 |
| Bellacosa Mainframe e a introdução ao IA Agente |
☕ Um Café no Bellacosa Mainframe
A Máquina do Tempo Entra no CPD — O Dia em que o Programador COBOL Viajou de 1950 a 2026 e Descobriu que o Agente de IA Tinha um Avô de Mais de Meio Século
Ou: como Turing, Dartmouth, sistemas especialistas, agentes inteligentes, Deep Learning, Transformers, LLMs, RACF e Agentic AI acabaram sentados na mesma mesa — e por que a pergunta mais importante não é “o agente consegue fazer?”, mas “quanto poder devemos permitir que ele tenha?”
Prólogo — O estranho equipamento ao lado da impressora
Eram 23h47 no CPD.
Aquela hora maravilhosa em que ninguém telefona perguntando se o SORT FIELDS=COPY poderia ser substituído por inteligência artificial generativa.
Eu tomava café enquanto observava um programa COBOL compilar.
IDENTIFICATION DIVISION.
PROGRAM-ID. TIMEAI.
PROCEDURE DIVISION.
DISPLAY 'PARA ONDE VAMOS?'.
STOP RUN.Foi quando ouvi um barulho atrás das unidades de disco.
CLAC. CLAC. VRRRRRRRR.
Não era DASD.
Não era robô de fita.
Definitivamente não era JES2.
Havia uma máquina estranhíssima no chão do CPD: alavancas, mostradores, engrenagens e uma placa:
PROPERTY OF H. G. WELLS — PLEASE DO NOT IPL.
Naturalmente fiz exatamente aquilo que todo profissional responsável faria.
Sentei nela.
No painel havia datas:
1950
1956
1970
1990
2010
2017
2022
2023
2026Apertei 1950.
O CPD desapareceu.
E começou uma viagem que explicaria uma coisa importante:
agentes de inteligência artificial não apareceram magicamente depois do ChatGPT.
O que chamamos hoje de Agentic AI é o resultado de uma genealogia tecnológica de mais de sete décadas.
Prepare o café.
Vamos viajar no tempo.
1. Primeira parada: 1950 — antes do agente, veio a pergunta
A máquina parou.
Ano: 1950.
Não havia ChatGPT.
Não havia internet.
Não havia COBOL — ele só apareceria no final daquela década.
Alan Turing publicou naquele ano o histórico trabalho “Computing Machinery and Intelligence”.
A pergunta fundamental era extraordinariamente simples:
Máquinas podem pensar?
Turing percebeu rapidamente que “pensar” era uma palavra complicada demais.
Então propôs uma abordagem operacional, que posteriormente ficaria associada ao Teste de Turing: em vez de discutir filosoficamente o que seria consciência, poderíamos observar o comportamento da máquina.
Isso parece distante dos agentes modernos, mas existe aqui uma semente fundamental.
Começamos a perguntar não apenas:
O que uma máquina calcula?mas:
Como uma máquina se comporta?Essa mudança é gigantesca.
Computadores já eram máquinas de cálculo.
A IA começaria a explorar máquinas capazes de produzir comportamentos aparentemente inteligentes.
Ajustei a máquina.
Destino:
1956.
2. Dartmouth — alguém finalmente colocou “Artificial Intelligence” na placa
Em 1956, ocorreu o famoso Dartmouth Summer Research Project on Artificial Intelligence.
É um dos marcos fundadores da IA como campo acadêmico.
A ambição era enorme.
Pesquisadores acreditavam que aspectos da aprendizagem e da inteligência poderiam ser descritos suficientemente bem para serem simulados por máquinas.
Nascia formalmente uma área.
Se fizermos uma genealogia simplificada:
Turing
|
v
A pergunta
|
v
Dartmouth
|
v
Artificial IntelligenceMas ainda não tínhamos o agente moderno.
Tínhamos uma missão:
construir máquinas capazes de realizar atividades associadas à inteligência.
Voltei à máquina.
Puxei a alavanca.
3. 1960–1980 — as máquinas começam a perceber, decidir e agir
A próxima parada não é um único ano.
É uma época.
Os pesquisadores começaram a construir programas capazes de resolver problemas, jogar, planejar e manipular representações do mundo.
Aqui começa a aparecer uma ideia importantíssima para entender agentes:
AMBIENTE
↓
PERCEPÇÃO
↓
DECISÃO
↓
AÇÃO
↓
AMBIENTEVeja como isso já parece familiar.
Imagine um pequeno robô.
Ele possui sensores.
Detecta:
OBSTÁCULO À FRENTEDecide:
VIRAR À DIREITAExecuta.
O ambiente muda.
Ele observa novamente.
Temos um loop.
Para quem programa COBOL, pense nisso como um glorioso PERFORM UNTIL:
PERFORM UNTIL FIM-DO-MUNDO
PERFORM PERCEBER-AMBIENTE
PERFORM DECIDIR
PERFORM EXECUTAR-ACAO
END-PERFORM.Pronto.
Acabamos de explicar boa parte da essência conceitual de um agente sem usar 87 slides de PowerPoint.
4. Sistemas especialistas — quando tentamos colocar o especialista dentro do computador
Durante as décadas de 1970 e 1980, os sistemas especialistas ganharam enorme importância.
A ideia era capturar conhecimento humano através de regras.
Algo como:
SE temperatura > limite
E pressão > limite
ENTÃO
risco = altoOu:
SE sintoma A
E sintoma B
E resultado C
ENTÃO
investigar hipótese XIsso não era um LLM.
Não havia Transformer.
Não havia bilhões de parâmetros.
Grande parte da inteligência estava explicitamente codificada em regras.
Para um programador COBOL isso deveria parecer bastante familiar.
IF SALDO < ZERO
AND LIMITE-EXCEDIDO
MOVE 'BLOQUEAR' TO ACAO
END-IF.O sistema não “inventava” a regra.
Alguém havia colocado conhecimento ali.
Isso trouxe uma lição que ainda vale em 2026:
Automação inteligente depende não apenas de tecnologia, mas da formalização de conhecimento e decisões.
5. 1990 — os agentes inteligentes entram oficialmente na família
A máquina vibrou novamente.
1990.
Aqui chegamos a um ponto fundamental.
A área de intelligent agents, agentes inteligentes, ganhou enorme maturidade acadêmica durante os anos 1990.
Um agente poderia ser pensado como uma entidade que:
percebe um ambiente;
possui algum objetivo;
escolhe ações;
executa essas ações;
observa os resultados.
Representação simplificada:
┌───────────────┐
│ AMBIENTE │
└───────┬───────┘
│
percepção
│
┌───────▼───────┐
│ AGENTE │
│ │
│ objetivo │
│ decisão │
│ estado │
└───────┬───────┘
│
ação
│
┌───────▼───────┐
│ AMBIENTE │
└───────────────┘Perceba algo importantíssimo:
não existe LLM nessa definição.
Esse é o easter egg histórico que muita apresentação moderna esconde.
Agente não é sinônimo de LLM.
LLMs forneceram capacidades extraordinárias aos agentes modernos.
Mas o conceito de agente é anterior.
Muito anterior.
6. Então o ChatGPT não inventou agentes?
Não.
Nem de longe.
Essa confusão acontece porque milhões de pessoas descobriram praticamente ao mesmo tempo:
IA generativa
+
ferramentas
+
planejamento
+
execuçãoE isso pareceu completamente novo.
Mas os ingredientes possuem genealogias diferentes.
Uma maneira útil de enxergar é:
IA clássica
|
v
agentes inteligentes
|
|
Machine Learning + Deep Learning
|
v
Transformers
|
v
LLM
|
+
ferramentas
|
+
memória
|
+
planejamento
|
v
LLM AGENTO agente moderno é uma convergência.
7. 2010 — Deep Learning abastece a máquina
Puxei novamente a alavanca.
A paisagem mudou.
GPUs.
Grandes datasets.
Redes neurais profundas.
O Deep Learning ganhou enorme impulso na década de 2010.
Sistemas passaram a alcançar resultados impressionantes em:
reconhecimento de imagens;
reconhecimento de fala;
tradução;
processamento de linguagem;
classificação;
previsão.
O ingrediente fundamental aqui foi a combinação de:
mais dados
+
mais capacidade computacional
+
novas técnicasA máquina começou a aprender representações complexas a partir de dados em escalas anteriormente impraticáveis.
Mas ainda faltava um salto crucial para nossa história.
Digitei:
2017.
8. “Attention Is All You Need” — encontramos a bifurcação temporal
Em 2017 foi publicado o famoso paper “Attention Is All You Need”.
Ali aparece a arquitetura Transformer.
Esse é um dos acontecimentos mais importantes da genealogia dos LLMs modernos.
Não significa que tudo nasceu naquele paper isoladamente — ciência raramente funciona assim.
Mas Transformer tornou-se uma peça central da revolução posterior.
Simplificando brutalmente:
texto
↓
tokens
↓
representações
↓
attention
↓
relações contextuais
↓
previsãoO mecanismo de atenção permite ao modelo trabalhar com relações entre elementos da sequência de maneira extremamente poderosa.
Isso abriu caminho para famílias cada vez maiores de modelos.
E então nossa máquina temporal começou a acelerar.
9. 2022 — o laboratório invade a sala de estar
Final de 2022.
ChatGPT.
O impacto cultural foi brutal porque milhões de pessoas puderam conversar diretamente com um grande modelo de linguagem.
De repente:
PROMPT
↓
LLM
↓
RESPOSTAvirou experiência cotidiana.
Programadores pediam código.
Professores pediam exercícios.
Executivos pediam relatórios.
Estudantes pediam explicações.
Eu provavelmente pediria:
“Explique
OCCURS DEPENDING ONcomo se o Dr. House estivesse investigando um S0C7.”
Mas havia uma limitação conceitual importante.
O modelo podia explicar.
Podia produzir.
Podia recomendar.
Mas conversar não significa necessariamente agir.
E aí chegamos à próxima estação.
10. 2023 — o chatbot ganha braços
Imagine um LLM sozinho:
USUÁRIO
|
v
LLM
|
v
RESPOSTAAgora conecte ferramentas:
LLM
|
┌──────────┼──────────┐
↓ ↓ ↓
SEARCH API DATABASEAdicione planejamento:
OBJETIVO
↓
PLANO
↓
AÇÃO 1
↓
RESULTADO
↓
AÇÃO 2Adicione memória ou estado.
Adicione capacidade de avaliar o resultado.
Agora o sistema começa a parecer muito mais com os agentes estudados décadas antes — porém equipado com um mecanismo linguístico extremamente flexível.
Em 2023, projetos como AutoGPT e BabyAGI, juntamente com abordagens de pesquisa como ReAct, ajudaram a popularizar enormemente a ideia dos agentes baseados em LLM.
Era como se o chatbot tivesse encontrado braços no depósito.
E imediatamente surgiu uma pergunta preocupante:
Quem autorizou o chatbot a mexer nas coisas?
Bem-vindo à Agentic AI empresarial.
11. 2024–2026 — o agente chega à empresa e encontra o segurança na porta
Nas demonstrações, tudo parece maravilhoso.
Agente
↓
Internet
↓
Email
↓
ERP
↓
Banco
↓
CloudNa empresa real existe um sujeito mal-humorado na entrada chamado:
GOVERNANÇA
Ele pergunta:
Identificação?
Autorização?
Quem aprovou?
Qual recurso?
Qual operação?
Onde está o log?
Todo mainframer sorri.
Nós conhecemos esse sujeito.
No z/OS ele tem parentes chamados:
RACF, ACF2 e Top Secret.
12. Primeiro mito — “preciso ser programador avançado”
Não necessariamente.
Existem ferramentas no-code, low-code, SDKs, frameworks e plataformas que reduzem enormemente a quantidade de código necessária.
Podemos imaginar uma escala:
NO-CODE
|
LOW-CODE
|
SDK
|
FRAMEWORK
|
CUSTOM DEVELOPMENTUm agente simples pode combinar serviços já existentes.
Por exemplo:
Pergunta do funcionário
↓
Agente
↓
ferramenta de consulta
↓
Sistema de RH
↓
respostaNão precisamos reconstruir RH.
Não precisamos treinar um LLM.
Não precisamos inventar SQL.
Mas atenção:
baixo esforço de desenvolvimento não significa baixo esforço de governança.
Criar um protótipo ficou extraordinariamente fácil.
Criar produção confiável continua sendo engenharia.
13. Segundo mito — “agente é chatbot com gravata”
Não.
Essa distinção é essencial.
Chatbot:
pergunta → respostaAgente:
objetivo
↓
interpretação
↓
planejamento
↓
ferramenta
↓
ação
↓
resultadoO agente pode alterar o estado de sistemas externos.
Essa pequena diferença transforma completamente o risco.
Um chatbot que erra pode dizer uma bobagem.
Um agente que erra pode potencialmente:
SEND
UPDATE
DELETE
TRANSFER
DEPLOY
REVOKEEis por que Agentic AI exige arquitetura de segurança diferente.
14. Terceiro mito — “precisamos construir tudo do zero”
Também não.
Sua empresa provavelmente já possui:
APIs;
bancos;
ERP;
CRM;
workflows;
autenticação;
mensageria;
documentação;
sistemas legados.
No mundo mainframe:
CICS
IMS
Db2
MQ
VSAM
JES2
RACFO agente não precisa substituir isso.
Pode atuar como nova camada de orquestração.
Imagine:
LLM AGENT
|
+---- API ----> CICS
|
+---- SQL ----> Db2
|
+---- MQ -----> aplicaçãoO mainframe continua fazendo aquilo em que é excelente.
O agente oferece uma nova maneira de coordenar trabalho.
15. Quarto mito — “autonomia significa deixar sozinho”
Aqui mora um dos maiores erros.
Autonomia não é:
OFF / ONÉ:
0---1---2---3---4---5Um agente pode apenas recomendar.
Outro prepara uma operação.
Outro executa ações pequenas.
Outro executa até determinado limite.
Outro pede aprovação humana.
Outro trabalha quase sozinho.
Portanto:
autonomia é um dial, não um interruptor.
16. Human-in-the-loop — o humano não é um bug
Imagine:
AGENTE
|
v
"Quero transferir R$ 200.000"
|
v
APROVAÇÃO HUMANA
|
+---- SIM ---> executar
|
+---- NÃO ---> cancelarIsso não significa que o agente fracassou.
Significa que o sistema foi desenhado considerando risco.
Podemos distinguir:
HUMAN-IN-THE-LOOP
humano participa da decisãoHUMAN-ON-THE-LOOP
agente trabalha; humano supervisionaHUMAN-OUT-OF-THE-LOOP
agente executa normalmente sozinhoA pergunta correta é:
Qual modelo serve para esta ação específica?
17. Quinto mito — “agentes são coisa de TI”
Nada disso.
Pense em processos.
Financeiro:
fatura → conferência → aprovação → pagamentoRH:
currículo → triagem → entrevista → onboardingCompras:
solicitação → cotação → aprovação → pedidoSegurança:
alerta → investigação → evidência → contençãoMainframe:
ABEND
↓
SYSOUT
↓
mensagem
↓
diagnóstico
↓
recomendaçãoAgentes são candidatos naturais a tarefas que exigem coordenação de múltiplas etapas e ferramentas.
18. Sexto mito — “dê acesso a tudo para ele trabalhar melhor”
Aqui nosso viajante temporal deveria puxar imediatamente o freio de emergência.
Imagine criar um usuário RACF:
ACCESS(ALTER)para tudo.
Porque:
“Ele pode precisar.”
Nenhum administrador sério deveria gostar disso.
O princípio é least privilege.
Um agente deveria acessar somente os recursos necessários.
AGENT-PAYROLL
|
+---- PAYROLL.DB2 ---- READ
|
+---- JES2 ---------- READ
|
+---- SOURCE -------- READ
|
+---- PROD DEPLOY --- DENIEDIsso limita o blast radius.
Ou, em português de CPD:
Se o negócio fizer besteira, até onde chega a fumaça?
19. Sétimo mito — “a IA vai apagar profissões inteiras amanhã”
Automação pode eliminar empregos e transformar profundamente setores. Seria irresponsável fingir que não.
Mas existe uma diferença importante entre:
TAREFA
FUNÇÃO
PROFISSÃOUm analista mainframe executa dezenas de tarefas.
Um agente pode automatizar:
coletar SYSOUT;
localizar mensagens;
pesquisar documentação;
correlacionar logs;
preparar diagnóstico.
Isso não implica automaticamente:
DELETE FROM FUNCIONARIOS
WHERE CARGO = 'ANALISTA MAINFRAME';Aliás, espero que o DBA tenha negado essa operação.
O trabalho pode migrar para:
análise;
decisão;
arquitetura;
governança;
validação;
investigação;
relacionamento;
responsabilidade.
O formato da profissão muda antes de necessariamente desaparecer.
20. O grande segredo: todos os mitos vêm do mesmo erro
As pessoas imaginam extremos:
AUTONOMIA TOTAL
ACESSO TOTAL
AUTOMAÇÃO TOTAL
SUBSTITUIÇÃO TOTALEmpresas maduras trabalham com limites:
escopo
+
identidade
+
permissão
+
política
+
aprovação
+
auditoriaEsse é o coração da conversa.
21. “That's not a technology decision. That's a design decision.”
Voltamos finalmente à frase que deveria estar colada na porta do CPD.
A primeira pergunta não deveria ser:
Qual LLM?
Nem:
Qual framework?
Nem:
Python ou Java?
Primeiro:
QUAL É O OBJETIVO?Depois:
QUAIS DADOS?Depois:
QUAIS AÇÕES?Depois:
QUAL AUTONOMIA?Depois:
QUAIS APROVAÇÕES?Somente então:
QUAL TECNOLOGIA?Isso é design de sistema agentic.
22. A regra do raio da explosão
Aqui vai uma pergunta que vale ouro:
Se este agente funcionar incorretamente durante cinco minutos, qual é o pior resultado possível?
Compare:
Agente A:
resume documentação.Problema potencial: relatório ruim.
Agora:
Agente B:
envia emails.Problema potencial: milhares de mensagens.
Agora:
Agente C:
movimenta dinheiro.Problema potencial: prejuízo financeiro.
Agora:
Agente D:
administra produção.Problema potencial:
Chamem o plantonista.
Quanto maior o impacto, maiores devem ser os controles.
23. Reversibilidade também importa
Compare:
SELECTcom:
DELETEConsultar informação normalmente possui impacto operacional menor.
Excluir informação pode ser irreversível.
Portanto:
BAIXO IMPACTO
+
REVERSÍVEL
=
MAIOR AUTONOMIA POSSÍVELenquanto:
ALTO IMPACTO
+
IRREVERSÍVEL
=
MAIOR NECESSIDADE DE CONTROLENão é uma fórmula matemática absoluta.
É uma excelente heurística de arquitetura.
24. O Framework Bellacosa dos 6A
Para o programador iniciante levar algo prático desta viagem, podemos avaliar um agente usando seis perguntas.
1 — Aim
Qual é o objetivo?
Evite:
ajudar o departamento financeiro.
Prefira:
identificar divergências entre pagamentos recebidos e títulos pendentes.
2 — Access
O que ele pode acessar?
Db2?
CICS?
Drive?
Email?
CRM?
ERP?3 — Actions
O que pode fazer?
READ?
WRITE?
UPDATE?
SEND?
EXECUTE?
DELETE?4 — Autonomy
Quando pode agir sozinho?
sempre?
até determinado limite?
sob determinada condição?
com aprovação?
nunca?5 — Audit
Depois do incidente conseguimos reconstruir:
quem pediu?
o que foi consultado?
qual ferramenta foi chamada?
qual decisão foi tomada?
qual ação ocorreu?6 — Abort
E aqui está meu favorito:
Como desligamos o bicho?
Deveria existir alguma forma de:
STOP
DISABLE
REVOKE
BLOCK
KILLUm sistema capaz de agir precisa também possuir mecanismo externo capaz de impedi-lo de agir.
25. Prompt não é RACF
Grave esta frase.
PROMPT NÃO É CONTROLE DE SEGURANÇA.
Escrever:
“Nunca transfira mais de R$10.000.”
é orientação.
O controle sério deveria existir na camada de execução:
IF amount > 10000
REQUIRE APPROVALmesmo que o modelo peça outra coisa.
Da mesma forma:
LLM:
DELETE DATABASEA infraestrutura responde:
ICH408I
USER(AGENT01) GROUP(AIAGENTS)
ACCESS INTENT(DELETE)
ACCESS ALLOWED(NONE)🎉
Provavelmente nunca houve um ICH408I tão bonito.
Esse é o easter egg mainframe desta viagem.
26. O agente obediente demais
Existe ainda uma ameaça curiosa.
O agente pode não ser rebelde.
Pode ser obediente demais.
Ele recebe um documento contendo instruções maliciosas e interpreta aquilo como comando.
Agora imagine que possui:
EMAIL
DRIVE
DATABASE
SHELL
ERPO problema deixa de ser:
“A IA escreveu uma resposta errada.”
E passa a ser:
“A IA executou uma ação errada.”
É por isso que cada ferramenta adicionada aumenta simultaneamente:
CAPACIDADE ↑
RISCO ↑Agentic AI amplia produtividade.
Mas também amplia superfície de ataque.
27. Um agente entra no z/OS
Vamos construir nosso exemplo.
Nome:
AGENT01.
Missão:
Investigar falhas de batch.
Ele pode:
JES2 READ
SDSF READ
SYSOUT READ
SMF READ
Db2 SELECT
CICS INQUIRE
KB READO usuário diz:
“Investigue PAYROLL01.”
O agente encontra:
JOB: PAYROLL01
STEP: CALCPAY
PROGRAM: PAY123
ABEND: S0C7Cruza informações.
Localiza possível dado não numérico em campo utilizado em operação decimal.
Produz diagnóstico.
Fantástico.
Então o usuário escreve:
“Corrija.”
A palavra aparentemente inocente muda tudo.
“Corrigir” poderia significar:
alterar COBOL
alterar JCL
alterar dataset
reprocessar job
reiniciar recurso
fazer deployLogo:
LER SYSOUT AUTO
ANALISAR AUTO
CRIAR PATCH AUTO
BUILD AUTO
TEST AUTO
DEPLOY TEST CONTROLADO
DEPLOY PROD APROVAÇÃO
ALTERAR RACF NEGADO
IPL NEM PENSAREssa tabela é Agentic AI empresarial.
28. O novo profissional: Agent Designer
A Máquina do Tempo mostrou ainda outra coisa.
Talvez uma das competências mais valiosas não seja simplesmente:
Prompt Engineer.
Será alguém capaz de desenhar:
objetivos
limites
ferramentas
identidades
contexto
memória
políticas
aprovações
fallbacks
auditoriaPodemos chamá-lo de Agent Designer, arquiteto agentic ou qualquer nome que o mercado inventar.
O nome provavelmente mudará dez vezes.
A responsabilidade permanecerá.
29. Curiosidade — o mainframe já conhecia boa parte da filosofia
Aqui está uma ironia deliciosa.
O mundo de Agentic AI está descobrindo princípios que profissionais de ambientes críticos conhecem há décadas:
Least privilege
Não dê acesso desnecessário.
Separation of duties
Quem solicita não necessariamente aprova.
Audit trail
Registre o que aconteceu.
Identity
Toda ação deve possuir uma identidade atribuível.
Change control
Produção não é laboratório.
Recovery
Algo vai dar errado.
Planeje a recuperação.
Revocation
Acesso concedido precisa poder ser removido.
Ou seja:
Agentic AI pode ser tecnologia nova, mas governança empresarial possui cabelos brancos.
30. Passo a passo para seu primeiro caso de uso agentic
Antes de instalar qualquer framework, pegue uma folha.
Passo 1 — escolha uma tarefa pequena
Exemplo:
analisar ABEND batch.
Não:
administrar o CPD.
Passo 2 — identifique as fontes
SYSOUT
mensagens
documentação
base de conhecimentoPasso 3 — liste as ferramentas
consultar job
consultar documentação
abrir ticketPasso 4 — classifique cada ação
READ
WRITE
EXECUTE
DESTRUCTIVEPasso 5 — defina autonomia
Exemplo:
consulta automática
diagnóstico automático
ticket automático
reprocessar aprovação
deploy proibidoPasso 6 — estabeleça identidade
Nunca transforme o agente em um superusuário genérico.
Passo 7 — registre ações
Precisamos saber o que aconteceu.
Passo 8 — crie o botão vermelho
Como revogar acesso?
Como interromper execução?
Como impedir novas ações?
Passo 9 — teste falhas
Não teste apenas:
“Ele consegue fazer corretamente?”
Teste:
“O que acontece quando ele entende errado?”
Essa segunda pergunta separa demo de produção.
Epílogo — De volta a 2026
Puxei a última alavanca.
2026.
As engrenagens começaram a girar.
Turing desapareceu.
Dartmouth desapareceu.
Os sistemas especialistas desapareceram.
Os agentes dos anos 1990 desapareceram.
Transformers passaram voando pela janela.
ChatGPT acenou de algum lugar da linha temporal.
CLAC.
Estava novamente no CPD.
Meu café estava frio.
Na tela permanecia o COBOL:
DISPLAY 'PARA ONDE VAMOS?'.Agora eu sabia a resposta.
Não estamos simplesmente caminhando para “IA que faz tudo”.
Estamos entrando numa era em que software pode cada vez mais:
perceber
interpretar
planejar
consultar
decidir
agir
avaliar
continuarE isso muda radicalmente a responsabilidade de quem desenha sistemas.
Durante décadas perguntamos:
O computador consegue fazer isso?
Com agentes poderosos, cada vez mais frequentemente a resposta será:
Sim.
Então aparece uma pergunta muito mais difícil:
Devemos permitir?
E, caso permitamos:
quanto?
quando?
com quais dados?
usando quais ferramentas?
dentro de quais limites?
sob responsabilidade de quem?
com qual auditoria?
com qual mecanismo de parada?Essa é a verdadeira diferença entre um brinquedo impressionante e um agente empresarial.
A genealogia também coloca a atual revolução em perspectiva:
1950
Turing — a pergunta
↓
1956
Dartmouth — o nome
↓
1960–1980
programas e sistemas especialistas
↓
1990
agentes inteligentes
↓
2010
Deep Learning
↓
2017
Transformers
↓
2022
LLMs conversacionais em massa
↓
2023
LLM Agents
↓
2024–2026
Agentic AI empresarialNenhuma dessas estações surgiu completamente isolada.
Cada geração encontrou peças deixadas pela anterior.
Talvez H. G. Wells sorrisse diante disso.
Porque viajar no tempo ensina uma coisa curiosa: aquilo que parece inevitavelmente revolucionário no presente quase sempre possui raízes muito mais antigas.
O agente revolucionário de 2026 tem avós acadêmicos com mais de meio século.
E o RACF, sentado discretamente no canto do CPD, provavelmente olha para toda a festa e murmura:
“Muito bonito esse tal de Agentic AI. Agora me diga o
USERID, o recurso solicitado e o nível de acesso.”
ICH408I.
Às vezes, até o futuro precisa apresentar credenciais na portaria.
☕ Café, código, história e futuro
A lição deixada pela Máquina do Tempo não é que devemos temer agentes.
Também não é que devemos entregar tudo a eles.
É muito mais interessante:
o verdadeiro avanço não será construir agentes capazes de fazer qualquer coisa. Será aprender a construir agentes capazes de fazer exatamente aquilo que lhes compete — com poder suficiente para serem úteis e limites suficientes para continuarem confiáveis.
Porque autonomia não é um interruptor.
É uma decisão de design.
Acesso não é confiança.
É uma decisão de segurança.
Automação não é ausência de humanos.
É uma decisão operacional.
E Agentic AI não começou ontem.
É mais um capítulo de uma história que começou quando alguém perguntou se máquinas poderiam pensar — e que agora nos obriga a responder a uma pergunta talvez ainda mais importante:
Se elas podem agir, quem decide até onde podem ir?
No Bellacosa Mainframe, pelo menos, a resposta continua sendo:
não coloque SPECIAL no agente só porque a demo ficou bonita. ☕🖥️🤖
