 |
| Bellacosa Mainframe e os 6 inimigos da inteligencia artificial |
☕ Um Café no Bellacosa Mainframe
Os 6 Inimigos Invisíveis da Inteligência Artificial: Por que Dados Ruins Destroem até o Melhor Modelo do Mundo
"A Inteligência Artificial aprende padrões. Quem ensina esses padrões são os dados. Se o professor ensina errado, não espere um aluno genial."
Existe uma cena que acontece praticamente todos os dias em empresas que estão iniciando projetos de Inteligência Artificial.
A reunião começa animada.
— Vamos usar GPT.
— Vamos usar Llama.
— Vamos usar Claude.
— Vamos colocar um agente inteligente para responder nossos clientes.
— Vamos fazer IA prever falhas.
— Vamos usar Machine Learning.
Todo mundo discute qual modelo é melhor.
Qual possui mais bilhões de parâmetros.
Qual responde mais rápido.
Qual custa menos.
E quase ninguém faz a pergunta mais importante de todas.
"Como estão nossos dados?"
Essa única pergunta vale milhões de reais.
E normalmente ela só aparece quando o projeto começa a falhar.
Hoje vamos tomar mais um café e conversar sobre aquilo que realmente faz uma IA funcionar.
Spoiler:
Não é o modelo.
É o dado.
A maior mentira da IA
Quando vemos notícias sobre Inteligência Artificial, tudo parece girar em torno dos modelos.
GPT-5.
Gemini.
Claude.
Llama.
Mistral.
DeepSeek.
Qwen.
Parece que basta trocar um modelo pelo outro para tudo melhorar.
Na prática, isso raramente acontece.
Imagine dois cozinheiros.
O primeiro possui uma panela simples.
O segundo possui uma panela caríssima.
Mas ambos recebem ingredientes estragados.
Quem fará uma boa comida?
Nenhum.
Na Engenharia de IA acontece exatamente a mesma coisa.
O modelo é apenas a panela.
Os dados são os ingredientes.
A regra mais antiga da computação continua viva
Quem programa COBOL conhece um velho princípio.
Garbage In → Garbage Out
Ou simplesmente:
"Lixo entra.
Lixo sai."
Esse conceito surgiu décadas antes da Inteligência Artificial.
E continua absolutamente verdadeiro.
Um modelo moderno apenas consegue produzir respostas tão boas quanto os dados que recebeu.
O iceberg da Inteligência Artificial
Quando alguém fala em IA, normalmente imagina isto:
Modelo
Mas a realidade parece muito mais com isto:
Aplicação
Agentes
LLM
Machine Learning
Feature Engineering
Data Engineering
Governança
Qualidade
Dados
Perceba algo interessante.
Quanto mais descemos...
Mais importante fica.
Não existe IA sem dados.
Problema 1 — Poor Data Quality
Dados ruins
Este é o campeão absoluto.
Imagine construir um modelo para prever inadimplência.
Seu banco de dados possui:
São Paulo
SP
S.P.
Sao Paulo
São paulo
Cinco cidades?
Não.
Uma única cidade.
Para a IA?
Cinco categorias diferentes.
Agora imagine um cadastro de clientes.
Idade
35
NULL
999
-10
O modelo não possui bom senso.
Ele não sabe que idade negativa não existe.
Ele apenas aprende aquilo.
No Mainframe acontece igual
Quem trabalha com COBOL já encontrou coisas como:
Sexo
M
Masculino
Masc
1
X
Todos representam praticamente a mesma informação.
Mas para um algoritmo de Machine Learning...
São mundos completamente diferentes.
Outro clássico
Datas.
2026-07-07
07/07/2026
07-JUL-26
20260707
Para um humano...
Tudo igual.
Para uma IA...
Quatro formatos diferentes.
Como resolver?
Antes de pensar em IA devemos pensar em:
✔ Padronização
✔ Deduplicação
✔ Normalização
✔ Validação
✔ Catálogo de Dados
✔ Governança
Curiosidade ☕
Estima-se que cientistas de dados gastem entre 60% e 80% do tempo preparando dados, e não treinando modelos.
Treinar o modelo normalmente é a parte fácil.
Problema 2 — Data Drift
Imagine ensinar um adolescente a dirigir.
Depois colocá-lo para dirigir vinte anos depois.
Sem nenhuma atualização.
Difícil, não?
É exatamente isso que acontece com modelos de IA.
O mundo muda
Clientes mudam.
Mercado muda.
Inflação muda.
Fraudes mudam.
Golpes mudam.
Tecnologias mudam.
As pessoas mudam.
Mas...
O modelo continua preso ao passado.
Um exemplo histórico
Durante a pandemia.
Modelos de previsão de demanda simplesmente enlouqueceram.
Por quê?
Porque eles aprenderam isto:
Normalidade
Mas passaram a enfrentar:
Home Office
Lockdown
Mudança de hábitos
Explosão do e-commerce
Os dados mudaram.
O modelo não.
No Mainframe
Imagine um sistema treinado para prever utilização da CPU.
Durante anos tudo funcionou.
Então chega:
novos microsserviços;
APIs REST;
OpenShift;
z/OS Connect;
novos horários de processamento.
O perfil de carga muda completamente.
Seu modelo começa lentamente a errar.
Sem ninguém perceber.
Isso é Data Drift.
Dica Bellacosa ☕
Nunca confie em um modelo que ninguém monitora.
IA também precisa de manutenção.
Problema 3 — Falta de Dados Relevantes
Ter muitos dados...
Não significa possuir informação.
Imagine ensinar medicina usando apenas livros de culinária.
Muito conteúdo.
Pouca utilidade.
Exemplo
Você deseja criar um chatbot jurídico.
Mas possui milhões de tweets.
Fotos.
Vídeos.
Posts do Instagram.
Só esqueceu das leis.
Resultado?
Um excelente especialista em memes.
Um péssimo advogado.
No IBM Z
Quer prever ABENDs.
Treina usando apenas:
SMF.
Mas ignora:
RMF
JES2
SDSF
LOGREC
OMEGAMON
WLM
RACF
O modelo enxerga apenas metade da realidade.
Easter Egg Mainframe 🥚
Existe um velho ditado entre SysProgs:
"Quem olha apenas o SMF enxerga a sombra do problema."
Os melhores diagnósticos normalmente cruzam diversas fontes simultaneamente.
Problema 4 — Data Silos
Imagine um hospital.
O laboratório conhece o exame.
A farmácia conhece os medicamentos.
O convênio conhece as autorizações.
O pronto-socorro conhece os atendimentos.
Cada sistema conhece um pedaço.
Ninguém conhece o paciente inteiro.
É exatamente isso que acontece nas empresas.
SAP
Oracle
DB2
IMS
VSAM
CRM
Salesforce
AWS
Azure
Todos armazenam informação.
Poucos conversam entre si.
No Mainframe
Este problema existe há décadas.
Dados espalhados em:
VSAM
IMS
DB2
MQ
Arquivos Flat
Kafka
REST
Cloud
Criar uma IA sem integrar tudo isso é como montar um quebra-cabeça faltando metade das peças.
Curiosidade ☕
É justamente por isso que arquiteturas modernas falam tanto em:
Data Fabric
Data Mesh
Lakehouse
Catálogo
APIs
MCP
RAG
Não são modismos.
São tentativas de unir informações espalhadas.
Problema 5 — Dados Desbalanceados
Imagine um detector de fraude.
99,9% das operações são normais.
0,1% são fraude.
O algoritmo aprende algo genial...
"Basta responder NORMAL."
Parabéns.
Você conseguiu 99,9% de precisão.
E não encontrou nenhuma fraude.
Precisão alta...
Nem sempre significa modelo bom.
Outro exemplo
Diagnóstico médico.
100.000 exames
99.800 saudáveis
200 doentes
O algoritmo praticamente esquece que a doença existe.
Como resolver?
Oversampling.
SMOTE.
Class Weight.
Balanced Loss.
Data Augmentation.
São técnicas que equilibram o aprendizado.
Bellacosa Mainframe ☕
Em ambientes corporativos, os eventos mais importantes costumam ser justamente os mais raros.
ABENDs.
Falhas.
Ataques.
Corrupções.
E exatamente por serem raros...
São difíceis de aprender.
Problema 6 — Data Leakage
Este talvez seja o mais traiçoeiro.
Imagine criar um modelo para prever cancelamento.
Entre as colunas utilizadas...
DATA_CANCELAMENTO
O modelo acerta praticamente tudo.
Porque ele viu a resposta antes da prova.
Outro exemplo.
Prever média final utilizando...
Média Final
Excelente precisão.
Zero utilidade.
Em IA Generativa
Data Leakage ganha outra dimensão.
Pode significar:
contratos
código-fonte
CPF
LGPD
segredos industriais
documentos internos
Todos enviados sem cuidado para um modelo.
Agora o problema deixa de ser apenas estatístico.
Passa a ser jurídico.
Existe um sétimo problema...
Na minha opinião...
Existe algo que deveria estar em todos os infográficos.
Data Freshness
Dados envelhecem.
Muito rápido.
Imagine perguntar a uma IA:
"Qual é a versão atual do COBOL?"
Se ela foi treinada anos atrás...
Responderá algo ultrapassado.
Por isso surgiram arquiteturas como:
MCP
RAG
Vetores
Busca Híbrida
Knowledge Graph
Agentes
Elas permitem consultar informações atualizadas em vez de depender apenas do treinamento original.
E existe um oitavo...
Governança
Quem é dono do dado?
Quem alterou?
Quando?
Qual versão?
Está criptografado?
Está mascarado?
Existe LGPD?
Existe auditoria?
Sem governança...
Não existe IA corporativa.
Existe apenas um experimento.
O que tudo isso tem a ver com COBOL?
Mais do que parece.
COBOL nasceu para processar dados.
Não telas bonitas.
Não animações.
Dados.
Durante décadas aprendemos algo fundamental:
Integridade dos dados vale mais do que velocidade.
Essa filosofia continua sendo uma das maiores contribuições do mundo Mainframe para a era da Inteligência Artificial.
Quando um programa COBOL valida campos, verifica códigos de retorno, trata exceções, garante consistência transacional e protege a integridade das informações, ele está fazendo exatamente o que uma IA moderna precisa para aprender corretamente.
Em outras palavras, a experiência acumulada em ambientes IBM Z continua extremamente relevante. Os princípios mudaram pouco; o volume de dados e as ferramentas evoluíram.
As Empresas Estão Descobrindo Isso Agora
Depois da corrida pelos LLMs, muitas organizações perceberam que comprar um modelo poderoso não resolve problemas estruturais.
Os projetos que realmente geram valor investem em:
Engenharia de Dados (Data Engineering)
Qualidade de Dados (Data Quality)
Governança de Dados (Data Governance)
Observabilidade (Observability)
DataOps
MLOps
Catálogo de Dados
Monitoramento de Drift
Segurança e Privacidade
Integração entre sistemas legados e modernos
O modelo de IA é apenas uma peça dessa engrenagem.
Para o Programador Júnior
Se você está começando agora, existe uma excelente notícia: dominar apenas prompts ou APIs de modelos não será suficiente nos próximos anos. Os profissionais mais valorizados serão aqueles que entendem como os dados nascem, são transformados, validados, protegidos e disponibilizados para consumo.
Aprenda SQL. Entenda modelagem de dados. Estude ETL e ELT. Descubra como funcionam Data Lakes, Data Warehouses e Lakehouses. Explore RAG, bancos vetoriais e arquiteturas de agentes. E, se tiver oportunidade, mergulhe no universo IBM Z. Você perceberá que muitos dos conceitos considerados "novos" na IA já eram praticados há décadas em ambientes de missão crítica.
Curiosidades do Café ☕
☕ O termo "Garbage In, Garbage Out (GIGO)" surgiu na década de 1950 e continua sendo uma das leis fundamentais da computação.
☕ Cerca de 80% do tempo em muitos projetos de IA é consumido preparando, limpando e organizando dados, não treinando modelos.
☕ Grandes modelos de linguagem não "sabem" que um dado está errado; eles apenas detectam padrões estatísticos e reproduzem o que aprenderam.
☕ Bancos, seguradoras, companhias aéreas e governos ainda dependem fortemente de sistemas IBM Z, que processam alguns dos dados mais críticos do planeta — um terreno fértil para aplicações de IA quando a qualidade e a governança dos dados são tratadas com rigor.
Easter Eggs para os Padawans 🥚
🥚 Easter Egg #1: Se você entendeu por que um NULL pode ser mais perigoso do que um ABEND S0C7, já começou a pensar como um engenheiro de dados.
🥚 Easter Egg #2: Toda vez que ouvir alguém dizer "é só conectar um GPT ao banco de dados", faça uma pergunta simples: "Quem garante a qualidade desses dados?" A resposta costuma revelar a maturidade do projeto.
🥚 Easter Egg #3: Os profissionais que mais rapidamente se adaptam à IA costumam ser aqueles que vieram de ambientes onde consistência, auditoria e integridade sempre foram prioridades. Parece familiar? Sim, estamos falando do universo Mainframe.
Um Último Café...
Existe uma frase muito repetida no mundo da Inteligência Artificial:
"Data is the new oil."
Eu prefiro outra.
"Dados não são o novo petróleo. São o novo oxigênio."
Petróleo é importante.
Oxigênio é indispensável.
Sem dados confiáveis, não existe Machine Learning eficiente. Não existe IA Generativa útil. Não existe RAG consistente. Não existe agente inteligente confiável.
Existe apenas um sistema produzindo respostas com aparência de inteligência.
No fim das contas, a maior revolução da IA não está nos bilhões de parâmetros dos modelos, mas na disciplina silenciosa de coletar, validar, integrar, governar e proteger informações. É exatamente essa base que transforma algoritmos impressionantes em soluções confiáveis para o mundo real.
E talvez aí esteja a maior lição desta conversa: os modelos evoluirão todos os anos, mas os princípios da boa engenharia de dados permanecem. Assim como acontece no Mainframe, tecnologias mudam, linguagens evoluem, arquiteturas se reinventam… porém a qualidade dos dados continua sendo o alicerce sobre o qual toda a inteligência é construída.
Porque, no final, a IA não pensa melhor do que os dados que recebe. E dados bem cuidados sempre foram — e continuarão sendo — a maior especialidade dos bons engenheiros de software.
