 |
| Bellacosa Mainframe apresenta ai agents |
☕ Um Café no Bellacosa Mainframe
AI Agents sem Mistérios para Programadores COBOL
Quando um Programador Descobre que um LLM é Apenas o EXEC PGM... e que o Verdadeiro Sistema Inteligente é Quase um z/OS Inteiro Rodando nos Bastidores
"O computador do futuro não será aquele que responde perguntas. Será aquele que entende objetivos."
Introdução
Durante muitos anos, o mundo da Inteligência Artificial parecia incrivelmente simples.
Você fazia uma pergunta.
A IA respondia.
Fim da história.
Foi exatamente assim que milhares de pessoas conheceram ferramentas como ChatGPT, Claude, Gemini e outras.
Mas existe um detalhe que quase ninguém percebe logo no início.
Isso é apenas a superfície do iceberg.
É semelhante ao primeiro contato de um estudante com COBOL.
Ele escreve:
DISPLAY "HELLO WORLD".
STOP RUN.
Executa.
Funciona.
Ele acredita que já sabe COBOL.
Até descobrir que aquele pequeno programa roda dentro de um universo composto por JCL, JES2, WLM, RACF, VSAM, Db2, CICS, IMS, MQ, Storage, TCP/IP, Catálogos, APF, IPL, RMF, SMF e dezenas de outros componentes.
Nesse momento acontece o mesmo choque que muitos profissionais têm quando descobrem os AI Agents.
Eles percebem que um LLM não é o sistema.
É apenas uma peça.
A arquitetura verdadeira é muito maior.
Pegue seu café.
Hoje vamos fazer uma viagem pelo data center da Inteligência Artificial, utilizando exemplos que qualquer programador COBOL consegue visualizar.
Como diria o Guia do Mochileiro das Galáxias:
"Não entre em pânico."
Porque, no final deste artigo, você perceberá que AI Agents lembram muito mais um ambiente IBM Z do que um simples chatbot.
O Grande Engano
A maioria das pessoas imagina uma IA funcionando assim:
Pergunta
↓
LLM
↓
Resposta
Parece mágico.
Mas também parece extremamente limitado.
Agora imagine um banco.
Um cliente entra numa agência.
Ele pergunta:
"Qual meu saldo?"
Será que o caixa sabe?
Não.
Ele consulta dezenas de sistemas.
Da mesma forma funciona um AI Agent.
Na realidade o fluxo é parecido com isto:
Usuário
↓
Planejamento
↓
Memória
↓
Ferramentas
↓
APIs
↓
Banco de dados
↓
Execução
↓
Validação
↓
Nova decisão
↓
Resposta
Perceba uma coisa interessante.
O LLM aparece apenas uma vez.
Todo o restante do trabalho acontece ao redor dele.
O LLM é Apenas um Programa COBOL
Esta talvez seja a analogia mais importante deste artigo.
Imagine um programa COBOL.
Ele faz cálculos.
Manipula arquivos.
Atualiza banco.
Executa regras.
Mas sozinho ele não consegue:
abrir sessão
controlar segurança
acessar MQ
gerenciar memória
iniciar tarefas
distribuir carga
monitorar CPU
Quem faz isso?
O ambiente.
No IBM Z esse ambiente chama-se:
z/OS
JES2
RACF
WLM
CICS
Db2
MQ
USS
TCP/IP
No universo da IA acontece exatamente a mesma coisa.
O GPT, Claude ou Gemini são apenas o "programa COBOL".
O verdadeiro sistema inteligente é todo o restante.
Primeira Camada
Model & Intelligence Foundation
Toda construção começa pela fundação.
Na IA essa fundação é formada pelos modelos.
GPT.
Claude.
Gemini.
Llama.
Mistral.
Qwen.
DeepSeek.
São os motores de raciocínio.
Mas há um detalhe curioso.
Nenhum deles conhece sua empresa.
Nenhum conhece seu sistema COBOL.
Nenhum sabe o conteúdo do seu Db2.
Eles precisam aprender isso durante a execução.
É aqui que entram vários conceitos modernos.
Embeddings
O Índice VSAM da Inteligência Artificial
Imagine um arquivo KSDS.
Você procura:
Cliente 123456
O índice localiza rapidamente.
Embeddings fazem algo parecido.
Só que ao invés de procurar números...
eles procuram significado.
Por exemplo.
ABEND S0C7
Data Exception
Erro Decimal
Campo Numérico Inválido
São frases diferentes.
Mas possuem praticamente o mesmo significado.
Os embeddings transformam tudo isso em coordenadas matemáticas.
Assim a IA consegue encontrar conhecimento sem depender das palavras exatas.
É quase um VSAM KSDS semântico.
RAG
Quando a IA Aprende a Consultar a Documentação
Imagine perguntar:
Como funciona o módulo FINA230?
O LLM responde:
"Não faço ideia."
Mas o agente não para por aí.
Ele faz exatamente o que um analista faria.
Consulta:
Wiki
SharePoint
PDFs
GitHub
COBOL
CICS
JCL
Documentação
Depois lê tudo.
Somente então responde.
Isso chama-se:
Retrieval Augmented Generation
Ou simplesmente:
RAG.
Na prática:
Pergunta
↓
Pesquisar
↓
Ler
↓
Entender
↓
Responder
É como aquele programador veterano que nunca responde de memória.
Primeiro ele abre a documentação.
Mixture of Experts
Imagine um CPD.
Existe:
Especialista COBOL
Especialista CICS
Especialista Db2
Especialista RACF
Especialista MQ
Especialista Storage
Especialista Linux
Especialista Cloud
Seria inteligente colocar apenas um deles para resolver tudo?
Claro que não.
Os modelos Mixture of Experts funcionam exatamente assim.
Cada parte do cérebro possui especialistas.
Dependendo da pergunta...
o agente consulta apenas quem realmente entende daquele assunto.
Resultado?
Mais rapidez.
Menor custo.
Maior qualidade.
Segunda Camada
Agent Cognitive Engine
Aqui acontece a transformação.
O chatbot vira agente.
Memória
Existe um mito curioso.
As pessoas acreditam que IA lembra tudo.
Na verdade existem vários tipos de memória.
Curto prazo.
Sessão.
Longo prazo.
Conhecimento persistente.
É parecido com:
WORKING-STORAGE
↓
TSQ
↓
VSAM
↓
Db2
Cada uma possui finalidade diferente.
Planejamento
Um chatbot responde perguntas.
Um agente cria planos.
Exemplo.
Você escreve:
"Atualize todos os servidores."
Um chatbot responde:
"Aqui está um tutorial."
Um agente responde:
Inventariar servidores
↓
Separar ambientes
↓
Validar acesso
↓
Executar Ansible
↓
Verificar erros
↓
Rollback se necessário
↓
Gerar relatório
↓
Enviar e-mail
Percebe a diferença?
Ele pensa como um gerente de projetos.
Self Reflection
Um dos recursos mais fascinantes.
Depois de responder...
o agente pergunta para si mesmo:
Isso faz sentido?
Existe erro?
Posso melhorar?
Esqueci alguma etapa?
Existe risco?
É quase um Code Review automático.
Imagine um compilador COBOL que, após gerar o objeto, ainda revisasse a lógica inteira antes da execução.
Contexto Dinâmico
Programadores experientes sabem.
Resolver um problema depende do contexto.
O mesmo SQL pode ser excelente numa aplicação.
E péssimo em outra.
Agentes mantêm contexto durante toda a conversa.
Isso reduz inconsistências.
Terceira Camada
Autonomous Decision Layer
Agora entramos na parte que assusta muita gente.
Tomada de decisão.
Mas calma.
Não significa "IA fazendo tudo sozinha".
Significa tomar pequenas decisões baseadas em objetivos.
Objetivos
Toda ação começa por um objetivo.
Resolver incidente
↓
Encontrar causa
↓
Corrigir
↓
Documentar
Sem objetivo.
Não existe agente.
Existe apenas um chatbot.
Planejamento Hierárquico
Problemas gigantes são quebrados em partes menores.
Assim como um grande sistema COBOL.
Sistema
↓
Módulos
↓
Programas
↓
Parágrafos
↓
Sentenças
Gestão de Risco
Um bom agente nunca pergunta apenas:
"Posso executar?"
Ele pergunta:
"Devo executar?"
Exemplo.
Excluir banco?
↓
Existe backup?
↓
Produção?
↓
Rollback?
↓
Janela?
↓
Autorização?
Isso lembra muito RACF.
Nem tudo que é possível deve ser permitido.
Quarta Camada
Interaction & Communication
Aqui nasce a colaboração.
Agentes modernos conversam.
Não apenas com humanos.
Mas também entre si.
Linguagem Natural
Chega de decorar comandos.
Você escreve normalmente.
Como se estivesse conversando com um colega.
Multimodalidade
Texto.
Imagem.
PDF.
Planilha.
Vídeo.
Áudio.
Código.
Tudo pode fazer parte da mesma conversa.
Imagine enviar:
Dump
SYSOUT
Print do SDSF
Código COBOL
SQLCODE
Tudo ao mesmo tempo.
O agente entende.
Human in the Loop
Esse conceito é fantástico.
Algumas decisões continuam humanas.
Por exemplo.
Excluir cliente VIP?
O agente para.
Pergunta.
Espera autorização.
Isso evita desastres.
Quinta Camada
Multi-Agent Collaboration
Agora imagine um departamento inteiro.
Existe um agente para cada função.
Financeiro
RH
Compras
Jurídico
DevOps
COBOL
Segurança
Cloud
Todos trabalham juntos.
É praticamente uma empresa digital.
Swarm Intelligence
Inspirado em:
abelhas
formigas
cupins
Nenhum indivíduo conhece o plano completo.
Mesmo assim...
a colônia constrói estruturas gigantescas.
Agentes modernos usam exatamente esse princípio.
Negociação
Imagine.
Agente Financeiro diz:
"Sem orçamento."
Jurídico responde:
"Contrato precisa ser alterado."
DevOps:
"Deploy permitido apenas domingo."
COBOL:
"Programa depende do módulo antigo."
Todos discutem.
Depois apresentam uma única decisão.
Sexta Camada
Environment & Tool Connectivity
Este é o ponto que diferencia um chatbot de um verdadeiro agente.
Ferramentas.
Sem ferramentas.
Ele apenas conversa.
Com ferramentas.
Ele trabalha.
Pode acessar:
GitHub
Jenkins
Jira
ServiceNow
SAP
Salesforce
APIs
REST
GraphQL
SQL
Bancos Vetoriais
Kubernetes
Docker
Ansible
Mainframe
z/OSMF
É como um operador de produção que possui acesso ao painel inteiro do data center.
Digital Twins
Antes de alterar produção...
simule.
Antes de executar...
teste.
Antes de migrar...
valide.
Digital Twins fazem exatamente isso.
Criam um ambiente virtual.
Executam milhares de cenários.
Somente depois permitem a mudança.
Parece familiar?
É exatamente a filosofia dos ambientes de Desenvolvimento, Homologação, QA e Produção.
O Que a Imagem Não Mostra
A arquitetura apresentada é excelente, mas alguns pilares são tão importantes quanto os mostrados.
Segurança
Nenhum agente corporativo deveria operar sem:
RACF (ou equivalente)
autenticação
autorização
gestão de segredos
criptografia
auditoria
Sem isso, um agente pode se tornar um enorme risco.
Observabilidade
Assim como um administrador z/OS utiliza RMF, SMF e SDSF para entender o comportamento do sistema, agentes precisam registrar:
logs
métricas
chamadas de ferramentas
consumo de tokens
latência
falhas
decisões
Sem observabilidade, fica impossível descobrir por que um agente tomou determinada decisão.
Governança
Quem aprovou?
Qual modelo foi utilizado?
Quais documentos fundamentaram a resposta?
Qual ferramenta foi acionada?
Essas perguntas são essenciais em bancos, seguradoras e órgãos públicos.
AI Agents e o IBM Mainframe: A Analogia Definitiva
Se tivéssemos que desenhar um agente para um programador COBOL, ele seria algo assim:
| Mundo dos AI Agents | Mundo IBM Mainframe |
|---|
| LLM | Programa COBOL |
| Prompt | JCL ou parâmetros de execução |
| Memória | VSAM, Db2, TSQ, contexto da sessão |
| Planejamento | Scheduler, Workflow, JCL |
| Ferramentas | CICS, MQ, APIs, utilitários |
| Comunicação | MQ, TCP/IP, REST, eventos |
| Multiagentes | Regiões CICS e serviços especializados |
| Tomada de decisão | Regras de negócio + automação |
| Segurança | RACF |
| Observabilidade | RMF, SMF, SDSF |
| Ambiente | z/OS |
Essa comparação ajuda a entender por que tantas empresas tradicionais estão interessadas em agentes: elas já operam sistemas distribuídos e altamente orquestrados há décadas.
Curiosidades
☕ Curiosidade 1
O termo Agentic AI ganhou enorme destaque a partir de 2024, quando empresas perceberam que apenas conversar com um LLM não gerava tanto valor quanto automatizar fluxos completos de trabalho.
☕ Curiosidade 2
Muitos agentes modernos utilizam RAG, mas nem todo sistema com RAG é um agente. Um agente normalmente combina memória, planejamento, ferramentas e tomada de decisão.
☕ Curiosidade 3
Os primeiros conceitos de agentes inteligentes surgiram muito antes dos LLMs, em pesquisas sobre Inteligência Artificial Distribuída, Sistemas Multiagentes (MAS) e Arquiteturas BDI (Belief-Desire-Intention), desenvolvidas nas décadas de 1980 e 1990.
☕ Curiosidade 4
Alguns sistemas corporativos já utilizam "agentes supervisores", responsáveis por acompanhar outros agentes, detectar desvios e solicitar intervenção humana quando necessário.
Dicas para Quem Está Começando
Aprenda primeiro como funciona um LLM antes de estudar agentes.
Entenda RAG e bancos vetoriais; eles são a principal ponte entre IA e conhecimento corporativo.
Estude APIs REST e ferramentas de integração, pois um agente útil precisa agir sobre sistemas reais.
Familiarize-se com orquestração de workflows e automação, usando conceitos semelhantes aos schedulers do mundo mainframe.
Não ignore segurança, auditoria e governança; em ambientes corporativos, elas são tão importantes quanto o próprio modelo.
Easter Eggs do Bellacosa ☕
🥚 Easter Egg #1 — O Guia do Mochileiro da IA
Assim como o número 42 representa a resposta para a vida, o universo e tudo mais, muitos projetos de IA descobrem que a resposta para quase qualquer problema complexo é... "depende do contexto".
🥚 Easter Egg #2 — A Estrela da Morte
Construir um agente poderoso sem mecanismos de segurança é como construir a Estrela da Morte sem proteger a exaustão térmica: impressiona à primeira vista, mas basta uma pequena falha para comprometer toda a operação.
🥚 Easter Egg #3 — O Mestre Jedi do Mainframe
O verdadeiro Mestre Jedi não é aquele que conhece todos os prompts. É aquele que sabe quando usar um LLM, quando consultar um RAG, quando delegar a outro agente e quando chamar um ser humano para decidir.
Conclusão
Durante décadas, os profissionais de mainframe aprenderam que um programa COBOL nunca vive isolado. Ele faz parte de um ecossistema cuidadosamente orquestrado por z/OS, JES2, CICS, Db2, MQ, RACF, WLM e inúmeras outras tecnologias que trabalham em conjunto para entregar disponibilidade, segurança e desempenho.
Os agentes de IA seguem exatamente essa filosofia. O modelo de linguagem é apenas o ponto de partida. O verdadeiro diferencial está na combinação de memória, planejamento, ferramentas, protocolos de comunicação, colaboração entre agentes, governança e integração com o mundo real.
Em outras palavras, estamos deixando a era dos chatbots para entrar na era dos ecossistemas cognitivos. Assim como um programa COBOL isolado jamais substituiria um data center inteiro, um LLM isolado não representa o futuro da Inteligência Artificial. O futuro pertence a arquiteturas capazes de compreender objetivos, coordenar especialistas, utilizar ferramentas, aprender com a experiência e operar de forma segura e auditável.
Para quem já domina a lógica dos grandes ambientes IBM Z, essa evolução não é um salto para o desconhecido. É apenas uma nova forma de aplicar princípios que o mundo mainframe aperfeiçoa há décadas: modularidade, integração, confiabilidade, controle e colaboração. O programador COBOL que entender essa ponte perceberá que a próxima geração de sistemas inteligentes não substitui sua experiência — ela amplia seu alcance, transformando conhecimento técnico em uma força multiplicadora para resolver problemas cada vez mais complexos.
