 |
| Bellacosa Mainframe AI chatbos agents e multi-agents systems |
☕ Um Café no Bellacosa Mainframe
AI Chatbots, AI Agents e Multi-Agent Systems
O Que Todo Programador COBOL Padawan Precisa Saber Sobre a Próxima Revolução da Engenharia de Software
"Você não está apenas aprendendo Inteligência Artificial. Está descobrindo como os sistemas do futuro serão construídos — e, curiosamente, como eles se parecem muito mais com um IBM Mainframe do que a maioria das pessoas imagina."
Durante muitos anos ouvimos que a Inteligência Artificial substituiria programadores, escreveria software sozinha e transformaria completamente a indústria. Grande parte dessas previsões eram exageradas. O que realmente está acontecendo é muito mais interessante.
A verdadeira revolução não está em criar uma IA que saiba fazer tudo.
Ela está em criar equipes de inteligências artificiais, cada uma especializada em uma função específica, trabalhando em conjunto exatamente como acontece em uma empresa ou, para nossa surpresa, exatamente como acontece dentro de um ambiente IBM z/OS.
Se você é um Programador COBOL Padawan, este é um daqueles momentos em que compreender um conceito novo pode mudar completamente sua maneira de enxergar a tecnologia.
E a boa notícia?
Você já conhece, sem perceber, muitos dos princípios que sustentam essa nova geração de IA.
A primeira ilusão da Inteligência Artificial
Quando o ChatGPT surgiu, muita gente imaginou que havia nascido um cérebro artificial.
Parecia existir uma única inteligência capaz de responder qualquer pergunta.
Na realidade, um chatbot tradicional funciona de maneira relativamente simples.
O fluxo costuma ser:
Usuário
↓
Prompt
↓
LLM
↓
Resposta
O usuário faz uma pergunta.
O modelo analisa os tokens.
Prediz a sequência mais provável.
Entrega uma resposta.
Fim.
Não existe uma equipe trabalhando.
Não existe divisão de tarefas.
Não existe planejamento complexo.
É uma conversa extremamente sofisticada, mas ainda assim linear.
O chatbot é um excelente especialista... mas continua sozinho
Imagine que você pergunte:
"Explique como funciona um arquivo VSAM KSDS."
O chatbot responde.
Agora pergunte:
"Escreva um programa COBOL utilizando CICS, DB2, MQ, autenticação RACF, documentação técnica, casos de teste, scripts DevOps e um pipeline CI/CD."
Ele tentará fazer tudo.
Mas existe um problema.
Está tentando atuar simultaneamente como:
Analista de Sistemas
Arquiteto
DBA
Programador COBOL
Especialista CICS
Especialista MQ
Especialista em Segurança
Analista de Testes
Redator Técnico
DevOps
Nenhum profissional faz tudo isso perfeitamente.
Nem um modelo de IA.
Imagine uma empresa com apenas um funcionário
Vamos fazer uma analogia.
Imagine abrir um banco.
Você contrata apenas uma pessoa.
Ela deverá ser:
Presidente
Caixa
Segurança
Auditor
Contador
Analista de Crédito
Atendimento
TI
Limpeza
Parece absurdo.
Mas foi exatamente assim que imaginamos a Inteligência Artificial durante algum tempo.
Uma única IA faria absolutamente tudo.
O problema é que especialização sempre vence generalização quando o assunto é trabalho complexo.
É aqui que nascem os AI Agents
Agora imagine outro cenário.
Você continua tendo uma IA extremamente inteligente.
Mas ela aprende uma habilidade nova.
Ela não apenas responde.
Ela começa a agir.
Ela consegue:
planejar
pesquisar
acessar APIs
consultar bancos de dados
executar programas
validar resultados
corrigir erros
tentar novamente
Ela passa a perseguir objetivos.
Isso muda completamente o jogo.
Um agente pensa em etapas
Vamos imaginar um pedido simples.
"Analise o desempenho do meu banco DB2."
Um chatbot responderia algo como:
"Verifique índices, RUNSTATS, REORG..."
Um AI Agent faria algo diferente.
Ele poderia executar automaticamente um fluxo como este:
Receber objetivo
↓
Conectar ao catálogo DB2
↓
Ler estatísticas
↓
Analisar índices
↓
Verificar tabelas fragmentadas
↓
Comparar histórico
↓
Gerar relatório
↓
Sugerir melhorias
Observe a diferença.
Ele deixou de responder.
Agora ele trabalha.
O cérebro continua sendo um LLM
Muitas pessoas imaginam que um AI Agent seja um modelo completamente diferente.
Não é.
O cérebro continua sendo um Large Language Model.
A diferença é que agora existe uma arquitetura em volta dele.
Ela adiciona capacidades como:
memória
ferramentas
planejamento
execução
observação
replanejamento
É como instalar diversos periféricos em um computador.
O processador continua sendo o mesmo.
Mas agora ele possui discos, rede, impressoras e dispositivos externos.
Um agente utiliza ferramentas
Pense em você.
Você não resolve tudo apenas pensando.
Você utiliza ferramentas.
No Mainframe você usa:
ISPF
SDSF
TSO
DB2 SPUFI
File Manager
Fault Analyzer
Abend-AID
Da mesma forma, um agente utiliza ferramentas digitais.
Ele pode chamar:
APIs REST
Bancos SQL
Python
Shell Script
GitHub
Docker
Navegadores
Serviços MCP (Model Context Protocol)
O LLM passa a ser apenas o cérebro que decide qual ferramenta utilizar.
Mas a verdadeira revolução ainda estava por vir
Mesmo um agente possui limitações.
Imagine pedir:
"Modernize um sistema COBOL com oito milhões de linhas."
É uma tarefa gigantesca.
Existe muito trabalho.
Então surge uma pergunta natural.
Por que colocar tudo nas costas de um único agente?
Por que não criar uma equipe?
Nasce então o conceito de Multi-Agent Systems.
Bem-vindo ao escritório da Inteligência Artificial
Agora imagine um escritório.
Em vez de uma única IA...
Existem várias.
Cada uma extremamente especializada.
Orquestrador
↓ ↓ ↓
COBOL DB2 CICS
↓ ↓ ↓
Segurança Testes APIs
↓
Documentação
Pela primeira vez, a IA começa a funcionar como uma empresa.
O papel do Orquestrador
Toda equipe precisa de alguém coordenando.
Na arquitetura Multi-Agent existe normalmente um componente chamado Orchestrator.
Ele funciona como um gerente de projetos.
Recebe um objetivo.
Analisa.
Divide.
Distribui.
Depois reúne os resultados.
Seu trabalho não é escrever código.
Seu trabalho é organizar pessoas...
Ou melhor...
Organizar agentes.
Parece familiar?
Se você trabalha com Mainframe, provavelmente sim.
Veja alguns componentes do z/OS.
JES2
RACF
DB2
IMS
CICS
MQ
DFSMS
WLM
Nenhum deles faz tudo.
Cada um possui responsabilidades muito claras.
O sistema operacional coordena todos.
Curiosamente, a arquitetura Multi-Agent segue exatamente essa filosofia.
IBM já fazia isso há décadas
Muita gente acredita que Multi-Agent Systems são uma invenção recente.
Na prática, a computação corporativa utiliza esse conceito desde os anos 70.
Pense em uma transação bancária.
Quando um cliente faz um PIX ou consulta saldo, vários subsistemas trabalham em conjunto:
CICS recebe a requisição.
RACF autentica o usuário.
DB2 consulta os dados.
MQ envia mensagens para outros sistemas.
JES2 agenda tarefas em batch.
WLM distribui recursos de CPU.
DFSMS gerencia armazenamento.
Nenhum desses componentes conhece todo o sistema.
Cada um é especialista em sua área.
Essa divisão de responsabilidades é um dos pilares da escalabilidade do IBM Z.
Os sistemas multiagentes apenas transportam essa filosofia para o universo da IA.
Um exemplo para um Programador COBOL Padawan
Imagine que um banco deseje transformar um sistema legado em APIs REST.
Um ambiente multiagente poderia funcionar assim:
Agente 1 — Descoberta
Analisa milhões de linhas COBOL.
Identifica programas.
Mapeia COPYBOOKs.
Agente 2 — Banco de Dados
Localiza tabelas DB2.
Descobre relacionamentos.
Analisa índices.
Agente 3 — CICS
Detecta transações.
Analisa COMMAREAs.
Mapeia Channels e Containers.
Agente 4 — Documentação
Produz diagramas.
Cria documentação técnica.
Explica regras de negócio.
Agente 5 — APIs
Transforma programas em serviços REST.
Gera especificações OpenAPI.
Agente 6 — Testes
Cria testes unitários.
Executa validações.
Produz cobertura de testes.
Agente 7 — Segurança
Analisa autenticação.
Detecta vulnerabilidades.
Sugere melhorias.
Observe que ninguém faz tudo.
Cada agente faz apenas aquilo em que é especialista.
O conceito de Inteligência Coletiva
Um dos maiores erros ao estudar IA é imaginar inteligência como algo individual.
Na natureza, muitos organismos demonstram inteligência coletiva.
Formigas.
Abelhas.
Cupins.
Cardumes.
Nenhum indivíduo conhece o plano completo.
Mesmo assim, a colônia produz comportamentos extraordinários.
Os sistemas multiagentes seguem esse princípio.
Cada agente possui conhecimento limitado.
Mas o conjunto resolve problemas extremamente complexos.
Comunicação entre agentes
Surge então outro desafio.
Como essas inteligências conversam?
A resposta depende da arquitetura.
Algumas utilizam mensagens JSON.
Outras empregam filas como Apache Kafka ou RabbitMQ.
Há ainda sistemas baseados em eventos, chamadas REST e protocolos emergentes como o Model Context Protocol (MCP), que facilita o compartilhamento de contexto e ferramentas entre modelos.
Essa comunicação precisa ser eficiente, confiável e segura.
Caso contrário, os agentes passam mais tempo trocando informações do que resolvendo problemas.
Quando os agentes discordam
Outro aspecto fascinante é que agentes podem divergir.
Imagine três especialistas analisando uma consulta SQL.
O primeiro sugere criar um índice.
O segundo afirma que uma reorganização resolveria o problema.
O terceiro recomenda alterar o plano de acesso.
Quem está certo?
Em sistemas avançados, outro agente pode atuar como árbitro, comparar evidências, executar testes e escolher a melhor solução.
Esse mecanismo reduz vieses e melhora a qualidade das decisões.
Mais agentes significam mais inteligência?
Nem sempre.
Adicionar agentes indiscriminadamente pode gerar:
custos maiores com tokens;
aumento da latência;
conflitos de decisão;
duplicação de trabalho;
dificuldade de coordenação.
Assim como uma empresa com funcionários demais pode se tornar burocrática, um sistema multiagente mal projetado pode ser menos eficiente do que um único agente bem configurado.
Arquitetura continua sendo essencial.
O futuro do desenvolvimento de software
Imagine abrir seu ambiente de desenvolvimento daqui a alguns anos.
Você descreve uma funcionalidade:
"Criar um novo módulo de empréstimos."
Imediatamente, um orquestrador distribui tarefas:
um agente conversa com os analistas de requisitos;
outro gera o modelo de dados;
um terceiro escreve programas COBOL;
outro prepara JCLs;
um agente cria testes automatizados;
outro verifica segurança;
outro produz documentação;
um último acompanha a implantação.
Você deixa de trabalhar sozinho com uma IA e passa a liderar uma equipe digital de especialistas.
O desenvolvedor torna-se um arquiteto e coordenador, capaz de definir objetivos, validar resultados e integrar soluções.
O Programador COBOL Padawan não está ficando para trás
Existe um mito de que apenas quem desenvolve aplicações em linguagens modernas participará dessa transformação.
Nada poderia estar mais distante da realidade.
Os maiores bancos, seguradoras, empresas aéreas e governos do mundo continuam executando processos críticos em IBM Z. São ambientes ricos em regras de negócio, documentação histórica e sistemas integrados — exatamente o tipo de contexto em que agentes especializados podem gerar enorme valor.
Conhecer COBOL, CICS, JCL, DB2, VSAM e arquitetura de sistemas corporativos passa a ser um diferencial estratégico, porque esses agentes precisam de especialistas humanos para orientar sua evolução, validar decisões e definir políticas de governança.
Uma nova trilha de conhecimento
Se você deseja se preparar para essa nova era, considere construir uma trilha de aprendizado como esta:
Domine os fundamentos de algoritmos e estruturas de dados.
Aprofunde seus conhecimentos em COBOL, JCL, CICS e DB2.
Estude APIs REST e integração entre sistemas.
Aprenda conceitos de Large Language Models e Engenharia de Prompts.
Explore arquiteturas de AI Agents.
Conheça frameworks como LangGraph, CrewAI, AutoGen e OpenAI Agents SDK.
Entenda protocolos de integração como MCP.
Estude observabilidade, segurança e governança para sistemas de IA.
Pratique a orquestração de múltiplos agentes em problemas reais.
Desenvolva a habilidade mais importante de todas: pensar em sistemas, não apenas em programas.
Conclusão
A história da computação sempre caminhou em direção à especialização e à colaboração. Primeiro vieram os programas monolíticos, depois os sistemas distribuídos, os microsserviços e, agora, os Sistemas Multiagentes.
Para o Programador COBOL Padawan, essa não é uma ruptura com o passado, mas uma continuidade natural. Quem compreende como CICS, DB2, MQ, RACF, JES2 e z/OS colaboram para manter milhões de transações funcionando diariamente já possui uma base conceitual surpreendentemente próxima da lógica dos agentes de IA.
A próxima geração de software não será construída por uma única inteligência artificial onisciente. Ela será resultado da cooperação entre diversas inteligências especializadas, coordenadas por arquiteturas capazes de planejar, executar, validar e aprender continuamente.
E talvez a maior ironia dessa revolução seja esta: enquanto muitos acreditam que a IA está inventando uma forma completamente nova de computação, os profissionais de Mainframe podem reconhecer nela um velho conhecido. Há décadas, o IBM Z nos ensina que sistemas robustos nascem da colaboração entre componentes especializados, governados por uma arquitetura sólida e por princípios de engenharia bem estabelecidos.
Você não está apenas estudando Inteligência Artificial. Está ampliando sua visão sobre a evolução da engenharia de software e descobrindo que, no futuro, o profissional mais valioso não será aquele que compete com a IA, mas aquele que sabe construir, coordenar e orientar equipes inteiras de inteligências artificiais para resolver problemas que, sozinho, nenhum modelo conseguiria enfrentar.
