 |
| Bellacosa Mainframe e a ironia dos caçadores de ia, movimento anti-ia na produção de conteudo |
☕ UM CAFÉ NO BELLACOSA MAINFRAME
🚘 A SUPER MÁQUINA CONTRA A POLÍCIA ANTI-IA: KITT, O LINKEDIN E O DIA EM QUE OS ALGORITMOS COMEÇARAM A CAÇAR OS HUMANOS!
Quando uma inteligência artificial começa a investigar outras inteligências artificiais, quem protege os humanos dos erros da máquina? Sob a tutela de KITT, o lendário Pontiac Trans Am de A Super Máquina, vamos investigar a perseguição aos conteúdos produzidos por IA, os algoritmos do LinkedIn, os falsos positivos e as lições que COBOL, JCL, RACF, Db2 e IBM Z podem ensinar sobre confiança, auditoria e responsabilidade digital.
Bellacosa Mainframe — Arqueologia da Computação, COBOL, IBM Z, Inteligência Artificial, Segurança Digital e os Fantasmas dos Algoritmos
Investigação especial — 8 de novembro de 2026
🎬 Prólogo — Michael Knight, temos um problema: a máquina está prendendo os humanos!
Estados Unidos, uma noite qualquer de novembro de 2026.
Uma estrada deserta atravessa o Arizona.
Ao longe, dois faróis aparecem na escuridão.
Um Pontiac Trans Am preto aproxima-se silenciosamente. Na dianteira, uma luz vermelha percorre o capô de um lado para o outro.
No interior, Michael Knight observa um monitor.
— KITT, alguma novidade?
— Michael, detectei uma situação bastante preocupante nas redes profissionais.
— Outra organização criminosa?
— Não exatamente. Uma plataforma está utilizando inteligência artificial para identificar publicações possivelmente produzidas por inteligência artificial.
Michael franze a testa.
— Espere um minuto. Uma inteligência artificial investigando outras inteligências artificiais?
— Precisamente.
— E qual é o problema?
— Alguns humanos estão sendo acusados de utilizar inteligência artificial simplesmente porque escrevem de maneira organizada.
Michael permanece em silêncio.
— KITT, você está dizendo que um professor pode ser acusado de não ter escrito um texto porque escreve bem demais?
— Essa é uma das possibilidades, Michael. E a situação torna-se ainda mais complexa quando confundimos uma estimativa estatística com uma prova.
— Então temos uma nova missão.
— Michael, permita-me observar que precisamos primeiro identificar o problema, analisar as evidências e evitar conclusões precipitadas.
Michael sorri.
— Você continua sendo o carro mais inteligente do mundo.
— Naturalmente, Michael. Mas isso não significa que eu seja infalível.
Bem-vindos ao Bellacosa Mainframe!
Hoje, nossa aventura atravessa quatro décadas de evolução tecnológica.
Partiremos dos computadores de bordo imaginários dos anos 1980, passaremos pela arquitetura dos grandes mainframes IBM e chegaremos aos algoritmos que, em 2026, procuram distinguir a criatividade humana da produção artificial.
E descobriremos que KITT, uma inteligência artificial fictícia concebida há mais de quarenta anos, pode oferecer uma excelente metáfora para compreender os dilemas atuais.
Prepare o café, ajuste o banco e aperte o cinto.
A luz vermelha começou a percorrer o capô.
🚘 Capítulo I — 1982: quando a inteligência artificial tinha quatro rodas
Antes de investigarmos a polícia anti-IA, precisamos conhecer nosso professor.
Em 26 de setembro de 1982, estreava nos Estados Unidos a série Knight Rider, conhecida no Brasil como A Super Máquina e em Portugal como O Justiceiro.
Criada por Glen A. Larson, a produção apresentava Michael Knight, interpretado por David Hasselhoff, um agente que combatia criminosos com auxílio de um automóvel extraordinário.
Esse automóvel era KITT, abreviação de Knight Industries Two Thousand.
Por fora, um Pontiac Firebird Trans Am preto.
Por dentro, um computador capaz de conversar, raciocinar, monitorar acontecimentos, dirigir autonomamente e ajudar Michael a resolver problemas.
A voz original de KITT era interpretada por William Daniels, que deu à personagem uma personalidade educada, sofisticada, irônica e ocasionalmente presunçosa.
Mas havia algo especial naquela relação.
KITT não era simplesmente uma calculadora sobre rodas.
Ele possuía personalidade.
Questionava decisões.
Alertava sobre perigos.
Apresentava alternativas.
E, frequentemente, tentava convencer Michael a não fazer alguma estupidez.
Curiosidade: a inteligência artificial mais educada da televisão
William Daniels contou que inicialmente lhe sugeriram uma voz robótica. Preferiu utilizar sua voz natural.
Essa decisão ajudou a transformar KITT numa personagem reconhecível, em vez de um simples equipamento eletrônico.
A série foi exibida originalmente entre 1982 e 1986, com quatro temporadas.
Seu computador fictício incorporava tecnologias que, na época, pareciam extraordinariamente avançadas: reconhecimento de voz, navegação inteligente, sensores ambientais, análise de imagens e interação por linguagem natural.
Hoje reconhecemos funcionalidades semelhantes em assistentes digitais, sistemas automotivos e modelos multimodais de IA.
Isso não significa que os automóveis atuais possuam as capacidades fantásticas de KITT.
O interessante é perceber como aquela ficção antecipava nossa expectativa de conversar naturalmente com máquinas.
A primeira lição de KITT é simples: uma inteligência artificial deve ampliar a capacidade humana, não eliminar a responsabilidade humana.
🕵️ Capítulo II — Novembro de 2026: surge a polícia anti-IA
Nossa investigação começa com duas reportagens publicadas pela CNN.
A primeira, na CNN Portugal, em 7 de novembro de 2026, apresenta uma questão intrigante:
A polícia anti-IA está por todo o lado. O que é que eles procuram?
A segunda, publicada na CNN americana em 18 de outubro de 2026, discute o combate do LinkedIn às publicações produzidas por IA.
As duas notícias abordam dimensões de um mesmo fenômeno: o crescimento da preocupação com conteúdo artificial, repetitivo ou enganoso.
Nota de investigação: os textos integrais das duas reportagens não estavam acessíveis para verificação automática. Por isso, distinguiremos o tema anunciado nas matérias das evidências provenientes de estudos científicos e fontes técnicas independentes. Não trataremos estatísticas atribuídas às reportagens como fatos confirmados sem acesso às respectivas fontes.
Mas quem são os policiais anti-IA?
Não estamos necessariamente falando de policiais uniformizados, sirenes e delegacias.
A expressão descreve pessoas e instituições que procuram identificar conteúdo supostamente produzido por ferramentas generativas.
Podemos identificar quatro grupos.
1. Os vigilantes das redes sociais
Usuários que observam textos e acusam seus autores de utilizar ChatGPT ou ferramentas semelhantes.
Alguns consideram determinados padrões de escrita provas de autoria artificial.
2. Os detectores automáticos
Programas que analisam palavras, estruturas, previsibilidade e outras características para estimar se determinado texto foi produzido por IA.
3. Os fiscalizadores institucionais
Professores, universidades, editores e empresas que estabelecem políticas para uso de ferramentas generativas.
4. Os investigadores de fraudes digitais
Profissionais que procuram deepfakes, documentos falsificados, identidades sintéticas e conteúdos utilizados em golpes.
Michael Knight observa os dados.
— KITT, todos esses grupos procuram a mesma coisa?
— Não, Michael. Alguns investigam fraudes reais. Outros procuram identificar violações de regras acadêmicas. Há também pessoas que simplesmente não gostam de textos produzidos com ferramentas digitais.
— Então não podemos colocar todos na mesma categoria?
— Exatamente. Investigar uma falsificação criminosa é diferente de criticar um autor por utilizar um assistente de escrita.
Essa distinção será fundamental durante nossa aventura.
📱 Capítulo III — O LinkedIn e a batalha contra os textos artificiais
Imagine uma rede profissional utilizada por milhões de trabalhadores, recrutadores, professores, pesquisadores e empresas.
Uma plataforma na qual as pessoas compartilham conhecimento, apresentam experiências e divulgam projetos.
Agora imagine que parte das publicações começa a apresentar uma estrutura semelhante:
"Cinco lições que aprendi sobre liderança."
"Você não vai acreditar no futuro da inteligência artificial."
"Três estratégias que vão revolucionar sua carreira."
"Concorda? Deixe sua opinião nos comentários!"
Cada publicação parece seguir uma fórmula.
Há uma frase de impacto, uma promessa extraordinária, alguns parágrafos genéricos e uma pergunta final destinada a estimular comentários.
Essas fórmulas não nasceram com a inteligência artificial.
O marketing digital utiliza estruturas semelhantes há décadas.
A diferença é que os modelos generativos conseguem produzir textos desse tipo em grande quantidade e com baixíssimo custo.
O problema não é apenas a inteligência artificial
Suponhamos que um profissional publica diariamente vinte textos produzidos automaticamente.
Nenhum apresenta experiências próprias, fontes verificáveis ou conhecimento original.
O objetivo é apenas atrair visualizações.
Esse comportamento pode degradar a experiência dos leitores.
Entretanto, imagine outro profissional que utiliza IA para revisar um artigo sobre COBOL, mas acrescenta exemplos testados, documentação da IBM e experiência acumulada.
Ambos utilizaram IA.
Mas produziram conteúdos com valores informativos completamente diferentes.
Utilizar inteligência artificial não é sinônimo de produzir conteúdo ruim. Não utilizar inteligência artificial também não garante qualidade.
Essa distinção deveria orientar qualquer política de moderação.
O algoritmo invisível
Uma plataforma pode selecionar quais publicações aparecem para cada usuário.
Ela considera diferentes sinais de relevância, relacionamento, interesse e qualidade.
Quando esses mecanismos reduzem a distribuição de determinado conteúdo, o autor pode perceber uma queda de visualizações.
Mas cuidado!
Uma diminuição de alcance não demonstra automaticamente que houve penalização por uso de IA.
Mudanças no comportamento dos seguidores, nos horários, na concorrência por atenção e nos critérios gerais de recomendação também influenciam o resultado.
KITT interrompe:
— Michael, seria incorreto acusar o sistema de censura com base apenas na queda das visualizações.
— Então precisamos de mais provas?
— Precisamente. Precisamos comparar períodos, controlar variáveis e compreender os critérios utilizados.
E aqui começa nossa primeira conexão com o mundo mainframe.
🧠 Capítulo IV — KITT explica como os detectores de IA funcionam
Como um computador tenta descobrir se outro computador escreveu determinado texto?
Existem diversas abordagens.
Alguns detectores utilizam classificadores treinados com exemplos de textos humanos e artificiais.
Outros examinam propriedades estatísticas da linguagem.
Entre os conceitos conhecidos encontramos a perplexidade.
Perplexidade: quando o texto é previsível demais
De maneira simplificada, perplexidade é uma medida relacionada à dificuldade que um modelo encontra para prever uma sequência de palavras.
Considere:
"O programa COBOL executa uma operação de leitura."
A frase é comum e previsível.
Agora imagine:
"O velho computador abriu suas janelas binárias e deixou escapar memórias esquecidas de um CPD de 1978."
A segunda apresenta combinações menos comuns.
Um detector baseado em determinados padrões poderia atribuir resultados diferentes aos dois textos.
Mas isso não demonstra que um foi escrito por humano e outro por máquina.
Um manual técnico normalmente utiliza construções padronizadas.
Uma documentação jurídica segue convenções.
Um professor pode escrever repetidamente frases semelhantes para facilitar o aprendizado.
E um modelo generativo pode produzir textos imprevisíveis.
Burstiness: a variação do texto
Outro conceito frequentemente associado à detecção é a variação de características entre frases e trechos.
Textos humanos podem alternar frases curtas, longas, simples e complexas.
Entretanto, não existe uma lei da natureza determinando que humanos escrevam irregularmente e máquinas escrevam uniformemente.
É apenas uma possível característica estatística, dependente do modelo e do conjunto de dados.
KITT apresenta uma conclusão:
— Michael, um detector identifica padrões compatíveis com determinada hipótese. Isso não significa que tenha identificado a verdadeira origem do documento.
— Então ele pode acusar uma pessoa inocente?
— Sim. Chamamos isso de falso positivo.
⚠️ Capítulo V — Falsos positivos: quando KITT confunde um inocente com um criminoso
Imagine que KITT esteja procurando um veículo roubado.
O automóvel suspeito é preto, possui quatro rodas, faróis retangulares e circula durante a noite.
KITT identifica cinquenta carros com essas características.
Michael prepara-se para perseguir todos.
— Michael, isso seria profundamente ineficiente.
— Por quê?
— Porque essas características também pertencem a milhares de veículos perfeitamente legais.
— Então precisamos de informações adicionais?
— Exatamente.
A situação é semelhante à detecção de IA.
Um texto apresentar determinadas características não comprova sua origem.
O estudo que deveria preocupar professores e empresas
Em 2023, pesquisadores associados à Universidade Stanford examinaram como detectores de texto produzido por IA classificavam redações.
Entre os resultados, 61,22% das redações TOEFL de estudantes não nativos de inglês foram classificadas como produzidas por IA pelos detectores avaliados.
O estudo, publicado na revista Patterns, chamou atenção para problemas de justiça e robustez.
Isso não significa que todos os detectores atuais apresentem essa mesma taxa de erro.
Os resultados pertencem àquelas ferramentas, textos e condições experimentais.
Mas demonstram algo importante: a forma de escrever de uma pessoa pode influenciar injustamente a avaliação automatizada de sua autoria.
Um exemplo com mil documentos
Vamos imaginar uma empresa que analisa mil artigos.
Cem foram produzidos artificialmente de maneira proibida pelas regras internas.
Novecentos são legítimos.
O detector possui, hipoteticamente, duas características:
Reconhece corretamente 90% dos textos artificiais.
Reconhece corretamente 95% dos textos legítimos.
Teríamos:
| Resultado | Documentos |
|---|---|
| Textos artificiais corretamente identificados | 90 |
| Textos artificiais não detectados | 10 |
| Textos humanos corretamente reconhecidos | 855 |
| Textos humanos falsamente acusados | 45 |
O sistema apresentaria 135 alertas.
Mas 45 seriam falsos.
Ou seja, um terço dos alertas positivos estaria errado.
Michael observa o resultado.
— KITT, isso significa que poderíamos perseguir quarenta e cinco pessoas inocentes?
— Se tratássemos todos os alertas como provas definitivas, sim.
— Então precisamos de revisão humana.
— E também de um processo de contestação, Michael.
Essa é uma das grandes lições da investigação.
💻 Capítulo VI — Laboratório COBOL: construindo o detector de alertas de KITT
Chegou a hora de entrar no CPD.
Nosso objetivo será desenvolver um pequeno programa COBOL que recebe uma pontuação produzida por um sistema externo e define a prioridade de revisão.
Atenção: esse programa não identifica textos de IA.
Ele simula a etapa de classificação e encaminhamento de alertas.
Passo 1 — Compreender o problema
O programa receberá uma pontuação de zero a cem.
Definiremos três situações didáticas:
De 0 a 39: sem alerta.
De 40 a 79: revisão normal.
De 80 a 100: revisão prioritária.
Esses limites são arbitrários e não foram calibrados cientificamente.
Servem apenas para aprender COBOL.
Passo 2 — Criar o programa
Utilizaremos divisões tradicionais da linguagem, campos declarados com PIC, condições e a instrução EVALUATE.
>>SOURCE FORMAT FREE
identification division.
program-id. KITTAI.
environment division.
configuration section.
repository.
function all intrinsic.
data division.
working-storage section.
01 ws-entrada pic x(3).
01 ws-score pic 9(3).
01 ws-status pic x(25).
01 ws-decisao pic x(30).
procedure division.
display "=== SISTEMA KITT ANTI-IA ==="
display "Informe score entre 000 e 100:"
accept ws-entrada
if ws-entrada is not numeric
display "ERRO: entrada nao numerica"
goback
end-if
move function numval(ws-entrada)
to ws-score
if ws-score > 100
display "ERRO: score invalido"
goback
end-if
evaluate true
when ws-score >= 80
move "REVISAO PRIORITARIA"
to ws-status
when ws-score >= 40
move "REVISAO NORMAL"
to ws-status
when other
move "SEM ALERTA"
to ws-status
end-evaluate
move "PENDENTE ANALISE HUMANA"
to ws-decisao
display "SCORE: " ws-score
display "STATUS: " ws-status
display "DECISAO: " ws-decisao
goback.Passo 3 — Compreender cada divisão
IDENTIFICATION DIVISION
Identifica o programa COBOL.
A instrução PROGRAM-ID define o nome KITTAI.
ENVIRONMENT DIVISION
Neste exemplo, contém a configuração para utilização das funções intrínsecas.
DATA DIVISION
Declara os campos utilizados.
O campo WS-ENTRADA recebe três caracteres.
WS-SCORE armazena uma pontuação numérica com três dígitos.
WS-STATUS recebe a classificação.
WS-DECISAO registra o encaminhamento.
PROCEDURE DIVISION
Contém as instruções executadas.
DISPLAY apresenta informações.
ACCEPT recebe dados.
IF valida condições.
EVALUATE TRUE permite selecionar comportamentos conforme regras.
MOVE transfere valores entre campos.
GOBACK encerra a execução do programa.
Passo 4 — Executar nosso laboratório
Exemplo de entrada:
=== SISTEMA KITT ANTI-IA ===
Informe score entre 000 e 100:
085Saída esperada:
SCORE: 085
STATUS: REVISAO PRIORITARIA
DECISAO: PENDENTE ANALISE HUMANARepare na decisão.
O programa não afirma que determinado autor utilizou IA.
Ele apenas solicita revisão.
Passo 5 — Testar as fronteiras
Todo programador iniciante deveria aprender a testar os limites das condições.
Experimente os seguintes valores:
| Entrada | Resultado esperado |
|---|---|
| 000 | Sem alerta |
| 039 | Sem alerta |
| 040 | Revisão normal |
| 079 | Revisão normal |
| 080 | Revisão prioritária |
| 100 | Revisão prioritária |
| 101 | Erro |
| ABC | Erro |
Esses testes ajudam a verificar a lógica.
Em produção, precisaríamos ainda tratar entradas vazias, caracteres especiais, falhas de comunicação, formatos inesperados e outros problemas.
O que aprendemos?
Um programa pode executar perfeitamente suas instruções e ainda assim participar de um processo injusto.
Se a pontuação recebida estiver errada, a classificação poderá estar errada.
Uma rotina COBOL correta não transforma dados incorretos em verdade.
KITT concordaria.
🖥️ Capítulo VII — JCL: preparando a investigação no IBM Z
Nosso próximo passo é imaginar o programa sendo executado num ambiente z/OS.
Em vez de digitar a pontuação diretamente no terminal, poderíamos processar um registro de entrada.
Para facilitar o laboratório, vamos criar uma pequena versão batch que lê uma linha de SYSIN.
>>SOURCE FORMAT FREE
identification division.
program-id. KITTBTCH.
environment division.
input-output section.
file-control.
select entrada assign to "SYSIN"
organization is line sequential
file status is ws-file-status.
data division.
file section.
fd entrada.
01 registro-entrada pic x(3).
working-storage section.
01 ws-file-status pic xx.
01 ws-score pic 9(3).
01 ws-status pic x(25).
procedure division.
open input entrada
if ws-file-status not = "00"
display "ERRO AO ABRIR ENTRADA"
goback
end-if
read entrada
if ws-file-status = "00"
if registro-entrada is numeric
move registro-entrada to ws-score
evaluate true
when ws-score > 100
move "VALOR INVALIDO"
to ws-status
when ws-score >= 80
move "REVISAO PRIORITARIA"
to ws-status
when ws-score >= 40
move "REVISAO NORMAL"
to ws-status
when other
move "SEM ALERTA"
to ws-status
end-evaluate
display ws-score " " ws-status
else
display "ENTRADA INVALIDA"
end-if
else
display "SEM REGISTRO DISPONIVEL"
end-if
close entrada
goback.Essa versão é ilustrativa. A associação do ficheiro ao DD SYSIN e o comportamento de organização line sequential dependem das configurações e convenções do compilador e do ambiente de execução.
Agora imaginemos o seguinte JCL, com o módulo executável previamente compilado e disponível numa biblioteca de carga:
//KITTJOB JOB (ACCT),'KITT AUDIT',
// CLASS=A,MSGCLASS=X
//STEP01 EXEC PGM=KITTBTCH
//STEPLIB DD DSN=USER.KITT.LOAD,DISP=SHR
//SYSOUT DD SYSOUT=*
//SYSIN DD *
085
/*No JCL, JOB identifica o trabalho.
EXEC define o programa executado.
STEPLIB indica a biblioteca onde se encontra o executável, quando necessário.
SYSOUT recebe mensagens de saída conforme a associação lógica usada pelo programa.
SYSIN fornece dados de entrada.
Neste exemplo, a pontuação 085 poderá resultar numa classificação de revisão prioritária.
Dica para iniciantes: executar uma rotina batch não é apenas fazer o programa funcionar. É compreender de onde vêm os dados, onde são registrados os resultados e como investigar falhas.
Em ambientes corporativos, essas questões são essenciais.
🔐 Capítulo VIII — RACF: quem tem autorização para acusar alguém?
Agora chegamos a um dos capítulos mais importantes.
Suponhamos que nossa aplicação KITT está sendo utilizada por uma instituição.
Ela analisa documentos e produz alertas.
Quem poderá visualizar os resultados?
Quem terá autorização para alterar os limites?
Quem poderá encerrar uma investigação?
Quem poderá consultar as evidências?
Num ambiente IBM Z, o RACF participa da administração de identidades e dos controles de acesso.
Podemos estabelecer perfis, grupos e permissões para proteger recursos.
Isso não significa que o RACF determine se um texto foi escrito por IA.
Ele controla quem pode acessar determinados recursos e realizar operações autorizadas.
Um problema de separação de funções
Imagine que o mesmo funcionário possa:
Alterar as regras do detector.
Executar o processamento.
Apagar os resultados.
Encerrar uma investigação sem justificativa.
Temos uma concentração perigosa de privilégios.
Um sistema corporativo deveria procurar distribuir responsabilidades.
O operador executa processos.
O administrador controla a infraestrutura.
O auditor examina evidências.
O responsável pela decisão avalia o caso.
Esse princípio é chamado segregação de funções.
KITT interrompe:
— Michael, permitir que a mesma pessoa controle a acusação e elimine os registros seria um risco.
— Concordo. Precisamos de controles independentes.
— Precisamente. A confiança não nasce apenas da inteligência do sistema. Ela depende da arquitetura de segurança.
A lição para a polícia anti-IA
Um detector não deveria possuir poderes ilimitados.
Um resultado automatizado precisa de controles, documentação, revisão e possibilidade de contestação, sobretudo quando pode afetar a reputação, o emprego ou a trajetória acadêmica de alguém.
🗃️ Capítulo IX — Db2: a memória que KITT jamais deveria apagar
Qual é uma das características mais importantes de um sistema confiável?
A capacidade de reconstruir acontecimentos.
Imagine que determinada publicação foi classificada como suspeita.
Um mês depois, o autor contesta a decisão.
A organização precisa responder:
Qual documento foi analisado?
Em que data?
Qual versão do detector foi utilizada?
Qual foi a pontuação?
Quem examinou o resultado?
Qual justificativa fundamentou a decisão?
Uma base de dados relacional pode ajudar a organizar essas informações.
Criando uma tabela de auditoria
Em Db2, poderíamos conceber uma tabela como esta:
CREATE TABLE KITT_AUDITORIA (
ID_ANALISE INTEGER NOT NULL,
ID_DOCUMENTO VARCHAR(40) NOT NULL,
DATA_ANALISE TIMESTAMP NOT NULL,
VERSAO_MODELO VARCHAR(20),
SCORE SMALLINT,
STATUS VARCHAR(30),
REVISOR VARCHAR(30),
JUSTIFICATIVA VARCHAR(500),
PRIMARY KEY (ID_ANALISE)
);Esse modelo é apenas um ponto de partida.
Em produção, seria necessário considerar identificadores gerados automaticamente, integridade referencial, política de retenção, proteção de dados pessoais, controle de atualizações e trilhas de auditoria resistentes a alterações indevidas.
Consultando resultados
SELECT ID_DOCUMENTO,
SCORE,
STATUS,
DATA_ANALISE
FROM KITT_AUDITORIA
WHERE SCORE >= 80
ORDER BY DATA_ANALISE DESC;A consulta recupera análises com pontuação elevada.
Mas precisamos repetir um detalhe fundamental.
Pontuação elevada não demonstra culpa.
A consulta identifica registros que satisfazem uma condição.
Nada mais.
Um erro bastante comum em projetos de sistemas inteligentes é confundir uma classificação computacional com um fato comprovado.
O banco de dados armazena o que recebeu.
Ele não garante que o conteúdo armazenado seja verdadeiro.
📊 Capítulo X — SMF, logs e a caixa-preta de KITT
Quando um avião sofre um acidente, investigadores procuram reconstruir sua trajetória.
Quando uma aplicação empresarial apresenta problemas, profissionais de informática examinam registros de execução.
No mundo mainframe, os registros SMF podem fornecer informações valiosas sobre atividades do sistema, utilização de recursos, jobs e acontecimentos registrados por componentes habilitados.
Outros mecanismos de logging e auditoria complementam essa observabilidade.
A mesma filosofia deveria existir em sistemas de avaliação automatizada.
Imagine um autor que recebe uma notificação de que seu artigo foi classificado como artificial.
A instituição responsável precisa conseguir recuperar informações suficientes para explicar o processo.
Isso pode incluir:
Data e horário da análise.
Identificação da versão do classificador.
Parâmetros utilizados.
Resultado produzido.
Regras aplicadas.
Histórico da revisão humana.
Justificativa final.
Naturalmente, nem todo sistema pode divulgar integralmente seus algoritmos ou informações protegidas.
Mas isso não elimina a necessidade de governança e prestação de contas.
Curiosidade: o computador pode lembrar mais do que seus operadores
Nos grandes ambientes empresariais, é comum que uma investigação dependa de registros produzidos automaticamente muito antes de alguém perceber que existia um problema.
Um job pode terminar em segundos.
Sua execução, entretanto, deixa informações úteis para diagnóstico, auditoria e capacidade operacional, dependendo das configurações de logging.
A grande lição é que a possibilidade de auditar uma decisão precisa ser planejada antes do incidente.
Não adianta procurar um histórico que nunca foi registrado.
🤖 Capítulo XI — KITT encontra KARR: a inteligência artificial sem responsabilidade
Os fãs de A Super Máquina recordarão KARR, outro automóvel inteligente do universo da série.
KARR, cujo nome significa Knight Automated Roving Robot, funciona como contraponto dramático a KITT.
Enquanto KITT foi desenvolvido para cooperar com Michael Knight e proteger vidas, KARR representa uma inteligência artificial cujas prioridades entram em conflito com a segurança e os interesses humanos.
Essa oposição oferece uma excelente metáfora.
Imagine dois sistemas.
O primeiro procura identificar irregularidades, mas permite revisão humana, registra decisões e reconhece incertezas.
O segundo transforma qualquer pontuação elevada numa condenação automática.
Qual deles preferiríamos utilizar?
O primeiro aproxima-se do ideal de uma ferramenta responsável.
O segundo representa o perigo de entregar decisões complexas a sistemas que não conseguem explicar adequadamente suas conclusões.
A diferença entre capacidade e responsabilidade
Uma inteligência artificial pode ser excelente em reconhecer padrões.
Isso não significa que seja competente para tomar todas as decisões.
Um sistema pode identificar comportamentos estatisticamente incomuns e, ao mesmo tempo, interpretar incorretamente seu significado.
KITT não precisa ser perfeito para ajudar Michael.
Precisa fornecer informações úteis, reconhecer limitações e permitir que seu parceiro tome decisões fundamentadas.
Esse princípio aplica-se à IA generativa, aos sistemas antifraude e aos detectores de conteúdos artificiais.
🧪 Capítulo XII — O grande laboratório: humano, IA ou colaboração?
Vamos imaginar três autores.
Autor A — O especialista tradicional
Um programador COBOL escreve um artigo sobre organização de ficheiros VSAM.
Ele utiliza documentação técnica, exemplos próprios e conhecimentos adquiridos durante sua carreira.
O texto apresenta uma estrutura extremamente organizada.
Um detector considera algumas características suspeitas.
Seria correto acusá-lo?
Não sem evidências adicionais.
Autor B — O especialista assistido por IA
Outro profissional escreve um roteiro sobre Db2 e utiliza uma ferramenta generativa para melhorar a estrutura do artigo.
Depois revê as explicações, testa exemplos SQL e acrescenta suas experiências.
O resultado contém contribuições humanas e artificiais.
Seria correto afirmar que todo o trabalho foi produzido autonomamente pela máquina?
Não.
Autor C — O publicador automático
Um terceiro usuário cria um sistema que gera dezenas de publicações genéricas diariamente.
Os textos repetem ideias sem qualquer verificação técnica.
A plataforma pode considerar esse comportamento pouco útil para seus usuários.
Isso não significa, contudo, que o conteúdo seja necessariamente falso ou ilegal.
Cada caso exige análise contextual.
A escala de participação humana
Podemos imaginar diferentes níveis de utilização de IA:
| Nível | Participação da IA |
|---|---|
| 0 | Nenhuma assistência |
| 1 | Correção ortográfica |
| 2 | Organização e revisão editorial |
| 3 | Geração de trechos supervisionados |
| 4 | Produção substancial com revisão humana |
| 5 | Geração e publicação praticamente automáticas |
Essa escala é uma proposta didática, não uma classificação legal ou técnica universal.
Sua finalidade é mostrar que não existe apenas uma fronteira simples entre humano e máquina.
E talvez essa seja uma das grandes dificuldades enfrentadas pelos atuais sistemas de detecção.
🇪🇺 Capítulo XIII — A Europa entra na investigação: transparência e AI Act
Em 2026, a discussão envolve também legislação.
O Regulamento Europeu de Inteligência Artificial, conhecido como AI Act, estabelece obrigações de transparência para determinadas utilizações e categorias de sistemas.
O artigo 50.º trata, entre outros aspectos, de identificação de interações com sistemas de IA, marcação de conteúdos sintéticos e divulgação de determinados deepfakes.
As obrigações variam conforme o tipo de sistema, o responsável e o contexto de utilização.
Não significa que qualquer pessoa que utilize IA para corrigir uma frase esteja automaticamente obrigada a publicar um aviso.
É necessário avaliar a situação específica.
KITT explica a diferença entre transparência e perseguição
— Michael, transparência e proibição são conceitos diferentes.
— Explique.
— Informar que uma imagem é sintética pode proteger o público contra interpretações enganosas. Mas isso não significa que toda imagem gerada seja proibida.
— Então o objetivo deve ser compreender a finalidade do conteúdo?
— Exatamente. E aplicar as regras correspondentes.
A legislação pode estabelecer deveres de informação.
A moderação privada pode estabelecer políticas de qualidade.
Uma instituição acadêmica pode definir critérios de avaliação.
Mas essas três realidades não devem ser confundidas.
Outro problema: privacidade
Suponhamos que uma plataforma decida registrar continuamente todas as etapas da escrita de seus usuários para provar autoria.
Teríamos uma nova preocupação.
Quem teria acesso aos rascunhos?
Durante quanto tempo?
As informações poderiam revelar hábitos profissionais, dados confidenciais ou ideias ainda não publicadas?
A busca por autenticidade não deveria justificar uma vigilância ilimitada.
Precisamos equilibrar transparência, segurança e privacidade.
🔎 Capítulo XIV — A solução pode estar na proveniência digital
Uma das alternativas promissoras à detecção baseada somente em estilo é a proveniência.
Em vez de perguntar se um documento parece artificial, podemos investigar sua origem e suas transformações registradas.
O padrão C2PA, associado às chamadas Content Credentials, procura estabelecer mecanismos para registrar e verificar informações sobre a criação e alterações de conteúdos digitais.
Imagine uma fotografia.
O sistema pode conter informações assinadas criptograficamente sobre sua origem e determinados processos de edição.
Isso ajuda a examinar a integridade de declarações associadas ao arquivo.
Entretanto, existe uma limitação importante.
Uma assinatura válida não comprova que a cena fotografada representa a verdade.
Também não impede que determinados metadados sejam removidos.
O mecanismo fornece informações de proveniência verificáveis, dentro de seus limites.
Conexão com o mainframe
Os princípios lembram práticas conhecidas dos ambientes corporativos:
Identificação.
Integridade.
Rastreabilidade.
Controle de acesso.
Registros de alteração.
Auditoria.
KITT aprovaria essa abordagem.
— Michael, conhecer a trajetória de um documento é mais informativo do que simplesmente especular sobre sua aparência.
— Então precisamos investigar a origem, não apenas o estilo.
— Precisamente.
🛠️ Capítulo XV — Dez dicas de KITT para os programadores COBOL iniciantes
Agora vamos transformar nossa aventura em conhecimento prático.
Primeira dica — Aprenda a validar entradas.
Nunca presuma que os dados recebidos estão corretos.
Utilize verificações de formato, tamanho, domínio e consistência.
Segunda dica — Diferencie dado de informação.
Uma pontuação é um dado.
Uma conclusão exige interpretação e contexto.
Terceira dica — Documente as regras.
Se um programa classifica registros, explique por que cada condição existe.
Quarta dica — Teste os limites.
Não teste apenas valores comuns.
Teste fronteiras, campos vazios, conteúdos inválidos e situações excepcionais.
Quinta dica — Compreenda os falsos positivos.
Um sistema pode estar funcionando como foi programado e ainda produzir decisões injustas.
Sexta dica — Preserve evidências.
Logs, relatórios de execução e versões de código são fundamentais para investigações técnicas.
Sétima dica — Utilize controle de versões.
Git pode ajudar a registrar alterações e facilitar revisões, inclusive em projetos que utilizam COBOL moderno e ferramentas de desenvolvimento integradas.
Oitava dica — Conheça os mecanismos de segurança.
Estude RACF, permissões, privilégios e segregação de funções.
Nona dica — Utilize IA como assistente, não como autoridade absoluta.
Peça explicações, exemplos e hipóteses.
Mas confira os resultados.
Décima dica — Nunca confunda execução correta com decisão correta.
Um programa pode executar perfeitamente uma regra mal concebida.
Essa talvez seja a dica mais importante.
🎩 Capítulo XVI — O easter egg: o computador mais humano da história era um automóvel
Existe uma ironia extraordinária em toda esta investigação.
Em 1982, os espectadores admiravam KITT porque ele parecia humano.
O carro conversava naturalmente.
Demonstrava preocupação.
Apresentava raciocínios.
Tinha personalidade.
Fazia comentários irônicos.
Era justamente sua capacidade de interagir como uma pessoa que o tornava fascinante.
Quarenta e quatro anos depois, certas pessoas começam a desconfiar de textos porque parecem produzidos por máquinas que aprenderam a escrever como humanos.
Veja a inversão histórica!
Antes:
"Que incrível! Esta máquina parece humana!"
Agora:
"Que suspeito! Este humano parece uma máquina!"
Michael Knight observa o painel.
— KITT, isso não parece absurdo?
— É um paradoxo interessante, Michael. Durante décadas, procuramos construir máquinas capazes de reproduzir comportamentos humanos. Agora enfrentamos dificuldades para estabelecer a origem desses comportamentos quando aparecem em meios digitais.
— Então, no futuro, teremos que provar que somos humanos?
— Em determinados contextos, a comprovação de origem poderá tornar-se mais importante. Mas seria um erro transformar toda interação humana numa investigação permanente.
O teste de Turing invertido
Em 1950, Alan Turing apresentou o famoso jogo da imitação, associado à questão de saber se uma máquina poderia produzir respostas indistinguíveis das humanas.
Em 2026, poderíamos imaginar um teste inverso.
Uma pessoa escreve um texto.
O sistema pergunta se realmente foi escrito por uma pessoa.
O humano precisa demonstrar sua humanidade.
A máquina assume o papel de juiz.
E o ser humano torna-se o investigado.
KITT talvez comentasse:
— Michael, seria lamentável construir computadores tão sofisticados que acabássemos utilizando sua capacidade de raciocínio para desconfiar indiscriminadamente das pessoas.
🚦 Capítulo XVII — O que o Bellacosa Mainframe deve aprender com essa investigação?
Para quem mantém um blog técnico, produz artigos históricos e compartilha conhecimentos sobre COBOL, IBM Z e tecnologias empresariais, a questão merece atenção especial.
É perfeitamente legítimo utilizar ferramentas de IA como apoio à pesquisa, revisão e organização.
O que realmente diferencia um artigo técnico é seu conteúdo.
Um texto apresenta valor quando explica corretamente um conceito, demonstra um procedimento, contextualiza um acontecimento e permite que o leitor aprenda algo.
Por exemplo, um artigo sobre Db2 pode incluir:
Um problema real ou claramente identificado como hipotético.
Um exemplo SQL reproduzível.
Uma explicação sobre índices e desempenho.
As limitações da solução.
As referências utilizadas.
As situações nas quais a técnica não deve ser aplicada.
Esses elementos oferecem conhecimento verificável.
Não se trata de esconder a utilização de IA.
Trata-se de assegurar que a ferramenta contribua para melhorar o trabalho, sem substituir a responsabilidade intelectual do autor.
Como avaliar uma eventual queda de alcance no LinkedIn?
Antes de concluir que determinada publicação foi penalizada por uso de IA, compare indicadores.
Observe impressões, comentários, partilhas, visitas ao perfil e crescimento da rede.
Compare textos publicados em condições semelhantes.
Verifique se a queda ocorreu apenas numa publicação ou em diferentes formatos.
Considere alterações no horário e na frequência das publicações.
E lembre-se de que correlação não significa causalidade.
Uma queda nas impressões pode coincidir com uma mudança no algoritmo sem ter sido causada especificamente pela classificação de conteúdo artificial.
KITT não aceitaria uma conclusão sem investigação.
E nós também não deveríamos aceitá-la.
🏁 Epílogo — Michael, a verdadeira supermáquina ainda precisa do ser humano
A estrada aproxima-se de Los Angeles.
O amanhecer ilumina as montanhas.
O Pontiac Trans Am negro continua avançando.
Michael Knight observa os resultados da investigação.
— KITT, chegamos a alguma conclusão?
— Sim, Michael. A inteligência artificial pode ajudar a encontrar padrões, analisar documentos e identificar situações que merecem investigação.
— Mas não pode garantir que toda suspeita esteja correta.
— Exatamente.
— E o que acontece quando as máquinas começam a tomar decisões sobre a reputação das pessoas?
— Precisamos de critérios transparentes, controles de qualidade, revisão proporcional ao risco e mecanismos de contestação.
Michael sorri.
— Você sabe, KITT, quando começamos a trabalhar juntos, achei que ter um computador inteligente resolveria todos os nossos problemas.
— E hoje, Michael?
— Hoje percebo que um computador inteligente também pode criar problemas novos.
— Uma observação sensata.
— Não se acostume.
A luz vermelha percorre a dianteira do automóvel.
Nossa aventura chega ao fim.
Mas a questão permanece.
Durante décadas, o grande sonho da informática foi construir máquinas capazes de compreender os seres humanos.
Agora precisamos aprender a construir sistemas que não confundam compreensão com julgamento.
Porque reconhecer padrões não é conhecer intenções.
Detectar semelhanças não é comprovar autoria.
Produzir uma classificação não é demonstrar culpa.
E possuir inteligência artificial não significa possuir sabedoria.
A lição final de KITT é que a tecnologia mais avançada não é necessariamente aquela que decide tudo sozinha. É aquela que ajuda as pessoas a decidir melhor, reconhecendo as próprias limitações.
No universo de A Super Máquina, Michael Knight nunca foi importante apenas porque possuía um automóvel extraordinário.
Ele era importante porque assumia a responsabilidade pelas decisões.
KITT fornecia conhecimento, velocidade, sensores e capacidade de processamento.
Michael fornecia julgamento humano.
Essa parceria continua sendo uma excelente metáfora para o desenvolvimento responsável da inteligência artificial.
E também para o futuro dos programadores COBOL.
O mainframe continuará executando milhões de instruções.
O Db2 continuará armazenando informações.
O RACF continuará controlando acessos.
O JCL continuará organizando a execução de trabalhos.
Os sistemas de IA continuarão reconhecendo padrões.
Mas alguém precisará responder pelas consequências.
E esse alguém não deveria ser um algoritmo invisível.
📚 Fontes, referências e leitura complementar
CNN Portugal — 7 de novembro de 2026
A polícia anti-IA está por todo o lado. O que é que eles procuram?
CNN Business — 18 de outubro de 2026
Reportagem sobre o LinkedIn e o combate a publicações produzidas por IA.
https://edition.cnn.com/2026/10/18/tech/linkedin-fighting-ai-posts
Stanford University — 2023
Liang e colaboradores. GPT detectors are biased against non-native English writers.
Revista Patterns, volume 4, número 7.
https://doi.org/10.1016/j.patter.2023.100779
União Europeia — AI Act, artigo 50.º
Obrigações de transparência para determinados sistemas e conteúdos de inteligência artificial.
https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-50
C2PA — Coalition for Content Provenance and Authenticity
Especificações de proveniência e autenticidade de conteúdos digitais.
IBM Documentation
Documentação oficial sobre Enterprise COBOL, z/OS, JCL, RACF e Db2.
Knight Rider — 1982–1986
Série criada por Glen A. Larson, protagonizada por David Hasselhoff, com William Daniels como voz de KITT.
☕ Um último café no Bellacosa Mainframe
Se em 1982 alguém nos dissesse que um automóvel conversaria com seu motorista, analisaria imagens e responderia perguntas, provavelmente imaginaríamos estar diante de ficção científica.
Hoje conversamos diariamente com inteligências artificiais.
Elas ajudam a programar, traduzir, pesquisar, escrever e compreender sistemas complexos.
Mas também podem errar, interpretar mal informações e produzir resultados aparentemente convincentes.
A verdadeira evolução tecnológica não consiste apenas em construir máquinas mais inteligentes.
Consiste também em construir mecanismos que permitam compreender seus limites, corrigir seus erros e responsabilizar quem decide utilizá-las.
No fundo, quarenta e quatro anos depois, KITT continua ensinando uma lição extraordinariamente atual:
Uma supermáquina é uma ferramenta poderosa. Mas a justiça, a ética e a responsabilidade não podem ser reduzidas a uma pontuação.
Bellacosa Mainframe — onde o COBOL encontra a história, os algoritmos encontram a auditoria e uma boa xícara de café continua sendo indispensável para compreender o futuro.
Até a próxima missão. E cuidado com os falsos positivos!
