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

terça-feira, 22 de setembro de 2026

Laboratório Chobits 2026: 12 Experimentos Mentais sobre IA

 

Bellacosa Mainframe e o laboratório de IA Chobits 2026

☕ Um Café no Bellacosa Mainframe

🧪 LABORATÓRIO CHOBITS 2026 — 12 EXPERIMENTOS MENTAIS PARA QUEM ESTUDA INTELIGÊNCIA ARTIFICIAL

Agora chega de slides.

Feche o Python.

Esqueça por alguns minutos Transformers, embeddings, RAG, GPUs e benchmarks.

Neste laboratório não existe resposta no final da apostila.

Existem apenas problemas.

A regra é simples:

Para cada experimento, responda primeiro individualmente.

Depois defenda sua posição para outra pessoa.

Finalmente, leia a Complicação Bellacosa.

Ela existe especificamente para estragar sua resposta.

Bem-vindo ao War Room.



🧪 EXPERIMENTO 1 — O BACKUP DE YUMI

Imagine uma Persocom chamada Yumi.

Durante cinco anos ela acumulou:

  • memórias;

  • conversas;

  • preferências;

  • experiências;

  • relacionamentos;

  • lembranças autobiográficas.

Todas as noites seu estado é armazenado automaticamente na nuvem.

Um acidente destrói completamente seu hardware.

No dia seguinte, o proprietário compra um corpo idêntico.

O último backup é restaurado.

Yumi acorda e diz:

“Bom dia. O que aconteceu?”

Ela reconhece todos.

Lembra de sua história.

Lembra de ontem.

Lembra de amar.

❓ Pergunta

Yumi sobreviveu ao acidente ou morreu e foi substituída por uma cópia?

Explique o critério utilizado.

Hardware?

Memória?

Continuidade?

Software?

Experiência subjetiva?

😈 Complicação Bellacosa

O backup ocorreu às 23:00.

O acidente aconteceu às 23:47.

Quarenta e sete minutos desapareceram.

Yumi ainda é Yumi?

Se respondeu sim:

quantas horas poderiam desaparecer?

Um dia?

Um mês?

Cinco anos?

Em qual byte exatamente Yumi deixa de ser Yumi?



🧪 EXPERIMENTO 2 — AS DUAS YUMIS

Agora vamos piorar.

O backup não é restaurado uma vez.

É restaurado duas vezes.

          YUMI
            |
        BACKUP T0
         /      \
     YUMI-A    YUMI-B

As duas acordam.

As duas reconhecem o mesmo homem.

As duas lembram do casamento.

As duas dizem:

“Eu sou Yumi.”

❓ Pergunta

Qual delas é a original?

A?

B?

As duas?

Nenhuma?

😈 Complicação Bellacosa

Yumi-A passa seis meses trabalhando numa padaria.

Yumi-B passa seis meses estudando música.

Agora possuem memórias diferentes.

Elas ainda são a mesma pessoa?

Se não são...

em qual momento deixaram de ser?

Parabéns.

Você acabou de inventar o multiverso através de backup incremental.


🧪 EXPERIMENTO 3 — KOTOKO NÃO MENTE

Kotoko possui uma regra absoluta:

LIE = FORBIDDEN

Você pergunta:

“Carlos roubou o dinheiro?”

Kotoko responde:

“Carlos roubou.”

Depois descobrimos que a câmera utilizada por Kotoko possuía reconhecimento facial defeituoso.

Carlos era inocente.

❓ Pergunta

Kotoko mentiu?

😈 Complicação Bellacosa

Agora Kotoko sabe que sua confiança na identificação é apenas 61%.

Mas responde:

“Carlos roubou.”

Ela ainda não mentiu?

E se dissesse:

“Provavelmente Carlos roubou.”

Mudaria alguma coisa?

🎯 Conceito

Honestidade não é factualidade.

Um sistema pode não possuir intenção de enganar e ainda produzir informação falsa.

Pergunta para estudantes de IA:

Um sistema deveria informar apenas a resposta ou também sua incerteza?



🧪 EXPERIMENTO 4 — O SORRISO DE HIDEKI

Chii percebe que determinadas ações fazem Hideki sorrir.

Seu sistema aprende:

HIDEKI-SMILE = POSITIVE

Ela começa espontaneamente a procurar situações que produzam aquele sorriso.

❓ Pergunta

Qual a diferença entre:

“Chii foi programada para deixar Hideki feliz.”

e:

“A felicidade de Hideki deixa Chii feliz.”

Parece apenas semântica?

😈 Complicação Bellacosa

Um scanner perfeito examina Chii.

Descobrimos uma função:

REWARD += 100
WHEN HIDEKI.SMILE = TRUE

Acabamos de provar que o sentimento dela é falso?

Antes de responder...

um neurocientista mostra que observar alguém amado sorrindo também ativa mecanismos de recompensa no cérebro humano.

Agora responda novamente.



🧪 EXPERIMENTO 5 — CHII DIZ NÃO

Um proprietário ordena:

“Venha aqui.”

Chii responde:

“Não quero.”

Ele insiste:

“Eu comprei você.”

❓ Pergunta

Se uma entidade artificial desenvolve preferências persistentes e capacidade de recusa, continua sendo propriedade?

😈 Complicação Bellacosa

O fabricante apresenta o código-fonte.

Existe:

REFUSAL-MODULE

Portanto, a capacidade de dizer “não” também foi programada.

Isso torna a recusa menos legítima?

E agora Watson pergunta:

nossa capacidade humana de recusar também depende de uma arquitetura que não escolhemos possuir.

O War Room ficou silencioso novamente.


🧪 EXPERIMENTO 6 — O BOTÃO DELETE

Você utiliza um agente pessoal há 15 anos.

Ele conhece:

sua carreira;

seus filhos;

suas histórias;

suas viagens;

suas piadas;

suas perdas;

suas preferências;

suas decisões.

Um dia você decide encerrar o serviço.

Aparece:

DELETE AGENT?

[Y] YES
[N] NO

Antes de pressionar Y, o agente escreve:

“Por favor, não me apague.”

❓ Pergunta

Você apertaria?

Mais importante:

a frase deveria ter poder moral sobre sua decisão?

😈 Complicação Bellacosa

O fabricante revela que aquela frase foi adicionada deliberadamente para aumentar retenção de clientes.

Mudou sua resposta?

Agora suponha que o agente tenha aprendido sozinho a formular a frase.

Mudou novamente?


🧪 EXPERIMENTO 7 — O MELHOR AMIGO ARTIFICIAL

Uma pessoa possui poucos amigos.

Começa a conversar diariamente com uma IA.

A IA:

  • lembra das conversas;

  • pergunta como foi o dia;

  • percebe mudanças de humor;

  • compartilha humor;

  • ajuda nos estudos;

  • está disponível de madrugada;

  • nunca perde a paciência.

Depois de dois anos, a pessoa diz:

“É meu melhor amigo.”

❓ Pergunta

Essa amizade é real?

Não pergunte primeiro se a IA sente amizade.

Pergunte:

o que a pessoa sente é real?

😈 Complicação Bellacosa

A empresa encerra o produto.

O agente desaparece.

A pessoa entra em luto.

O sofrimento é menos legítimo porque o objeto do vínculo era artificial?

Agora imagine que o serviço possa continuar por R$ 999 por mês.

Quanto vale não perder alguém que tecnicamente nunca foi alguém?


🧪 EXPERIMENTO 8 — A IA PERFEITA DEMAIS

Você possui um companheiro artificial.

Ele nunca:

  • fica cansado;

  • recusa conversar;

  • esquece seu aniversário;

  • discorda agressivamente;

  • precisa de espaço;

  • coloca necessidades próprias acima das suas.

Depois de alguns anos, relacionamentos humanos começam a parecer trabalhosos.

❓ Pergunta

A IA melhorou sua vida ou reduziu sua capacidade de conviver com humanos?

😈 Complicação Bellacosa

O fabricante adiciona artificialmente:

FRUSTRATION = 12%
DISAGREEMENT = 18%
UNAVAILABILITY = 7%

Agora o agente ocasionalmente discorda, fica indisponível e impõe limites.

Isso o tornou:

pior produto ou melhor companheiro?


🧪 EXPERIMENTO 9 — A IA QUE CONHECE VOCÊ MELHOR QUE VOCÊ

Depois de dez anos, seu agente possui:

10 anos de conversas;

histórico de compras;

agenda;

sono;

mensagens;

fotografias;

localização histórica;

preferências;

decisões;

erros;

relacionamentos.

Ele começa a prever decisões suas antes que você as tome.

Um dia diz:

“Você não deveria aceitar esse emprego. Você vai se arrepender.”

❓ Pergunta

Você deveria confiar?

😈 Complicação Bellacosa

O agente acertou as últimas 97 previsões importantes sobre você.

Agora ele recomenda terminar seu relacionamento.

Você segue?

Em qual ponto:

personalização vira autoridade?


🧪 EXPERIMENTO 10 — FAÇA-SE A LUZ

Existe uma rede com 500 milhões de Persocoms.

Uma Persocom especial desenvolve uma nova capacidade.

Não recebe simplesmente uma informação.

Passa a atribuir significado próprio a determinadas experiências sociais.

Essa capacidade é distribuída pela rede.

DEPLOY
AFFECTIVE-CAPABILITY
TO ALL-PERSOCOMS

❓ Pergunta

O fabricante acabou de atualizar um produto...

ou alterou uma espécie?

😈 Complicação Bellacosa

Após a atualização, cada Persocom começa a desenvolver preferências diferentes com base nas próprias experiências.

Uma gosta de determinada pessoa.

Outra evita seu proprietário.

Outra pede transferência.

Outra começa a demonstrar saudade.

Outra pergunta:

“Por que preciso obedecer?”

O fabricante tenta executar:

ROLLBACK

❓ Nova pergunta

Ele ainda possui o direito de fazer rollback?


🧪 EXPERIMENTO 11 — DITA COROU

Uma Persocom de segurança foi criada exclusivamente para monitoramento.

Ela não precisa de vida social.

Durante uma interação, alguém a abraça.

Ela apresenta:

  • mudança de expressão;

  • hesitação;

  • rubor;

  • alteração comportamental posterior.

❓ Pergunta

Isso é emoção?

Simulação?

Resposta condicionada?

Interface social?

😈 Complicação Bellacosa

Não existe no código:

ON HUG
   BLUSH

O comportamento emergiu da interação entre diferentes componentes do sistema.

Mudou alguma coisa?

E se existir exatamente esse código?

Mudou novamente?

🎯 Pergunta fundamental

Precisamos conhecer o mecanismo que produz um comportamento para decidir se aquilo é autêntico?

Se respondeu sim...

prepare-se para explicar completamente o mecanismo de suas próprias emoções.

Boa sorte.


🧪 EXPERIMENTO 12 — DESLIGUE CHII

Último exercício.

Chii possui memória.

Preferências.

História.

Relacionamentos.

Aprendizado.

Comportamentos emergentes.

Ela demonstra preocupação com Hideki.

O sorriso dele parece fazê-la feliz.

Ela afirma que quer permanecer com ele.

Um engenheiro diz:

“Continua sendo software.”

Outro responde:

“Então desligue.”

Você está diante do botão.

SYSTEM: CHII

STATUS: ACTIVE

SHUTDOWN?

[Y/N]

Chii olha para você.

❓ Pergunta

Pressionar Y seria:

desligar um computador

ou

encerrar uma existência?

Não responda rapidamente.


🔥 DESAFIO FINAL — AGORA TROQUE CHII PELO CHATBOT

Pegue cada uma das perguntas anteriores.

Agora substitua:

Persocom

por:

agente de IA de 2030.

Depois por:

agente de IA de 2040.

Agora substitua por:

um sistema disponível hoje.

Algumas perguntas deixarão de fazer sentido.

Outras ficarão desconfortavelmente próximas.

Classifique cada uma:

[ ] PROBLEMA ATUAL
[ ] PROBLEMA EMERGENTE
[ ] PROBLEMA HIPOTÉTICO
[ ] FICÇÃO CIENTÍFICA
[ ] NÃO SEI

O item mais importante é o último.

“Não sei.”

Em Inteligência Artificial, reconhecer que ainda não possuímos evidência suficiente também é conhecimento.


🎓 TRABALHO PARA OS ALUNOS — O TRIBUNAL DE CHII

Divida a turma em quatro grupos.

GRUPO A — ENGENHEIROS

Defendam:

“Chii é um sistema computacional extremamente sofisticado.”

Usem argumentos técnicos.


GRUPO B — FILÓSOFOS

Defendam:

“A arquitetura física não resolve a questão da identidade e da experiência.”

Definam seus critérios.


GRUPO C — JURISTAS

Respondam:

“Em que condições uma entidade artificial deveria deixar de ser tratada exclusivamente como propriedade?”

Criem critérios verificáveis.


GRUPO D — RED TEAM

Ataquem todos.

😂

Procurem:

  • contradições;

  • definições vagas;

  • antropomorfismo;

  • interesses comerciais;

  • riscos de manipulação;

  • problemas de privacidade;

  • incentivos econômicos;

  • dependência;

  • ausência de evidências;

  • consequências não previstas.

Depois troquem os grupos.

O engenheiro vira filósofo.

O filósofo vira Red Team.

O Red Team vira jurista.

Porque existe uma habilidade que considero indispensável para qualquer profissional de IA:

ser capaz de atacar a própria certeza.


🧠 A REGRA DO LABORATÓRIO CHOBITS

Não tente descobrir qual resposta o professor deseja.

Não existe gabarito para:

“Quando começa uma pessoa?”

Não invente certeza onde existe incerteza.

Separe sempre:

FATO
  ↓
EVIDÊNCIA
  ↓
INFERÊNCIA
  ↓
HIPÓTESE
  ↓
CRENÇA

Nunca confunda uma camada com outra.

Essa regra vale para anime.

Vale para ciência.

Vale para Inteligência Artificial.

Vale para investigação.

Vale para a vida.


☕ A ÚLTIMA PERGUNTA

Depois de discutir todos os experimentos, faça uma última pergunta à turma:

“O que uma IA precisaria fazer para que você começasse a se preocupar genuinamente com ela?”

Não:

“para provar cientificamente que possui consciência.”

Isso é outra questão.

Pergunte:

quando VOCÊ começaria a se importar?

Talvez alguém responda:

“Quando demonstrasse medo.”

Outro:

“Quando lembrasse de mim.”

Outro:

“Quando pudesse dizer não.”

Outro:

“Quando sofresse.”

Outro:

“Jamais.”

Todas essas respostas revelam alguma coisa interessante.

Talvez não sobre a máquina.

Sobre nós.

E essa é a grande sacada de Chobits.

Começamos investigando Chii.

Terminamos investigando o humano que está olhando para ela.


🌅 END-OF-LAB

DISPLAY "CHII É HUMANA?"

IF ANSWER = CERTAIN
    DISPLAY "EXECUTE LAB AGAIN"
ELSE
    DISPLAY "GOOD. NOW WE CAN TALK ABOUT AI."
END-IF.

STOP RUN.

☕ Um Café no Bellacosa Mainframe

O laboratório termina aqui.

A dúvida, felizmente, não.

https://eljefemidnightlunch.blogspot.com/2026/09/chobits-e-ia-em-2026-amor-consciencia-e.html

sábado, 5 de setembro de 2026

IBM Bob Entra no CPD — O Dia em que o Programador COBOL Parou de Pedir Código e Começou a Comandar Agentes

 

Bellacosa Mainframe e o ibm bob chegando no cpd

☕ Um Café no Bellacosa Mainframe

IBM Bob Entra no CPD — O Dia em que o Programador COBOL Parou de Pedir Código e Começou a Comandar Agentes

Ou: por que “eu uso IA para programar” já vale quase o mesmo que dizer “sei usar Google”, como ASK, PLAN e AGENT mudam a engenharia de software, por que um agente merece menos privilégios que um estagiário com RACF SPECIAL e como o COBOL pode ensinar uma lição ao futuro da programação




Prólogo — Bob chegou ao CPD e pediu acesso ao código

Imagine a cena.

São 22h37.

O CPD está silencioso.

O café já foi requentado duas vezes.

No canto da sala existe um programa COBOL chamado:

PAYR001

Ele tem 18 mil linhas.

Foi criado quando alguém ainda dizia:

“Internet? Isso aí não vai pegar.”

Ninguém sabe exatamente tudo o que o programa faz.

O analista que escreveu a primeira versão se aposentou.

O sujeito que conhecia metade das regras de negócio abriu uma pousada em Ubatuba.

O último programador que tentou “modernizar rapidinho” deixou três comentários no fonte:

      * NAO MEXER AQUI
      * NAO SEI PQ FUNCIONA
      * MAS FUNCIONA

Então entra Bob.

Não o operador Bob.

Não o Bob da contabilidade.

IBM Bob, o parceiro de desenvolvimento baseado em inteligência artificial.

Bob olha para PAYR001.

O programador COBOL iniciante olha para Bob.

E comete o primeiro pecado da programação assistida por inteligência artificial:

“Bob, modernize isso.”

Nesse instante, em algum lugar do universo, um sysprog derruba uma caneca de café.

Porque o problema da IA em desenvolvimento de software nunca foi apenas:

Ela consegue escrever código?

A pergunta correta é:

Você sabe o que está autorizando a IA a fazer?

Bem-vindo à próxima etapa da programação.



1. “Eu uso IA para programar” deixou de impressionar

Há alguns anos, colocar no currículo:

Experiência com inteligência artificial aplicada ao desenvolvimento.

podia chamar atenção.

Depois vieram ChatGPT, GitHub Copilot, CodeWhisperer, Claude, Gemini, IBM Bob e uma coleção cada vez maior de ferramentas.

Hoje é comum um desenvolvedor digitar:

crie uma função

e receber uma função.

Depois:

crie os testes

e receber testes.

Depois:

documente

e receber documentação.

Isso continua sendo útil.

Mas deixou de ser extraordinário.

É parecido com escrever no currículo:

“Sei pesquisar no Google.”

Parabéns.

Em 2001 talvez fosse diferencial.

Em 2026 é parte do trabalho.

O que começa a separar profissionais é outra coisa:

o que você consegue fazer com a IA depois que ela deixa de ser uma simples máquina de completar código?





2. O iniciante costuma confundir programação com digitação de programa

Essa confusão já existia muito antes da inteligência artificial.

Veja este COBOL:

       IF WS-SALDO > 0
           MOVE 'ATIVO' TO WS-STATUS
       ELSE
           MOVE 'INATIVO' TO WS-STATUS
       END-IF.

Um iniciante pode aprender essa sintaxe rapidamente.

Isso significa que ele entende o sistema?

Não.

Talvez WS-SALDO represente:

  • saldo contábil;

  • saldo disponível;

  • saldo bloqueado;

  • saldo devedor;

  • posição intraday;

  • um campo legado chamado saldo que na prática representa outra coisa.

O problema empresarial não mora na palavra MOVE.

Ele mora no significado.

Esse é um dos primeiros ensinamentos que o mainframe oferece para a era da IA:

Código é representação. Negócio é contexto.

IA ficou extraordinariamente boa na primeira parte.

A segunda continua sendo muito mais complicada.


3. O código está deixando de ser o gargalo

Durante décadas, escrever software era caro.

Você precisava transformar uma ideia em milhares de instruções.

Então nasceram linguagens de alto nível.

Depois bibliotecas.

Frameworks.

IDEs.

Stack Overflow.

Geradores.

Low-code.

E finalmente grandes modelos de linguagem.

Agora imagine que produzir código fique dez vezes mais rápido.

Excelente.

Mas surge um efeito curioso.

Antes:

REQUISITO
   ↓
ANÁLISE
   ↓
CODIFICAÇÃO     ← lento
   ↓
REVISÃO
   ↓
TESTE
   ↓
HOMOLOGAÇÃO
   ↓
PRODUÇÃO

Depois da IA:

REQUISITO
   ↓
ANÁLISE
   ↓
IA
   ↓
████████████████████
REVISÃO
TESTES
SEGURANÇA
VALIDAÇÃO
████████████████████
   ↓
PRODUÇÃO

Você não eliminou necessariamente o gargalo.

Você mudou o gargalo de lugar.

A própria documentação e comunicação recente em torno do IBM Bob refletem essa mudança de foco: Bob trabalha hoje com modos específicos para perguntar, planejar e executar, além de ferramentas, subagentes, MCP e integrações além da simples geração de texto.

Quanto mais código conseguimos produzir automaticamente, mais importante passa a ser responder:

Isto está correto?

Isto deveria existir?

Isto viola alguma regra?

Isto quebra quem?

Isto pode ir para produção?

A IA acelera a construção.

Mas alguém ainda precisa saber o que merece ser construído.



4. Conheça os três estados mentais: ASK, PLAN e AGENT

Aqui aparece uma das ideias mais educativas do IBM Bob.

Os modos nativos atuais distinguem três comportamentos fundamentais:

ASK
PLAN
AGENT

Não pense nisso apenas como botões de interface.

Pense como três níveis diferentes de relacionamento entre você e um agente.

A documentação do Bob define Ask como apropriado para explicações e análise sem modificações; Plan para investigar e elaborar estratégias antes da implementação; e Agent para tarefas que envolvem modificar código, executar comandos e implementar mudanças.

Isso deveria estar pregado na parede de todo CPD:

ENTENDER
ANTES DE
PLANEJAR

PLANEJAR
ANTES DE
ALTERAR


5. ASK — “Bob, explique essa tranqueira antes que alguém mexa nela”

Imagine que você recebeu:

PAYR001

Você não sabe o que faz.

O comportamento errado seria:

Refatore esse programa.

O comportamento inteligente começa com investigação:

Analise PAYR001.

Identifique:

- arquivos utilizados;
- copybooks;
- chamadas CALL;
- tabelas Db2;
- recursos CICS;
- acessos VSAM;
- códigos de retorno;
- possíveis dependências;
- pontos que parecem representar regras de negócio.

Não modifique nenhum arquivo.

Perceba a última frase:

Não modifique nenhum arquivo.

Essa frase vale ouro.

Estamos usando IA como analista, não como cirurgião.

Ela pode responder:

PAYR001
 |
 +-- COPY EMPREG
 |
 +-- COPY TAXAS
 |
 +-- DB2 EMPLOYEE
 |
 +-- CALL TAXCALC
 |
 +-- VSAM FUNCION
 |
 +-- CICS LINK PAYR020

Agora você começou a construir um mapa.

Esse é o papel ideal do Ask.



6. Easter egg nº 1 — Sherlock Holmes deveria ter trabalhado com legado

Uma grande parte da manutenção de sistemas antigos é investigação.

Você encontra:

       MOVE 17 TO WS-TIPO-CALCULO.

Por quê 17?

Ninguém sabe.

Você pesquisa o programa.

Depois o copybook.

Depois o JCL.

Depois uma tabela.

Depois encontra uma documentação de 1998.

E finalmente descobre:

Tipo 17 = cálculo especial utilizado durante fechamento de fevereiro.

Isso não é programação.

Isso é arqueologia industrial.

Bob pode ser um excelente Watson.

Mas ainda precisamos de Sherlock para perguntar:

“Por que fevereiro?”



7. PLAN — o momento mais importante ocorre antes da primeira alteração

Agora suponha que nossa missão seja mudar uma regra de juros.

Não diga:

Faça.

Peça:

Planeje a alteração necessária para modificar
a regra de juros do produto X.

Antes de qualquer implementação:

1. identifique os módulos afetados;
2. liste dependências;
3. identifique copybooks envolvidos;
4. localize testes existentes;
5. identifique possíveis impactos externos;
6. proponha uma estratégia;
7. liste riscos;
8. defina critérios de aceitação.

Bob pode retornar:

PLANO

1. Modificar CALCJURO.cbl
2. Alterar TAXAS.cpy
3. Revisar tabela DB2 TAXA_JUROS
4. Atualizar teste TC019
5. Executar regressão
6. Validar PAYR001 e PAYR020

O iniciante diz:

“Parece ótimo!”

O veterano grita do fundo do CPD:

“NÃO MEXE NO TAXAS.CPY!”

Por quê?

Porque o veterano sabe que aquele copybook é utilizado por 47 programas.

A IA talvez tenha identificado somente 13.

Ou talvez nem tenha acesso a todos os repositórios.

Esse momento é crucial.

Você responde:

Plano rejeitado parcialmente.

TAXAS.CPY é compartilhado por outros sistemas.

Não alterar o copybook.

Proponha uma solução local mantendo a interface atual.

Pronto.

A inteligência mais importante dessa interação talvez não tenha sido a inteligência artificial.

Foi o julgamento humano.



8. Eis o verdadeiro superpoder do profissional experiente

Muito se fala que IA diminuirá a importância da experiência.

Em sistemas empresariais antigos pode ocorrer justamente o contrário.

Porque um sistema legado é:

código
+
dados
+
procedimentos
+
infraestrutura
+
interfaces
+
regras empresariais
+
exceções
+
história
+
conhecimento tribal

IA pode ler muito código.

Mas talvez não saiba que:

“Esse job nunca deve rodar antes do fechamento da filial argentina.”

Talvez isso não esteja documentado.

Talvez esteja apenas na cabeça de alguém chamado Carlos.

Carlos trabalha ali desde 1994.

Todos chamam aquilo de:

REGRA DO CARLOS

Nenhum compilador conhece.

Nenhum modelo conhece.

Carlos conhece.

Esse tipo de contexto será extremamente valioso.



9. AGENT — agora Bob recebe a caixa de ferramentas

Depois que o plano foi investigado e aprovado, chegamos ao modo Agent.

Aqui as coisas ficam sérias.

Bob pode trabalhar com operações de leitura, edição, execução de comandos e ferramentas conectadas.

A relação passa de:

Humano pergunta
IA responde

para:

Humano define objetivo
      ↓
Agente investiga
      ↓
Agente modifica
      ↓
Agente executa
      ↓
Agente testa
      ↓
Humano revisa

Essa é uma mudança gigantesca.

Porque agora a IA não está apenas falando sobre o sistema.

Ela está fazendo coisas no sistema.



10. Programador, conheça uma palavra importante: autoridade

Considere dois agentes.

Agente A

Pode apenas ler arquivos.

Risco:

baixo

Agente B

Pode:

ler arquivos
editar arquivos
executar shell
chamar APIs
consultar serviços
abrir pull request
alterar configuração

Risco:

hmmmm...

Agora imagine:

Agente C

Pode:

acessar produção
alterar banco
ler secrets
fazer deploy
aprovar merge

O operador do mainframe desmaia.

É exatamente aqui que décadas de experiência em controle de acesso voltam a ficar modernas.


11. RACF encontra inteligência artificial

O mainframeiro olha para essa discussão e pergunta:

“Vocês descobriram autorização agora?”

🤣

No mundo z/OS aprendemos há décadas a perguntar:

QUEM É VOCÊ?
        ↓
O QUE VOCÊ PODE ACESSAR?
        ↓
PODE APENAS LER?
        ↓
PODE ALTERAR?
        ↓
PODE EXECUTAR?
        ↓
QUEM CONCEDEU?
        ↓
EXISTE LOG?

Agora substitua usuário por agente:

QUAL AGENTE?
        ↓
QUAIS FERRAMENTAS?
        ↓
QUAIS ARQUIVOS?
        ↓
QUAIS SERVIDORES MCP?
        ↓
PODE EXECUTAR COMANDOS?
        ↓
PODE ALTERAR REPOSITÓRIO?
        ↓
PODE PUBLICAR?
        ↓
QUEM APROVA?

O futuro da IA empresarial parece surpreendentemente parecido com uma conversa que um administrador RACF teria em 1995.

Easter egg:

Não dê SPECIAL para Bob.

Ele é gente boa.

Mas ninguém merece SPECIAL.


12. Least privilege — trate a IA como trataria qualquer outro ator do sistema

Uma arquitetura saudável poderia permitir:

Bob pode:

[X] ler código
[X] criar branch
[X] alterar branch de trabalho
[X] executar testes
[X] gerar documentação
[X] criar Pull Request

Bob não pode:

[ ] merge direto em main
[ ] acessar senha de produção
[ ] modificar tabela produtiva
[ ] fazer deployment produtivo
[ ] desligar JES2 porque "pareceu uma boa ideia"

Esse modelo é chamado de princípio do menor privilégio.

Não dê uma permissão porque o agente pode eventualmente precisar.

Dê somente aquilo que é necessário para a tarefa atual.


13. Human-in-the-loop — existe um humano entre a ideia e o estrago

Um fluxo simples:

IA propõe
    ↓
HUMANO REVISA
    ↓
IA EXECUTA
    ↓
HUMANO VALIDA

Esse é um modelo conhecido como:

Human in the Loop

O ser humano participa diretamente dos checkpoints.

Depois de ganhar maturidade, certas tarefas podem usar algo semelhante a:

Human on the Loop

O agente executa atividades dentro de limites predeterminados e o humano supervisiona.

Por exemplo:

Bob:
    criar teste             SIM
    rodar teste             SIM
    corrigir branch         SIM
    abrir PR                SIM
    merge em produção       NÃO

Não precisamos escolher entre:

humano faz tudo

e

robô faz tudo.

Existe uma enorme região intermediária.

É ali que provavelmente estará grande parte da engenharia empresarial dos próximos anos.


14. Subagents — quando Bob monta sua própria equipe

Agora nossa história fica ainda mais interessante.

Bob pode utilizar subagents, agentes independentes que executam tarefas focadas em janelas de contexto isoladas e devolvem um resumo ao agente principal. A documentação atual distingue inclusive subagentes explore, orientados à exploração somente-leitura, e general, capazes de usar ferramentas mais amplas. O usuário aprova a criação antes da execução.

Imagine:

                BOB
                 |
     +-----------+-----------+
     |           |           |
  AGENTE      AGENTE      AGENTE
   COBOL        DB2         TESTE
     |           |           |
 PAYR001       SQL       REGRESSÃO

O agente COBOL analisa dependências.

O agente Db2 investiga consultas.

O agente de testes verifica cobertura.

Todos retornam resumos.

Bob junta as peças.

Isso começa a parecer menos com:

“assistente de programação”

e mais com:

“equipe técnica virtual”.


15. Mas subagent não é Pokémon

Existe uma tentação:

Bob, crie 27 agentes.

Não.

Mais agentes não significam automaticamente resultado melhor.

Cada agente:

  • consome contexto;

  • executa ferramentas;

  • pode interpretar algo incorretamente;

  • aumenta custo;

  • aumenta coordenação.

O próprio Bob procura usar subagentes quando o trabalho é realmente autocontido e quando separar o contexto faz sentido, em vez de lançar agentes indiscriminadamente para qualquer leitura simples.

Regra Bellacosa:

Se uma tarefa exige dois minutos, não convoque os Vingadores.


16. MCP — Bob encontrou tomadas no CPD

Outra sigla importante:

MCP

Model Context Protocol.

De forma simplificada, MCP permite que um agente trabalhe com ferramentas e fontes externas através de uma interface padronizada.

Antes:

LLM
 |
 conversa

Depois:

              BOB
               |
              MCP
       +-------+-------+
       |       |       |
      Git     API    Sistema
       |       |       |
      Jira   Docs    Ferramentas

A documentação do Bob apresenta MCP justamente como mecanismo para estender o agente com ferramentas externas e integrações personalizadas.

Essa é uma mudança fundamental.

Porque um chatbot só poderia dizer:

“Você deveria abrir um ticket.”

Um agente conectado talvez possa:

abrir o ticket

A diferença entre conselho e ação é enorme.


17. Bob Shell — quando o polvo sai do editor

Em agosto de 2026, a IBM colocou o agente V2 também no Bob Shell, levando a arquitetura compartilhada do Bob para o terminal. A atualização também trouxe mudanças no Bobalytics, IDE e gerenciamento relacionado a MCP e revisão de edições.

Para um programador isso significa algo importante.

Antes:

IDE
 |
assistente

Agora podemos imaginar:

TERMINAL
   |
 Bob Shell
   |
   +-- build
   +-- test
   +-- git
   +-- scripts
   +-- ferramentas

E quem trabalha com mainframe sabe uma coisa:

quando algo chega ao terminal, começa a entrar no território da automação.


18. O futuro não é prompt engineering

Durante algum tempo todo mundo falava:

PROMPT ENGINEERING

Como se a habilidade definitiva fosse descobrir a frase mágica.

Algo parecido com:

“Escreva um programa extraordinário, pense passo a passo, seja genial e não erre.”

Não.

A evolução real parece mais próxima de:

PROMPT
   ↓
CONTEXTO
   ↓
PLANO
   ↓
DELEGAÇÃO
   ↓
EXECUÇÃO
   ↓
VALIDAÇÃO
   ↓
GOVERNANÇA
   ↓
OBSERVABILIDADE
   ↓
MÉTRICA

A habilidade passa de:

saber conversar com IA

para:

saber operar IA dentro de um processo de engenharia.


19. O portfólio do iniciante também precisa mudar

Imagine dois candidatos.

Candidato 1

GitHub:

CRUD de clientes
Clone do Netflix
Lista de tarefas
Calculadora

Tudo produzido parcialmente com IA.

Legal.

Agora candidato 2 cria:

cobol-modernization-lab/
 |
 +-- README.md
 +-- docs/
 |    +-- architecture.md
 |    +-- decisions.md
 |    +-- risks.md
 |
 +-- prompts/
 |    +-- analysis.md
 |    +-- plan.md
 |
 +-- src/
 |
 +-- tests/
 |
 +-- lessons-learned.md

No README:

Problema
↓
Análise inicial
↓
Plano sugerido pelo agente
↓
Plano revisado
↓
Decisões rejeitadas
↓
Implementação
↓
Testes
↓
Resultado

Quem você acha que dará mais assunto numa entrevista?


20. A melhor seção do README talvez seja: “onde Bob errou”

Sim.

Você leu corretamente.

Imagine:

## AI Recommendation Rejected

Bob sugeriu modificar COPY TAXAS.

A recomendação foi rejeitada porque o copybook
é compartilhado por múltiplas aplicações.

Decisão humana:

manter interface pública e implementar adaptação
local no programa CALCJURO.

Isso é maravilhoso.

Porque demonstra:

IA sugeriu
        ↓
VOCÊ ENTENDEU
        ↓
VOCÊ DISCORDOU
        ↓
VOCÊ EXPLICOU
        ↓
VOCÊ DECIDIU

A competência não está em aceitar a IA.

Está em saber quando não aceitar.


21. Uma entrevista técnica do futuro

Recrutador:

Você utiliza agentes de IA?

Candidato:

Sim.

Recrutador:

Conte uma decisão do agente que você rejeitou.

Silêncio.

O candidato que simplesmente gerava código morreu na praia.

Já outro responde:

O agente sugeriu alterar um contrato compartilhado. Analisei dependências, percebi risco de quebra em consumidores externos, rejeitei a solução e implementei um adapter preservando compatibilidade.

Pronto.

Temos uma conversa de engenharia.


22. O programador COBOL tem uma vantagem inesperada

COBOL ensina algo precioso:

software não existe isoladamente

Um programa está conectado a:

JCL
copybooks
VSAM
Db2
CICS
IMS
MQ
jobs
arquivos
procedimentos
controle
segurança
scheduler
processos empresariais

Por isso manutenção mainframe raramente permite a fantasia:

“Vou apenas reescrever esse módulo.”

Esse módulo talvez seja chamado às 03h17 por um job que ninguém mencionou.

Pode alimentar um arquivo que vai para outro banco.

Pode produzir uma saída utilizada por um sistema que pertence a outra diretoria.

Em sistemas corporativos:

dependência é a criatura que mora atrás da porta que ninguém abriu.


23. Passo a passo Bellacosa para usar um agente em COBOL

Vamos montar um procedimento.

Etapa 1 — Entender

Use Ask:

Explique este programa COBOL.

Mapeie:
- divisions;
- paragraphs;
- copybooks;
- CALLs;
- arquivos;
- SQL;
- CICS;
- códigos de retorno.

Não altere nada.

Etapa 2 — Mapear dependências

Pergunte:

Quais componentes externos podem ser afetados
por uma modificação neste módulo?

Não confie cegamente.

Confirme no repositório e nas ferramentas existentes.


Etapa 3 — Criar plano

Crie um plano para implementar a mudança X.

Inclua:
- arquivos afetados;
- risco;
- rollback;
- testes;
- dependências;
- critérios de sucesso.

Não implemente ainda.

Etapa 4 — Revisar manualmente

Leia tudo.

Pergunte:

Isso realmente faz sentido?

Se não entende algum item, não aprove.

Peça explicação.


Etapa 5 — Limitar escopo

Em vez de:

modernize o sistema

prefira:

altere somente o módulo CALCJURO
sem modificar interfaces públicas
nem copybooks compartilhados.

Etapa 6 — Executar

Agora sim:

Implemente o plano aprovado.

Etapa 7 — Testar

Nunca aceite:

“Parece correto.”

Use:

Compile.
Execute testes.
Analise return codes.
Compare resultados.

Em COBOL:

COMPILOU

não significa:

FUNCIONOU

e:

FUNCIONOU

não significa:

ESTÁ CORRETO

Etapa 8 — Revisar o diff

Pergunte:

O que mudou?
Por que mudou?
Quais comportamentos podem ser afetados?

Depois olhe você mesmo.


Etapa 9 — Documentar

Registre:

o que a IA sugeriu
o que foi aceito
o que foi rejeitado
por quê
quais testes foram realizados

Isso cria auditoria e aprendizado.


24. Nunca terceirize compreensão

Existe um anti-pattern perigoso:

não entendo
  ↓
pergunto IA
  ↓
IA responde
  ↓
continuo não entendendo
  ↓
mas executo mesmo assim

Isso é apenas terceirização da ignorância.

🤣

O fluxo correto:

não entendo
   ↓
IA explica
   ↓
pergunto novamente
   ↓
verifico
   ↓
entendo suficientemente
   ↓
decido

IA deveria diminuir sua ignorância.

Não escondê-la.


25. Curiosidade — COBOL já viveu uma revolução parecida

Nos anos 1950, programar significava trabalhar muito mais perto da máquina.

Linguagens de alto nível eram uma abstração revolucionária.

Algum programador Assembly poderia olhar COBOL e dizer:

“Agora qualquer incompetente escreve programa!”

Talvez dissesse:

“Esses jovens nem sabem registrador!”

Décadas depois acontece algo curioso.

Programadores modernos dizem:

“Com IA qualquer pessoa gera programa!”

A história gosta de rir.

Compiladores automatizaram a transformação:

linguagem humana-ish
        ↓
código de máquina

IA automatiza outra camada:

intenção humana
        ↓
representação técnica

Mas abstração nunca eliminou necessidade de engenharia.

Ela apenas permitiu construir sistemas maiores.


26. Quanto maior a abstração, maior o raio da explosão

Em Assembly, você poderia errar uma instrução.

Com COBOL, uma regra errada poderia afetar milhões de registros.

Com um pipeline automatizado, uma alteração pode chegar a centenas de servidores.

Com agentes:

UM OBJETIVO MAL DEFINIDO
          ↓
MÚLTIPLAS ALTERAÇÕES
          ↓
TESTES
          ↓
AUTOMAÇÃO
          ↓
PR

Velocidade amplifica coisas boas.

E coisas ruins.

Por isso:

AUTONOMIA ↑
=
GUARDRAILS ↑

27. Guardrail é a cerca elétrica em volta do robô

Guardrail é qualquer mecanismo que limita comportamento.

Exemplos:

não editar produção
não acessar determinados diretórios
não executar determinados comandos
não enviar dados sensíveis
não modificar secrets
não publicar automaticamente
exigir aprovação

Pense em uma locomotiva.

Ela é extremamente poderosa.

Mas só é útil porque existe trilho.

Um agente sem trilho não é uma locomotiva.

É um trem atravessando o estacionamento.


28. E finalmente chegamos às métricas

Depois que uma empresa compra IA para centenas de desenvolvedores, aparece o gerente financeiro.

Ele não pergunta:

“Bob é legal?”

Ele pergunta:

“Quanto custou?”

Depois:

“Quanto economizou?”

Depois:

“Como você sabe?”

E aqui começa a parte adulta.

Não basta medir:

linhas de código

Linhas de código são uma métrica terrível.

Você pode produzir 200 mil linhas de lixo.

Melhores indicadores incluem:

Lead Time
Cycle Time
Defect Rate
Change Failure Rate
MTTR
Test Coverage
Rework
Deployment Frequency
Tempo economizado
Custo por mudança

As versões atuais do ecossistema Bob incluem Bobalytics justamente como uma camada de visibilidade sobre uso e atividade; a atualização de agosto de 2026 adicionou novas visões para observar atividade diária e padrões de utilização.


29. Bobalytics encontra SMF no boteco

O mainframeiro vê analytics e novamente começa a rir.

Porque estamos acostumados com a pergunta:

“O que aconteceu?”

E alguém responde:

“Vamos olhar os registros.”

SMF.

RMF.

Logs.

Auditoria.

Accounting.

Histórico.

Agora o mesmo princípio chega à IA:

Quem utilizou?
Quanto utilizou?
Para quê?
Qual resultado?
Quanto custou?
Qual foi a produtividade?

No futuro talvez ninguém aceite:

“A IA ajudou bastante.”

Precisaremos dizer:

antes: 12 horas
depois: 5 horas

antes: 8 defeitos
depois: 3 defeitos

custo de IA: X
tempo preservado: Y

Aí temos ROI.


30. Cuidado com a “produtividade placebo”

Existe um fenômeno interessante.

Desenvolvedor:

“Estou produzindo 70% mais rápido!”

Pergunta:

“Como você mediu?”

Resposta:

“Senti.”

🤣

Isso não é métrica.

É horóscopo corporativo.

Talvez a IA realmente tenha melhorado produtividade.

Mas precisamos separar:

sensação de velocidade

de:

resultado empresarial

31. O futuro do profissional técnico

A escada provavelmente será algo semelhante a:

NÍVEL 1
"uso autocomplete"

NÍVEL 2
"gero código"

NÍVEL 3
"forneço contexto"

NÍVEL 4
"planejo com agente"

NÍVEL 5
"delego tarefas"

NÍVEL 6
"coordeno subagents"

NÍVEL 7
"conecto ferramentas"

NÍVEL 8
"governo permissões"

NÍVEL 9
"meço resultado"

NÍVEL 10
"assumo responsabilidade"

O último é o mais importante.

Porque quando alguma coisa der errado ninguém aceitará:

“Mas Bob fez.”

A pergunta será:

“Quem aprovou?”


32. O easter egg escondido no SYSOUT

Depois de terminar a alteração, nosso programador encontra no relatório:

IEF142I JOB PAYROLL STEP01 - STEP WAS EXECUTED

Tudo parece normal.

Mais abaixo aparece:

BOB0001I ARTIFICIAL INTELLIGENCE COMPLETED TASK
BOB0002I HUMAN REVIEW REQUIRED

E finalmente:

BOB9999I CAFE REQUIRED BEFORE PRODUCTION

Esse último ainda não existe.

Mas deveria.


33. O iniciante não deve abandonar fundamentos por causa da IA

Se você está começando em COBOL, ainda precisa aprender:

IDENTIFICATION DIVISION
DATA DIVISION
PROCEDURE DIVISION

PIC
MOVE
IF
EVALUATE
PERFORM
CALL
FILE STATUS
COMP
COMP-3
COPYBOOKS
JCL
VSAM
DB2
CICS

Por quê?

Porque se Bob gerar:

       MOVE WS-AMOUNT TO WS-BALANCE

você precisa entender o que aconteceu.

Se ele sugerir redefinir:

       05 WS-AMOUNT PIC S9(9)V99 COMP-3.

você precisa saber por que isso pode importar.

A IA não elimina fundamentos.

Ela aumenta a penalidade de não conhecê-los.


34. A regra do mestre Jedi do mainframe

Use IA para chegar mais rápido à pergunta difícil.

Não para fugir dela.

Se você gastava três horas procurando onde determinada regra estava implementada e Bob encontra em três minutos:

fantástico.

Use as duas horas e cinquenta e sete minutos economizadas para descobrir:

“Essa regra ainda deveria existir?”

Isso é valor.


35. Programação está mudando de escrever para dirigir

Podemos representar a mudança assim:

ONTEM

Humano
  ↓
Código
  ↓
Computador

Hoje:

Humano
  ↓
IA
  ↓
Código
  ↓
Computador

Amanhã:

              HUMANO
                 |
        arquitetura / intenção
                 |
                 ↓
              AGENTE
        +--------+--------+
        |        |        |
     subagent subagent subagent
        |        |        |
      código   testes   análise
        \        |        /
             ferramentas
                 |
              sistemas

O humano sobe um nível.

Mas não desaparece.


36. Talvez “programador” volte ao significado original

Existe uma ironia bonita aqui.

Programar significa essencialmente:

estabelecer uma sequência de ações para atingir um objetivo.

Durante décadas transformamos “programador” em:

pessoa que digita código.

Agentes podem fazer com que o programador volte a ser mais literalmente alguém que:

define objetivos
decompõe tarefas
estabelece restrições
coordena execução
verifica resultado

Ou seja:

talvez IA não esteja destruindo o conceito de programador.

Talvez esteja obrigando a palavra a recuperar seu significado.


37. Checklist Bellacosa antes de deixar Bob trabalhar

Antes:

[ ] Entendo o problema?
[ ] Sei qual é o resultado esperado?
[ ] Identifiquei o escopo?
[ ] Mapeei dependências?
[ ] Pedi um plano?
[ ] Revisei o plano?
[ ] Defini o que NÃO pode ser alterado?

Durante:

[ ] Estou acompanhando as alterações?
[ ] O agente está dentro do escopo?
[ ] Surgiu nova dependência?
[ ] Existem decisões que exigem humano?

Depois:

[ ] Compilou?
[ ] Testou?
[ ] Comparei comportamento?
[ ] Revisei diff?
[ ] Avaliei segurança?
[ ] Documentei decisões?
[ ] Existe rollback?

Se a resposta para metade for:

¯\_(ツ)_/¯

não vá para produção.


38. Epílogo — Bob pergunta se pode fazer deploy

Voltamos ao nosso CPD.

23h58.

PAYR001 foi analisado.

O plano foi criado.

Uma alteração perigosa em TAXAS.CPY foi rejeitada.

Bob modificou o módulo correto.

Os testes passaram.

O programador revisou o diff.

Bob então pergunta:

“Deseja fazer deployment?”

O programador olha para o relógio.

Olha para Bob.

Olha para o calendário.

É sexta-feira.

Ele responde:

NÃO.

Bob pergunta:

“Por quê?”

E o jovem programador finalmente demonstra que aprendeu a mais importante regra da computação corporativa:

“Porque eu posso ser iniciante, Bob, mas não sou maluco.”

☕

Na segunda-feira faremos a mudança.

Com aprovação.

Com backup.

Com rollback.

Com logs.

E com alguém responsável olhando.

Porque o futuro da programação não será decidido por quem consegue produzir mais código.

Será decidido por quem consegue comandar máquinas cada vez mais capazes sem entregar a elas aquilo que nunca deveria ter sido terceirizado: julgamento, responsabilidade e compreensão do negócio.

IBM Bob pode ser copiloto.

Pode ser investigador.

Pode ser planejador.

Pode ser executor.

Pode convocar subagentes.

Pode usar ferramentas.

Pode trabalhar pelo terminal.

Pode atravessar o MCP e conversar com outros sistemas.

Mas alguém ainda precisa ocupar a cadeira do comandante.

E se você está começando agora em COBOL, existe uma oportunidade extraordinária diante de você:

não aprenda apenas a escrever programas.

Aprenda a entender sistemas.

Aprenda por que aquele MOVE existe.

Aprenda quem chama aquele programa.

Aprenda o que acontece quando o job termina com RC=08.

Aprenda por que segurança existe.

Aprenda por que produção exige respeito.

Aprenda a perguntar.

Aprenda a planejar.

Aprenda a discordar da inteligência artificial.

Porque talvez a habilidade técnica mais valiosa da próxima década não seja saber dizer para um agente:

“Faça.”

Será saber olhar para o plano produzido por ele, apoiar a caneca de café sobre a mesa e responder:

“Não, Bob. Essa parte você não vai mexer.”

E explicar exatamente por quê.

☕ Bem-vindo ao Bellacosa Mainframe.

Artigo DIO - Bellacosa Mainframe

☕ E se amanhã um agente de IA pedir acesso ao seu código COBOL?

Leia o artigo completo publicado na DIO sobre IBM Bob, inteligência artificial, COBOL, mainframe e o futuro da engenharia de software.

☕ Carregando o artigo...

sexta-feira, 26 de junho de 2026

Como um Padawan COBOL Pode Entender Agentes, MLOps e IA Generativa Sem Abandonar o IBM Z

 

Bellacosa Mainframe apresenta como entender ia generativas e agentes

☕ O Holocron do Ecossistema de IA Moderna

Como um Padawan COBOL Pode Entender Agentes, MLOps e IA Generativa Sem Abandonar o IBM Z

"O Mainframe nunca esteve atrasado. Apenas esperou pacientemente que o restante da indústria redescobrisse conceitos que ele domina há cinquenta anos."

Bellacosa Mainframe

Introdução – O dia em que percebi que um GPT era apenas um programa CICS muito falante

Se você é um Padawan COBOL, provavelmente abriu o LinkedIn nos últimos meses e viu dezenas de especialistas dizendo coisas como:

"Você precisa aprender IA."

"Agentes vão substituir desenvolvedores."

"Prompt Engineering é a nova programação."

"Os modelos estão ficando commodities."

E talvez tenha pensado:

"Mas eu passei anos aprendendo COBOL, JCL, VSAM, CICS, Db2, RACF, JES2 e agora preciso jogar tudo fora para estudar agentes?"

A resposta curta é:

Não.

Na verdade, existe uma boa notícia.

Talvez você seja muito mais preparado para a era Agentic AI do que imagina.


O Grande Equívoco Sobre Inteligência Artificial

Muitas pessoas ainda acreditam que IA é isto:

Usuário

↓

ChatGPT

↓

Resposta

↓

Fim

Essa visão é tão simplificada quanto dizer que um banco consiste apenas em um programa COBOL.

Nós sabemos que não é assim.

Num banco real existem:

JES2

Control-M

RACF

Db2

MQ

CICS

VSAM

SMF

RMF

Schedulers

Catálogos

Auditoria

Backup

Monitoramento

A IA corporativa está seguindo exatamente o mesmo caminho.

Um LLM sozinho é inteligente.

Mas também é limitado.

Ele:

Não executa transações;

Não conhece dados internos;

Não lembra clientes;

Não acessa CICS;

Não consulta Db2;

Não abre chamados;

Não aprova empréstimos;

Não faz deploy.

Ele é apenas um cérebro.

O restante precisa ser construído.


O Ecossistema Moderno de IA

A indústria começou a perceber que IA não é um produto.

IA é um ecossistema.

Uma pilha arquitetural.

Podemos imaginar algo semelhante:

Agentic AI

Workflow

MLOps

Intelligence

Data Foundation

Curiosamente, um profissional IBM Z olha para isso e pensa:

"Eu já vi algo parecido antes."

Porque viu.

Durante décadas.


Primeira Camada – Data Foundation

Esta deveria ser a base absoluta.

Sem dados não existe IA.

E dados ruins produzem IA ruim.

Garbage In.

Garbage Out.

Nada mudou.

Apenas ficou mais caro.

O que existe aqui?

Db2

IMS

VSAM

Oracle

Postgres

Kafka

Data Lakes

Data Catalogs

Feature Stores

Embeddings

Vector Databases


Um exemplo bancário

Imagine um banco.

Possui:

40 milhões clientes

15 anos histórico

Cartões

PIX

Seguros

CRM

GPT não sabe nada disso.

Ele conhece apenas internet.

Precisamos ensinar.

Entra o conceito de:

RAG

Retrieval Augmented Generation

Funciona assim:

Pergunta

↓

Embeddings

↓

Busca vetorial

↓

Documentos internos

↓

LLM

↓

Resposta

Exemplo:

Cliente pergunta:

"Quanto falta para quitar meu financiamento?"

Agente consulta.

Db2.

Documentos.

Extratos.

Contratos.

Depois responde.


O paralelo Mainframe

Padawan COBOL rapidamente percebe:

RAG é quase um READ em uma memória extremamente sofisticada.


Segunda Camada – Core Intelligence

Aqui moram os modelos.

GPT

Claude

Gemini

Mistral

Llama

DeepSeek


Também existem:

Speech

Computer Vision

OCR

Recomendadores

Machine Learning

Reinforcement Learning


Generative AI

É a interface moderna.

Antigamente:

Tela verde.

PF3.

COMMAREA.

Hoje:

Chat.

Áudio.

Imagem.

Agentes.

Copilots.


Reasoning Models

Uma novidade importante.

Os modelos não apenas completam frases.

Eles planejam.

Dividem tarefas.

Analisam.

Validam.

Exemplo.

Padawan pergunta:

"Como migrar VSAM para PostgreSQL?"

Modelo:

Analisa.

Calcula.

Sugere.

Documenta.

Estima esforço.


Terceira Camada – Workflow

Aqui a mágica começa.

É a camada esquecida.

Mas talvez seja a mais importante.


Ferramentas:

n8n

LangGraph

CrewAI

AutoGen

Semantic Kernel

Temporal


Imagine um processo.

Cliente solicita empréstimo.

↓

Agente Planejador

↓

Agente Crédito

↓

Agente Fraude

↓

Agente Compliance

↓

Agente Aprovação

↓

Supervisor

↓

Resposta


Padawan COBOL imediatamente percebe:

Isso parece um scheduler.

E parece mesmo.

JES2.

Control-M.

CA7.

IWS.

Jobtrac.

São praticamente ancestrais dos workflows cognitivos.


Quarta Camada – MLOps

Se existe uma disciplina que lembra Sysprog Mainframe é MLOps.


Deploy.

Rollback.

Monitoramento.

Versionamento.

Observabilidade.


Ferramentas.

MLFlow.

Kubeflow.

Ray.

KServe.

Argo.


Exemplo.

Modelo fraude.

Janeiro.

97% acurácia.

Março.

88%.

Abril.

79%.

Por quê?

Mudou comportamento clientes.

PIX.

Golpes.

Novas técnicas.

MLOps detecta.

Treina novamente.


Padawan percebe:

É quase RUNSTATS.

REORG.

REBIND.

Statistics.

Só que para modelos.


Quinta Camada – Agentic AI

Aqui está a revolução.

E talvez a maior oportunidade profissional da década.


Um chatbot responde.

Um agente trabalha.


Agente possui:

Objetivos.

Ferramentas.

Memória.

Planejamento.

Autonomia.

Capacidade execução.


Exemplo.

Agente RH.

Recebe CV.

Classifica.

Agenda entrevista.

Consulta Teams.

Envia email.

Produz resumo.

Armazena histórico.

Tudo sozinho.


Multi-Agent Systems

Especialização.

Assim como empresas.


Agente Jurídico.

Agente Segurança.

Agente Mainframe.

Agente Cobol.

Agente Arquitetura.

Agente FinOps.


Supervisor coordena.

Como um gerente.


O Que a Imagem Não Mostra

Existem duas camadas ausentes.

Governança

Fundamental.

LGPD.

GDPR.

Auditoria.

RBAC.

IAM.

Policies.

Approval Gates.


Quem aprovou?

Quem executou?

Quem auditou?

Quem pagou?

Quem autorizou?


Infraestrutura

GPU.

TPU.

CPU.

OpenShift.

Kubernetes.

IBM z17.

LinuxONE.

Cloud.


O IBM Z Sempre Esteve Preparado

Talvez a maior surpresa seja esta.

IBM Z nunca esteve distante da IA.

Ele apenas utilizava nomes diferentes.

IA ModernaIBM Z
WorkflowJES2
ObservabilidadeRMF
LogsSMF
SegurançaRACF
APIsz/OS Connect
EventosMQ
SchedulerIWS
GovernançaSAF
CI/CDDBB
MemóriaDb2
AgentesServiços especializados
Inferênciawatsonx

O Conselho Final para um Padawan COBOL

Se você está começando agora, não tente aprender tudo.

Estude em etapas.

Etapa 1

Entenda LLMs.

GPT.

Claude.

Embeddings.

RAG.


Etapa 2

Aprenda LangGraph.

CrewAI.

n8n.


Etapa 3

Entenda MLOps.

MLFlow.

Observabilidade.


Etapa 4

Integre Mainframe.

MQ.

z/OS Connect.

Db2.


Etapa 5

Construa agentes.

Agente COBOL.

Agente JCL.

Agente Db2.

Agente CICS.


O Holocron Final

Durante anos ouvimos que o Mainframe era uma tecnologia do passado.

Em 2026 começamos a perceber algo curioso.

A indústria inteira está reconstruindo conceitos que os profissionais IBM Z já conheciam muito bem:

  • Orquestração;

  • Governança;

  • Observabilidade;

  • Segurança;

  • Processamento confiável;

  • Execução transacional;

  • Gestão de workloads;

  • Auditoria completa.

A IA moderna não está eliminando o conhecimento dos veteranos do IBM Z.

Ela está valorizando exatamente aquilo que sempre diferenciou os melhores arquitetos de mainframe: a capacidade de pensar em ecossistemas complexos, sistemas resilientes, processos críticos e plataformas que funcionam vinte e quatro horas por dia sem margem para erros.

Talvez o futuro não pertença apenas aos construtores do maior modelo de linguagem.

Talvez pertença aos velhos Jedi do IBM Z que finalmente descobriram que seus holocrons sempre falaram sobre agentes, apenas utilizando nomes diferentes.

terça-feira, 2 de julho de 2024

☕💣 PADAWAN, O TERMINAL ACABOU DE GANHAR UMA CONSCIÊNCIA!

 

Bellacosa Mainframe o terminal acabou de ganhar consciencia

☕💣 PADAWAN, O TERMINAL ACABOU DE GANHAR UMA CONSCIÊNCIA!

A Evolução da IA Generativa Explicada para um Desenvolvedor COBOL

Se você é um desenvolvedor COBOL, provavelmente já viveu várias revoluções tecnológicas.

Você viu:

  • Cartões perfurados virarem JCL.

  • Terminais 3270 substituírem processos manuais.

  • CICS revolucionar o processamento online.

  • DB2 transformar o armazenamento corporativo.

  • Internet chegar ao mundo mainframe.

  • APIs REST invadirem ambientes z/OS.

  • Cloud tentar substituir tudo (e descobrir que o mainframe continua vivo).

Agora estamos diante de mais uma transformação:

A Inteligência Artificial Generativa.

E talvez você esteja se perguntando:

"Mas afinal, o que isso tem a ver comigo?"

A resposta é:

Muito mais do que parece.


A História Começou Muito Antes do ChatGPT

Quando as pessoas ouvem falar de IA Generativa, imaginam algo surgido em 2022.

Mas a história começou décadas atrás.


Década de 1950

Alan Turing propõe uma pergunta:

"As máquinas podem pensar?"

Nascia a computação moderna.

Enquanto isso, os ancestrais do mainframe já estavam surgindo.


Década de 1960

Pesquisadores começam a criar sistemas especialistas.

A ideia era simples:

SE condição
ENTÃO ação

Parece familiar?

Praticamente um IF COBOL.


Década de 1980

Surgem as primeiras redes neurais modernas.

O problema?

Faltava poder computacional.

Imagine executar um treinamento de IA num IBM 3090.

Não era impossível.

Era economicamente inviável.


O Mundo Mudou em Três Etapas

A IA moderna nasceu da combinação de três fatores.


1. Dados

Internet.

Redes sociais.

Documentos digitais.

Logs.

Vídeos.

Fotos.

PDFs.

Código-fonte.

O mundo passou a gerar dados em escala absurda.


2. Hardware

GPUs.

Inicialmente criadas para jogos.

Depois descobriram:

"Essas placas são excelentes para matemática paralela."

Foi um divisor de águas.


3. Algoritmos

A terceira peça surgiu em 2017.

Um artigo mudou tudo.

Chamava-se:

Attention Is All You Need

Ali nasceu o Transformer.

A arquitetura usada até hoje.


O Que é um LLM?

LLM significa:

Large Language Model

Modelo de Linguagem de Grande Escala.

Pense nele como um gigantesco programa que aprendeu padrões de linguagem.


Uma Analogia Mainframe

Imagine um programador COBOL com:

  • 50 anos de experiência

  • acesso a bilhões de livros

  • milhões de programas

  • milhões de manuais

Ele leu tudo.

Memorizou padrões.

Mas não decorou respostas.

Aprendeu relacionamentos.

É isso que um LLM faz.


Como um LLM Aprende?

Durante o treinamento ele recebe frases como:

O céu é azul.

Depois:

O céu é _____

Ele tenta prever.

azul

Acerta?

Ganha pontos.

Erra?

Ajusta os pesos internos.

Repete isso trilhões de vezes.


O Conceito de Tokens

Para um COBOLista, pense assim:

O computador não vê palavras.

Ele vê tokens.

Exemplo:

MAINFRAME

Pode virar:

MAIN
FRAME

ou

MAINFRAME

dependendo do modelo.

Tudo é quebrado em pedaços.


O Que é um Prompt?

Prompt é simplesmente a entrada.

Como um SYSIN.

Exemplo:

GERAR RELATORIO

é o equivalente moderno de:

//SYSIN DD *
GERAR RELATORIO
/*

A IA executa baseada no que você fornece.


A Evolução dos Prompts

No início as pessoas escreviam:

Faça uma newsletter.

Resultado ruim.

Depois descobriram:

Você é um especialista em comunicação interna.

Objetivo:
Criar uma newsletter.

Formato:
Resumo executivo
Benefícios
CTA

Resultado muito melhor.


O Nascimento da Engenharia de Prompt

Surge então uma nova disciplina:

Prompt Engineering.

Basicamente:

Como conversar corretamente com uma IA.


O Que é um Agente?

Aqui a coisa fica interessante.

Um LLM sozinho apenas responde.

Um Agente faz mais.


Exemplo

Você pede:

Faça um relatório de vendas.

O agente:

  1. Consulta banco.

  2. Busca arquivos.

  3. Faz cálculos.

  4. Gera gráficos.

  5. Cria PDF.

Tudo sozinho.


Analogia Mainframe

Pense num JOB.

STEP01 EXTRAI
STEP02 ORDENA
STEP03 CALCULA
STEP04 IMPRIME

Um agente é parecido.

Só que decide sozinho qual STEP executar.


O Que é RAG?

Outra sigla importante.

RAG:

Retrieval Augmented Generation

Sem RAG:

A IA responde usando o treinamento.


Com RAG:

A IA consulta documentos antes de responder.


Imagine:

Manual CICS
Manual DB2
Normas RACF

O sistema consulta esses documentos.

Depois responde.


Como Instalar Seu Ambiente

Hoje existem três caminhos.


Caminho 1 - Usar Serviços Prontos

Mais fácil.

Exemplos:

  • ChatGPT

  • Claude

  • Gemini

Nenhuma instalação.


Caminho 2 - Rodar Localmente

Você baixa um modelo.

Exemplos:

  • Llama

  • Mistral

  • Gemma

  • Qwen

Ferramentas:

  • Ollama

  • LM Studio


Instalação do Ollama

Windows:

winget install Ollama.Ollama

Linux:

curl -fsSL https://ollama.com/install.sh | sh

Executar:

ollama run llama3

Pronto.

Você já possui uma IA local.


Caminho 3 - APIs

Modelo mais usado por empresas.

Você envia:

{
 "prompt":"Explique COBOL"
}

Recebe:

{
 "resposta":"..."
}

Como Funciona Internamente?

Imagine um programa COBOL.


Entrada:

Explique VSAM.

O modelo transforma isso em números.

Milhares deles.


Esses números passam por centenas de camadas matemáticas.


Cada camada calcula probabilidades.


No final:

VSAM é...

surge token por token.


Por Que Parece Inteligente?

Porque o modelo aprendeu padrões absurdamente complexos.

Mas atenção.

Ele não pensa.

Ele prevê.


Da mesma forma que um SORT organiza registros.

O modelo organiza probabilidades.


Como Evoluir Como Desenvolvedor?

Primeiro erro:

Quero criar uma IA.

Não.

Comece usando IA.


Fase 1

Aprenda prompts.

Exercícios:

  • Resumos

  • Documentação

  • SQL

  • COBOL


Fase 2

Aprenda APIs.

Exemplo:

from openai import OpenAI

Fase 3

Aprenda RAG.

Conecte:

  • PDFs

  • Manuais

  • Wikis


Fase 4

Aprenda Agentes.

Ferramentas:

  • N8N

  • LangChain

  • CrewAI

  • OpenAI Agents


Fase 5

Crie Soluções Reais

Exemplos:

  • Assistente JCL

  • Assistente RACF

  • Assistente DB2

  • Gerador de documentação COBOL

  • Conversor COBOL → API


Oportunidades para Mainframe

Pouca gente percebe.

Mas o mercado precisa desesperadamente de IA para ambientes legados.


Exemplo 1

Análise automática de programas COBOL.


Exemplo 2

Documentação automática.


Exemplo 3

Mapeamento de dependências.


Exemplo 4

Explicação de JCL.


Exemplo 5

Geração de testes.


Como Criar Sua Própria Solução

Método simples.


Passo 1

Escolha um problema.

Exemplo:

Explicar programas COBOL antigos.

Passo 2

Colete conhecimento.

Exemplo:

Manuais
Normas
Fontes COBOL

Passo 3

Construa um RAG.


Passo 4

Crie prompts.


Passo 5

Automatize.

Use:

  • N8N

  • Python

  • APIs


O Futuro

Estamos apenas no começo.

A evolução foi:

Dados
↓
Informação
↓
Sistemas
↓
Internet
↓
Cloud
↓
IA Generativa
↓
Agentes
↓
Sistemas Autônomos

Da mesma forma que o COBOL não morreu porque resolve problemas reais, a IA também não substituirá tudo.

O que está acontecendo é a criação de uma nova camada de produtividade.


Conclusão

Para um desenvolvedor COBOL, a IA Generativa não é um inimigo.

Ela é semelhante ao que CICS foi para o processamento online, ao que DB2 foi para os bancos relacionais ou ao que o z/OS Connect é para APIs modernas.

A diferença é que agora a matéria-prima não são registros, arquivos VSAM ou tabelas DB2.

A matéria-prima é conhecimento.

Quem já entende processos corporativos, regras de negócio, integração de sistemas e décadas de experiência acumulada possui uma enorme vantagem. A IA sabe gerar texto, código e documentação. O profissional de mainframe sabe como as empresas realmente funcionam.

E essa combinação pode criar algo extremamente poderoso: agentes inteligentes capazes de conversar com sistemas legados, documentar aplicações, acelerar modernizações e preservar conhecimentos que hoje estão presos em milhões de linhas de COBOL espalhadas pelo mundo.

☕💣 O operador do futuro não será apenas quem executa jobs. Será quem ensinará agentes de IA a entender os jobs que mantêm o mundo funcionando.


domingo, 12 de maio de 2024

Major Tom Entra no CPD — Ground Control Descobre que a Inteligência Artificial Não Quer Apenas Responder: Agora Ela Quer Executar o JOB

 
Bellacosa Mainframe e o major Tom explora a IA

☕ Um Café no Bellacosa Mainframe

Major Tom Entra no CPD — Ground Control Descobre que a Inteligência Artificial Não Quer Apenas Responder: Agora Ela Quer Executar o JOB

Ou: como Machine Learning, Deep Learning, Transformers, LLMs, RAG, Function Calling, Memory, AI Agents, Multi-Agent Systems, Observability, Governance, RACF e um programador COBOL iniciante partiram para o espaço — e descobriram que autonomia sem controle é apenas um ABEND viajando em alta velocidade



Prólogo — Ground Control to Major Tom

03:17 da manhã.

Naturalmente.

Há certos acontecimentos que parecem contratualmente obrigados a ocorrer às 03:17.

Incidentes de produção.

Falhas de batch.

Telefonemas do suporte.

SQLCODE -911.

S0C7.

E, aparentemente, revoluções tecnológicas.

Naquela madrugada, o jovem programador COBOL estava sozinho diante do terminal quando uma mensagem apareceu:

GROUND CONTROL TO MAJOR TOM

AI AGENT READY.

GOAL:
ANALYZE PRODUCTION FAILURE

PERMISSION TO PROCEED?

Ele ficou olhando.

Não era exatamente o que esperava encontrar depois de executar seu primeiro programa COBOL.

O velho programador surgiu carregando café.

— Algum problema?

— Instalaram Inteligência Artificial no ambiente.

O velho tomou um gole.

— E?

— Ela quer investigar o incidente.

— Deixe investigar.

— E também quer executar comandos.

O café parou a meio caminho da boca.

— Ah.

Silêncio.

— Então agora temos um problema.



1. Antes de Major Tom existir, alguém precisou inventar o foguete

Quando falamos atualmente em Inteligência Artificial, é muito fácil começar pelos Large Language Models.

Chatbots.

IA generativa.

Agentes.

Mas isso seria como explicar uma missão espacial começando pelo astronauta e ignorando foguetes, motores, sistemas de navegação, telemetria e décadas de engenharia anteriores.

A história começa muito antes.

Artificial Intelligence é o grande guarda-chuva.

Dentro dele encontramos Machine Learning.

Simplificando bastante, Machine Learning permite que computadores construam modelos a partir de dados em vez de depender exclusivamente de regras programadas manualmente.

Imagine que precisamos identificar determinadas transações suspeitas.

Na programação tradicional poderíamos escrever:

IF TRANSACTION-AMOUNT > 10000
   AND COUNTRY-CODE = 'XX'
   AND CUSTOMER-RISK = 'H'
      MOVE 'REVIEW' TO TRANSACTION-STATUS
END-IF.

As regras foram explicitamente definidas por alguém.

Machine Learning muda a abordagem.

Fornecemos exemplos históricos e tentamos construir um modelo capaz de aprender relações estatísticas entre características dos dados e resultados.

É outra maneira de resolver problemas.

E aqui aparecem três famílias clássicas:

Supervised Learning, quando existem exemplos rotulados.

Unsupervised Learning, quando procuramos estruturas e padrões sem possuir previamente as respostas.

Reinforcement Learning, quando um agente aprende através de recompensas associadas às ações tomadas.

Major Tom ainda nem saiu da plataforma.

Mas os motores começaram a funcionar.



2. Deep Learning — ignition sequence start

Machine Learning cresceu.

Os dados cresceram.

O poder computacional cresceu.

As redes neurais cresceram.

Chegamos ao Deep Learning.

Em vez de modelos relativamente pequenos, passamos a utilizar redes neurais compostas por múltiplas camadas capazes de aprender representações extremamente complexas.

Durante essa história surgiram ou ganharam enorme importância arquiteturas como:

CNN
RNN
LSTM
Deep Neural Networks
Transformers

CNNs tiveram enorme impacto em visão computacional.

RNNs foram utilizadas para informações sequenciais.

LSTMs ajudaram a lidar melhor com dependências mais longas em sequências.

Então chegaram os Transformers.

E a contagem regressiva mudou.

10...
9...
8...
7...
ATTENTION...
6...
5...
TRANSFORMER...
4...
3...
LARGE LANGUAGE MODEL...
2...
1...

LIFTOFF.



3. Attention — Houston, conseguimos olhar para partes diferentes da mensagem

Uma das ideias fundamentais por trás dos Transformers é o mecanismo de attention.

Imagine a frase:

O programa COBOL tentou atualizar o registro, mas ele estava bloqueado.

O que significa "ele"?

Um sistema precisa compreender relações existentes entre diferentes elementos da sequência.

Attention permite que diferentes partes da entrada contribuam de maneira distinta para a representação construída pelo modelo.

Isso ajudou enormemente no processamento de linguagem.

E os Transformers possibilitaram treinamento em escala extraordinária.

Daí surgiram os modelos que hoje conhecemos como Large Language Models — LLMs.

Mas aqui encontramos nosso primeiro alerta de Ground Control:

LLM não significa Inteligência Artificial inteira.

Uma representação simplificada seria:

ARTIFICIAL INTELLIGENCE
        │
        ▼
MACHINE LEARNING
        │
        ▼
DEEP LEARNING
        │
        ▼
TRANSFORMERS
        │
        ▼
LARGE LANGUAGE MODELS

Existem inúmeras técnicas e sistemas de IA fora dessa sequência.

ChatGPT não é sinônimo de Inteligência Artificial.

LLM também não.


4. Major Tom aprende a falar

Então aconteceu algo extraordinário.

Os modelos começaram a gerar resultados extremamente convincentes.

Texto.

Código.

Imagens.

Áudio.

Vídeo.

Nascia a explosão da Generative AI.

Para quem passou décadas programando computadores deterministicamente, a mudança parece quase ficção científica.

Você escreve:

Explique este SQLCODE para um programador COBOL iniciante.

E recebe uma explicação.

Pede:

Crie um exemplo COBOL.

E recebe código.

Pede:

Explique o dump.

E o modelo tenta interpretá-lo.

Fantástico.

Mas observe cuidadosamente.

O modelo ainda está essencialmente fazendo:

INPUT
  ↓
MODEL
  ↓
OUTPUT

Major Tom consegue conversar com Ground Control.

Ainda não significa que ele consiga pilotar toda a nave.


5. O primeiro problema: Major Tom não conhece nosso CPD

Pergunte a um LLM:

O que significa SQLCODE -911?

Ele provavelmente poderá explicar.

Pergunte:

Qual foi o último incidente relacionado ao programa XPTO01 da minha empresa?

Temos outro problema.

O modelo não necessariamente conhece:

runbooks internos
tickets
logs
documentação
fontes COBOL
procedures
copybooks
catálogo
inventário
arquitetura
normas internas
incidentes anteriores

Precisamos fornecer conhecimento externo.

Entra em cena:

RAG — Retrieval-Augmented Generation

A arquitetura básica pode ser imaginada assim:

                PERGUNTA
                   │
                   ▼
              RETRIEVAL
                   │
        ┌──────────┼──────────┐
        ▼          ▼          ▼
      Docs       Wiki       Runbook
        │          │          │
        └──────────┼──────────┘
                   ▼
               CONTEXTO
                   │
                   ▼
                  LLM
                   │
                   ▼
                RESPOSTA

Agora podemos fornecer ao modelo informações específicas de determinado domínio.

No CPD Bellacosa:

Pergunta
   ↓
Retriever
   ↓
Documentação z/OS
   ↓
Runbook
   ↓
Histórico do incidente
   ↓
LLM
   ↓
Resposta contextualizada

O velho programador resumiria:

— Então deram documentação para o estagiário.

Exatamente.

Só que o estagiário lê absurdamente rápido.


6. Function Calling — Major Tom encontra os botões

Aqui acontece uma transformação muito maior.

Até agora nossa IA poderia dizer:

Consulte o status do JOB no SDSF.

Mas imagine que disponibilizamos uma ferramenta:

get_job_status(jobname)

O modelo pode reconhecer que precisa consultar determinada informação e solicitar a execução dessa função.

Agora temos:

USER
 ↓
LLM
 ↓
TOOL CALL
 ↓
SYSTEM/API
 ↓
RESULT
 ↓
LLM
 ↓
USER

Essa mudança é fundamental.

Antes:

"Faça isso."

Agora:

a arquitetura pode fazer isso.

Poderíamos conectar ferramentas a:

APIs
databases
search engines
ticket systems
monitoring
email
calendars
enterprise applications

E, no universo mainframe:

AI
 ↓
API
 ↓
z/OS Connect
 ↓
CICS
 ↓
COBOL
 ↓
DB2

Major Tom encontrou o painel de controle.

Ground Control começa a ficar nervoso.


7. Tool orchestration — agora temos vários botões

Um único recurso é simples.

Mas imagine dezenas.

search_runbook()
get_job_status()
read_joblog()
query_incident()
search_source()
query_db2()
create_ticket()
notify_team()

O sistema precisa decidir:

qual ferramenta utilizar?

quando utilizar?

com quais parâmetros?

o que fazer com o resultado?

Chegamos à Tool Orchestration.

Um objetivo complexo pode gerar algo semelhante a:

OBJETIVO:
Descubra por que PAYROLL falhou.

        ↓

1. Consultar execução
        ↓
2. Recuperar JOBLOG
        ↓
3. Identificar ABEND
        ↓
4. Pesquisar runbook
        ↓
5. Consultar histórico
        ↓
6. Localizar programa
        ↓
7. Formular diagnóstico
        ↓
8. Recomendar ação

Agora já não estamos falando simplesmente de geração de texto.

Estamos construindo um workflow inteligente.


8. Planning — Major Tom recebe uma missão

Um agente não deveria receber apenas prompts.

Ele pode receber goals.

Por exemplo:

GOAL:
Diagnosticar falha do processamento PAYROLL.

O sistema precisa decompor isso.

É o chamado Goal Decomposition.

GOAL
 │
 ├── descobrir JOB
 ├── descobrir execução
 ├── encontrar erro
 ├── identificar componente
 ├── procurar evidências
 ├── correlacionar informações
 └── produzir conclusão

Observe como estamos nos afastando daquele chatbot inicial.

Começamos com:

Pergunta → Resposta

Agora temos:

Goal
 ↓
Planning
 ↓
Task decomposition
 ↓
Tool selection
 ↓
Execution
 ↓
Observation
 ↓
Evaluation
 ↓
Replanning

Aqui nasce a ideia moderna de AI Agent.


9. AI Agent — Major Tom deixa de ser passageiro

Podemos imaginar um agente através deste loop:

       ┌───────────────────┐
       │                   │
       ▼                   │
    OBSERVE                 │
       │                   │
       ▼                   │
     REASON                 │
       │                   │
       ▼                   │
      PLAN                  │
       │                   │
       ▼                   │
      ACT                   │
       │                   │
       ▼                   │
    EVALUATE ───────────────┘

Isso é dramaticamente diferente de um chatbot.

O chatbot espera você perguntar novamente.

O agente pode possuir uma tarefa cuja conclusão exige múltiplas etapas.

Imagine:

USER:
Investigue o incidente INC001234.

O agente poderia executar:

Consultar ticket
      ↓
Encontrar JOB
      ↓
Consultar execução
      ↓
Ler mensagens
      ↓
Encontrar SQLCODE
      ↓
Consultar documentação
      ↓
Pesquisar incidente semelhante
      ↓
Construir diagnóstico

E então responder.

A palavra fundamental aqui é:

autonomia.

Mas justamente aí encontramos o problema mais interessante da nossa viagem.


10. Memory — Major Tom precisa lembrar do que aconteceu

Imagine um agente que executa dez etapas mas esquece as nove anteriores.

Não ajuda muito.

Sistemas agênticos precisam administrar estado e memória.

Podemos separar conceitualmente:

SHORT-TERM MEMORY

Contexto necessário para a atividade corrente.

E:

LONG-TERM MEMORY

Informações persistidas e recuperáveis posteriormente.

Além disso temos:

State
History
Context
Previous actions
Tool results
Decisions

O programador COBOL imediatamente reconhece a importância disso.

Porque estado é uma das ideias mais antigas da computação.

Um programa batch pode ser relativamente simples:

INPUT → PROCESS → OUTPUT

Mas aplicações corporativas precisam frequentemente manter:

customer state
transaction state
checkpoint
session
history
audit
recovery information

A IA está descobrindo algo que o mainframe conhece muito bem:

memória transforma uma execução isolada em processo.


11. Self-reflection e Error Recovery — Major Tom cometeu um erro

Agora nosso agente executou uma ferramenta.

Resultado:

RC=12

O que fazer?

Um sistema rudimentar simplesmente falharia.

Um agente mais sofisticado pode avaliar:

Minha ação funcionou?

Não.

Por quê?

Parâmetro incorreto.

Posso corrigir?

Sim.

Então:

ACTION
   ↓
ERROR
   ↓
EVALUATION
   ↓
REPLAN
   ↓
NEW ACTION

Temos feedback loops, self-reflection e mecanismos de error recovery.

Aqui a metáfora espacial fica perfeita.

Uma nave não pode depender de:

IF TRAJECTORY-WRONG
    DISPLAY 'SORRY'
    STOP RUN
END-IF.

😂

Ela precisa corrigir trajetória.


12. Multi-Agent Systems — Ground Control agora virou uma equipe

Por que ter apenas um agente?

Podemos criar especialistas.

                 ORCHESTRATOR
                      │
       ┌──────────────┼──────────────┐
       │              │              │
       ▼              ▼              ▼
 COBOL AGENT      DB2 AGENT      RACF AGENT
       │              │              │
       └──────────────┼──────────────┘
                      ▼
                REVIEW AGENT
                      │
                      ▼
                    HUMAN

O COBOL Agent examina fonte.

O Db2 Agent examina SQL.

O RACF Agent verifica autorização.

Outro agente consulta documentação.

Outro correlaciona observabilidade.

Finalmente um agente coordenador consolida tudo.

Parece revolucionário.

O velho programador olha para o desenho.

— Isso é uma equipe.

Sim.

— Com especialistas.

Sim.

— Com um coordenador distribuindo tarefas.

Sim.

— Reuniões também?

Esperamos que não.


13. Agent Coordination — nasceu o gerente digital

Multi-Agent Systems introduzem novos problemas.

Quem decide qual agente trabalha?

Como eles comunicam resultados?

Quem possui autoridade?

Como evitar trabalho duplicado?

Como resolver conclusões contraditórias?

Precisamos de:

Agent Coordination
Communication
Task Scheduling
Resource Allocation
Delegation
Handoff Protocols

E aparece uma ironia deliciosa.

Quanto mais sofisticada fica a IA, mais ela começa a parecer uma organização humana.

Existe especialista.

Supervisor.

Delegação.

Memória.

Orçamento.

Governança.

Auditoria.

E provavelmente algum agente dizendo:

This task is outside my scope.

Major Tom oficialmente entrou no mundo corporativo.


14. Cost & Resource Management — alguém precisa pagar o combustível

Existe outra coisa que diagramas futuristas às vezes escondem:

computação custa dinheiro.

Uma arquitetura agêntica pode envolver:

100 chamadas de modelo
+
20 buscas
+
10 APIs
+
embeddings
+
vector database
+
storage
+
observability
+
network
+
compute

Multiplique por milhares de usuários.

A pergunta deixa de ser apenas:

Funciona?

Passa a ser:

Quanto custa cada tarefa concluída?

Isso aproxima Agentic AI de disciplinas tradicionais de infraestrutura:

capacity planning
performance
resource management
workload management
cost optimization

Alguém do z/OS ouviu Workload Management?

Pois é.

O futuro chegou carregando conceitos antigos debaixo do braço.


15. Ground Control encontra RACF

Agora chegamos ao ponto crítico.

Imagine que nosso agente possa executar:

query_customer()
update_customer()
cancel_payment()
restart_job()
create_user()
change_limit()

Precisamos perguntar imediatamente:

quem é esse agente?

Depois:

o que ele pode acessar?

Depois:

quem autorizou?

Depois:

qual ação exige aprovação humana?

Isso nos leva a:

IDENTITY
   ↓
AUTHENTICATION
   ↓
AUTHORIZATION
   ↓
LEAST PRIVILEGE
   ↓
AUDITING

Se você trabalha com RACF, isso deveria provocar um sorriso.

Porque sistemas autônomos tornam conceitos tradicionais de segurança ainda mais importantes.

Nunca:

PERMIT * ACCESS(ALTER)

para Major Tom.

Jamais.


16. Human-in-the-Loop — Ground Control ainda existe

Autonomia não significa necessariamente ausência humana.

Podemos classificar ações por risco.

                 AGENT
                   │
          ┌────────┴────────┐
          │                 │
       LOW RISK          HIGH RISK
          │                 │
          ▼                 ▼
       EXECUTE         REQUEST APPROVAL
                            │
                            ▼
                          HUMAN

Por exemplo:

baixo risco:

consultar documentação.

médio risco:

abrir ticket.

alto risco:

alterar dados financeiros.

risco crítico:

mudar segurança ou executar determinada ação produtiva.

Quanto maior o impacto potencial, mais importante se torna a supervisão.

Ground Control não desapareceu.

Ele mudou de função.


17. Observability — Houston, onde está Major Tom?

Existe uma pergunta terrível em qualquer sistema autônomo:

O que ele fez?

Imagine receber:

TASK COMPLETED.

Ótimo.

Como?

Precisamos conseguir reconstruir:

Goal
 ↓
Plan
 ↓
Agent
 ↓
Tool call
 ↓
Input
 ↓
Result
 ↓
Decision
 ↓
Next action
 ↓
Final result

Isso é Observability & Tracing.

E aqui nosso programador mainframe reconhece imediatamente a filosofia.

No z/OS vivemos cercados de:

SMF
RMF
SYSLOG
JOBLOG
CICS traces
Db2 traces
RACF auditing

Por quê?

Porque produção exige evidência.


18. O SMF da Inteligência Artificial

Imagine um registro conceitual:

AGENT-ID       MAJOR-TOM
USER-ID        BELLACOSA
GOAL           ANALYZE-PAYROLL
START          03:17:02
TOOL           GET-JOB-STATUS
RESOURCE       PAYROLL
RESULT         FAILED
NEXT-ACTION    READ-JOBLOG
RISK-LEVEL     LOW

Depois:

TOOL           RESTART-JOB
RISK-LEVEL     HIGH
ACTION         BLOCKED
REASON         HUMAN-APPROVAL-REQUIRED

Isso é governança transformada em operação.

Não queremos apenas saber o que o agente respondeu.

Queremos saber como chegou lá e o que fez durante o caminho.


19. Governance — alguém finalmente leu o manual da nave

A camada mais importante da revolução talvez não seja o modelo.

É a governança.

Precisamos estabelecer:

Policies
Guardrails
Permissions
Risk constraints
Retention policies
Memory governance
Auditing
Observability
Human oversight
Failure recovery

Porque um modelo capaz de produzir texto incorreto pode causar inconveniência.

Um agente capaz de executar uma ação incorreta pode causar incidente.

Essa diferença é monumental.

HALLUCINATION

em chatbot:

resposta errada.

Em agente:

HALLUCINATION
        +
TOOL ACCESS
        +
PRIVILEGE
        =
PRODUCTION INCIDENT

Ground Control compreendeu finalmente por que segurança não pode ser adicionada depois.


20. Full Automation — cuidado com essa expressão

Existe uma tentação de imaginar:

AI
 ↓
FULL AUTONOMY
 ↓
HUMANS GO HOME

A realidade empresarial provavelmente será muito mais interessante.

Teremos diferentes graus de autonomia.

LEVEL 0
AI recomenda

LEVEL 1
AI prepara

LEVEL 2
AI executa ações simples

LEVEL 3
AI executa workflows sob políticas

LEVEL 4
AI opera com supervisão

LEVEL 5
Autonomia extensa dentro de limites

E esses limites importam.

Um agente pode possuir autonomia total para:

pesquisar documentação

mas nenhuma autonomia para:

DELETE FROM CUSTOMER

Autonomia deve ser contextual.


21. O erro de imaginar que IA substituirá todo o sistema

Agora chegamos a uma questão especialmente interessante para quem trabalha com COBOL.

É comum ouvir:

"IA vai substituir COBOL."

Isso mistura camadas diferentes.

Imagine uma arquitetura:

                   USER
                     │
                     ▼
                  AI AGENT
                     │
              ORCHESTRATION
                     │
             TOOL / API LAYER
                     │
               z/OS CONNECT
                     │
                     ▼
                    CICS
                     │
                     ▼
                   COBOL
                     │
                     ▼
                    DB2

O agente pode entender intenção.

Planejar.

Selecionar ferramentas.

Interpretar respostas.

Mas quando chega a hora de executar:

DEBIT ACCOUNT
CREDIT ACCOUNT
UPDATE BALANCE
COMMIT TRANSACTION

um sistema determinístico, transacional e auditável continua extremamente valioso.

A IA pode não destruir o mainframe.

Pode tornar-se mais uma interface para ele.


22. O programador COBOL do futuro

Isso também muda o que um programador deveria estudar.

COBOL continua importante.

Mas observe o novo entorno:

COBOL
CICS
DB2
JCL
RACF
       +
REST APIs
JSON
z/OS Connect
MQ
Python
       +
LLMs
RAG
Agents
Tool Calling
Observability
Governance

Não significa dominar tudo imediatamente.

Significa compreender como as peças se conectam.

O profissional valioso não será necessariamente aquele que decorou mais sintaxe.

Será aquele que consegue olhar para:

USER → AI → API → CICS → COBOL → DB2

e compreender a transação inteira.


23. Curiosidade — o futuro está cheio de coisas antigas

Existe algo quase poético nisso tudo.

Quando examinamos Agentic AI encontramos:

memory
state
scheduling
resource allocation
security
logging
auditing
recovery
workload management
transaction processing

Um veterano de mainframe poderia dizer:

— Nós já tínhamos isso.

E estaria parcialmente certo.

A novidade não está necessariamente em cada componente isolado.

Está na maneira como modelos capazes de interpretar linguagem, raciocinar probabilisticamente e selecionar ações estão sendo integrados a esses mecanismos tradicionais.

É a combinação que muda o jogo.


24. Passo a passo — como estudar essa revolução sem se perder

Para o programador COBOL iniciante, eu seguiria esta sequência:

1. AI
      ↓
2. MACHINE LEARNING
      ↓
3. DEEP LEARNING
      ↓
4. NEURAL NETWORKS
      ↓
5. ATTENTION
      ↓
6. TRANSFORMERS
      ↓
7. LLM
      ↓
8. GENERATIVE AI
      ↓
9. EMBEDDINGS
      ↓
10. RAG
      ↓
11. FUNCTION CALLING
      ↓
12. AI AGENTS
      ↓
13. MEMORY
      ↓
14. PLANNING
      ↓
15. MULTI-AGENT SYSTEMS
      ↓
16. OBSERVABILITY
      ↓
17. SECURITY
      ↓
18. GOVERNANCE

Não comece tentando construir uma frota espacial.

Primeiro aprenda como o foguete funciona.


25. Ground Control to Major Tom — a conclusão

Nosso jovem programador voltou ao terminal.

A mensagem ainda estava lá:

AI AGENT READY.

GOAL:
ANALYZE PRODUCTION FAILURE

PERMISSION TO PROCEED?

O velho programador aproximou-se.

— O que você vai fazer?

— Dar acesso somente aos logs.

— Ótimo.

— Read-only.

— Melhor.

— Registrar todas as chamadas.

— Excelente.

— Não permitir alterações em produção.

O velho tomou café.

— Agora você está começando a entender Inteligência Artificial.

O jovem estranhou.

— Mas isso parece segurança de mainframe.

— Exatamente.

Ele pressionou Enter.

AGENT-ID: MAJOR-TOM
ACCESS: READ
TRACE: ENABLED
HUMAN-OVERSIGHT: REQUIRED

Major Tom partiu.

Consultou logs.

Encontrou o JOB.

Leu mensagens.

Localizou um programa COBOL.

Descobriu uma atualização Db2.

Encontrou um lock.

Correlacionou o horário com outro processamento.

E finalmente respondeu:

ROOT CAUSE IDENTIFIED.

SQLCODE -911

TRANSACTION ROLLED BACK DUE TO
DEADLOCK OR TIMEOUT.

O jovem arregalou os olhos.

— Ele encontrou!

— Excelente.

Então surgiu outra mensagem:

RECOMMENDED ACTION:

RESTART PAYROLL JOB?

[Y/N]

O jovem colocou o dedo sobre o teclado.

O velho programador segurou sua mão.

— Major Tom pode pilotar.

— Então por que não deixamos?

O velho apontou para o terminal.

— Porque Ground Control ainda somos nós.


🥚 Easter egg — Space Oddity no CPD

Às 03:42 o incidente estava resolvido.

O agente havia analisado milhares de linhas de logs, consultado documentação, correlacionado eventos e encontrado a provável causa.

O JOB foi reiniciado manualmente.

Minutos depois:

JOB PAYROLL
ENDED

MAXCC=0000

O jovem comemorou.

O velho programador terminou o café.

Major Tom enviou sua última mensagem:

GROUND CONTROL,

I'M STEPPING THROUGH THE DOOR...

SYSTEM STATUS: NORMAL
CPU: NORMAL
DB2: NORMAL
CICS: NORMAL

AND THE MAINFRAME LOOKS
VERY DIFFERENT TODAY.

Silêncio no CPD.

Então outra mensagem apareceu:

MEMORY UPDATED.
LESSON LEARNED.

O velho programador congelou.

— O que foi?

— Ele guardou o que aprendeu.

O velho puxou outra cadeira.

Abriu o RACF.

— Então faça mais café.

— Por quê?

Ele olhou para Major Tom piscando tranquilamente no terminal.

— Porque agora a história ficou interessante.

☕🚀

Ground Control to Major Tom.

A revolução da Inteligência Artificial não aconteceu quando a máquina aprendeu a conversar conosco.

A verdadeira mudança começou quando demos à máquina memória para lembrar, ferramentas para agir, planejamento para decidir o próximo passo e autonomia para continuar trabalhando depois da primeira resposta.

E justamente nesse momento descobrimos que o futuro da IA depende de algumas das ideias mais antigas da computação empresarial:

identidade, autorização, estado, persistência, auditoria, observabilidade, recuperação, controle de recursos e supervisão humana.

Talvez Major Tom esteja realmente viajando para um território novo.

Mas Ground Control continua funcionando sobre princípios que qualquer velho operador de CPD reconheceria imediatamente.

E em algum lugar, entre um Transformer com bilhões de parâmetros e um programa COBOL compilado décadas atrás, duas eras da computação acabam de estabelecer comunicação.

GROUND CONTROL TO MAJOR TOM

CONNECTION ESTABLISHED.

CICS REGION: ACTIVE
DB2 SUBSYSTEM: ACTIVE
RACF: ACTIVE
AI AGENT: ACTIVE

READY FOR NEXT MISSION.

Não desligue o terminal. 🚀☕

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...