GANHOU ACESSO AO TERMINAL: MOLTBOT, A IA QUE QUER VIRAR OPERADOR DO SEU COMPUTADOR

 

Bellacosa Mainframe e o Moltbot a ia operadora do seu pc

☕💣 O DIA EM QUE O CHATBOT GANHOU ACESSO AO TERMINAL: MOLTBOT, A IA QUE QUER VIRAR OPERADOR DO SEU COMPUTADOR

Imagine que alguém pegasse o ChatGPT, misturasse com um operador de produção, um scheduler de jobs, um assistente pessoal, um robô de automação e ainda desse acesso a arquivos, navegador, e-mail e terminal.

O resultado seria algo muito próximo do Moltbot.

E é justamente por isso que ele virou um dos projetos de IA mais comentados dos últimos tempos.

Enquanto a maioria das IAs responde perguntas e espera a próxima instrução, o Moltbot foi criado para executar tarefas reais, lembrar contexto e atuar continuamente como um assistente pessoal residente.

---

🦞 A Origem do Moltbot

Antes de se chamar Moltbot, o projeto era conhecido como Clawdbot.

O criador, Peter Steinberger, desenvolveu a ferramenta para resolver um problema simples:

"Por que preciso ficar copiando e colando informações entre dezenas de aplicações se uma IA poderia fazer isso por mim?"

O projeto cresceu rapidamente na comunidade de desenvolvedores e ganhou milhares de usuários.

Em janeiro de 2026, o nome foi alterado para Moltbot após questões relacionadas à marca "Claude". O projeto manteve a filosofia original e continuou evoluindo como uma plataforma open source para automação pessoal baseada em IA.

---

🤔 O Que é o Moltbot?

No estilo Bellacosa Mainframe:

Imagine um operador de mainframe que:

• lê e-mails

• consulta documentação

• responde mensagens

• executa scripts

• monitora tarefas

• agenda compromissos

• lembra conversas anteriores

Tudo isso sem dormir.

Esse é o conceito do Moltbot.

Ele funciona como um agente de IA capaz de interagir com diversos serviços e executar ações em seu nome.

---

🌐 Site Oficial

Para conhecer o projeto:

Moltbot Oficial

Documentação:

Documentação Moltbot

Código-fonte:

GitHub Moltbot

Informações gerais:

MoltBot AI Chat

---

⚙️ Como Funciona

O fluxo é relativamente simples:

Usuário
   ↓
WhatsApp / Telegram / Discord
   ↓
Moltbot
   ↓
Modelo de IA
   ↓
Ferramentas
   ↓
Ação executada

Exemplo:

Você envia:

"Verifique meus compromissos amanhã."

O Moltbot:

1. consulta calendário

2. interpreta eventos

3. monta resumo

4. responde automaticamente

Tudo em uma única interação.

---

💻 Instalação no Windows

Passo 1 — Instalar Git

Baixe:

Git SCM

Verifique:

git --version

---

Passo 2 — Instalar Node.js

Baixe:

Node.js Oficial

Verifique:

node -v
npm -v

---

Passo 3 — Clonar o Projeto

git clone https://github.com/moltbot/moltbot.git

---

Passo 4 — Instalar Dependências

npm install

ou

pnpm install

---

Passo 5 — Configurar Modelo de IA

O Moltbot suporta diversos provedores:

• OpenAI

• Anthropic

• Gemini

• Ollama

• Modelos locais

Dependendo da configuração escolhida.

---

Passo 6 — Configurar Integrações

O projeto suporta dezenas de integrações:

• WhatsApp

• Telegram

• Discord

• Slack

• Signal

• Teams

• Gmail

• GitHub

• Notion

e muitas outras.

---

🚀 Primeiros Testes

Após iniciar o serviço:

Experimente comandos simples:

Qual minha agenda hoje?

Resuma meus e-mails.

Monitore este site.

Crie um lembrete para amanhã.

---

☕ Moltbot Explicado Para Mainframeiros

Se você trabalha com z/OS, pense assim:

Mainframe	Moltbot
JES2	Scheduler
Operador	Agente
JCL	Workflow
SDSF	Monitoramento
Automation Tools	Skills
Batch	Automação

O conceito é muito parecido.

A diferença é que o ambiente é moderno e orientado a IA.

---

🎯 Dicas e Truques

1. Comece Pequeno

Não dê acesso total logo no primeiro dia.

Primeiro:

• agenda

• tarefas

• consultas

Depois amplie permissões.

---

2. Use Contas de Teste

Especialmente para:

• e-mail

• mensageria

• APIs

---

3. Crie Skills Específicas

Exemplo:

Consultar status de jobs.

Monitorar fila MQ.

Consultar JES2.

---

4. Utilize Memória Persistente

Uma das características mais interessantes é a capacidade de lembrar preferências e contexto ao longo do tempo.

---

🔐 Boas Práticas de Segurança

Aqui está o ponto mais importante.

O Moltbot pode executar ações reais.

Isso significa:

• ler arquivos

• acessar serviços

• executar comandos

dependendo das permissões concedidas.

Por isso:

✅ Use ambientes isolados

✅ Revise permissões

✅ Proteja credenciais

✅ Limite acessos

✅ Monitore logs

---

⚠️ Curiosidade

O maior elogio e a maior crítica ao Moltbot são exatamente a mesma coisa:

"Ele realmente faz coisas."

Enquanto chatbots tradicionais apenas respondem, o Moltbot pode agir em nome do usuário. Isso o torna extremamente poderoso, mas também exige mais responsabilidade na configuração e operação.

---

💣 O Que Mais Impressiona?

Para mim, o aspecto mais interessante é que ele lembra uma tendência antiga do mundo corporativo:

Automação.

Durante décadas automatizamos jobs, rotinas batch, transferências de arquivos, operações e monitoramento.

O Moltbot leva essa mesma ideia para a era da IA.

Não é apenas um chatbot.

É uma tentativa de criar um operador digital que trabalha continuamente ao seu lado.

---

☕ Conclusão

O Moltbot representa uma mudança importante no universo da Inteligência Artificial.

Ele sai do modelo tradicional de perguntas e respostas e entra no território dos agentes autônomos.

Ainda exige maturidade, configuração cuidadosa e atenção à segurança.

Mas mostra claramente para onde o mercado está caminhando:

Da IA que conversa...

Para a IA que executa.

E para nós, veteranos de mainframe, isso soa familiar.

Afinal, há décadas aprendemos que o verdadeiro valor não está em mostrar uma tela bonita.

Está em automatizar o trabalho sem gerar um ABEND no meio do caminho.

☕💣 Porque nem todo problema precisa virar um ABEND.

🚀 Projeto GitHub

Usando IA Como Copiloto Para Criar Novas Features

Aprenda a utilizar IA Generativa como copiloto de desenvolvimento através dos modos PLAN, AGENT, ASK e STUDY para acelerar projetos, arquitetura, aprendizado e produtividade.

$ copiloto --mode PLAN
✓ Arquitetura criada

$ copiloto --mode AGENT
✓ Feature implementada

$ copiloto --mode ASK
✓ Diagnóstico concluído

$ copiloto --mode STUDY
✓ Conhecimento adquirido

📂 Abrir Projeto ⭐ Follow Me

Likes: 0

 

Bellacosa Mainframe o terminal acabou de ganhar consciencia

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

A Evolução da IA Generativa Explicada para um Desenvolvedor COBOL

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

Você viu:

• Cartões perfurados virarem JCL.

• Terminais 3270 substituírem processos manuais.

• CICS revolucionar o processamento online.

• DB2 transformar o armazenamento corporativo.

• Internet chegar ao mundo mainframe.

• APIs REST invadirem ambientes z/OS.

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

Agora estamos diante de mais uma transformação:

A Inteligência Artificial Generativa.

E talvez você esteja se perguntando:

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

A resposta é:

Muito mais do que parece.

---

A História Começou Muito Antes do ChatGPT

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

Mas a história começou décadas atrás.

---

Década de 1950

Alan Turing propõe uma pergunta:

"As máquinas podem pensar?"

Nascia a computação moderna.

Enquanto isso, os ancestrais do mainframe já estavam surgindo.

---

Década de 1960

Pesquisadores começam a criar sistemas especialistas.

A ideia era simples:

SE condição
ENTÃO ação

Parece familiar?

Praticamente um IF COBOL.

---

Década de 1980

Surgem as primeiras redes neurais modernas.

O problema?

Faltava poder computacional.

Imagine executar um treinamento de IA num IBM 3090.

Não era impossível.

Era economicamente inviável.

---

O Mundo Mudou em Três Etapas

A IA moderna nasceu da combinação de três fatores.

---

1. Dados

Internet.

Redes sociais.

Documentos digitais.

Logs.

Vídeos.

Fotos.

PDFs.

Código-fonte.

O mundo passou a gerar dados em escala absurda.

---

2. Hardware

GPUs.

Inicialmente criadas para jogos.

Depois descobriram:

"Essas placas são excelentes para matemática paralela."

Foi um divisor de águas.

---

3. Algoritmos

A terceira peça surgiu em 2017.

Um artigo mudou tudo.

Chamava-se:

Attention Is All You Need

Ali nasceu o Transformer.

A arquitetura usada até hoje.

---

O Que é um LLM?

LLM significa:

Large Language Model

Modelo de Linguagem de Grande Escala.

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

---

Uma Analogia Mainframe

Imagine um programador COBOL com:

• 50 anos de experiência

• acesso a bilhões de livros

• milhões de programas

• milhões de manuais

Ele leu tudo.

Memorizou padrões.

Mas não decorou respostas.

Aprendeu relacionamentos.

É isso que um LLM faz.

---

Como um LLM Aprende?

Durante o treinamento ele recebe frases como:

O céu é azul.

Depois:

O céu é _____

Ele tenta prever.

azul

Acerta?

Ganha pontos.

Erra?

Ajusta os pesos internos.

Repete isso trilhões de vezes.

---

O Conceito de Tokens

Para um COBOLista, pense assim:

O computador não vê palavras.

Ele vê tokens.

Exemplo:

MAINFRAME

Pode virar:

MAIN
FRAME

ou

MAINFRAME

dependendo do modelo.

Tudo é quebrado em pedaços.

---

O Que é um Prompt?

Prompt é simplesmente a entrada.

Como um SYSIN.

Exemplo:

GERAR RELATORIO

é o equivalente moderno de:

//SYSIN DD *
GERAR RELATORIO
/*

A IA executa baseada no que você fornece.

---

A Evolução dos Prompts

No início as pessoas escreviam:

Faça uma newsletter.

Resultado ruim.

Depois descobriram:

Você é um especialista em comunicação interna.

Objetivo:
Criar uma newsletter.

Formato:
Resumo executivo
Benefícios
CTA

Resultado muito melhor.

---

O Nascimento da Engenharia de Prompt

Surge então uma nova disciplina:

Prompt Engineering.

Basicamente:

Como conversar corretamente com uma IA.

---

O Que é um Agente?

Aqui a coisa fica interessante.

Um LLM sozinho apenas responde.

Um Agente faz mais.

---

Exemplo

Você pede:

Faça um relatório de vendas.

O agente:

1. Consulta banco.

2. Busca arquivos.

3. Faz cálculos.

4. Gera gráficos.

5. Cria PDF.

Tudo sozinho.

---

Analogia Mainframe

Pense num JOB.

STEP01 EXTRAI
STEP02 ORDENA
STEP03 CALCULA
STEP04 IMPRIME

Um agente é parecido.

Só que decide sozinho qual STEP executar.

---

O Que é RAG?

Outra sigla importante.

RAG:

Retrieval Augmented Generation

---

Sem RAG:

A IA responde usando o treinamento.

---

Com RAG:

A IA consulta documentos antes de responder.

---

Imagine:

Manual CICS
Manual DB2
Normas RACF

O sistema consulta esses documentos.

Depois responde.

---

Como Instalar Seu Ambiente

Hoje existem três caminhos.

---

Caminho 1 - Usar Serviços Prontos

Mais fácil.

Exemplos:

• ChatGPT

• Claude

• Gemini

Nenhuma instalação.

---

Caminho 2 - Rodar Localmente

Você baixa um modelo.

Exemplos:

• Llama

• Mistral

• Gemma

• Qwen

Ferramentas:

• Ollama

• LM Studio

---

Instalação do Ollama

Windows:

winget install Ollama.Ollama

Linux:

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

Executar:

ollama run llama3

Pronto.

Você já possui uma IA local.

---

Caminho 3 - APIs

Modelo mais usado por empresas.

Você envia:

{
 "prompt":"Explique COBOL"
}

Recebe:

{
 "resposta":"..."
}

---

Como Funciona Internamente?

Imagine um programa COBOL.

---

Entrada:

Explique VSAM.

---

O modelo transforma isso em números.

Milhares deles.

---

Esses números passam por centenas de camadas matemáticas.

---

Cada camada calcula probabilidades.

---

No final:

VSAM é...

surge token por token.

---

Por Que Parece Inteligente?

Porque o modelo aprendeu padrões absurdamente complexos.

Mas atenção.

Ele não pensa.

Ele prevê.

---

Da mesma forma que um SORT organiza registros.

O modelo organiza probabilidades.

---

Como Evoluir Como Desenvolvedor?

Primeiro erro:

Quero criar uma IA.

Não.

Comece usando IA.

---

Fase 1

Aprenda prompts.

Exercícios:

• Resumos

• Documentação

• SQL

• COBOL

---

Fase 2

Aprenda APIs.

Exemplo:

from openai import OpenAI

---

Fase 3

Aprenda RAG.

Conecte:

• PDFs

• Manuais

• Wikis

---

Fase 4

Aprenda Agentes.

Ferramentas:

• N8N

• LangChain

• CrewAI

• OpenAI Agents

---

Fase 5

Crie Soluções Reais

Exemplos:

• Assistente JCL

• Assistente RACF

• Assistente DB2

• Gerador de documentação COBOL

• Conversor COBOL → API

---

Oportunidades para Mainframe

Pouca gente percebe.

Mas o mercado precisa desesperadamente de IA para ambientes legados.

---

Exemplo 1

Análise automática de programas COBOL.

---

Exemplo 2

Documentação automática.

---

Exemplo 3

Mapeamento de dependências.

---

Exemplo 4

Explicação de JCL.

---

Exemplo 5

Geração de testes.

---

Como Criar Sua Própria Solução

Método simples.

---

Passo 1

Escolha um problema.

Exemplo:

Explicar programas COBOL antigos.

---

Passo 2

Colete conhecimento.

Exemplo:

Manuais
Normas
Fontes COBOL

---

Passo 3

Construa um RAG.

---

Passo 4

Crie prompts.

---

Passo 5

Automatize.

Use:

• N8N

• Python

• APIs

---

O Futuro

Estamos apenas no começo.

A evolução foi:

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

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

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

---

Conclusão

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

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

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

A matéria-prima é conhecimento.

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

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

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

Bellacosa Mainframe crie um agente organizador Trello com o Python

☕💣 OPERADOR, O TRELLO ACABOU DE RECEBER ORDENS DE UM AGENTE PYTHON! — Construindo um Organizador Inteligente de Tarefas do Zero e Entendendo Como Nasce um Agente de IA

Imagine a seguinte cena.

São 2 horas da manhã.

O operador monitora dezenas de sistemas.

Há tarefas para acompanhar, chamados para abrir, solicitações para registrar, atividades para priorizar e uma equipe inteira esperando informações.

De repente surge uma pergunta:

"Por que ainda estamos criando tarefas manualmente?"

Foi exatamente essa pergunta que levou ao nascimento dos primeiros sistemas de automação, dos workflows corporativos e, mais recentemente, dos Agentes de Inteligência Artificial.

Hoje vamos construir um projeto extremamente importante para quem está entrando no universo dos agentes: um Organizador de Tarefas em Python integrado ao Trello.

Mas não vamos apenas escrever código.

Vamos entender arquitetura, dependências, APIs, tratamento de erros, segurança, evolução para IA e como tudo isso se conecta ao mundo corporativo e até ao universo Mainframe.

Pegue seu café.

O job acabou de entrar na fila.

---

O Que Estamos Construindo?

Nosso projeto será um agente capaz de:

• Conectar-se ao Trello

• Criar tarefas automaticamente

• Consultar tarefas existentes

• Mover tarefas entre listas

• Organizar fluxos de trabalho

• Servir como base para futuros agentes inteligentes

Visualmente teremos algo assim:

Python Agent
      ↓
API REST
      ↓
Trello
      ↓
Cards
      ↓
Workflow

Parece simples.

Mas essa mesma arquitetura é utilizada em:

• Jira

• ServiceNow

• Salesforce

• SAP

• Zendesk

• GitHub

• Azure DevOps

E até em plataformas de automação como N8N.

---

O Que é um Agente?

Muita gente acredita que um agente é sinônimo de IA.

Não necessariamente.

Um agente é um software que:

• Observa

• Analisa

• Decide

• Executa

Nosso primeiro agente ainda não terá inteligência artificial.

Mas ele já será capaz de agir sozinho.

Isso é exatamente o primeiro estágio da evolução.

---

O Trello Como Ambiente de Trabalho

Antes de escrever uma linha de código precisamos preparar o Trello.

Crie uma conta.

Depois crie um Board.

Exemplo:

Projeto DIO

Agora crie três listas:

To Do

Doing

Done

Quem já trabalhou com Kanban reconhecerá imediatamente o modelo.

O fluxo é simples:

Pendente
    ↓
Executando
    ↓
Concluído

---

Obtendo as Credenciais

Assim como um terminal CICS exige autenticação, a API do Trello também exige.

Você precisará obter:

• API Key

• API Token

Essas informações funcionam como usuário e senha para seu agente.

Sem elas o Trello recusará todas as solicitações.

---

Instalando o Python

Verifique a instalação:

python --version

ou

python3 --version

Resultado esperado:

Python 3.10+

Se aparecer erro:

python não é reconhecido

Significa que o Python não está instalado ou não foi adicionado ao PATH.

---

Criando o Ambiente Virtual

Uma das melhores práticas modernas.

Crie:

python -m venv venv

Ative:

Windows

venv\Scripts\activate

Linux

source venv/bin/activate

Quando ativado:

(venv)

aparecerá antes do prompt.

---

Instalando Dependências

Nosso agente precisa conversar com APIs.

Instalaremos:

pip install requests python-dotenv

Essas bibliotecas possuem funções importantes.

Requests:

Consumir APIs REST

Dotenv:

Carregar variáveis seguras

---

Estrutura do Projeto

Organização é fundamental.

Criamos:

agente_trello/

├── app.py
├── trello.py
├── view.py
├── .env
├── requirements.txt
└── README.md

Observe que estamos separando responsabilidades.

Essa é uma prática muito valorizada em ambientes corporativos.

---

O Papel do app.py

Ele funciona como o maestro.

Controla:

• Menus

• Fluxo principal

• Chamadas ao agente

Em Mainframe seria semelhante ao programa principal que coordena outros módulos.

---

O Papel do trello.py

Aqui fica toda a comunicação com a API.

Esse módulo:

• Cria Cards

• Consulta Cards

• Move Cards

• Testa conexão

Em uma analogia com COBOL:

Programa Principal
      ↓
Sub-rotina de acesso
      ↓
Banco/API

---

O Papel do view.py

Responsável pela apresentação.

Separar interface da lógica é uma prática extremamente importante.

Isso permite futuramente trocar:

Terminal

por

Web

ou

Dashboard

sem alterar a lógica do agente.

---

Variáveis de Ambiente

Nunca coloque credenciais no código.

Use:

TRELLO_KEY=
TRELLO_TOKEN=
TODO_ID=
DOING_ID=
DONE_ID=

Isso protege informações sensíveis.

É o equivalente moderno de esconder senhas em datasets protegidos por RACF.

---

Primeiro Teste

Execute:

python app.py

Escolha:

1 - Testar conexão

Se tudo estiver correto:

Conexão OK

---

Problemas Comuns

Erro 401

Unauthorized

Significa:

• Token inválido

• Chave inválida

---

Erro 404

Not Found

Significa:

• Lista inexistente

• ID incorreto

---

Erro de Importação

ModuleNotFoundError

Normalmente:

pip install requests

resolve.

---

Criando Seu Primeiro Card

Selecione:

Criar tarefa

Digite:

Estudar Agentes

O agente enviará:

{
  "name":"Estudar Agentes"
}

para o Trello.

Resultado:

Card criado

Instantaneamente.

---

Listando Tarefas

O agente consulta a API.

Recebe:

[
 {
   "name":"Estudar Python"
 }
]

e exibe:

Estudar Python

Simples.

Mas extremamente poderoso.

---

Movendo Tarefas

Imagine:

To Do

Ao iniciar:

Doing

Ao terminar:

Done

Nosso agente realiza isso automaticamente.

Na prática ele apenas altera um identificador interno do Trello.

Mas para o usuário parece mágica.

---

O Que Está Acontecendo nos Bastidores?

Quando você cria um card:

Python
   ↓
HTTP POST
   ↓
API Trello
   ↓
Banco de Dados Trello
   ↓
Resposta JSON

Isso é exatamente o mesmo conceito utilizado por:

• APIs bancárias

• APIs governamentais

• APIs corporativas

---

Transformando em um Agente Inteligente

Agora vem a parte interessante.

Suponha que uma tarefa seja criada:

Sistema parado em produção

Uma IA pode analisar.

Resultado:

Prioridade Alta

O agente decide:

Mover para Urgente

sem intervenção humana.

Nesse momento ele deixa de ser apenas automação.

Passa a tomar decisões.

---

Integrando OpenAI

Exemplo conceitual:

prioridade = analisar_tarefa(descricao)

Resposta:

ALTA

O agente pode então:

if prioridade == "ALTA":
    mover_para_urgente()

Agora temos comportamento inteligente.

---

Integrando Ollama

Nem sempre você quer depender da nuvem.

Com Ollama é possível executar modelos locais.

Exemplos:

• Llama

• DeepSeek

• Mistral

Tudo rodando em sua máquina.

---

Integração com N8N

Imagine:

Novo E-mail
       ↓
Webhook
       ↓
N8N
       ↓
Agente Python
       ↓
Trello

Nenhum ser humano participa.

O processo inteiro acontece sozinho.

---

E o Mainframe?

Agora vem a parte favorita do Bellacosa.

Imagine um JOB.

BILLJOB

executa.

O agente monitora o JES2.

Detecta:

ABEND S0C7

Automaticamente:

Lê SYSOUT

Depois:

Cria Card Trello

Em seguida:

Notifica equipe

E finalmente:

Abre incidente

Tudo sozinho.

Percebe o potencial?

---

O Caminho da Evolução

Nível 1:

Script

Nível 2:

Automação

Nível 3:

Workflow

Nível 4:

Agente

Nível 5:

Multiagentes

É exatamente essa trilha que está sendo seguida pela indústria.

---

Conclusão

Muitos enxergam esse projeto apenas como um exercício simples da DIO.

Mas ele é muito mais que isso.

Você está aprendendo:

• Python

• APIs REST

• Integração entre sistemas

• Variáveis de ambiente

• Automação

• Arquitetura de agentes

• Fundamentos de IA

• Boas práticas corporativas

O Organizador de Tarefas é apenas o começo.

A mesma arquitetura pode evoluir para:

• Assistentes corporativos

• Agentes DevOps

• Agentes FinOps

• Agentes Mainframe

• Agentes de atendimento

• Agentes de monitoramento

E talvez, em um futuro não muito distante, você veja uma mensagem parecida com esta aparecendo no terminal:

☕💣 OPERADOR!

Detectei um problema no sistema.

Já analisei os logs.
Já consultei incidentes anteriores.
Já criei o Card no Trello.
Já notifiquei a equipe.

Deseja apenas acompanhar... ou quer que eu resolva o problema também?