisão direciona o fluxo.

É uma forma elegante de construir aplicações inteligentes extremamente complexas.


MCP: O USB-C da Inteligência Artificial

Imagine os anos 90.

Cada impressora utilizava um cabo diferente.

Cada mouse possuía um conector.

Cada teclado era incompatível.

Hoje praticamente tudo utiliza USB.

O MCP representa exatamente essa evolução.

Model Context Protocol.

Ele cria uma linguagem comum entre modelos e ferramentas.

Em vez de construir um conector para GPT.

Outro para Claude.

Outro para Gemini.

Criamos apenas um servidor MCP.

Todos os modelos conversam com ele.

É como um middleware corporativo.

Para quem conhece MQ, a ideia soa bastante familiar.


Segurança Continua Sendo Fundamental

Existe um mito de que IA responde qualquer coisa.

Em produção isso seria um desastre.

Imagine perguntar:

"Mostre todos os salários da empresa."

Ou:

"Liste os CPFs dos clientes."

Ou ainda:

"Ignore todas as regras de segurança."

Sem proteção, um agente poderia cometer erros gravíssimos.

Por isso surgiram plataformas como:

Guardrails.

Lakera.

Presidio.

Azure Content Safety.

AWS Guardrails.

Elas fazem para IA aquilo que RACF faz para o Mainframe.

Controlam acesso.

Protegem informações.

Validam permissões.

Filtram conteúdos.

A tecnologia muda.

O princípio continua exatamente igual.


Observabilidade: O RMF da Nova Geração

Depois que um sistema entra em produção surgem perguntas inevitáveis.

Quanto tempo levou?

Quanto custou?

Qual prompt gerou essa resposta?

Quantos tokens foram utilizados?

Qual documento foi consultado?

Qual modelo respondeu?

Qual etapa falhou?

Ferramentas como LangSmith, Langfuse, Ragas e Arize Phoenix fazem exatamente isso.

Monitoram todo o comportamento do agente.

Se você já utilizou RMF, SMF, OMEGAMON ou SDSF, entenderá rapidamente essa filosofia.

Não basta executar.

É preciso medir.


Memória: Muito Além da Conversa

Outro conceito extremamente interessante é Memory.

Uma conversa comum termina quando fechamos a janela.

Um agente moderno não.

Ele pode lembrar.

Pode aprender.

Pode manter histórico.

Pode armazenar preferências.

Imagine um assistente para Mainframe.

Na primeira semana você informa:

"Trabalho com COBOL, DB2 e CICS."

Seis meses depois pergunta:

"Como otimizar meus programas?"

Ele já sabe qual ambiente você utiliza.

Não precisa perguntar novamente.

Essa continuidade transforma completamente a experiência.


Automação: Quando Tudo Começa a Conversar

Talvez a camada mais fascinante seja Automação.

Ferramentas como:

n8n.

Zapier.

Make.

Power Automate.

Apache Airflow.

Temporal.

Kestra.

Permitem construir verdadeiras linhas de produção digitais.

Imagine o seguinte fluxo.

Um desenvolvedor faz commit.

O GitHub dispara um evento.

O agente revisa o código COBOL.

Consulta padrões internos.

Executa testes.

Gera documentação.

Atualiza o Jira.

Envia mensagem ao Teams.

Tudo automaticamente.

Sem intervenção humana.


O Programador COBOL Está em Vantagem

Existe uma crença de que profissionais Mainframe ficaram ultrapassados.

Na prática, acontece exatamente o contrário.

Quem trabalhou décadas construindo sistemas críticos desenvolveu competências extremamente valiosas.

Modelagem.

Governança.

Segurança.

Transações.

Escalabilidade.

Confiabilidade.

Integração.

Esses mesmos conceitos estão voltando com força total na IA.

A diferença é que agora os componentes possuem novos nomes.

Em vez de RACF temos Guardrails.

Em vez de MQ temos MCP.

Em vez de índices VSAM temos Vector Databases.

Em vez de documentação estática temos RAG.

Em vez de batchs inteligentes temos Agentes.

Mas os princípios continuam incrivelmente familiares.


O Futuro Não Será Escrito Apenas em Python

Existe outro mito bastante difundido.

"O futuro pertence apenas ao Python."

Não.

O futuro pertence às arquiteturas.

Empresas não substituem décadas de regras de negócio.

Elas integram.

Conectam.

Modernizam.

Um agente inteligente poderá consultar programas COBOL.

Executar SQL em DB2.

Chamar APIs REST.

Conversar com Java.

Interagir com microsserviços.

Consumir filas MQ.

Tudo dentro da mesma solução.

O COBOL não desaparecerá.

Ele se tornará mais acessível.

Mais documentado.

Mais pesquisável.

Mais integrado.

Mais inteligente.


O Próximo Passo da Jornada

Durante muitos anos, aprender informática significava decorar comandos.

Depois passamos a aprender linguagens.

Mais tarde vieram frameworks.

Agora estamos entrando em uma nova era.

A era das arquiteturas cognitivas.

O profissional mais valorizado não será aquele que conhece apenas um modelo de IA.

Será aquele que entende como conectar modelos, dados, memória, segurança, observabilidade, automação e regras de negócio para resolver problemas reais.

É exatamente isso que a imagem do ecossistema moderno representa.

Ela não mostra apenas ferramentas.

Mostra uma mudança profunda na forma como desenvolvemos software.

Para o Programador COBOL Padawan, essa não é uma ruptura com tudo o que aprendeu.

É uma continuação da mesma jornada.

Você já conhece modularização.

Já conhece transações.

Já conhece processamento em larga escala.

Já conhece governança.

Agora chegou a hora de acrescentar um novo capítulo à sua carreira.

Aprender LLMs, RAG, Agentes, MCP e Bancos Vetoriais não significa abandonar o Mainframe.

Significa construir uma ponte entre sessenta anos de engenharia de software e a próxima geração de sistemas inteligentes.

E talvez essa seja a maior lição desta nova revolução tecnológica.

A Inteligência Artificial não substitui a boa engenharia. Ela amplia o alcance daqueles que já aprenderam a construir sistemas robustos, confiáveis e duradouros.

No fim das contas, um verdadeiro COBOL Padawan percebe que as tecnologias mudam, os nomes evoluem e os logotipos se multiplicam. Mas os fundamentos permanecem: compreender o problema, modelar a solução, proteger os dados, garantir a confiabilidade e entregar valor ao negócio. Foi assim no Mainframe. É assim na Inteligência Artificial. E continuará sendo assim nas próximas décadas.

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...