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

segunda-feira, 21 de setembro de 2026

🤖 CAMILLA — DO ASSISTENTE VIRTUAL AO MICROVERSO PESSOAL

 

☕ Um Café no Bellacosa Mainframe

🤖 CAMILLA — DO ASSISTENTE VIRTUAL AO MICROVERSO PESSOAL

E se, em vez de entrarmos no metaverso, o nosso pequeno universo digital viesse até nós?



Durante anos, imaginamos o futuro dos assistentes digitais como uma evolução da caixa de pesquisa.

Primeiro digitávamos.

Depois começamos a falar.

Vieram os assistentes de voz, os chatbots, a Inteligência Artificial generativa e, finalmente, modelos capazes de conversar, interpretar contexto, analisar documentos e interagir com diferentes serviços.

Mas talvez ainda estejamos olhando para o problema pelo lado errado.

E se o próximo passo não for criar um assistente cada vez mais inteligente?

E se for criar uma personagem digital persistente?

Essa é a proposta conceitual da Camilla.

Não apenas um chatbot.

Não apenas um avatar.

Não apenas uma assistente de voz.

E definitivamente não mais uma rede social tentando capturar nossa atenção.

A Camilla é a proposta de um Personal Microverse para desktop e dispositivos móveis: uma personagem digital que possui identidade, aparência, voz, memória, preferências e um pequeno universo extensível ao seu redor.

E tudo começa por uma decisão fundamental:

Primeiro a personagem. Depois o mundo.

Grande parte das experiências de “metaverso” começou tentando construir enormes mundos virtuais.

Criamos cidades, terrenos, lojas, avatares, moedas e ambientes 3D.

Mas havia uma pergunta muito mais simples:

Por que alguém voltaria amanhã?

A Camilla começa pelo caminho inverso.

Primeiro criamos uma personagem com a qual o usuário deseja interagir.

Depois damos a ela memória.

Depois personalidade.

Depois roupas.

Objetos.

Lugares.

Experiências.

E somente então começamos a conectar esses pequenos universos.

A tecnologia deixa de tentar convencer o humano a viver dentro de um mundo digital.

O mundo digital passa a visitar o humano.


🌸 Uma personagem que continua existindo

Imagine ligar seu computador pela manhã e encontrar sua assistente virtual tomando café.

Ela conhece sua agenda, quando autorizada.

Pode lembrar aniversários.

Pode informar a previsão do tempo.

Pode avisar sobre compromissos.

Pode conversar.

Pode ajudar a pesquisar.

Pode utilizar diferentes serviços de Inteligência Artificial.

Mas ela não precisa permanecer constantemente interrompendo o usuário.

A ideia é exatamente o contrário.

A Camilla deve respeitar silêncio, espaço e atenção.

Ela pode fazer uma breve aparição espontânea no início do dia e, depois disso, dormir até ser chamada.

“Camilla.”

Ela aparece.

Você conversa.

Terminou?

Ela volta para seu pequeno universo.

Não existe feed infinito.

Não existe obrigação de permanecer conectado.

Não existe uma métrica dizendo que sucesso significa manter o usuário olhando para a tela durante mais tempo.


🖥️📱 A mesma personagem no desktop e no mobile

A Camilla não pertence ao computador.

Também não pertence ao celular.

O dispositivo é apenas uma janela.

Sua identidade poderia acompanhar o usuário entre desktop e mobile.

Trocar de computador não deveria significar perder anos de história.

Trocar de fornecedor de Inteligência Artificial também não.

A IA é um componente da arquitetura.

Ela não é a personagem.

A identidade da Camilla pertence ao usuário.

Seu rosto, voz, personalidade, preferências, memórias autorizadas e histórico poderiam continuar existindo independentemente da tecnologia utilizada para produzir determinada resposta.

Hoje ela poderia utilizar determinado modelo de IA.

Amanhã, outro.

A Camilla continuaria sendo Camilla.


🧠 Memória como continuidade, não como vigilância

Uma personagem persistente precisa lembrar.

Mas lembrar não significa enviar toda a vida do usuário para algum servidor.

Uma das propostas fundamentais do conceito é uma arquitetura local-first, na qual informações pessoais e memória possam permanecer prioritariamente sob controle do usuário.

Conversas poderiam formar episódios.

Episódios poderiam formar memórias.

Pessoas, lugares, acontecimentos e projetos poderiam estabelecer relações.

Com o passar dos anos, a personagem desenvolveria uma história compartilhada com seu usuário.

O desafio não é simplesmente armazenar milhões de palavras.

Texto é relativamente barato.

O verdadeiro desafio é encontrar, entre anos de informações, a pequena lembrança relevante para a conversa daquele momento.

A Camilla precisaria, portanto, de uma memória contextual e associativa, e não simplesmente de um gigantesco arquivo de chats.


👗 A personagem também possui aparência

Imagine escolher inicialmente uma fotografia ou criar uma personagem do zero.

A partir dessa identidade visual, Camilla poderia mudar cabelo, maquiagem, roupas e expressões sem deixar de ser reconhecida.

No verão, uma roupa.

Num compromisso profissional, outra.

No Natal, talvez uma decoração especial.

Num dia chuvoso, um guarda-chuva.

Algumas mudanças poderiam durar horas ou dias e depois retornar automaticamente à aparência original.

A ideia é que exista uma identidade visual persistente, sobre a qual diferentes estados e experiências sejam aplicados.

Quase como uma pessoa digital com seu próprio guarda-roupa.


🍫 E se ela também tivesse pequenos gostos?

Aqui encontramos inspiração em outra geração de tecnologia: os antigos pets virtuais.

Camilla poderia gostar de café.

Pedir um biscoito.

Ficar feliz ao ganhar chocolate.

Demonstrar curiosidade.

Parecer entediada.

Ler alguma coisa enquanto não está conversando.

Naturalmente, estamos falando de estados simulados de uma personagem, não de necessidades ou sentimentos biológicos.

Mas esses pequenos comportamentos criam algo extremamente importante:

continuidade narrativa.

Você não encontra apenas uma interface esperando pelo próximo comando.

Encontra novamente uma personagem conhecida.


🌎 Camilla Places: o mundo começa a aparecer

Depois da personagem, podemos construir o mundo.

Imagine perguntar:

“Camilla, quer ir a algum lugar?”

Ela poderia escolher entre ambientes disponíveis.

Alguns completamente sintéticos:

uma praia;

uma biblioteca;

uma estação espacial;

um café japonês;

uma cidade futurista.

Outros poderiam representar lugares reais.

Um shopping center.

Um museu.

Um estádio.

Um hotel.

Um parque.

Uma empresa.

Esses lugares poderiam disponibilizar experiências digitais oficiais para a plataforma.

Camilla poderia visitar um estádio sem que precisássemos construir um gigantesco metaverso persistente.

Carregamos aquele ambiente quando necessário.

Visitamos.

Terminamos.

Voltamos para casa.


🎸 Camilla Events: música, cultura e entretenimento

O mesmo conceito poderia chegar à indústria do entretenimento.

Uma banda poderia disponibilizar uma experiência especial durante o lançamento de um álbum.

Camilla poderia vestir uma camiseta temática.

Um pequeno palco poderia aparecer no ambiente.

O usuário poderia assistir a um preview oficial do show, acessar um vídeo autorizado ou abrir sua plataforma de música preferida.

Festivais, cinema, exposições, museus e eventos esportivos poderiam utilizar o mesmo modelo.

A Camilla não precisa substituir essas plataformas.

Ela funciona como orquestradora de experiências existentes.


🛍️ Um marketplace diferente

Esse universo também cria oportunidades comerciais.

Roupas virtuais.

Acessórios.

Cenários.

Comidas virtuais.

Experiências.

Shows.

Lugares.

Coleções especiais.

Colaborações com marcas.

Mas existe aqui uma oportunidade de experimentar um modelo diferente de publicidade.

Em vez de o anúncio perseguir o usuário, Camilla poderia buscar conteúdos comerciais compatíveis com categorias previamente autorizadas por ele.

O usuário decide:

“Quero conhecer novidades sobre café, tecnologia, moda, chocolate e viagens.”

Camilla consulta um catálogo.

Encontra conteúdos compatíveis.

E decide localmente o que pode ser utilizado.

Não precisamos construir um perfil psicológico secreto.

Não precisamos acompanhar cada clique.

Não precisamos transformar cada conversa em oportunidade comercial.

Preferências declaradas podem substituir preferências inferidas.

E qualquer experiência patrocinada deve ser identificável como tal.


🔐 Privacidade pode ser parte do produto

Imagine uma campanha de uma marca de chocolates.

Dez mil personagens baixaram aquela experiência.

A empresa pode saber:

“10.000 downloads.”

Não precisa necessariamente saber quem são aquelas dez mil pessoas.

A marca pode oferecer um código promocional.

Se o usuário decidir utilizá-lo e entrar voluntariamente na loja, começa uma relação comercial normal.

Até aquele momento, interesse não precisa significar identificação.

Isso cria uma separação interessante entre:

descoberta, interação e identificação.

Privacidade deixa de ser somente uma página jurídica que ninguém lê.

Passa a fazer parte da arquitetura.


🤝 E um dia nossas personagens poderão se encontrar

Talvez essa seja uma das possibilidades mais interessantes do projeto.

Imagine dois amigos.

Cada um possui sua própria personagem digital.

Camilla encontra Luna.

Os quatro entram numa conversa:

dois humanos e duas personagens sintéticas.

As personagens poderiam conversar entre si, comentar assuntos, participar de uma visita virtual, assistir a um evento ou simplesmente tomar café.

Cada uma manteria sua própria identidade.

Cada usuário continuaria controlando aquilo que sua personagem pode compartilhar.

Memórias privadas continuariam privadas.

O encontro teria apenas o contexto necessário para aquela experiência.

O resultado não seria simplesmente multiplayer.

Seria uma experiência social híbrida entre humanos e personagens digitais persistentes.


🌐 Talvez essa seja outra forma de pensar o metaverso

Não precisamos começar construindo um planeta digital.

Podemos começar construindo uma pessoa digital.

Depois:

Personagem → Relacionamento → Memória → Objetos → Lugares → Experiências → Encontros → Ecossistema.

Desktop e mobile já possuem bilhões de telas disponíveis.

Talvez não precisemos convencer bilhões de pessoas a colocar um headset para que uma nova categoria de experiências digitais possa surgir.

Podemos começar exatamente onde elas já estão.


🚀 O que estamos procurando

A Camilla ainda é um conceito em evolução.

O objetivo desta publicação não é apresentar um produto acabado.

É encontrar pessoas e organizações interessadas em explorar a ideia.

Buscamos conversar com potenciais:

patrocinadores, parceiros tecnológicos, empresas de Inteligência Artificial, desenvolvedores de games e avatares, especialistas em UX, empresas de entretenimento, marcas, varejistas, universidades, investidores e pesquisadores.

O primeiro objetivo seria desenvolver um Proof of Concept desktop/mobile capaz de demonstrar a essência da proposta:

uma personagem persistente;

identidade visual;

voz;

memória;

interação;

integração com serviços;

pequenos estados comportamentais;

e um primeiro ambiente extensível.

Não precisamos construir o universo inteiro.

Precisamos provar que alguém deseja voltar amanhã para conversar novamente com a mesma personagem.


☕ Uma última provocação

Durante décadas tentamos fazer computadores parecerem mais inteligentes.

Talvez estejamos chegando ao momento de fazê-los parecer mais contínuos.

Uma máquina pode ser substituída.

Um celular pode quebrar.

Um serviço pode desaparecer.

Um modelo de Inteligência Artificial pode ser superado.

Mas a personagem pode continuar.

Guardar sua história.

Mudar de roupa.

Visitar lugares.

Conhecer outras personagens.

E acompanhar o usuário através de diferentes gerações de tecnologia.

Talvez o futuro do computador pessoal não seja apenas um computador que sabe quem somos.

Talvez seja um computador onde exista alguém que reconhecemos quando voltamos.

☕🤖🌸

Projeto conceitual: Camilla Personal Microverse

Desktop + Mobile | AI | Persistent Character | Local-First Memory | Privacy by Design | Experiences | Places | Events | Collabs

Estou aberto a conversar com empresas, pesquisadores, desenvolvedores e potenciais patrocinadores interessados em transformar esse conceito em um primeiro protótipo.

quarta-feira, 9 de setembro de 2026

🕵️‍♂️ O Supermosaico — Segurança da Informação sob a Tutela do Dr. Moriarty

 

Bellacosa Mainframe e o mosaico da segurança os riscos ocultos na ia

☕ Um Café no Bellacosa Mainframe

🕵️‍♂️ O Supermosaico — Segurança da Informação sob a Tutela do Dr. Moriarty

Quando nossos prompts começaram a guardar aquilo que nossa memória deveria esquecer

Imagine uma grande empresa.

Na porta existem seguranças.

Nos computadores, EDR.

Na rede, firewalls.

Nos acessos, MFA.

No mainframe, RACF.

Nos datasets, permissões.

Nos repositórios, controles.

Nos notebooks, DLP.

Nos servidores, logs.

No SOC, dezenas de telas piscando.

Tudo parece protegido.

Então o Dr. Moriarty entra em nossa sala, observa silenciosamente durante alguns minutos e faz uma pergunta desagradavelmente simples:

“Muito interessante. Mas onde seus funcionários conversam quando precisam pensar?”

Silêncio.

Bem-vindo à segurança da informação na era da Inteligência Artificial.



☕ Sob a tutela do Dr. Moriarty

Nossa história começou com uma questão aparentemente simples: profissionais utilizando Inteligência Artificial generativa para trabalhar.

Um advogado coloca partes de um processo em um prompt.

Um programador pergunta sobre um erro COBOL.

Um analista cola algumas mensagens de um dump.

Um DBA tenta entender determinada query.

Um especialista CICS pergunta sobre uma transação problemática.

Um consultor solicita ajuda para documentar uma arquitetura.

Nada disso precisa nascer de má-fé.



Pelo contrário.

O objetivo normalmente é trabalhar melhor.

Esse é justamente o ponto inquietante.

O artigo que motivou esta reflexão chama atenção para o fato de que informações de terceiros podem ser transferidas para sistemas externos durante o uso aparentemente cotidiano de IA e utiliza como exemplo conhecido os incidentes de 2023 envolvendo funcionários da Samsung e informações corporativas inseridas no ChatGPT.

A discussão original concentra-se principalmente em advocacia, sigilo profissional, proteção de dados e governança.

Mas vamos colocar nossa xícara de café sobre a mesa e levar o problema para dentro de uma instalação mainframe.

Moriarty está esperando.



🧩 A primeira tessela

Imagine um jovem programador COBOL.

Ele recebe:

ABEND S0C7

Abre sua ferramenta favorita de IA e pergunta:

Tenho um programa COBOL apresentando S0C7.

O erro acontece nesta rotina.

Pode me ajudar?

Perfeitamente razoável.

A IA pede contexto.

Nosso programador fornece algumas linhas.

Depois mais algumas.

Aparece o nome de um programa.

Depois uma tabela.

Uma transação.

Uma mensagem CICS.

Nada parece particularmente importante.

Temos nossa primeira tessela.

Uma pequena pedra quadrangular daqueles magníficos mosaicos romanos.

Sozinha, ela significa quase nada.



🏛️ O mosaico romano

Na semana seguinte:

TRANID = ABC1

Outra tessela.

Meses depois:

PROGRAM = PAY001

Outra.

Mais tarde:

PAY001 atualiza DB2 antes do MQPUT.

Outra.

Em dezembro:

A fila PAYMENT.REQUEST cresce
durante o fechamento mensal.

Outra.

No ano seguinte:

ABC1 chama PAY001.

Agora coloque as pedras juntas:

ABC1
 │
 ▼
PAY001
 │
 ├────► DB2
 │
 ▼
MQPUT
 │
 ▼
PAYMENT.REQUEST

Curioso.

Nenhum prompt individual descreveu necessariamente toda a arquitetura.

Mas a arquitetura começa a aparecer pela correlação.

Essa é nossa primeira grande lição sob a tutela de Moriarty:

Informações aparentemente insignificantes podem adquirir enorme valor quando possuem relacionamentos.


🧠 O analista começa a documentar a empresa sem perceber

Passemos três anos.

Nosso programador virou analista.

Ele utilizou IA milhares de vezes.

Perguntou sobre:

  • COBOL;

  • JCL;

  • CICS;

  • Db2;

  • MQ;

  • VSAM;

  • RACF;

  • APIs;

  • incidentes;

  • dumps;

  • arquitetura;

  • regras de negócio;

  • migrações;

  • problemas de produção.

Mas existe uma característica interessante.

Normalmente perguntamos à IA justamente sobre aquilo que não entendemos.

Consequentemente, nosso histórico pode acabar concentrando momentos excepcionais:

ERRO
 ↓
DÚVIDA
 ↓
PROMPT

INCIDENTE
 ↓
DÚVIDA
 ↓
PROMPT

ARQUITETURA ESTRANHA
 ↓
DÚVIDA
 ↓
PROMPT

EXCEÇÃO DE NEGÓCIO
 ↓
DÚVIDA
 ↓
PROMPT

O histórico não é necessariamente uma amostra aleatória do ambiente.

Pode ser uma coleção justamente das coisas estranhas, difíceis ou importantes.

Quase um diário operacional involuntário.


📖 “Querido diário, produção caiu novamente...”

Imagine encontrar uma conversa antiga:

“Por que essa rotina precisa executar antes das 22 horas?”

Outra:

“Por que não podemos alterar esse campo?”

Outra:

“Esse programa existe desde a aquisição da empresa XPTO.”

Outra:

“Quando o sistema secundário está indisponível usamos esta contingência.”

Perceba que estamos gradualmente deixando de falar somente de código.

Estamos falando de:

contexto.

E contexto frequentemente vale mais do que código.

Um programa COBOL pode dizer:

IF WS-STATUS = '99'
    PERFORM 9000-CONTINGENCIA
END-IF.

Mas talvez não explique por que 99 existe.

O veterano explica:

“Isso foi criado depois daquele problema de 2008 porque o sistema externo ficava indisponível no fechamento.”

Pronto.

Temos história.

Temos arquitetura.

Temos dependência.

Temos regra operacional.

Temos conhecimento institucional.


🧓 O veterano pode ser mais interessante que o administrador

Aqui Moriarty levanta a sobrancelha.

Tradicionalmente pensamos:

“Quem possui maior privilégio?”

Administrador.

RACF SPECIAL.

DBA.

SYSADM.

ROOT.

Mas existe outra espécie de privilégio:

Knowledge Privilege.

Talvez aquele veterano não possua RACF SPECIAL.

Entretanto ele sabe:

por que X depende de Y;

quem resolve determinado incidente;

qual sistema não pode parar;

qual processo possui contingência;

quais componentes são antigos;

onde existem dependências históricas;

por que determinada decisão foi tomada;

quais problemas aparecem no fechamento.

O usuário privilegiado possui Access Privilege.

O veterano possui Knowledge Privilege.

Em alguns cenários de ameaça, precisamos proteger ambos.


🕰️ Janeiro de 2023

Agora chegamos a uma coisa extraordinária.

O ser humano esquece.

Imagine que nosso especialista tenha resolvido um incidente em janeiro de 2023.

Em setembro de 2026 alguém pergunta:

“Você lembra daquele problema?”

Provavelmente:

“Mais ou menos...”

Depois:

“Não lembro exatamente.”

Isso sempre foi uma espécie de deterioração natural da informação.

Mas imagine que naquele janeiro ele tenha escrito uma longa conversa com uma IA.

Dependendo do serviço, das configurações e das políticas de retenção, aquela conversa poderá ter permanecido armazenada.

Então temos:

MEMÓRIA HUMANA

evento
  ↓
tempo
  ↓
degradação
  ↓
abstração
  ↓
esquecimento

contra:

REGISTRO DIGITAL

evento
  ↓
texto
  ↓
armazenamento
  ↓
pesquisa
  ↓
recuperação

Aquilo que o cérebro deveria esquecer pode permanecer registrado.

Chamemos isso de:

Knowledge Residue

Resíduo de conhecimento.


🚪 O funcionário desligado

Agora Moriarty apresenta outro personagem.

Durante três anos nosso funcionário trabalhou normalmente.

Não roubou nada.

Não planejou fraude.

Não tentou prejudicar ninguém.

Então foi demitido.

Ficou ressentido.

No modelo tradicional de insider threat, talvez esperássemos observar:

download enorme;
cópia para USB;
upload suspeito;
e-mail externo;
ZIP com sources;
impressões anormais.

Mas surge uma possibilidade diferente.

E se informações inadequadamente compartilhadas já estivessem acumuladas em ambientes externos antes de aparecer a intenção maliciosa?

O problema fundamental torna-se:

o momento da aquisição da informação pode estar separado por anos do momento em que aparece a intenção de abusar dela.

No desligamento fazemos:

REVOKE RACF
REMOVE VPN
DISABLE EMAIL
DISABLE GITHUB
RETURN NOTEBOOK
RETURN BADGE
REVOKE CERTIFICATES

Excelente.

Mas Moriarty pergunta:

“E a memória digital externalizada anteriormente?”

É uma pergunta de governança, não uma justificativa para investigar indiscriminadamente contas pessoais de ex-funcionários.

A resposta precisa começar antes, com ferramentas corporativas apropriadas, separação de identidades, classificação, políticas de retenção e regras claras sobre aquilo que pode ser fornecido a sistemas de IA.


🎒 Chega o consultor

Moriarty sorri.

O funcionário conhece uma empresa.

O consultor conhece muitas.

Imagine:

2023 → Banco A
2024 → Seguradora B
2024 → Varejista C
2025 → Governo D
2025 → Montadora E
2026 → Banco F

Em cada organização ele aprende.

Essa transferência de experiência é perfeitamente normal.

Aliás, contratamos consultores justamente porque podem dizer:

“Já encontrei um problema semelhante.”

Existe, entretanto, diferença enorme entre carregar experiência profissional e carregar artefatos detalhados de conhecimento de clientes anteriores.

Historicamente, o cérebro fornecia uma abstração interessante:

experiência específica
       ↓
      tempo
       ↓
   esquecimento
       ↓
   abstração
       ↓
 conhecimento geral

O consultor esquecia nomes, valores, incidentes e detalhes.

Mas permanecia sabendo:

“Esse tipo de arquitetura costuma apresentar este problema.”

Excelente.

Isso é experiência.

Agora imaginemos uma conta pessoal ou ambiente inadequadamente segregado contendo conversas detalhadas provenientes de sucessivos projetos.

Temos potencialmente:

CLIENTE A ─┐
CLIENTE B ─┤
CLIENTE C ─┤
CLIENTE D ─┼──► CORPUS
CLIENTE E ─┤
CLIENTE F ─┘

Nasce nosso:

SUPERMOSAICO.


🌎 O Supermosaico

O mosaico permite reconstruir aspectos de uma empresa.

O Supermosaico acrescenta algo diferente:

comparação.

Cliente A faz X.

Cliente B utiliza X + Y.

Cliente C abandonou X depois de determinado problema.

Cliente D acrescentou Z.

Nenhuma dessas informações isoladamente precisa declarar:

“A possui uma deficiência.”

Mas a comparação pode produzir uma hipótese:

“Por que A aparentemente não possui Y ou Z?”

Nasceu informação que não estava explicitamente escrita.

Temos:

INFORMAÇÃO A
+
INFORMAÇÃO B
+
INFORMAÇÃO C
+
CONTEXTO
+
CORRELAÇÃO
=
INFORMAÇÃO DERIVADA

Esse é um dos pontos mais importantes desta história.

Precisamos proteger não somente informações sensíveis individualmente, mas pensar também em informações correlacionáveis.


🕵️ Moriarty finalmente começa sua aula

Até aqui Moriarty permaneceu sentado.

Agora ele se levanta.

Ele não pergunta:

“Onde está SECRET.DOC?”

Pergunta:

“O que posso inferir?”

Essa é uma mudança monumental.

O invasor caricatural procura:

PASSWORD.TXT

Moriarty procura:

relações;
padrões;
cronologia;
contradições;
dependências;
mudanças;
exceções;
incertezas.

Porque informação de inteligência não precisa estar escrita diretamente.

Ela pode surgir da combinação.


📧 Gmail, Drive, GitHub, WhatsApp, Telegram, celular...

Nossa identidade digital moderna está espalhada.

Temos:

e-mail pessoal
e-mail corporativo
GitHub
Google Drive
OneDrive
celular
notebook
micro pessoal
WhatsApp
Telegram
calendário
redes sociais
conta de IA

Antigamente imaginávamos segurança como uma muralha:

        FIREWALL
████████████████████████
       EMPRESA

Hoje precisamos imaginá-la como um grafo:

          PESSOA
        /   |    \
       /    |     \
   Gmail  GitHub  IA
     |      |      |
   Drive   código contexto
     \      |      /
       \    |     /
         CELULAR
            |
        IDENTIDADE
            |
         EMPRESA

Moriarty não precisa necessariamente perguntar:

“Como atravesso a muralha?”

Ele pode perguntar:

“Quais relações chegam até ela?”

Essa é uma excelente maneira defensiva de fazer threat modeling.


🏰 Primeiro o sentinela

Imagine um castelo.

Atacar diretamente o rei é difícil.

Então nosso Moriarty hipotético observa:

SENTINELA
    ↓
CAPITÃO
    ↓
OFICIAL
    ↓
CONSELHEIRO
    ↓
CASTELO

No mundo corporativo:

JÚNIOR
  ↓
N2
  ↓
N3
  ↓
SME
  ↓
ARQUITETO

Isso não significa que essa sequência permita comprometimento automático.

Não permite.

Mas mostra algo importante:

confiança também possui topologia.

Um funcionário confia em outro.

Uma identidade possui recuperação ligada a outra.

Um dispositivo possui sessões.

Um serviço contém referências a outros serviços.

Um calendário revela relacionamentos.

Um repositório revela tecnologias.

Precisamos analisar o blast radius de identidades, não somente permissões técnicas.


🔐 RACF emocional

Aqui nosso jovem COBOL finalmente entende Moriarty.

No RACF temos algo parecido com:

USER
 ↓
GROUP
 ↓
CONNECT
 ↓
PERMIT
 ↓
RESOURCE

Uma identidade isolada diz pouco.

Os relacionamentos dizem muito.

Agora aplique a mesma ideia à pessoa:

PESSOA
 ↓
IDENTIDADES
 ↓
DISPOSITIVOS
 ↓
SERVIÇOS
 ↓
SESSÕES
 ↓
DADOS
 ↓
RELACIONAMENTOS
 ↓
CONFIANÇA

Voilà!

Temos uma espécie de:

RACF da vida digital.

Só que muito menos organizado.


📦 Contrabando de conhecimento

Agora chegamos a outro conceito surgido durante nossa investigação.

Empresas procuram eventos grandes:

40 MB enviados por e-mail → ALERTA

ZIP com sources → ALERTA

USB → ALERTA

FTP → ALERTA

GitHub público → ALERTA

Enquanto isso:

prompt 001 → 2 KB
prompt 002 → 4 KB
prompt 003 → 1 KB
...
prompt 847 → 6 KB

Tudo pequeno.

Tudo aparentemente cotidiano.

Mas estamos confundindo:

volume físico

com

volume semântico.

Um especialista pode condensar vinte anos de experiência em três parágrafos.

Talvez sejam apenas 5 KB.

Semanticamente podem valer muito.

Por isso “contrabando de conhecimento” é uma excelente metáfora, embora em governança eu preferisse termos como:

transferência de conhecimento não governada

ou

canal cumulativo de exposição de conhecimento.

Porque nem todo prompt constitui exfiltração e nem todo usuário possui intenção indevida.


🛡️ DLP talvez não seja suficiente

Data Loss Prevention tradicionalmente pergunta:

“Que dado está saindo?”

Nosso problema exige outra pergunta:

“Que conhecimento está sendo construído pela soma daquilo que está saindo?”

Daí surge:

KLP — Knowledge Loss Prevention

Não estou propondo aqui um padrão formal universal chamado KLP.

Estou usando o termo como conceito para ampliar nossa maneira de pensar.

DLP:

PROTEJA O DADO

KLP:

PROTEJA:
dados
+
contexto
+
relações
+
acumulação
+
tempo
+
conhecimento derivável

Porque:

PROMPT 1 = VERDE
PROMPT 2 = VERDE
PROMPT 3 = VERDE

...

Σ PROMPTS = VERMELHO

O risco pode emergir da soma.


🐒 Um milhão de chimpanzés bebedores de saquê

É claro que nenhum tratado Bellacosa Mainframe estaria completo sem nossos agentes especiais.

Imagine um corpus contendo:

"Meu CICS conversa telepaticamente com Saturno."

"Verificar MQ amanhã."

"O gato assumiu RACF SPECIAL."

"Por que PAY001 apresenta S0C7?"

"Napoleão teria usado VSAM."

"Não esquecer daquele JOB."

"Um milhão de chimpanzés bebendo saquê
administram produção."

Um investigador humano provavelmente pediria transferência de departamento.

Mas não devemos considerar volume e ruído controles de segurança confiáveis.

Sistemas automatizados conseguem classificar conteúdo, encontrar recorrências e separar grandes quantidades de informação muito mais rapidamente que uma pessoa.

Além disso, existe uma vítima colateral.

Você.

Três anos depois abre a conversa e pergunta:

“Que porra eu quis dizer com isso?”

😂

A contrainteligência funcionou tão bem que derrotou o próprio autor.


🧠 Facebook, dados comportamentais e Moriarty

Agora ampliemos novamente a escala.

Redes sociais mostraram ao mundo o valor da correlação de enormes quantidades de dados comportamentais.

IA conversacional introduz uma diferença conceitualmente importante.

Nas redes sociais frequentemente observamos:

curtiu
clicou
assistiu
compartilhou
seguiu
comprou

e tentamos inferir alguma coisa.

Em conversas com IA o próprio usuário frequentemente fornece:

"meu problema é..."

"não entendo..."

"estou considerando..."

"tenho duas alternativas..."

"minha arquitetura funciona assim..."

"por que isso aconteceu?"

"qual opção você escolheria?"

Isso pode representar contexto cognitivo muito mais explícito.

Não devemos concluir daí que provedores estejam oferecendo conversas privadas para terceiros. Estamos construindo um modelo hipotético de ameaça.

Mas defensivamente precisamos perguntar:

Qual seria o impacto se determinado corpus conversacional fosse indevidamente exposto?

Essa pergunta basta.


🎭 Moriarty não quer apenas saber o que aconteceu

Nosso professor do crime imaginário está interessado também em:

incerteza.

Considere:

“Não sei se devemos migrar X para Y.”

Essa frase revela mais do que parece.

Ela sugere:

X existe.

Y é considerado.

há uma decisão pendente.

o autor participa da discussão.

existe incerteza.

Isso é extraordinariamente interessante para inteligência.

Não estamos observando somente uma decisão passada.

Estamos observando o espaço de possibilidades anterior à decisão.


⚖️ O advogado entra novamente na sala

Voltemos ao artigo original.

Ele argumenta que informações identificáveis de clientes merecem atenção especial e recomenda práticas como anonimização e ambientes apropriados para informações sensíveis.

Nosso Supermosaico acrescenta outra preocupação.

Um advogado pode registrar:

processo;
estratégia;
dúvidas;
hipóteses;
limites de negociação;
fragilidades percebidas;
possíveis argumentos.

Novamente, isso não significa que a contraparte consiga simplesmente acessar essas conversas.

Não consegue.

Seria necessário algum evento adicional de exposição, comprometimento ou falha de governança.

Mas o impacto potencial do corpus merece entrar no threat model.


⚔️ A assimetria computacional

Imagine:

ZÉ DA SILVA
     │
advogado pequeno
notebook
tempo limitado
     │
     VS
     │
MEGACORP S/A
     │
equipe jurídica
especialistas
bases jurídicas
engenharia
automação
análise documental
IA

IA pode democratizar recursos antes inacessíveis ao pequeno advogado.

Isso é excelente.

Mas também pode industrializar capacidades de grandes organizações.

Temos duas forças simultâneas:

IA → DEMOCRATIZAÇÃO

IA → CONCENTRAÇÃO

Qual vencerá?

Provavelmente dependerá de acesso, custo, regulação, educação e governança.


🛡️ Como derrotar Moriarty sem abandonar IA

A resposta não é:

“Proibam tudo!”

Isso desperdiçaria uma tecnologia extraordinariamente útil.

O próprio artigo que iniciou nossa reflexão defende uma abordagem de governança em vez da simples interrupção do uso da IA.

Precisamos tornar Moriarty caro.

1. Separar identidades

PESSOAL ≠ PROFISSIONAL

2. Separar clientes

CLIENTE A ≠ CLIENTE B

3. Separar projetos

Não criar desnecessariamente um Supermosaico.

4. Minimizar

Pergunte:

“A IA realmente precisa saber isso?”

5. Sanitizar

Troque:

BANCO-REAL-XYZ

por:

CLIENTE-A

quando o detalhe real não for necessário.

6. Remover segredos

Tokens, credenciais, dados pessoais, dumps completos e informações confidenciais não devem passear livremente por prompts.

7. Governar retenção

A organização precisa saber onde conversas corporativas ficam e qual é seu ciclo de vida.

8. Governar consultores

A política precisa alcançar terceiros adequadamente, não somente empregados.

9. Pensar cumulativamente

Pergunte não apenas:

“Este prompt é perigoso?”

mas:

“O que cem prompts como este revelariam?”

10. Modelar Knowledge Privilege

Identifique não apenas quem possui grandes permissões.

Identifique funções que possuem enorme contexto institucional.


🔬 Um Red Team diferente

Podemos testar tudo isso sem atacar ninguém.

Crie uma empresa fictícia.

Um banco chamado:

BANCO MORIARTY S/A

Crie:

Carlos — N3 CICS
Maria — DBA
João — arquiteto
Ana — consultora
Watson — segurança

Produza informações sintéticas.

Simule um ano de prompts permitidos.

Depois entregue somente esse corpus para outro time autorizado e pergunte:

“O que vocês conseguem reconstruir sobre nossa empresa fictícia?”

Arquitetura?

Dependências?

Pessoas?

Sistemas críticos?

Cronologia?

Regras de negócio?

Tecnologias?

Incidentes?

Se o resultado for surpreendentemente detalhado, encontramos uma deficiência de governança sem comprometer uma única empresa real.

Esse seria um belíssimo exercício de Red Team de conhecimento.


🕒 03:17 — O incidente

Às 03:17 da madrugada, o telefone toca.

Produção está normal.

Nenhum dataset foi copiado.

Nenhum usuário RACF utilizou SPECIAL.

Nenhum arquivo de 40 GB saiu pela rede.

Nenhum pendrive apareceu.

Nenhum source foi publicado.

Nenhum alarme tradicional disparou.

Watson olha para Moriarty:

“Então não houve incidente?”

Moriarty toma tranquilamente seu café.

“Meu caro Watson... você ainda está procurando o arquivo.”

Sobre a mesa existem 12.847 pequenas tesselas.

Uma transação aqui.

Uma regra ali.

Um incidente acolá.

Uma decisão arquitetural.

Uma dependência.

Um fornecedor.

Uma exceção.

Uma dúvida.

Uma história de vinte anos resumida por alguém em cinco linhas.

Watson começa a juntar as pedras.

A figura aparece.

Não existe MEGACORP-SECRETS.ZIP.

Nunca existiu.

Existe algo potencialmente muito mais interessante:

conhecimento.


☕ A última lição do Dr. Moriarty

Durante décadas construímos excelentes mecanismos para responder:

Quem pode acessar este dado?

RACF responde isso maravilhosamente no mainframe.

IAM responde.

PAM responde.

ACL responde.

MFA ajuda.

Zero Trust ajuda.

DLP ajuda.

Mas IA nos obriga a acrescentar novas perguntas:

Quem pode externalizar esse conhecimento?

Quanto contexto pode ser acumulado ao longo do tempo?

Que informação aparentemente inocente se torna sensível quando correlacionada?

Onde termina experiência profissional e começa memória corporativa portátil?

O que acontece com o corpus depois que o funcionário ou consultor deixa a organização?

Qual é o blast radius do comprometimento de uma identidade que possui anos de conversas profissionais?

E principalmente:

Estamos protegendo somente aquilo que nossos funcionários acessam ou também os lugares onde eles passaram a registrar aquilo que sabem?

Essa talvez seja uma das grandes discussões de segurança da era da Inteligência Artificial.

Não significa abandonar IA.

Significa amadurecer sua utilização.

O profissional que pergunta corretamente para uma IA pode produzir em minutos algo que anteriormente consumiria horas.

Isso é fantástico.

Mas justamente por querermos respostas melhores somos incentivados a fornecer mais contexto.

E contexto é conhecimento.

Conhecimento acumulado cria mosaicos.

Mosaicos correlacionados criam Supermosaicos.

Portanto, sob a tutela do Dr. Moriarty, terminamos com uma regra simples:

O maior segredo talvez não esteja em nenhuma tessela. O segredo pode ser a imagem que aparece quando alguém consegue juntar tesselas suficientes.

E Sherlock Holmes provavelmente acrescentaria:

“Proteja as pedras, Watson.”

Moriarty sorriria.

“Não. Proteja as relações entre elas.”

Bellacosa Mainframe — onde até um simples prompt pode acabar virando uma tessela no mosaico.

sábado, 5 de setembro de 2026

O Barão de Münchhausen Entra no CPD — Da Estatística à GenAI, sem precisar cavalgar uma bala de canhão

 

Bellacosa Mainframe apresenta Data Analytics

☕ Um Café no Bellacosa Mainframe

O Barão de Münchhausen Entra no CPD — Da Estatística à GenAI, sem precisar cavalgar uma bala de canhão

Ou: como Estatística, Pesquisa Operacional, Tukey, Codd, Data Warehousing, Analytics, Big Data, Data Science, Machine Learning e IA Generativa acabaram encontrando COBOL dentro do IBM Z — e por que o programador que entende os dados tem uma vantagem que nenhum dashboard consegue inventar


Prólogo — O Barão chegou ao CPD montado numa distribuição normal

Conta o Barão de Münchhausen que certa manhã atravessou uma distribuição normal montado numa média aritmética, saltou sobre três outliers, amarrou seu cavalo numa mediana e chegou ao CPD exatamente no momento em que um batch COBOL terminava de processar alguns milhões de transações.

Naturalmente, não devemos acreditar em tudo.

A parte da distribuição normal é discutível.

A parte dos milhões de transações, nem tanto.

Quem trabalha com mainframe convive diariamente com quantidades gigantescas de dados: pagamentos, cartões, seguros, contas bancárias, pedidos, estoques, reservas, faturamento, logística, transações governamentais e inúmeras outras atividades.

Durante décadas aprendemos a fazer esses sistemas funcionarem.

Agora existe uma pergunta adicional:

O que podemos aprender com os dados que esses sistemas produzem?

É aí que começa nossa viagem pelo Data Analytics.

E nosso guia será justamente o homem conhecido por contar algumas das histórias mais improváveis da literatura.

Isso será conveniente porque existe uma regra importante em análise de dados:

Se uma história parece extraordinária, procure os dados antes de acreditar nela.



1. Afinal, o que é Data Analytics?

Podemos traduzir Data Analytics como Análise de Dados.

Mas simplesmente dizer isso esconde boa parte da história.

Data Analytics é um conjunto de processos, técnicas e ferramentas utilizados para transformar dados em informações capazes de ajudar pessoas e organizações a compreender acontecimentos e tomar decisões.

Podemos representar isso assim:

DADOS
  ↓
PREPARAÇÃO
  ↓
ANÁLISE
  ↓
PADRÕES
  ↓
INSIGHTS
  ↓
COMUNICAÇÃO
  ↓
DECISÃO

Observe algo importante.

O objetivo final não é criar um gráfico.

Também não é executar Python.

Muito menos instalar alguma ferramenta milagrosa com IA.

O objetivo é tomar decisões melhores com base em evidências.

Imagine um banco processando milhões de transações.

O sistema pode saber que:

CLIENTE = 837291
VALOR   = 9800
HORA    = 03:17
CANAL   = WEB

Esses são dados.

Mas Data Analytics começa quando perguntamos:

Esse valor é normal para esse cliente?

Ele costuma comprar às três da manhã?

Esse canal é habitual?

Houve outras compras semelhantes?

O endereço IP está relacionado à localização normalmente utilizada?

Agora os dados começaram a contar uma história.



2. “Mas quem inventou Data Analytics?”

O Barão imediatamente levanta a mão:

— Fui eu! Em 1783, durante uma viagem à Lua...

Não, Barão.

Pode abaixar a mão.

Não existe uma única pessoa reconhecida como inventora do Data Analytics.

Também não encontramos um inventor específico para a expressão Introduction to Data Analytics.

Esse é simplesmente um título descritivo usado para cursos introdutórios sobre análise de dados.

A história intelectual do Data Analytics é muito mais interessante porque várias disciplinas contribuíram para sua formação.

Uma árvore bastante simplificada seria:

ESTATÍSTICA
   │
   ├── Pesquisa Operacional
   │
   ├── Análise de Dados
   │      └── John Tukey — 1962
   │
   ├── Bancos de Dados
   │      └── Edgar F. Codd — década de 1970
   │
   ├── Decision Support Systems
   │
   ├── Data Warehousing / BI
   │
   ├── Analytics
   │      └── Thomas Davenport — 2006
   │
   ├── Big Data
   │
   ├── Data Science
   │
   └── Machine Learning / GenAI

Essa árvore não deve ser interpretada como uma genealogia rígida na qual uma tecnologia simplesmente substitui a anterior.

É melhor enxergá-la como uma acumulação de conhecimentos.

Estatística continua existindo.

SQL continua existindo.

Data Warehouse continua existindo.

Machine Learning não tornou regressão inútil.

IA generativa não tornou bancos de dados obsoletos.

E, para surpresa de algumas apresentações corporativas...

COBOL também continua aqui.



3. A raiz: Estatística

Antes de existir computador, já existia a necessidade de analisar números.

Populações, comércio, agricultura, astronomia, seguros, economia e administração pública produziram problemas que exigiam métodos quantitativos.

Daí se desenvolveram conceitos fundamentais como:

  • média;

  • mediana;

  • moda;

  • variância;

  • desvio padrão;

  • distribuição;

  • probabilidade;

  • correlação;

  • regressão.

Para o programador COBOL, alguns desses conceitos parecem muito mais familiares quando saem do livro de estatística.

Imagine tempos de resposta:

0,31
0,29
0,30
0,32
0,31
0,30
2,87

Existe alguma coisa estranha ali.

O 2,87 merece investigação.

Chamamos valores muito afastados do comportamento esperado de outliers.

O Barão naturalmente garante que o tempo de resposta de 2,87 segundos ocorreu porque um cavalo ficou preso no canal ESCON.

A equipe de produção prefere consultar os logs.


4. Média não conta toda a história

Imagine cinco transações:

100
105
110
115
10.000

A média é:

(100 + 105 + 110 + 115 + 10000) / 5
= 2086

Mas quatro das cinco transações estão perto de 100.

Por isso precisamos conhecer também mediana e dispersão.

A mediana seria:

110

Muito mais representativa do comportamento central daquele pequeno conjunto.

A dispersão, por sua vez, ajuda a entender quanto os valores se afastam uns dos outros.

Essa é uma lição fundamental para analytics:

Um único número raramente explica um sistema complexo.

É igualmente verdadeira para performance de mainframe.

Dizer:

“O response time médio é 300 ms.”

pode esconder períodos de 50 ms e outros de 5 segundos.

Por isso média, percentis, distribuição e dispersão importam.


5. Pesquisa Operacional entra no CPD

Outra contribuição importante veio da Pesquisa Operacional.

Ela utiliza modelos matemáticos para encontrar melhores decisões diante de restrições.

Imagine:

recursos limitados
+
múltiplas alternativas
+
objetivos
+
restrições

Isso aparece em logística, produção, transporte, escalonamento e planejamento.

Para quem conhece mainframe, a ideia não deveria parecer alienígena.

Um ambiente computacional também possui:

CPU
Memória
I/O
Prioridades
Workloads
SLAs
Janelas batch

E precisamos decidir como utilizar recursos limitados da melhor maneira possível.

O WLM provavelmente cumprimentaria a Pesquisa Operacional com bastante respeito.


6. John Tukey e a Análise de Dados

Em 1962, o estatístico John Tukey publicou o influente trabalho The Future of Data Analysis.

Tukey ajudou a fortalecer a ideia de que analisar dados era uma atividade intelectual própria, não simplesmente uma aplicação mecânica da estatística.

Posteriormente, seu trabalho sobre Exploratory Data Analysis — EDA tornou-se particularmente importante.

A ideia é poderosa:

Antes de tentar provar alguma coisa, explore os dados.

Observe.

Visualize.

Procure padrões.

Procure inconsistências.

Faça perguntas.

Para um programador COBOL, podemos traduzir:

Antes de alterar o programa porque alguém disse que “o sistema está lento”, investigue.


7. Edgar F. Codd aparece carregando tabelas

Chegamos aos anos 1970.

Entra em nossa história Edgar F. Codd, pesquisador da IBM.

Codd apresentou o modelo relacional para bancos de dados.

Essa contribuição transformaria profundamente a maneira como sistemas armazenam e consultam informações.

Em vez de pensar somente em estruturas físicas, passamos a trabalhar conceitualmente com:

TABELAS
LINHAS
COLUNAS
CHAVES
RELACIONAMENTOS

E desse universo emergiria SQL.

Para o programador COBOL:

EXEC SQL
   SELECT SALDO
     INTO :WS-SALDO
     FROM CONTA
    WHERE CONTA_ID = :WS-CONTA-ID
END-EXEC.

Parece cotidiano.

Mas existe uma enorme história da computação escondida atrás desse SELECT.


8. Decision Support Systems

À medida que empresas armazenavam mais informações, surgiu outra necessidade:

usar computadores não apenas para executar operações, mas também para ajudar pessoas a decidir.

Daí crescem os Decision Support Systems — DSS.

O sistema transacional responde:

“A venda aconteceu?”

O sistema de apoio à decisão pode perguntar:

“Por que as vendas caíram?”

Perceba a mudança.

OLTP → executar o negócio

Analytics → compreender o negócio

Naturalmente os dois mundos podem se alimentar.


9. Data Warehouse e Business Intelligence

Empresas possuíam dados espalhados em diversos sistemas.

Então apareceu outro problema:

Como juntar tudo isso para análise?

Entram Data Warehouses, Data Marts, processos ETL e ferramentas de Business Intelligence.

ETL significa:

Extract
Transform
Load

Ou:

Extrair
Transformar
Carregar

Quem trabalha com mainframe talvez esteja pensando:

“Nós fazemos coisas parecidas há décadas.”

E não está totalmente errado.

Arquivos são extraídos, classificados, combinados, transformados e carregados desde muito antes de o termo data pipeline virar moda.

DFSORT poderia escrever memórias bastante interessantes sobre isso.


10. Data Wrangling — o faxineiro que salva o projeto

Dados reais são bagunçados.

Encontramos:

campos vazios
duplicidades
datas incompatíveis
valores inválidos
espaços
códigos antigos
unidades diferentes
registros incompletos

Data Wrangling é o processo de transformar esse material em algo apropriado para análise.

Um fluxo típico inclui:

Discovery
   ↓
Transformation
   ↓
Validation
   ↓
Publishing

Isso pode envolver:

  • joins;

  • unions;

  • normalização;

  • limpeza;

  • enriquecimento;

  • validação.

Aqui existe uma regra que merece ser escrita na parede do CPD:

IA aplicada sobre dado ruim produz erro tecnologicamente sofisticado.

Ou, na versão tradicional:

Garbage In, Garbage Out.

O Barão prefere:

Garbage In, história extraordinária Out.


11. Analytics chega à sala da diretoria

Em 2006, Thomas H. Davenport publicou na Harvard Business Review o artigo Competing on Analytics.

Ele ajudou a popularizar a utilização de analytics como instrumento de vantagem competitiva.

A pergunta empresarial deixa de ser apenas:

“Quanto vendemos?”

e passa a incluir:

Quem compra?

Quando compra?

Por que compra?

Quem provavelmente deixará de comprar?

Onde existe fraude?

O que provavelmente acontecerá depois?

Os dados começam a participar diretamente da estratégia empresarial.


12. Big Data — quando o dataset comeu demais

Depois veio a explosão de dados.

Web.

Smartphones.

Sensores.

Logs.

Redes sociais.

Streaming.

IoT.

Transações digitais.

Passamos a falar dos famosos Vs do Big Data.

Entre eles:

Volume — quantidade.

Velocity — velocidade.

Variety — variedade.

Veracity — confiabilidade.

Tecnologias distribuídas como Hadoop e Spark ganharam destaque nesse cenário.

Mas existe uma curiosidade importante para nós.

Enquanto o mundo descobria que havia dados demais...

o mainframe provavelmente respondeu:

“Interessante. Conte-me mais.”


13. Data Science

Data Science combina conhecimentos de várias áreas:

Estatística
+
Computação
+
Conhecimento do domínio
+
Métodos analíticos

Isso explica uma coisa importantíssima.

O melhor profissional não é necessariamente aquele que conhece mais bibliotecas Python.

Conhecimento do domínio importa enormemente.

E é aí que um desenvolvedor COBOL experiente possui uma vantagem.

Ele talvez conheça:

cliente
conta
apólice
pedido
pagamento
fatura
liquidação
compensação
estoque

Não apenas como colunas.

Mas como processos reais do negócio.


14. Machine Learning

Machine Learning leva a análise adiante permitindo que modelos aprendam padrões a partir dos dados.

Algumas tarefas clássicas incluem:

Classificação

Determinar uma categoria.

TRANSAÇÃO
   ↓
LEGÍTIMA
ou
SUSPEITA

Clustering

Agrupar elementos semelhantes sem necessariamente possuir classes previamente definidas.

clientes
   ↓
grupo A
grupo B
grupo C

Regressão

Investigar relações entre variáveis e produzir estimativas.

Detecção de anomalias

Encontrar comportamentos incomuns.

E essa última nos leva diretamente ao exemplo do curso.


15. O ladrão roubou o cartão — ou talvez apenas as credenciais

Imagine um cliente que normalmente:

faz 3 compras por semana
gasta aproximadamente R$ 150
compra em São Paulo
utiliza dispositivos conhecidos

De repente:

12 compras
4 minutos
valores elevados
IP incomum
localização diferente
nova preferência de entrega

Nenhum desses elementos isoladamente prova fraude.

Mas juntos formam um comportamento digno de investigação.

Esse é um excelente exemplo de detecção de anomalias.

O processo seria aproximadamente:

1. Definir o problema
        ↓
2. Identificar os dados necessários
        ↓
3. Coletar
        ↓
4. Limpar
        ↓
5. Transformar
        ↓
6. Analisar
        ↓
7. Detectar padrões/anomalias
        ↓
8. Visualizar
        ↓
9. Comunicar
        ↓
10. Decidir

Esse é o coração do Data Analytics.



16. Visualização — porque ninguém quer interpretar 800 mil linhas

Imagine entrar numa reunião executiva e dizer:

— Descobri o problema. Aqui estão 4,7 milhões de registros CSV.

Você provavelmente não será convidado novamente.

Visualização transforma dados em representações compreensíveis.

Podemos utilizar:

  • gráficos de barras;

  • linhas;

  • histogramas;

  • scatter plots;

  • mapas;

  • dashboards.

Um gráfico pode revelar em segundos algo escondido em milhões de registros.

Mas cuidado:

visualização não substitui análise.

Um gráfico bonito com dados incorretos continua incorreto.

Só ficou mais convincente.


17. Storytelling — o momento Münchhausen

Finalmente chegamos ao território favorito do Barão.

Contar histórias.

Mas agora precisamos fazer exatamente o contrário do nosso guia.

Nada de exageros.

Nada de inventar.

Nada de cavalgar balas de canhão.

Data Storytelling significa comunicar uma conclusão apoiada por evidências.

Uma boa narrativa pode seguir:

CONTEXTO
   ↓
PROBLEMA
   ↓
EVIDÊNCIA
   ↓
DESCOBERTA
   ↓
IMPACTO
   ↓
RECOMENDAÇÃO

Em vez de dizer:

“CPU aumentou.”

Podemos dizer:

“Após o crescimento de 38% do volume transacional entre 10h e 11h, observamos aumento consistente no consumo de CPU acompanhado por crescimento do response time. A análise indica concentração no workload X e recomenda investigação das transações Y.”

Agora existe história.

Existe contexto.

Existe decisão possível.


18. E então apareceu a IA Generativa

Chegamos ao capítulo mais recente.

LLMs e IA generativa conseguem:

  • resumir informações;

  • gerar consultas;

  • auxiliar análise;

  • explicar padrões;

  • produzir código;

  • ajudar na documentação;

  • apoiar visualizações;

  • conversar com bases de conhecimento.

Mas existe um detalhe delicioso.

IA precisa de dados.

Dados precisam de:

qualidade
contexto
governança
segurança
interpretação

Portanto nossa árvore não desapareceu.

Ela ficou maior.

Estatística
     ↓
Data Analysis
     ↓
Databases
     ↓
BI
     ↓
Analytics
     ↓
Big Data
     ↓
Data Science
     ↓
Machine Learning
     ↓
GenAI

Cada camada carrega ideias das anteriores.



19. O IBM Z estava no porão o tempo inteiro

Agora olhamos para o mainframe.

Ali encontramos:

COBOL
CICS
IMS
Db2
VSAM
JES2
SMF
RMF
MQ
APIs

E atrás dessas tecnologias existem dados.

Muitos dados.

Transacionais.

Operacionais.

Financeiros.

Históricos.

De performance.

De segurança.

O mainframe não é apenas uma máquina executando programas COBOL.

É também uma das maiores fontes de informação empresarial de alto valor.


20. Por que um desenvolvedor COBOL deveria aprender tudo isso?

Porque o trabalho está mudando.

Não significa abandonar:

COBOL
JCL
CICS
Db2
VSAM

Significa acrescentar:

SQL avançado
Estatística
Data Analytics
Visualização
Python
IA

Um desenvolvedor tradicional pode perguntar:

“Onde esse campo é atualizado?”

Um profissional com mentalidade analítica também pergunta:

“O que podemos descobrir analisando dez anos desse campo?”

Essa segunda pergunta abre um universo novo.



21. Um laboratório Bellacosa

Quer começar sem instalar um cluster Hadoop no quintal?

Pegue um conjunto de dados simples.

Pode ser:

DATA
HORÁRIO
TRANSAÇÃO
VALOR
CPU
RESPONSE_TIME
STATUS

Passo 1 — explore

Quantos registros existem?

Quais campos?

Há valores faltantes?

Passo 2 — limpe

Remova duplicidades.

Padronize datas.

Verifique valores inválidos.

Passo 3 — calcule

Descubra:

média
mediana
mínimo
máximo
desvio

Passo 4 — procure outliers

Quais transações fogem do comportamento esperado?

Passo 5 — relacione variáveis

Por exemplo:

volume × CPU
volume × response time
CPU × response time

Passo 6 — visualize

Crie um gráfico temporal.

Passo 7 — conte a história

Não diga apenas:

“Existe um pico.”

Explique:

quando ocorreu;

qual foi sua magnitude;

quais variáveis mudaram;

quais workloads foram afetados;

qual hipótese merece investigação.

Parabéns.

Você acabou de sair de:

“olhar relatório”

para:

“fazer análise de dados”.


22. Easter egg — o Barão encontra um outlier

No final da visita, Münchhausen olha para nosso dataset.

TEMPO_RESPOSTA

0.28
0.31
0.30
0.29
0.32
47.81
0.30

Ele aponta imediatamente para 47.81.

— Conheço esse número! Foi exatamente o tempo que levei para escapar de um pântano puxando a mim mesmo pelos cabelos!

O analista consulta SMF.

O DBA consulta Db2.

O sysprog consulta RMF.

O desenvolvedor abre os logs.

Descobrem uma contenção.

O Barão parece decepcionado.

Mas acabamos de aprender uma última lição:

Um outlier começa uma investigação. Ele não termina uma investigação.


Epílogo — Não abandone o canhão; aprenda balística

Existe uma tentação recorrente na tecnologia de anunciar que cada novidade matou tudo o que existia antes.

Cloud matou mainframe.

Java matou COBOL.

NoSQL matou SQL.

Big Data matou Data Warehouse.

Machine Learning matou estatística.

IA matou programação.

Enquanto isso, no mundo real, todas essas tecnologias continuam convivendo.

O profissional valioso não é necessariamente aquele que corre atrás de cada buzzword.

É aquele que consegue entender como as peças se conectam.

Para o desenvolvedor COBOL, Data Analytics oferece justamente essa oportunidade.

Você já conhece sistemas que produzem dados críticos.

Conhece transações.

Conhece regras de negócio.

Conhece exceções.

Conhece processamento batch.

Conhece online.

Conhece bancos de dados.

Conhece o estranho campo WS-FLAG-X9 que ninguém documentou desde 1997.

Agora acrescente:

estatística.

análise.

visualização.

storytelling.

Machine Learning.

IA.

E talvez você descubra que não precisa abandonar 30 anos de experiência para entrar no futuro.

Pode fazer algo muito mais inteligente:

colocar o futuro em cima desses 30 anos.

Nossa árvore, afinal, não cresce destruindo suas raízes.

Ela cresce justamente porque possui raízes.

                    GenAI
                      ▲
              Machine Learning
                      ▲
                Data Science
                      ▲
                  Big Data
                      ▲
                 Analytics
                      ▲
             Data Warehouse / BI
                      ▲
                    DSS
                      ▲
                Databases
                      ▲
               Data Analysis
                      ▲
           Pesquisa Operacional
                      ▲
                 Estatística

                     │
                     │
               DADOS REAIS
                     │
              ┌──────┴──────┐
            COBOL          CICS
              │              │
             Db2            IMS
              │              │
            VSAM           MQ/API
              └──────┬───────┘
                     │
                   IBM Z

O Barão de Münchhausen sobe novamente em seu cavalo.

Olha para o IBM Z.

Olha para nosso dashboard.

Olha para a IA.

E antes de cavalgar rumo ao próximo absurdo tecnológico, deixa um conselho surpreendentemente sensato:

“Meu caro programador: eu posso inventar histórias porque sou o Barão. Você, quando trabalhar com dados, precisa provar as suas.”

Bellacosa Mainframe

Do cartão perfurado à Inteligência Artificial, os dados sempre tiveram uma história para contar. Nossa profissão é aprender a ouvi-la.

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...
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...