 |
| Bellacosa Mainframe e System Security |
☕ UM CAFÉ NO BELLACOSA MAINFRAME
🕵️ CHARLES PONZI ENTRA NO CPD — QUANDO O PROGRAMADOR COBOL DESCOBRIU QUE INTELIGÊNCIA É UM ENORME PERFORM UNTIL
Mainframe Security, RACF, SMF, CICS, Db2, MQ, fraude, lavagem de dinheiro, inteligência financeira, graph analytics, entity resolution, threat hunting, IA, falsos positivos, narcossubmarinos, análise de esgoto — e o dia em que descobrimos que 17.390 hipóteses descartadas talvez ainda tivessem alguma coisa para contar.
🎬 PRÓLOGO — CHARLES PONZI ESTAVA ESPERANDO NO CPD
Eram 03:17 da manhã.
O programador COBOL entrou no CPD carregando um café que provavelmente já poderia ser classificado como material radioativo.
Na frente do terminal 3270 havia um homem de terno impecável.
— Quem é você?
— Charles Ponzi.
O programador quase derrubou o café.
— O Charles Ponzi?
— Depende. Se você estiver oferecendo investimentos, não. Se estiver tentando entender fraude, talvez eu possa ser útil como exemplo do que não fazer.
Na tela havia 80 milhões de registros.
Contas.
Empresas.
Transações.
Usuários.
Endereços.
Telefones.
Logs.
Eventos.
O programador olhou aquilo e perguntou:
— Qual deles é criminoso?
Ponzi sorriu.
— Você já começou fazendo a pergunta errada.
— Qual seria a pergunta certa?
Ele apontou para a tela.
Quais relações nesse sistema não deveriam existir?
E foi assim que começou nossa viagem.
🧠 CAPÍTULO 1 — PRIMEIRO: SEGURANÇA NÃO É RACF
Para quem está começando em mainframe, é tentador imaginar:
SEGURANÇA = RACFRACF é importantíssimo.
Mas segurança de um ambiente IBM Z moderno é muito maior.
Temos algo aproximadamente assim:
IDENTIDADE
│
RACF
│
┌───────────────┼───────────────┐
│ │ │
TSO USS JES
│ │ │
└───────────────┼───────────────┘
│
┌─────────────┼─────────────┐
│ │ │
CICS Db2 MQ
│ │ │
└─────────────┼─────────────┘
│
APIs
│
z/OS Connect
│
CLOUD / WEBUm profissional de Bellacosa Mainframe Security precisa compreender as relações entre essas camadas.
Não basta perguntar:
“Vagner possui acesso ao dataset
PROD.PAYROLL.MASTER?”
Precisamos perguntar:
VAGNER
│
▼
GROUP-X
│
▼
JCL
│
▼
SUBMIT
│
▼
STARTED TASK
│
▼
PROGRAMA
│
▼
Db2
│
▼
PAYROLLTalvez Vagner não tenha acesso direto ao dado.
Mas possui um caminho até ele.
Essa mudança parece pequena.
Não é.
Estamos deixando de pensar somente em permissões e começando a pensar em grafos.
🕸️ CAPÍTULO 2 — MAS O QUE DIABOS É UM GRAFO?
Nada de assustador.
Um grafo é basicamente:
NÓS + RELAÇÕESImagine:
VAGNER ── trabalha_em ──► EMPRESA_ATemos dois nós:
VAGNER
EMPRESA_Ae uma relação:
trabalha_emAgora adicionamos:
VAGNER ───── usa ───────► USER123
USER123 ─── acessa ─────► CICS01
CICS01 ─── executa ─────► PAY001
PAY001 ───── lê ────────► DB2.TABLE_XPronto.
Temos um pequeno grafo de segurança.
Agora imagine milhões de nós.
É aí que começa a diversão.
💰 CAPÍTULO 3 — CHARLES PONZI OLHA PARA UMA TRANSAÇÃO
Ponzi colocou uma transferência na tela:
CONTA A → R$ 49.850 → CONTA B— Fraudulenta? — perguntou ele.
O programador analisou.
Conta existente.
Saldo suficiente.
Autenticação correta.
Transação autorizada.
Horário normal.
— Parece legítima.
Ponzi colocou outra:
CONTA C → R$ 48.970 → CONTA BDepois:
CONTA D → R$ 51.120 → CONTA E
CONTA E → R$ 50.880 → EMPRESA X
CONTA F → R$ 49.310 → EMPRESA X
CONTA G → R$ 50.220 → EMPRESA XEntão perguntou:
— E agora?
A resposta mudou.
Não porque alguma transação individual necessariamente seja criminosa.
Mas porque surgiu um comportamento.
Essa é uma ideia fundamental:
Uma transação pode ser tecnicamente perfeita e ainda fazer parte de um comportamento que merece investigação.
O mainframe pode responder:
RACF ........ OK
CICS ........ OK
Db2 ......... OK
MQ .......... OK
SALDO ....... OK
CONTA ....... OKE ainda assim alguma coisa pode estar errada no nível superior.
🔎 CAPÍTULO 4 — EVENTO NÃO É COMPORTAMENTO
Esse princípio vale também para cybersecurity.
Imagine:
02:13 USERX READ DATASET.ANormal.
Depois:
02:17 USERX SUBMIT JOB77Talvez normal.
Depois:
02:19 JOB77 ACCESS DB2.TABLEAinda plausível.
Depois:
02:22 MQ PUT QUEUE.EXTERNALAgora temos:
LOGIN
↓
DATASET
↓
JOB
↓
Db2
↓
MQ
↓
EXTERNALIndividualmente:
evento → talvez normalColetivamente:
sequência → interessanteÉ aqui que SMF deixa de ser apenas auditoria e passa a ser matéria-prima para inteligência.
🐒 CAPÍTULO 5 — OS CHIMPANZÉS INVENTAM OS IFs
Ponzi perguntou:
— Como começamos?
O programador COBOL respondeu imediatamente:
IF ALGUMA-COISA-ESTRANHA
PERFORM INVESTIGAR
END-IFPonzi suspirou.
— Depois dizem que COBOL está morto.
A ideia é simples.
Começamos com muitos IFs.
IF movimentação incompatível
IF empresa recém-criada
IF endereço compartilhado
IF telefone compartilhado
IF dispositivo compartilhado
IF procurador compartilhado
IF fluxo circular
IF concentração incomum
IF dispersão rápida
IF comportamento temporal incomumNenhum deles significa:
CRIMINOSO = TRUEIsso seria perigosíssimo.
Eles significam:
INTERESSE-ANALITICO = INTERESSE-ANALITICO + 1🎯 CAPÍTULO 6 — DE MILHÕES DE EVENTOS PARA QUATRO PERGUNTAS
Aqui surgiu uma das ideias centrais da nossa conversa.
Imagine:
80.000.000 eventos
↓
17.432 hipóteses
↓
correlação
↓
2.100
↓
contexto
↓
340
↓
entity resolution
↓
42
↓
fontes independentes
↓
4A função da IA não deveria ser anunciar:
“ENCONTREI QUATRO CRIMINOSOS!”
Não.
A função seria dizer:
“Estas quatro estruturas merecem que investigadores humanos gastem tempo entendendo o que está acontecendo.”
Essa diferença é gigantesca.
Temos:
ANOMALIA ≠ FRAUDE
CORRELAÇÃO ≠ CAUSALIDADE
RELAÇÃO ≠ CUMPLICIDADE
HIPÓTESE ≠ EVIDÊNCIA
EVIDÊNCIA ≠ CONDENAÇÃOGrave isso.
👥 CAPÍTULO 7 — ENTITY RESOLUTION
Agora surge outro problema.
Quem é “João”?
Temos:
JOÃO
│
├── CPF
├── telefone
├── endereço
├── conta
├── cartão
├── empresa
├── dispositivo
└── e-mailOutra empresa utiliza o mesmo endereço.
Outra conta utiliza o mesmo telefone.
Outra pessoa utiliza o mesmo dispositivo.
Outra empresa possui o mesmo procurador.
O que pareciam cem entidades independentes talvez formem um cluster.
É isso que Entity Resolution tenta resolver:
Quais registros representam a mesma entidade ou entidades relacionadas?
Esse problema aparece em bancos, seguradoras, telecomunicações, e-commerce, segurança e inteligência.
🕸️ CAPÍTULO 8 — NÃO PROCURE SOMENTE O MAIOR NÓ
Imagine:
A ─ B ─ C
│ │ │
D ─ X ─ E
│
F ─ G ─ HX talvez nem movimente mais dinheiro.
Mas praticamente todos os grupos passam por ele.
Isso introduz conceitos de centralidade em grafos.
Um nó pode ser importante porque:
possui muitas conexões;
conecta comunidades diferentes;
aparece em muitos caminhos;
controla um recurso;
concentra relacionamentos incomuns.
Às vezes a conta movimentando R$ 100 milhões chama atenção.
Mas o contador, procurador, dispositivo ou empresa que conecta quinze estruturas aparentemente independentes pode ser analiticamente muito mais interessante.
Dinheiro mostra volume. Conectividade pode revelar estrutura.
🔄 CAPÍTULO 9 — AS 17.390 HIPÓTESES NÃO MORRERAM
Aqui nossos chimpanzés tiveram outra crise existencial.
Suponha:
17.432 hipótesesApós análise:
42 relevantes
17.390 descartadasDELETE?
Jamais.
Talvez:
STATUS = LOW-PRIORITYPorque hoje temos:
X → YExiste explicação comercial plausível.
Baixa prioridade.
Seis meses depois:
X → Y → Z → Q
│
└────► NOVA ENTIDADE RELEVANTESubitamente aquela transação antiga ganha outro significado.
O evento não mudou.
Nosso conhecimento mudou.
🦖 CAPÍTULO 10 — SMF JÁ SABIA
Isso é deliciosamente mainframe.
Imagine que um incidente seja descoberto em setembro.
Então alguém pergunta:
“Esse usuário já havia feito isso antes?”
Você consulta registros históricos.
E encontra:
MARÇO
USERX → DATASET.A
ABRIL
USERX → JOB77
MAIO
JOB77 → MQ.X
JUNHO
USERX → USSNa época, eram eventos aparentemente desconectados.
Agora possuem contexto.
É por isso que retenção, integridade, timestamps e correlação histórica são tão importantes.
O passado pode adquirir novo significado.
♻️ CAPÍTULO 11 — O SISTEMA COMEÇA A APRENDER
Agora temos um loop:
OBSERVAR
↓
HIPÓTESE
↓
TESTAR
↓
INVESTIGAR
↓
RESULTADO
↓
APRENDER
↓
REANALISAR
↺Se uma investigação confirmar determinada estrutura, aprendemos.
Se concluir que era perfeitamente legítima, também aprendemos.
Precisamos guardar:
TRUE POSITIVE
FALSE POSITIVE
FALSE NEGATIVE
TRUE NEGATIVEIsso permite melhorar priorização futura.
Mas existe uma armadilha.
⚠️ CAPÍTULO 12 — A IA NÃO PODE CONFIRMAR A SI MESMA
Imagine:
IA suspeita de João
↓
João recebe mais investigação
↓
coletamos mais dados sobre João
↓
encontramos mais coisas incomuns
↓
IA conclui:
"EU TINHA RAZÃO!"Talvez não.
Quanto mais observamos alguém, maior a chance de encontrarmos alguma anomalia.
Criamos um feedback loop de viés.
Portanto precisamos separar claramente:
OBSERVAÇÃO
│
INFERÊNCIA
│
HIPÓTESE
│
EVIDÊNCIA INDEPENDENTE
│
RESULTADO INVESTIGATIVOA hipótese produzida pela IA não pode virar evidência para confirmar a própria hipótese.
🚽 CAPÍTULO 13 — QUANDO O ESGOTO VIROU TELEMETRIA
E então nossa conversa ficou realmente estranha.
Descobrimos que pesquisadores conseguem analisar águas residuais de cidades procurando metabólitos associados ao consumo de drogas.
Para cocaína, um marcador utilizado é a benzoilecgonina (BE).
A EUDA informa que seu estudo de 2025 envolveu 115 cidades europeias. Entre as 85 com dados comparáveis entre 2024 e 2025, 48 apresentaram aumento da carga de BE; no agregado comparável, houve aumento de aproximadamente 22%.
Isso não significa identificar indivíduos.
É uma medida populacional.
Em linguagem Bellacosa:
o esgoto virou uma espécie de SMF da cidade.
😂
Temos outro sensor independente:
APREENSÕES ───────────┐
│
PREÇO/PUREZA ─────────┤
│
ESGOTO ───────────────┤
│
HOSPITAIS ────────────┤
├──► MODELO
FLUXOS FINANCEIROS ───┤
│
PORTOS ───────────────┤
│
INTELIGÊNCIA ─────────┘Nenhum sensor sozinho conta toda a história.
A convergência é que interessa.
🚢 CAPÍTULO 14 — O NARCOSSUBMARINO NÃO É O PROBLEMA
Outro chimpanzé olhou pela janela e perguntou:
— Como organizações criminosas conseguem construir semissubmersíveis?
Boa pergunta.
A UNODC documenta diferentes categorias de embarcações utilizadas no tráfico marítimo, incluindo Low Profile Vessels, semissubmersíveis autopropulsados e, mais raramente, veículos totalmente submersíveis. As capacidades descritas chegam a várias toneladas por embarcação.
Mas o interessante para nós não é aprender a construir uma.
É perguntar:
Que organização precisa existir para conseguir produzir e operar repetidamente algo complexo?
Um artefato pressupõe uma rede:
EMBARCAÇÃO
▲
│
engenharia
│
materiais
│
fornecedores
│
financiamento
│
pessoas
│
conhecimento
│
logística
│
origem ───────────── destinoPortanto:
Não procure apenas o objeto produzido pela organização. Procure a organização capaz de produzir o próximo.
Isso vale para cybersecurity.
Encontrar um malware não significa necessariamente eliminar o grupo capaz de criar outro.
Bloquear um usuário comprometido não elimina necessariamente o caminho utilizado para comprometê-lo.
🧠 CAPÍTULO 15 — CONHECIMENTO TAMBÉM É UM ATIVO
Uma organização complexa aprende.
Algo parecido com:
MISSÃO
↓
RESULTADO
↓
FEEDBACK
↓
APRENDIZADO
↓
PRÓXIMA MISSÃOIsso é organizational learning.
A embarcação pode desaparecer.
Uma carga pode ser apreendida.
Um operador pode ser preso.
Mas se permanecerem:
CAPITAL
+
CONHECIMENTO
+
FORNECEDORES
+
RELACIONAMENTOS
+
LOGÍSTICAa capacidade pode ser reconstruída.
É exatamente a diferença entre:
destruir uma instânciae:
eliminar a capacidade de criar novas instânciasProgramadores entendem isso imediatamente.
Você matou um processo.
Mas quem continua fazendo:
START TASK?
🏛️ CAPÍTULO 16 — MAS O ESTADO NÃO PENSA NISSO?
Aqui tivemos outra pergunta importante.
Se uma pessoa tomando café consegue chegar a essas ideias, por que autoridades não fariam o mesmo?
Fazem.
O Brasil possui estruturas de inteligência financeira e cooperação institucional. O Coaf, por exemplo, utiliza processos automatizados de classificação de risco e posteriormente análise aprofundada por analistas; informações recebidas permanecem em sua base e podem ganhar relevância quando confrontadas com novos dados.
Somente em 2025 foram produzidos 20.548 Relatórios de Inteligência Financeira (RIFs).
Ou seja:
DADOS
↓
RISCO
↓
PRIORIZAÇÃO
↓
ANALISTA
↓
RIFNossa ideia não nasceu em Marte.
O desafio é escala, integração e efetividade.
🧱 CAPÍTULO 17 — O CRIMINOSO NÃO RESPEITA ORGANOGRAMA
Uma organização estatal pode possuir:
POLÍCIA
RECEITA
COAF
BANCO CENTRAL
CVM
MINISTÉRIO PÚBLICO
JUDICIÁRIO
ESTADOS
MUNICÍPIOSCada qual com competências, sistemas, autorizações e limites legais.
A rede criminosa não precisa respeitar essas fronteiras.
Ela pensa simplesmente:
DINHEIRO
↓
PESSOA
↓
EMPRESA
↓
TRANSPORTE
↓
OUTRA EMPRESA
↓
OUTRO PAÍSEssa assimetria é importantíssima.
O FATF/GAFILAT reconheceu avanços brasileiros em avaliação de risco, cooperação internacional e coordenação, mas também apontou necessidade de fortalecer cooperação entre determinadas autoridades — particularmente polícia, Ministério Público e administração tributária — e melhorar a persecução da lavagem de dinheiro.
Portanto:
o problema não é necessariamente ausência de inteligência. Pode ser dificuldade de transformar inteligências distribuídas em uma visão operacional integrada.
Isso parece familiar?
Claro.
É um problema de integração de sistemas.
🦖 CAPÍTULO 18 — O PROGRAMADOR COBOL FINALMENTE ENTENDE
Imagine:
SISTEMA-A
SISTEMA-B
SISTEMA-C
SISTEMA-DCada um possui dados excelentes.
Mas nenhum conversa adequadamente com os demais.
Programadores mainframe conhecem essa história desde antes de muita gente nascer.
O desafio passa a ser:
EXTRACT
↓
NORMALIZE
↓
CORRELATE
↓
RESOLVE ENTITY
↓
BUILD GRAPH
↓
ANALYZEDe repente, décadas trabalhando com sistemas corporativos deixam de ser apenas experiência em tecnologia antiga.
Viraram experiência em:
dados críticos, integração, identidade, transações, auditoria, consistência e processamento em escala.
🛡️ CAPÍTULO 19 — NASCE O BELLACOSA MAINFRAME SECURITY
Nossa trilha começou assim:
SECURITY 101
RACF
↓
USS
↓
CICS
↓
Db2
↓
MQ
↓
TCP/IP
↓
TLSDepois:
SECURITY 201
ICSF / PKI
↓
SMF
↓
SIEM
↓
MITRE ATT&CK
↓
DevSecOps
↓
API Security
↓
Cloud SecurityE finalmente:
SECURITY 301
Threat Hunting
↓
Incident Response
↓
UEBA
↓
Graph Analytics
↓
Entity Resolution
↓
Fraud Analytics
↓
Threat Intelligence
↓
AI SecurityAgora a pergunta mudou.
Não queremos somente saber:
Quem possui acesso?
Queremos saber:
O que essa identidade consegue fazer?
Depois:
Esse comportamento é normal?
Depois:
Com quem essa entidade está relacionada?
E finalmente:
Qual estrutura aparece quando observamos todas essas relações conjuntamente?
🤖 CAPÍTULO 20 — A IA DOMÉSTICA E A IA INSTITUCIONAL
Durante nossa conversa fizemos algo curioso.
Humano:
"e se...?"IA:
"plausível, mas..."Humano:
"então talvez..."IA:
"vamos testar..."E repetimos.
Isso cria:
HUMANO
↓
HIPÓTESE
↓
IA
↓
CONFRONTO
↓
CONTRADIÇÃO
↓
REFINAMENTO
↓
NOVA HIPÓTESE
↺Agora imagine isso dentro de uma organização, trabalhando somente sobre dados aos quais ela esteja legalmente autorizada a acessar.
A diferença não seria uma IA “sem limites”.
Seria:
IA
+
DADOS AUTORIZADOS
+
GRAPH
+
MEMÓRIA
+
AUDITORIA
+
ANALISTASMuito mais poderoso.
E também muito mais perigoso se mal governado.
Por isso precisaríamos praticamente de um RACF para a própria IA:
WHO
↓
ACCESSED WHAT
↓
WHY
↓
UNDER WHICH AUTHORITY
↓
WHAT WAS INFERRED
↓
WHAT WAS DECIDED
↓
WHO APPROVED
↓
AUDIT🔐 CAPÍTULO 21 — ZERO TRUST PARA A INTELIGÊNCIA
Uma IA investigativa não deveria possuir:
SPECIAL
OPERATIONS
AUDITORtudo ao mesmo tempo.
😂
Precisamos de:
least privilege;
segregação de funções;
trilha de auditoria;
controle de acesso;
retenção adequada;
justificativa de consulta;
proteção de dados;
revisão humana;
cadeia de custódia;
controles contra abuso.
A mesma filosofia usada para proteger sistemas críticos deve proteger a ferramenta utilizada para investigá-los.
🔁 CAPÍTULO 22 — O GRANDE PERFORM UNTIL
Finalmente Ponzi voltou ao terminal.
— Então qual é o algoritmo?
O programador COBOL começou a escrever:
PERFORM UNTIL INVESTIGATION-COMPLETE
PERFORM COLLECT-OBSERVATIONS
PERFORM GENERATE-HYPOTHESES
PERFORM TEST-HYPOTHESES
PERFORM FIND-CONTRADICTIONS
PERFORM CORRELATE-ENTITIES
PERFORM PRIORITIZE
PERFORM HUMAN-REVIEW
PERFORM LEARN-FROM-RESULTS
PERFORM REANALYZE-HISTORY
END-PERFORM.Ponzi olhou.
— Isso compila?
— Provavelmente não.
— Então para que serve?
— Para explicar o conceito.
🧪 CAPÍTULO 23 — COMO EXPERIMENTAR ISSO SEM INVESTIGAR NINGUÉM
Aqui existe um excelente projeto educacional.
Crie dados inteiramente sintéticos.
Por exemplo:
50.000 pessoas fictícias
10.000 empresas fictícias
200.000 contas fictícias
5.000.000 transações fictíciasIntroduza artificialmente alguns padrões conhecidos no dataset.
Depois tente encontrá-los.
Pipeline:
1. GERAR DADOS
↓
2. CRIAR ENTIDADES
↓
3. CRIAR RELAÇÕES
↓
4. INTRODUZIR PADRÕES
↓
5. ESCONDER A RESPOSTA
↓
6. EXECUTAR DETECÇÃO
↓
7. CRIAR GRAFO
↓
8. PRIORIZAR CLUSTERS
↓
9. MEDIR FALSOS POSITIVOS
↓
10. RETROALIMENTARIsso permitiria estudar graph analytics, IA e detecção sem acusar pessoas reais nem manipular dados sensíveis.
💡 CAPÍTULO 24 — DICA PARA O PROGRAMADOR COBOL
Não tente aprender tudo simultaneamente.
Comece pelas coisas que você já conhece.
Primeiro:
RACF.
Depois:
SMF.
Pergunte:
Quem fez o quê, quando e usando qual identidade?
Depois leve os eventos para um SIEM.
Aprenda correlação.
Depois aprenda Python suficiente para analisar dados.
Depois SQL.
Depois fundamentos de grafos.
Depois uma linguagem de consulta de grafos.
Depois:
anomaly detection;
entity resolution;
UEBA;
threat intelligence;
machine learning;
LLMs aplicados à análise.
Seu conhecimento COBOL não é obstáculo.
É vantagem.
Você já sabe que:
INPUT
↓
VALIDATION
↓
PROCESSING
↓
STATE CHANGE
↓
OUTPUT
↓
LOGTodo sistema transacional sério faz alguma variação disso.
🧠 CAPÍTULO 25 — A GRANDE LIÇÃO DOS CHIMPANZÉS
No começo da conversa tínhamos perguntas aparentemente desconectadas.
Crime organizado.
Fintech.
Bancos.
Lavagem.
Política.
Produção agrícola.
Rotas.
Semissubmersíveis.
Águas residuais.
Mainframe.
SMF.
Grafos.
IA.
Parecia uma bagunça.
Até percebermos:
TODOS SÃO SISTEMASSistemas possuem:
ENTIDADES
RELAÇÕES
ENTRADAS
SAÍDAS
ESTADO
DEPENDÊNCIAS
GARGALOS
TELEMETRIA
ANOMALIASE isso muda completamente nossa maneira de olhar problemas.
🎁 EASTER EGG — O COPYBOOK DE PONZI
Antes de ir embora, Ponzi deixou um copybook sobre a mesa:
01 WS-INVESTIGATION.
05 WS-HYPOTHESIS PIC X(100).
05 WS-CONFIDENCE PIC 9(03).
05 WS-EVIDENCE-COUNT PIC 9(05).
05 WS-CONTRADICTION-COUNT PIC 9(05).
05 WS-STATUS PIC X(10).
88 HYPOTHESIS-WEAK VALUE 'WEAK'.
88 HYPOTHESIS-ACTIVE VALUE 'ACTIVE'.
88 HYPOTHESIS-REFUTED VALUE 'REFUTED'.
88 NEEDS-HUMAN VALUE 'REVIEW'.Na última linha havia um comentário:
*-------------------------------------------------------*
* NEVER MOVE 'GUILTY' TO WS-STATUS. *
* THAT FIELD BELONGS TO DUE PROCESS, NOT TO THIS JOB. *
*-------------------------------------------------------*O programador sorriu.
Finalmente Ponzi tinha produzido alguma coisa que ele confiaria em produção.
☕ EPÍLOGO — NÃO PROCURE O CRIMINOSO. PROCURE A PERGUNTA CERTA.
Talvez essa tenha sido a principal descoberta dessa viagem.
Um sistema de inteligência moderno não precisa começar sabendo a resposta.
Ele precisa conseguir perguntar:
“E se?”
Depois:
“Que evidência sustentaria isso?”
Depois:
“Que evidência destruiria essa hipótese?”
Depois:
“Existem fontes independentes apontando para a mesma estrutura?”
Depois:
“Qual explicação legítima também produziria esse comportamento?”
E somente depois:
“Vale gastar tempo humano investigando isso?”
É uma mudança brutal.
De:
ENCONTRE O CULPADOpara:
ENCONTRE AS MELHORES PERGUNTASÉ exatamente aí que IA e inteligência humana podem formar uma simbiose poderosa.
O humano possui algo maravilhoso:
curiosidade.
Ele olha para um problema e pergunta:
“Mas espere... e se?”
A máquina possui outra capacidade:
escala.
Ela pode procurar essa possibilidade em milhões de registros.
O humano volta:
“Isso não prova nada. Que outra explicação existe?”
A máquina testa novamente.
E nasce o loop:
HUMANO
│
pergunta
↓
IA
│
dados
↓
GRAFO
│
hipótese
↓
contradições
│
▼
HUMANO
│
nova pergunta
│
└──────────────↺Talvez o futuro da inteligência não seja uma super-IA dizendo aos humanos o que aconteceu.
Talvez seja algo muito mais interessante:
um humano extremamente curioso fazendo perguntas cada vez melhores enquanto uma máquina extremamente paciente verifica milhões de possibilidades.
E para o programador COBOL iniciante existe uma deliciosa ironia.
Passamos décadas escrevendo:
IF ...
PERFORM ...
END-IFAgora estamos descobrindo que algumas das perguntas mais difíceis de segurança, fraude e inteligência do século XXI continuam começando exatamente da mesma maneira:
IF isso estiver relacionado àquilo...
o que mais deveria ser verdade?Não execute a sentença.
Execute a investigação.
☕ Bellacosa Mainframe Security
Porque proteger o computador é importante.
Mas compreender o sistema que existe ao redor dele é muito mais interessante.
