☕ 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

domingo, 13 de abril de 2014

💀💣 Wight — O Processo Morto que Continua Rodando no Sistema

 

Bellacosa Mainframe explica o wight em rpg e animes

💀💣 Wight — O Processo Morto que Continua Rodando no Sistema

Se um fantasma é um “processo preso”…
o Wight é pior:

👉 é um processo morto que voltou a executar sem permissão.

Ele não pertence mais ao sistema…
mas ainda está lá — consumindo recurso, corrompendo ambiente e espalhando erro.


🧠 Conceito — Morto-Vivo com Consciência Corrompida

👉 Wight

“Wight” é um termo antigo usado para descrever:

  • mortos-vivos
  • espíritos que retornaram ao corpo
  • entidades ligadas à morte física

📌 Bellacosa traduz:

Wight = processo encerrado que voltou a rodar com memória corrompida


📜 Origem — Antes do Sistema Ter Garbage Collector

A palavra “wight” vem do inglês antigo:

  • significava simplesmente “ser” ou “criatura”
  • com o tempo, passou a significar “ser sobrenatural”

E evoluiu para:

👉 morto-vivo consciente (ou parcialmente consciente)


🧬 Classificação — Não é Zumbi Comum

TipoEstado
FantasmaSem corpo
ZumbiCorpo sem mente
WightCorpo + mente corrompida

👉 Ele mantém:

  • memória fragmentada
  • intenção distorcida
  • comportamento hostil

👁 Aparência — Decomposição com Presença

  • Corpo em decomposição
  • Olhos brilhantes (energia residual)
  • Aura sombria
  • Presença pesada

📌 Regra:

Parece morto… mas reage.


⚙️ Comportamento — Execução Residual

Wights geralmente:

  • Guardam locais (tumbas, ruínas)
  • Atacam vivos
  • Protegem algo
  • Respondem a gatilhos antigos

👉 Eles não vivem…
👉 eles executam um propósito antigo indefinidamente


⚔️ Poderes

  • 💀 Força sobrenatural
  • 🧊 Aura de morte (drena energia)
  • 🧠 Memória parcial
  • 👁️ Consciência distorcida

💀 Fraquezas

  • Luz / energia sagrada
  • Destruição completa do corpo
  • Rituais de purificação

📌 Bellacosa:

Só encerrar o processo não basta… tem que limpar o resíduo.


🤫 Fofoquices do Folclore

  • Alguns wights lembram quem eram
  • Outros protegem tesouros
  • Existem versões que falam
  • Alguns são líderes de outros mortos

📌 Fofoquinha pesada:

Tem wight que sabe que está morto… e odeia você por estar vivo.


🕹️ Easter Eggs na Cultura Pop

  • The Lord of the Rings → Barrow-wights
  • Game of Thrones → wights do Norte
  • Skyrim → undead guardiões

🎮 Easter Egg:

Todo morto-vivo “inteligente” tem traço de wight.


🧠 Interpretação (Modo Bellacosa ON)

O wight representa:

  • passado que não foi encerrado
  • memória que não foi limpa
  • erro que continua rodando
  • sistema que não conseguiu finalizar um processo

📌 Comparação (Mainframe Mode)

EntidadeEquivalente
FantasmaProcesso preso
ZumbiLoop sem lógica
WightProcesso morto reativado
ExorcismoCleanup

📌 Comentário Final — Nem Todo Processo Morre de Verdade

Você pode:

  • encerrar
  • apagar
  • ignorar

Mas alguns processos…

continuam rodando no fundo do sistema.


💣 Conclusão — O Erro Persistente

O Wight não é só um morto-vivo.

Ele é:

o resultado de algo que deveria ter terminado…
mas nunca foi realmente finalizado.


🔥 Versão Bellacosa Final

Wight não é vida…
é o sistema se recusando a aceitar que algo já acabou.

sábado, 12 de abril de 2014

Visitando a fabrica de chocolate do Xuxa Park

Yes, nos tinhamos fabrica de chocolate.


Após perdermos os chocolates da Montanha Encantada do Playcenter, na capital só restou a fabrica de Chocolate do Xuxa Park.

Infelizmente me decepcionei, esperava algo parecido com os chocolates do Playcenter, esta versão foi bem mais simples. Um trenzinho que entrava num labirinto e percorria as instalações.



Infelizmente ou felizmente não me recordo muito do percurso, mas foi bem bobinho e ao final fiquei com a sensação de ter entrado numa furada.

Com o encerramento do parque esta atraçao ja foi tarde. Poderiam ter feito tantas coisas legais. Pena

Polvo maluco e seus peixinhos no carrosel do Parque da Xuxa

Parque da Xuxa o Polvo Carrosel


Passamos um dia diferente, a Ju viu no Facebook que tinha o parque da Xuxa no Shopping Interlagos em São Paulo, apos estudarmos como chegar resolvemos ir levar o formiguinha para se divertir um pouquinho.

Saímos de Itatiba numa viagem de quase 2 horas ate chegar no extremo sul da Capital, nos deparamos com um parque meio caquéctico, com muito a desejar, nem parecia que estava associado a imagem milionária dos produtos Xuxa.




O Xuxa Park provavelmente um dia foi um super parque, porem agora no seu apagar das luzes (ele encerrou as actividade no ano seguinte). Deixa muito a desejar aos olhos críticos de um adulto.

Para as crianças foi diversao garantida, o formiguinha brincou em todos os briquedos possiveis, ou seja permitidos para seu tamanho/idade. Por acaso este polvo ele riu bastante, fazendo bastante caretas e zoeiras.



terça-feira, 8 de abril de 2014

Anchoring Bias: Doctor Who, COBOL e o Dia em que o Primeiro Palpite Virou o Centro Gravitacional da War Room

 

Bellacosa Mainframe e o anchoring bias

☕ Um Café no Bellacosa Mainframe

Anchoring Bias: Doctor Who, COBOL e o Dia em que o Primeiro Palpite Virou o Centro Gravitacional da War Room

Uma viagem pela TARDIS dos incidentes para entender por que a primeira informação que recebemos — um número, um alerta, um comentário do senior ou um rótulo no ticket — pode influenciar tudo aquilo que pensamos depois, mesmo quando novas evidências começam a apontar em outra direção

03:07.

War Room.

O café já não está quente.

Mas ninguém reclama.

No telão:

INCIDENTE P1

APLICAÇÃO:
PAYMENTS-X

SINTOMA:
LATÊNCIA ELEVADA

INÍCIO:
02:52

STATUS:
INVESTIGANDO

Nosso jovem programador COBOL acabou de entrar.

Ainda está tentando entender:

quem está na sala;

qual componente falhou;

qual foi a última mudança;

e por que existem seis pessoas falando ao mesmo tempo.

Então alguém diz:

— Isso está com cara de Db2.

Pronto.

Cinco segundos.

Uma frase.

Nenhuma prova.

Nenhum trace.

Nenhuma análise.

Mas algo aconteceu.

O jovem olha para o dashboard de Db2.

O DBA começa a procurar locks.

O gerente pergunta:

— Tivemos problema de database ontem também, não?

Outro analista:

— Tivemos.

Nosso jovem abre:

DB2 ACCOUNTING

Depois:

DB2 LOCKS

Depois:

DB2 BUFFERPOOL

Nem percebe que ainda não olhou:

MQ.

Network.

CICS.

API externa.

Volume de entrada.

Certificados.

Fila downstream.

O primeiro comentário:

“tem cara de Db2”

não provou nada.

Mas organizou:

toda a busca.

VWORP.

VWORP.

VWORP.

A TARDIS surge ao lado do monitor.

A porta abre.

O Doctor sai.

Olha para a sala.

— Qual é a causa?

Gerente:

— Provavelmente Db2.

Doctor:

— Evidência?

Silêncio.

— Quem falou primeiro?

Todos apontam para:

um analista.

Doctor:

— E por que vocês continuam olhando Db2?

Gerente:

— Porque parece Db2.

Doctor:

— Interessante.

Ele pega uma caneta.

Escreve no quadro:

FIRST INFORMATION
        ↓
ATTENTION
        ↓
INTERPRETATION
        ↓
DECISION

Depois escreve:



ANCHORING BIAS

Ou:

Viés de Ancoragem.

Em linguagem Bellacosa:

é quando a primeira informação que entra na cabeça ganha peso demais e passa a influenciar tudo o que vem depois.


🧠 O que é Anchoring Bias?

Anchoring Bias é a tendência de nossas estimativas, julgamentos e decisões ficarem influenciados por uma informação inicial.

Essa informação funciona como:

âncora.

Depois fazemos ajustes.

Mas normalmente:

ajustamos pouco.

Imagine alguém perguntar:

“Essa mudança vai levar mais ou menos de 10 dias?”

Depois:

“Quanto tempo você acha?”

Mesmo que você não queira,

o número:

10

entrou no sistema.

Agora sua estimativa talvez fique:

8;

12;

Se a pergunta tivesse sido:

“mais ou menos de 100 dias?”

a estimativa poderia:

mudar.

O primeiro número:

não é neutro.


☕ Bellacosa Definition

“A âncora é o primeiro valor que entra no working-storage da cabeça e depois ninguém lembra de fazer INITIALIZE.”


💻 COBOL cerebral

Imagine:

01 WS-ESTIMATE PIC 9(03).

MOVE 10 TO WS-ESTIMATE.

Depois você começa:

a recalcular.

Mas em vez de:

começar do zero,

você faz:

ADD 2 TO WS-ESTIMATE.

ou:

SUBTRACT 3 FROM WS-ESTIMATE.

Resultado:

continua orbitando:

Esse é o mecanismo psicológico clássico chamado:

insufficient adjustment

ou:

ajuste insuficiente.


🧠 A primeira informação não precisa ser boa

Esse é o problema.

Pode ser:

aleatória;

incompleta;

desatualizada;

mal interpretada;

irrelevante.

Mesmo assim:

gruda.


👻 Easter Egg nº 1 — Dalek Estimator

Manager Dalek:

— HOW LONG WILL THE PROJECT TAKE?

Programmer:

— I don’t know yet.

Dalek:

— TWO WEEKS?

Programmer:

— Probably three.

Doctor:

— Why three?

Programmer:

— Because two felt optimistic.

Doctor:

— Congratulations.

— For what?

— You just estimated relative to a completely invented number.


🧠 Anchoring em estimativas de projeto

Talvez seja:

o exemplo corporativo mais comum.

Gerente:

— Isso é coisa de um dia, certo?

Pronto.

Agora o desenvolvedor pensa:

“Não, um dia é pouco.”

Mas talvez responda:

“Três.”

Sem aquela âncora,

talvez dissesse:

sete.

Ou dez.


☕ A frase:

“isso é simples”

é uma âncora.

Assim como:

“isso não deve levar mais de duas horas.”


🧠 Planning Fallacy encontra Anchoring

Gerente define:

prazo inicial otimista.

Esse prazo vira:

anchor.

Depois surgem:

novas informações.

Integração.

Teste.

Security.

Data migration.

Mas ao invés de:

reestimar do zero,

começamos:

adicionar dias.

10 dias
+ 2
+ 3
+ 5

Talvez o projeto real fosse:

Mas ficamos:

presos ao primeiro 10.

Planning Fallacy + Anchoring.


🎯 Pergunta Bellacosa nº 1

“Se ninguém tivesse mencionado esse número, qual seria minha estimativa?”

Excelente para planejamento.


🧠 Anchoring na War Room

Agora:

primeira hipótese.

— É Db2.

Essa frase cria:

âncora causal.

A partir daí:

logs Db2 parecem:

mais importantes.

Warnings:

ganham significado.

Outros sinais:

parecem ruído.


🧠 Confirmation Bias chega depois

Anchoring escolhe:

a hipótese.

Confirmation Bias procura:

provas.

Sequência:

FIRST GUESS
↓
ANCHOR
↓
SEARCH FOR SUPPORT
↓
CONFIRMATION

Perigoso.


☕ Anchoring planta.

Confirmation Bias:

rega.


🧠 Streetlight Effect entra

Se a âncora é:

Db2,

e Db2 tem:

muita telemetria,

Streetlight Effect ajuda:

ficar ali.

Agora temos:

primeira hipótese

ferramentas boas.

O resto da cadeia desaparece.


🧠 Search Satisfaction

Encontramos:

um lock.

Pronto.

Search Satisfaction:

“achei.”

A âncora:

parece confirmada.


🧠 Premature Closure

Agora dizemos:

“é Db2.”

A hipótese virou:

conclusão.


🧠 Diagnosis Momentum

Depois:

o próximo turno recebe:

“Db2 incident.”

A âncora agora:

viaja.

Esse é o motivo pelo qual Anchoring é tão central.

Ele é:

o primeiro dominó.


☕ O primeiro comentário da War Room

pode ser:

mais importante do que parece.


🧠 Anchoring e Recency Bias

Último incidente:

Db2.

Hoje:

problema parecido.

A memória recente:

gera âncora.

— Deve ser Db2 de novo.

Recency dá:

conteúdo.

Anchoring dá:

peso.


🧠 Representativeness Heuristic

Sintoma:

parece incidente antigo.

Logo:

mesma causa.

A semelhança:

vira âncora.


🎯 Pergunta Bellacosa nº 2

“Essa hipótese nasceu da evidência atual ou da semelhança com algum caso antigo?”


🧠 Anchoring e Framing Effect

Ticket:

DB2 PERFORMANCE ISSUE

Antes mesmo de abrir:

log,

você já está:

ancorado.

Compare:

PAYMENT LATENCY

Muito diferente.

O título:

é âncora.


☕ Ticket title

não deveria:

resolver o incidente

antes da equipe.


🧠 Anchoring em números

Outro clássico.

Você pergunta:

— Quantos clientes foram afetados?

Alguém:

— Uns 500.

Mais tarde descobre:

estimativa real ainda não existe.

Mas o número:

500

vai parar:

no status.

Depois:

“cerca de 600.”

Depois:

“aproximadamente 700.”

Talvez fossem:

12 mil.

O primeiro número:

organizou todos os ajustes.


🧠 Incident impact estimation

Nunca confunda:

primeiro chute

com:

baseline.


🎯 Pergunta Bellacosa nº 3

“Esse valor veio de medição ou foi a primeira aproximação disponível?”


🧠 Anchoring em budget

Fornecedor:

R$1 milhão.

Negociação começa.

Mesmo que custo real:

R$300 mil,

o milhão:

vira referência.

Então:

R$700 mil

parece:

desconto.


☕ Isso explica parte da magia de:

“de R$999 por R$499.”

O cérebro compara:

com 999.

Não:

com valor real.


🧠 Anchoring em salário

Primeiro número:

define negociação.

Por isso:

anchor strategy

é conhecida em negociação.

Mesmo quem sabe:

pode ser influenciado.


🧠 Mainframe version

Vendor:

— Modernização custa US$ 20 milhões.

Diretor:

— Muito.

Vendor:

— Podemos fazer 14.

Agora 14 parece:

barato.

Mas ninguém perguntou:

qual deveria ser o custo baseado no trabalho?


🎯 Pergunta Bellacosa nº 4

“Estamos avaliando esse número pela realidade ou pelo número que veio imediatamente antes?”


🧠 Anchoring em performance

Historicamente:

batch leva:

40 minutos.

Novo hardware:

talvez deveria:

Mas todos continuam:

tratando 40 como referência.

Agora:

35 parece excelente.

Anchor:

legacy baseline.


☕ Baseline antigo

pode virar:

prisão.


🧠 Status Quo Bias

Anchoring frequentemente trabalha com:

status quo.

“sempre levou 40.”

Logo:

40 = normal.

Talvez:

não devesse mais.

Status Quo + Anchoring.


🧠 Cultural Debt entra

Decisão antiga:

certa.

Número antigo:

vira referência.

Arquitetura muda.

Negócio muda.

Mas âncora:

fica.

Exemplo:

“batch precisa terminar às 06:00.”

Por quê?

Porque:

há 20 anos agência abria:

08:00.

Hoje:

processo é:

online.

Mas 06:00 continua:

sagrado.

Anchoring temporal virou:

Cultural Debt.


☕ O primeiro SLA

pode sobreviver:

ao motivo que o criou.


🧠 Anchoring em architecture

Alguém diz:

“mainframe é caro.”

Pronto.

Toda discussão começa:

custo.

Mas:

qual custo?

Por transaction?

Reliability?

Security?

Migration?

Risk?

Primeiro frame:

ancora.


🧠 Anchoring tecnológico

“Cloud is cheaper.”

“Mainframe is legacy.”

“Microservices are scalable.”

“COBOL is old.”

Todas podem:

virar âncoras.

Depois buscamos:

evidência que encaixa.


🎯 Pergunta Bellacosa nº 5

“Estamos analisando tecnologia ou defendendo um rótulo que veio antes da análise?”


🧠 Anchoring e Dunning-Kruger

Iniciante:

não possui muitas referências.

Primeira explicação:

ganha peso enorme.

Senior diz:

— S0C7 é dado inválido.

Júnior:

aprende.

Depois:

todo S0C7:

“arquivo ruim.”

Mas pode ser:

overlay;

copybook;

bad address;

conversion;

data.

Primeiro ensinamento:

vira âncora simplificada.


☕ Conhecimento inicial

é necessário.

Mas deve:

ganhar nuance.


🧠 Ensino para COBOL iniciante

Quando ensinar:

S0C7 = DATA EXCEPTION

ótimo.

Mas acrescente:

“isso é sintoma técnico; ainda precisamos descobrir por que o dado chegou inválido.”

Assim:

evitamos âncora causal.


🧠 Anchoring em ABEND

S0C7:

dado.

S0C4:

memory/addressing.

S322:

timeout.

Mas:

abend code

é:

ponto inicial.

Não:

RCA completa.


🎯 Pergunta Bellacosa nº 6

“Estou usando o código de erro para orientar investigação ou para encerrar diagnóstico?”


🧠 Anchoring e Authority Bias

Senior:

— Isso é WLM.

Agora:

everyone WLM.

Por quê?

Porque:

senior.

Anchor ganha:

massa com autoridade.


☕ Senioridade aumenta:

prior probability.

Não:

certeza.


🧠 Anchoring e Diagnosis Momentum

Senior hipótese:

vira ticket.

Ticket:

vira handoff.

Handoff:

vira executive summary.

Agora:

anchor social.


🧠 Anchoring e números executivos

Diretor pergunta:

— Impacto é 10%?

Mesmo sendo pergunta,

já lançou:

anchor.

Equipe:

“talvez 15%.”

Se perguntasse:

— Quanto é o impacto?

Resposta poderia:

diferir.


🎯 Pergunta Bellacosa nº 7

“A pergunta já contém uma resposta sugerida?”

Essa é fantástica.


🧠 Leading Questions

“Não foi a mudança de ontem?”

“Isso é Db2, certo?”

“Não deve passar de duas horas, correto?”

Essas perguntas:

não são neutras.

Elas instalam:

âncora.


☕ Em investigação:

pergunte:

“O que aconteceu?”

antes de:

“Foi X?”


🧠 Interview bias

Ao perguntar para operador:

— O problema começou depois do deploy?

ele começa:

a procurar relação.

Better:

— Quando percebeu o primeiro sintoma?

Depois:

compare com deploy.


🧠 Anchoring em RCA meetings

Facilitador abre:

— Acredito que problema foi falta de teste.

Pronto.

RCA agora:

sobre teste.

Talvez fosse:

requirement;

incentive;

change;

monitoring.


🎯 Pergunta Bellacosa nº 8

“A primeira pessoa a falar deveria ser também a pessoa que propõe a causa?”

Às vezes não.


🧠 Independent hypothesis generation

Uma técnica muito boa:

antes da discussão,

cada especialista escreve:

top 3 hipóteses.

Depois:

compartilham.

Isso reduz:

anchor social.


☕ Primeiro pense.

Depois ouça.

Muito útil.


🧠 Anchoring e Groupthink

Primeiro senior:

X.

Restante:

adjust around X.

Depois:

consenso.

Mas talvez:

consenso nasceu:

da ordem de fala.

Groupthink + Anchoring.


🧠 Randomize order

In critical review:

juniors first.

Then seniors.

Reduces authority anchor.


🎯 Pergunta Bellacosa nº 9

“Se a ordem de fala fosse invertida, chegaríamos à mesma conclusão?”


🧠 Anchoring em estimativa COBOL

Gerente:

— Alteração pequena.

Programador:

— Talvez.

“Pequena” é:

anchor sem número.

Agora você procura:

como fazer pequeno.

Talvez:

copybook compartilhado;

20 programas;

DB2 package;

CICS map;

batch downstream.

Não pequeno.


☕ Adjetivo também pode:

ser âncora.


🧠 Anchoring verbal

“simples.”

“rápido.”

“baixo risco.”

“apenas.”

“só.”

Essas palavras:

moldam.


🎯 Pergunta Bellacosa nº 10

“Quem decidiu que isso era simples antes da análise?”


🧠 Anchoring e Goal Gradient

Projeto:

90%.

Essa porcentagem:

vira âncora.

Agora:

“falta pouco.”

Mesmo que:

risco restante:

alto.

Goal Gradient acelera.

Anchoring fixa:

90% como referência.


🧠 Metric Fixation

Percentual:

parece objetivo.

Anchor quantitativo.


☕ 97%

é apenas:

um número.

Mas pode dirigir:

uma reunião inteira.


🧠 Anchoring e McNamara Fallacy

Primeiro KPI:

availability.

Depois:

toda saúde do serviço

orbita:

availability.

Mesmo quando:

correctness;

customer impact;

manual toil

importam.

Métrica inicial vira:

anchor conceitual.


🧠 Goodhart

Depois:

anchor vira target.

Goodhart.


🧠 Anchoring e Zero-Risk Bias

Alguém fala:

“precisamos eliminar totalmente vulnerabilidades críticas.”

Zero:

anchor.

Agora:

qualquer risco residual:

parece intolerável.

Mesmo se:

trade-off piora.


🎯 Pergunta Bellacosa nº 11

“O valor zero foi escolhido por análise de risco ou por conforto psicológico?”


🧠 Anchoring em incident severity

Primeira pessoa:

— P2.

Ticket:

P2.

Impact grows.

Mas todos:

adjust slowly.

Maybe deveria:

P1.

Anchor de severidade.

Outro lado:

primeiro chama P1.

Mesmo depois:

baixo impacto,

continua:

panic.


☕ Severidade também tem:

inércia.


🧠 Re-anchor with evidence

Severity should:

update.

Not:

stay.


🎯 Pergunta Bellacosa nº 12

“Se abríssemos o incidente agora, com os dados atuais, daríamos a mesma severidade?”


🧠 Anchoring e baseline técnico

CPU normal:

70%.

Por quê?

“sempre foi.”

Maybe:

bad design.

Baseline should:

reflect:

healthy state,

not:

historical habit.


🧠 Anchoring em capacity

Last year:

peak 80%.

Forecast:

starts:

But new customer:

changes workload.

Need:

new model.


☕ Forecast não é:

ano passado + 10%.

Às vezes.


🧠 Anchoring em orçamento anual

Budget previous year:

anchor.

New budget:

+5%.

But:

needs changed.

This is known:

incremental budgeting.

Anchoring explains part.


🧠 Ratchet Effect

Last performance:

anchor

and floor.

Then:

ratchet.


🎯 Pergunta Bellacosa nº 13

“Estamos construindo a nova meta a partir da necessidade atual ou apenas ajustando a antiga?”


🧠 Anchoring em fornecedores

Vendor reputation:

good.

New incident:

benefit of doubt.

Or bad:

every incident blamed.

Reputation:

anchor.

Fundamental Attribution Error.


☕ Marca também:

ancora.


🧠 Anchoring em pessoas

“Ele é excelente.”

Future mistake:

exception.

“Ele é ruim.”

Future success:

luck.

First impression:

anchor.

Halo Effect.

Horn Effect.


🧠 First Impression Bias

Related.

Anchoring can help explain:

persistence of first impression.


🎯 Pergunta Bellacosa nº 14

“Estou avaliando este evento ou reinterpretando-o à luz da reputação anterior?”


🧠 Anchoring e AI

Agora moderno.

Prompt:

“A causa parece ser Db2. Analise.”

Você acabou:

ancorar a IA.

Ela talvez:

procure Db2.

Better:

“Analise independentemente as possíveis causas. Uma hipótese anterior mencionou Db2, mas trate-a como não confirmada.”

Huge difference.


🤖 Prompt as anchor

Context window:

contains:

first hypothesis.

Model reasons:

from context.

Be careful.


🧠 AI debugging

“Find the bug in this loop.”

What if:

bug not loop?

Prompt narrows:

search space.

Streetlight + Anchoring.


🎯 Pergunta Bellacosa nº 15

“Estou pedindo à IA para investigar ou estou sugerindo a conclusão no próprio prompt?”


🧠 Anchoring e RAG

RAG retrieves:

top document.

First result:

maybe anchor.

Model then:

builds answer.

Need:

diverse retrieval.

Multiple sources.


🧠 Search ranking itself anchors

Top result:

more attention.

Streetlight.

Search Satisfaction.


☕ Primeiro resultado do Google

não recebe:

certificado de verdade.


🧠 Anchoring em AIOps

Classifier says:

70% Db2.

Operator:

anchors.

Maybe classifier:

prior.

Now:

human ignores:

new signal.

Automation Bias.


🧠 Automation Bias

If anchor comes from:

machine,

authority may:

increase.

“AI says Db2.”

Careful.


🎯 Pergunta Bellacosa nº 16

“Esse score da IA é evidência independente ou apenas uma priorização de hipóteses?”


🧠 Anchoring e security

SIEM alert:

“possible credential theft.”

Now analyst:

credential theft.

Could be:

service account rotation.

Alert label:

anchor.

Need:

raw evidence.


🧠 Anchoring e fraud

First transaction:

looks fraudulent.

Account:

labeled.

Future transactions:

interpreted through:

fraud anchor.

Maybe false positive.


🧠 Anchoring e legal/compliance

First audit finding:

“weak control.”

Years:

control viewed weak.

Even after:

improved.

Diagnosis Momentum + Anchoring.


☕ Label antigo

vira:

âncora nova.


🧠 Anchoring e Cultural Debt novamente

“Esse sistema é crítico demais para mexer.”

Talvez era verdade:

15 years ago.

Now:

architecture.

tools.

staff.

changed.

Anchor persists.

Culture:

forms around.


🎯 Pergunta Bellacosa nº 17

“Essa afirmação ainda é evidência atual ou apenas história acumulada?”


🧠 Anchoring e Sunk Cost

Investimos:

R$10 milhões.

Agora:

esse valor vira:

âncora.

“Não podemos abandonar.”

But future decision should:

consider future costs/benefits.

Not:

past.

Sunk Cost.


🧠 Anchoring e Escalation of Commitment

Original plan:

anchor.

New evidence:

bad.

But:

keep adjusting.

Not:

rethink.


☕ Plano antigo

pode virar:

coordenada fixa.

Mesmo quando:

mapa mudou.


🧠 Anchoring e Loss Aversion

Original price.

Original performance.

Original expectation.

Loss defined:

relative to anchor.

This is fundamental in prospect theory.

Our perception of gains/losses depends on:

reference point.

Anchors can become:

reference points.


🧠 Example

System target:

99.9%.

Actual:

99.8%.

Feels:

loss.

If old baseline:

98%.

Huge improvement.

Which frame?

Reference matters.


🎯 Pergunta Bellacosa nº 18

“Qual referência estamos usando para decidir se isso é bom ou ruim?”


🧠 Anchoring e SLA

SLA negotiated:

99.9%.

Years later:

customer needs:

99.99.

But old SLA:

anchor.

“Estamos above contract.”

Maybe:

business still fails.

Goal Substitution.


🧠 Contract anchor

Legal success.

Operational failure.


☕ SLA é:

piso contratual.

Não necessariamente:

definição de qualidade.


🧠 Anchoring e postmortem

First timeline:

contains:

“deployment caused issue.”

Later evidence:

maybe no.

But RCA draft:

built around.

Hard to:

rebuild.

Need:

facts-first.


🧠 Premature Narrative

Narrative Bias.


🎯 Pergunta Bellacosa nº 19

“Estamos revisando a hipótese ou apenas editando a história original?”


🧠 Anchoring e RCA tools

Form asks:

ROOT CAUSE:

Too early.

Field itself:

anchors.

Better:

LEADING HYPOTHESES:

Then:

confirmed root/contributors.

Data model influences:

thinking.


☕ Um campo obrigatório

pode induzir:

certeza prematura.


🧠 Anchoring e NOT NULL

Again:

ROOT_CAUSE NOT NULL

Organizational disaster.

Someone fills:

something.

That something:

anchors historical data.


🧠 AI training later

Old labels:

become:

training data.

Anchor at scale.


🎯 Pergunta Bellacosa nº 20

“Nosso sistema obriga alguém a dar uma resposta antes de existir evidência suficiente?”


🧠 Anchoring e order effects

Question order:

matters.

If ask:

“Is Db2 causing latency?”

then:

“What else?”

Db2 anchor.

Better:

“List plausible causes.”

Then:

evaluate Db2.


🧠 Checklist order

Even checklist can:

anchor.

Randomize or:

broad first.


☕ O primeiro item da checklist

também recebe:

holofote.


🧠 Anchoring e code review

Reviewer sees:

author comment:

“Fixes overflow.”

Now:

looks overflow.

Maybe:

security issue elsewhere.

Independent review:

first read code

before reading:

author hypothesis.

Sometimes useful.


🎯 Pergunta Bellacosa nº 21

“Quanta interpretação devemos mostrar ao revisor antes que ele faça sua primeira leitura?”


🧠 Anchoring em troubleshooting runbooks

Runbook:

“Latency → check Db2.”

This is:

explicit anchor.

Good if:

base rate high.

Bad if:

exclusive.

Better:

Latency:
1. confirm scope
2. identify affected path
3. check recent change
4. inspect key dependencies

Then specific branches.


☕ Runbook deveria:

guiar busca.

Não:

pré-julgar culpado.


🧠 Anchoring e heuristics

Heuristics are:

useful.

Expert:

“usually Db2.”

This prior:

helps.

But must:

update.

The mistake:

isn't starting with prior.

It's refusing:

to move enough.


🧠 Bayesian analogy

Prior:

Db2 50%.

Evidence:

network error.

Update:

should change.

Anchoring means:

update too little.


🎯 Pergunta Bellacosa nº 22

“A nova evidência mudou nossa probabilidade ou apenas nossa explicação verbal?”


🧠 Anchoring e confidence

Initial confidence:

60%.

Later:

contradictory evidence.

Still:

55%.

Maybe insufficient adjustment.

Could drop:

Be deliberate.


🧠 Re-estimation from scratch

Powerful technique.

After major new evidence:

discard old estimate and rebuild.


☕ Não faça:

“10 + mais 5 dias.”

Pergunte:

“Se eu estimasse hoje do zero?”


🧪 Técnica Bellacosa nº 1 — Zero-Based Estimate

For project:

ignore old number.

Estimate:

tasks.

dependencies.

risk.

Then compare.


🧪 Técnica nº 2 — Blind Hypothesis Generation

Before hearing:

first guess,

write your own.


🧪 Técnica nº 3 — Multiple Anchors

If unavoidable:

consider:

best case;

likely;

worst.

Avoid:

single anchor.


🧪 Técnica nº 4 — Outside View

Look:

similar projects/incidents.

Base rates.

Not:

one internal guess.


🧪 Técnica nº 5 — Disconfirming Evidence

Ask:

what would move us away?


☕ A âncora só é perigosa

quando:

ninguém verifica a corrente.


🧠 Anchoring em estimates: three-point

Instead of:

“10 days.”

Use:

OPTIMISTIC: 8
LIKELY: 15
PESSIMISTIC: 30

More honest.

Still estimates.

But less:

single-number fixation.


🧠 Range

A range reduces:

false precision.


🎯 Pergunta Bellacosa nº 23

“Por que estamos exigindo um número único quando a realidade ainda é uma distribuição?”


🧠 Anchoring e False Precision

Manager says:

12.5 days.

Now:

precision anchor.

Looks:

scientific.

Maybe:

guess.

Metric Fixation.


☕ Decimal

não é:

evidence.


🧠 Anchoring em performance targets

“CPU should be below 70.”

Why 70?

Maybe:

historical threshold.

Everyone tunes:

But:

system may handle 85.

Or suffer at 60.

Threshold anchor.


🎯 Pergunta Bellacosa nº 24

“Qual evidência originou esse threshold?”


🧠 Anchoring e Alert Thresholds

Threshold:

500 queue depth.

At 499:

green.

At 501:

red.

Anchor boundary.

Reality continuous.

Metric Fixation.


🧠 Threshold crossing

Don't let:

number

replace:

trend/context.


☕ 499 e 501

não vivem:

em universos diferentes.

Só dashboard acha.


🧠 Anchoring em compliance

“100% compliant.”

Anchor:

But:

control effectiveness?

Different.

Again.


🧠 Anchoring em certification

Score:

80% pass.

Candidate:

79%.

Feels:

fail.

Maybe:

difference tiny.

Threshold anchor.

Necessary operationally.

But don't overinterpret:

competence gap.


🎯 Pergunta Bellacosa nº 25

“A fronteira operacional também representa uma diferença real de competência ou risco?”


🧠 Anchoring em customer complaints

First complaint:

“slow.”

Support:

latency.

Maybe issue:

wrong data.

Customer description:

anchor.

Important:

listen.

But translate:

symptom.


🧠 User explanation vs observation

User:

“database is down.”

Observation:

“screen doesn't load.”

Record:

observation.

Not:

diagnosis.


☕ Usuário pode:

ser excelente sensor.

Não necessariamente:

RCA engine.


🧠 Anchoring em incident severity wording

Customer says:

“everything is down.”

Maybe:

one feature.

Don't anchor:

“everything.”

Verify scope.


🎯 Pergunta Bellacosa nº 26

“O que foi observado diretamente e o que foi interpretação de quem reportou?”


🧠 Anchoring e Political/Organizational Pressure

Director:

— This cannot be security.

Now:

negative anchor.

Team maybe:

avoids security.

Anchoring also works:

by exclusion.


🧠 Authority anchor

“We know it's not network.”

Why?

“Network manager said.”

Evidence?

Hmm.


☕ “Não é nosso.”

também é:

âncora.


🧠 Anchoring and blind spots

If first message:

“application problem,”

infra stops thinking.

Silos.


🎯 Pergunta Bellacosa nº 27

“Qual área foi excluída cedo demais por causa do primeiro rótulo?”


🧠 Anchoring e Human Error

First report:

“operator entered wrong value.”

Now:

human error.

Later:

screen auto-filled.

But anchor:

person.

Fundamental Attribution.


🧠 Anchoring e moral judgment

Once person:

blamed,

evidence interpreted:

accordingly.

Blameless culture helps:

reset.


☕ Culpa também:

ancora.

E muito forte.


🧠 Anchoring e RCA legal defensiveness

Organization may anchor:

external cause.

Because:

safer.

Then:

search.

Principal-Agent.

Self-Serving.


🎯 Pergunta Bellacosa nº 28

“Nossa primeira hipótese também é a hipótese mais confortável politicamente?”


🧠 Anchoring e Near Misses

First incident:

classified low severity.

Similar future:

low.

But context:

changed.

Reassess.


🧠 Anchoring e recurring incidents

“Known issue.”

That label:

powerful anchor.

Maybe:

new issue.

Never assume identical.


☕ “Known issue”

é útil.

Mas pode:

matar curiosidade.


🧠 Anchoring em historical RCA

Previous RCA:

DB2.

New incident:

search old KB.

First article:

DB2.

Anchor.

Search engine:

amplifies.

Streetlight.

Diagnosis Momentum.


🧠 Search ranking bias

Top result:

not necessarily:

best match.


🎯 Pergunta Bellacosa nº 29

“Estamos repetindo o RCA anterior porque a evidência é semelhante ou porque ele foi o primeiro artigo recuperado?”


🧠 Anchoring e Incident Copilots

AI could:

de-bias.

Ask:

top 5 hypotheses

without:

current anchor.

Then:

score evidence.

But if fed:

“Db2 issue,”

will anchor.

Tool design matters.


🧠 Independent first pass

Agent A:

facts-only.

Agent B:

previous hypothesis.

Compare.

Great.


☕ Uma IA pode:

ser a segunda opinião

desde que:

não receba a primeira opinião

disfarçada de fato.


🧠 Anchoring e Confidence Drift

Initial:

Db2 40%.

After five people repeat:

Db2 80%.

No evidence.

Diagnosis Momentum.

Anchor grows:

through social reinforcement.


🎯 Pergunta Bellacosa nº 30

“Nossa confiança mudou porque surgiram dados ou porque o rótulo ficou familiar?”


🧠 Familiarity effect

Repeated statements:

feel truer.

Illusory Truth Effect.

This can reinforce:

anchors.


☕ Repetição

não é:

compilação.

Muito menos:

teste.


🧠 Anchoring e narrative compression

Executive asks:

one sentence.

Team says:

“Db2 lock.”

Now:

anchor disseminated.

Later:

correction harder.

Use careful:

“leading hypothesis.”


🧠 Preserve uncertainty

Words:

possible;

likely;

confirmed.

Again.


🎯 Pergunta Bellacosa nº 31

“A simplificação executiva preservou nosso nível real de certeza?”


🧠 Anchoring e memory

After incident:

people remember:

first explanation.

Even if later changed.

Primacy effect.

First info sticks.

Diagnosis Momentum.


🧠 Correction lag

Corrections often:

less memorable.

Need:

explicit update.


☕ Boato chega:

de Ferrari.

Correção:

de ônibus municipal.


🧠 Information Rollback

If first hypothesis wrong:

propagate correction.

Not enough:

update ticket.

Tell:

teams.

vendor.

executives.

KB.


🎯 Pergunta Bellacosa nº 32

“A correção viajou tão longe quanto a hipótese original?”


🧠 Anchoring e Cultural Memory

Years later:

“that outage was Db2.”

Maybe:

not.

Old anchor:

persists.

Then:

future architecture decisions.

Cultural Debt.


🧠 Anchoring e legacy modernization

Original migration estimate:

2 years.

Years later:

people still say:

“two-year project.”

Even if scope changed.

Anchor:

institutional.


🎯 Pergunta Bellacosa nº 33

“Estamos discutindo um número atual ou uma memória organizacional de um número antigo?”


🧠 Anchoring e leadership

A leader can reduce bias:

by speaking last.

Powerful.

If leader says first:

anchor.

So:

ask team first.


☕ Chefe falar por último

às vezes:

é arquitetura cognitiva.


🧠 Silent Brainwriting

Collect:

hypotheses before:

meeting discussion.

Excellent.


🧠 Anchoring e interviews

Security investigation:

don't tell witness:

current hypothesis.

Avoid contamination.

Same principle.


🎯 Pergunta Bellacosa nº 34

“Estamos coletando informação independente ou contaminando a testemunha com nossa teoria?”


🧠 Anchoring e baseline revalidation

Periodic:

ask:

why threshold?

why SLA?

why schedule?

why architecture rule?

Anchors age.


🧠 Anchor expiry date

Nice concept.

Every assumption:

review date.


☕ Talvez todo número histórico precise:

de validade.

Como certificado.


🧠 Anchoring e Goal Substitution final connection

Original metric:

becomes anchor for:

goal.

Then:

metric target.

Then:

culture.

Anchoring may:

start entire chain.


🧠 Anchoring e Metric Fixation

First dashboard:

defines:

attention.

Everything else:

secondary.

Again.


🧠 Anchoring e McNamara

First measurable variable:

becomes:

reference.

Hard-to-measure:

ignored.


🧠 Anchoring e Streetlight

First place:

look.

Then:

stay.


🧠 Anchoring e Search Satisfaction

First finding:

satisfies.


🧠 Anchoring e Premature Closure

First plausible story:

closes.


🧠 Anchoring e Diagnosis Momentum

First label:

travels.


☕ Anchoring é quase:

o boot loader

de muitos vieses.


🧠 Bellacosa Anti-Anchoring Protocol

Quando surgir:

primeiro número;

primeira hipótese;

primeiro rótulo;

faça:


Passo 1 — Identifique a âncora

O que entrou primeiro?


Passo 2 — Pergunte a origem

Data?

Guess?

Senior?

History?


Passo 3 — Faça estimativa independente

If possible:

before hearing others.


Passo 4 — Liste alternativas

Minimum:

3 plausible.


Passo 5 — Seek disconfirming evidence

Try:

move away.


Passo 6 — Re-estimate from zero

After major evidence.


Passo 7 — Use outside view

Historical base rates.


Passo 8 — Separate observation from interpretation

Facts first.


Passo 9 — Leader speaks last

Reduce authority anchor.


Passo 10 — Re-anchor deliberately

Anchor on:

objective evidence,

not:

first opinion.


📋 Checklist Bellacosa anti-Anchoring

[ ] Qual foi a primeira informação recebida?

[ ] Ela tinha evidência?

[ ] Era dado ou palpite?

[ ] Minha estimativa mudou pouco demais?

[ ] Eu faria a mesma estimativa sem conhecer esse número?

[ ] Listei hipóteses independentes?

[ ] A primeira pessoa a falar tinha autoridade?

[ ] O título do ticket contém diagnóstico?

[ ] Algum valor histórico virou baseline sem revisão?

[ ] Há evidência nova que deveria mover minha opinião?

[ ] Estou procurando confirmação?

[ ] A IA recebeu uma hipótese já embutida no prompt?

[ ] O threshold foi escolhido por análise ou tradição?

[ ] A correção da hipótese anterior foi propagada?

🧠 Bellacosa Anchor Card

ANCHOR:
________________________

SOURCE:
________________________

TYPE:
DATA / ESTIMATE / OPINION / HISTORY

INDEPENDENT ESTIMATE:
________________________

ALTERNATIVES:
________________________

EVIDENCE AGAINST:
________________________

NEW ESTIMATE:
________________________

🧠 O Teste do RESET

Pergunte:

“Se eu pudesse apagar da memória a primeira informação recebida, o que concluiria agora?”

Difícil.

Mas poderoso.


🧠 O Teste do Número Aleatório

Se alguém diz:

“10 dias,”

pergunte:

“Se tivessem dito 100, minha estimativa mudaria?”

Se sim:

anchor.


🧠 O Teste da Hipótese Morta

Assuma:

Db2 provado inocente.

Agora:

o que investiga?

Isso:

quebra anchor.


🧠 O Teste do Senior Ausente

Pergunte:

“Se o senior não tivesse dito nada, qual seria minha hipótese?”

Great.


👻 Easter Egg nº 2 — BELLACOSA.BIAS

Na manhã seguinte:

BELLACOSA.BIAS(ANCHORING)

Dentro:

       IF FIRST-VALUE-RECEIVED = 'Y'
           MOVE 'POSSIBLE-ANCHOR'
             TO COGNITIVE-STATUS
       END-IF.

       IF NEW-EVIDENCE = 'STRONG'
           PERFORM REESTIMATE-FROM-ZERO
       END-IF.

       IF SENIOR-SPEAKS-FIRST = 'Y'
           PERFORM REQUEST-INDEPENDENT-HYPOTHESES
       END-IF.

       IF TICKET-TITLE-CONTAINS-ROOT-CAUSE = 'Y'
          AND ROOT-CAUSE-CONFIRMED = 'N'
           DISPLAY
           'WARNING: FRAME MAY BECOME ANCHOR'
       END-IF.

Comentários:

* FIRST
* DOES NOT MEAN
* BEST.

Outro:

* EARLY
* DOES NOT MEAN
* TRUE.

Outro:

* A NUMBER
* CAN ENTER YOUR HEAD
* WITHOUT PERMISSION.

Outro:

* REESTIMATE
* DO NOT JUST ADJUST.

E naturalmente:

* FIRST DALEK SEEN:
* RED.
*
* DO NOT ASSUME
* ALL DALEKS
* ARE RED.

🕰️ De volta à War Room

03:32.

Todos:

Db2.

Nosso jovem pergunta:

— Podemos começar de novo?

Gerente:

— Como assim?

— Sem assumir Db2.

DBA:

— Mas temos locks.

— Sim.

— Então?

— Eles começaram depois do incidente.

Silêncio.

Ele escreve:

FACTS

02:52 latency
02:53 retries
02:57 queue growth
03:01 DB2 lock

Depois:

HYPOTHESES

external API
MQ
network
retry storm
DB2 contributor

A sala muda.


🔧 Quinze minutos depois

Descobrem:

um parceiro externo começou:

a responder lentamente.

Clients:

retry.

Workload:

cresce.

Db2:

sofre.

O lock:

era real.

Mas:

não original.


☕ O DBA pergunta:

— Então não era Db2?

Nosso jovem:

— Db2 participou.

— Mas não causou?

— Não primeiro.

Doctor sorri.

— Muito bom.


🧠 A diferença entre “primeiro observado” e “primeiro causal”

Importantíssima.

First alert:

not first cause.

First hypothesis:

not best hypothesis.

First number:

not correct baseline.

First estimate:

not reference truth.


🎯 Pergunta Bellacosa nº 35

“Primeiro em qual sentido?”

Primeiro a aparecer?

Primeiro a ser detectado?

Primeiro a ser mencionado?

Primeiro causal?

Completamente diferentes.


🧬 Regeneração organizacional

Uma organização madura não tenta:

eliminar âncoras.

Isso é impossível.

Nós precisamos:

de referências.

O cérebro precisa:

começar em algum lugar.

A maturidade está em:

saber que o primeiro lugar é apenas um ponto de partida.

Ela:

separa fatos de hipótese;

pede estimativas independentes;

usa base rates;

faz leaders falarem depois;

recalcula quando evidência muda;

e não pune:

mudança de opinião.

Principalmente:

ela entende que:

a primeira resposta tem vantagem psicológica, não privilégio epistemológico.


📓 Diário do Doctor

Se guardar algumas ideias desta viagem:

Anchoring Bias é a tendência de depender excessivamente de uma informação inicial ao fazer julgamentos e estimativas.

Depois da âncora, frequentemente fazemos ajustes insuficientes.

A âncora pode ser um número, uma hipótese, uma palavra, um rótulo, um histórico ou a opinião de alguém com autoridade.

Em incidentes, o primeiro alerta pode ancorar toda a investigação.

Em projetos, o primeiro prazo pode dominar estimativas posteriores.

Em negociação, o primeiro preço altera a referência da conversa.

Em performance, um baseline histórico pode se tornar uma âncora obsoleta.

Em arquitetura, rótulos como “legacy”, “caro”, “impossível” ou “moderno” podem ancorar decisões.

Anchoring frequentemente antecede Confirmation Bias, Search Satisfaction, Premature Closure e Diagnosis Momentum.

Streetlight Effect pode manter a busca no componente escolhido pela âncora.

Recency Bias e Representativeness Heuristic ajudam a selecionar âncoras familiares.

Authority Bias torna a âncora de um especialista mais poderosa.

Metric Fixation pode transformar um número inicial em realidade oficial.

Goal Gradient pode fazer porcentagens de progresso virarem âncoras perigosas.

Sunk Cost e Escalation of Commitment podem transformar o plano original numa âncora difícil de abandonar.

A IA também pode ser ancorada pelo contexto, pelo prompt ou por classificações automáticas.

E principalmente:

a primeira informação merece ser considerada — nunca automaticamente obedecida.


🥚 Easter Egg final

Antes de entrar na TARDIS, o Doctor escreve:

FIRST != TRUE

Nosso jovem:

— Outra vez código que não compila.

Doctor:

— Corrija.

Ele escreve:

       IF FIRST-HYPOTHESIS = 'DB2'
           MOVE 'CANDIDATE'
             TO HYPOTHESIS-STATUS
           PERFORM GENERATE-ALTERNATIVES
       END-IF.

Doctor:

— Melhor.

O jovem pergunta:

— E se o senior tiver certeza?

Doctor:

— Ótimo.

— Ótimo?

— Significa que temos uma hipótese muito boa para tentar destruir.

Nosso jovem ri.

— E se ela sobreviver?

Doctor abre a porta.

— Então ela terá conquistado sua confiança.

Pausa.

“Não apenas chegado primeiro.”

VWORP.

VWORP.

VWORP.

A TARDIS desaparece.

Na War Room sobra apenas:

“Primeiro é posição temporal, não certificado de verdade.”

E talvez essa seja toda a essência do Anchoring Bias no Bellacosa Mainframe:

começar por uma hipótese é inevitável; permanecer preso a ela depois que a evidência mudou é escolha — e uma das escolhas mais caras que uma War Room pode fazer.

☕🌀

Próxima parada: Confirmation Bias — quando a âncora já está presa e começamos a vasculhar logs, métricas, memórias e opiniões procurando exatamente aquilo que provará que estávamos certos desde o começo.

segunda-feira, 7 de abril de 2014

🔥 CICS Transaction Server for z/OS 5.2 — Evolução e Transformação

 

Bellacosa Mainframe apresenta o CICS 5.2

🔥 CICS Transaction Server for z/OS 5.2 — Evolução e Transformação

 


☕ Midnight Lunch em 2014 — o momento em que o CICS começou a falar JSON

Imagine um green screen tradicional, movimentando milhões de transações por dia… De repente, chegam dispositivos móveis, APIs modernas e JSON por todo lado.
O CICS TS 5.2 foi o release que realmente intensificou a integração com o mundo Web e móvel, mantendo a robustez que só o mainframe entrega.


📅 Datas importantes

📌 Data de Lançamento (General Availability): 7 de abril de 2014
📌 Fim de Vida / End of Service: Versão já está fora de suporte oficial há alguns anos, substituída por releases posteriores (5.3, 5.4, 5.5, etc.).


🆕 O que há de novo — trilha de evolução

O CICS TS 5.2 não reinventa a roda. Em vez disso, refina e amplia os temas iniciados em 5.1 — especialmente a integração com a Internet e a service agility.


CICS 5.2

🌐 1) JSON e REST nativos

Uma das mudanças mais marcantes foi o suporte ao JSON (JavaScript Object Notation) e a capacidade de se expor serviços RESTful diretamente no CICS, sem depender apenas de SOAP ou tecnologia legada.
Isso veio da incorporação de recursos que antes estavam apenas no Feature Pack for Mobile Extensions. ◆

📌 Bellacosa comenta:

“Aqui o CICS começou a falar a língua da web moderna — JSON já não era só buzzword, era prática em produção.”


📡 2) Flexibilidade de data mapping para Web Services

O CICS TS 5.2 ampliou o mapeamento de dados para:

  • JSON e XML com mais tipos de dados

  • UTF-16 e estruturas mais complexas

  • TRANSFORM API para conversão automática
    Isso facilita a interoperabilidade com aplicações Web e móveis.


🔗 3) Alto suporte a high availability com IPIC

A conectividade IPIC foi estendida para suportar cenários avançados de alta disponibilidade, permitindo que grupos de regiões CICS trabalhem como um cluster com um ponto de entrada compartilhado.
Assim, se uma região cair, outra assume sem impacto visível para o cliente.

💬 Bellacosa ri:

“Cluster de CICS nos anos 2010? Era coisa de mestre Jedi do mainframe.”


🛠️ 4) Instalação mais flexível e opções de edição

Agora era possível escolher entre:
✔ CICS TS for z/OS — produção completa
✔ Developer Trial — ambiente try-before-you-buy
✔ VUE (Value Unit Edition) — modelo de licenciamento alternativo
Essa modularização facilitou experimentação e adoção.


📊 5) Gestão por policies ampliada

O modelo de policy-based management foi expandido para cobrir mais tipos de limiares (thresholds) — como filas temporárias, tempo de execução, syncpoints, TASKs e muito mais. Isso permite automação real na operação diária.


🔐 6) Segurança fortalecida

CICS 5.2 trouxe suporte mais profundo a padrões como SAML e Kerberos para Web Services, além de capacidades de TLS 1.2 e conformidade com padrões de segurança modernos. Isso consolidou o CICS como uma plataforma segura para serviços corporativos.


🧠 Melhorias “por baixo dos panos”

✔ APIs e SPI threadsafe foram ampliadas, melhorando concorrência e performance para grandes workloads.
✔ Parâmetros de initialization foram ajustados para melhorar desempenho geral.
✔ Mais estatísticas e campos de monitoramento foram expostos nas métricas SMF e instrumentos de performance.


🧪 Curiosidades e Eastereggs Particulares

🍺 JSON vindo para ficar:
Antes do 5.2, JSON ainda era “mobile add-on”. Aqui ele se torna funcionalidade central, pavimentando o caminho para APIs modernas.

🍺 Clusters nativos CICS com IPIC:
A possibilidade de agrupar regiões sob um único ponto de entrada foi um passo silencioso, mas enorme, para resiliência corporativa.

🍺 Edição VUE — precinho esperto:
Nem todo cliente queria full enterprise. O modelo VUE abriu portas para novos workloads com custo mais previsível.


🤓 Exemplo de impacto real

Imagine uma operadora de pagamentos em 2015:

✳ Antes:
Aplicações CICS atendiam telas e SOAP para integração back-office.

➡ Com CICS TS 5.2:

  • O app mobile passa a chamar endpoints REST com JSON

  • O backend CICS responde diretamente sem middleware extra

  • Métricas mais ricas permitem operações em tempo real

  • Clusters CICS garantem resiliência 24×7

💬 Bellacosa resume:

“De um lado a transação, do outro JSON — e no meio o CICS gerenciando tudo com a mesma disciplina de sempre.”


💡 Dicas Bellacosa para quem encara 5.2

✅ Aproveite JSON e TRANSFORM APIs para integração com microsserviços.
✅ Use policy thresholds para automatizar alertas e ações.
✅ Explore IPIC para alta disponibilidade.
✅ Teste as edições Developer Trial antes de ir à produção.


📌 Conclusão — Bellacosa Mainframe

O CICS TS 5.2 é a iteração que consolidou a modernização do CICS:

🔥 JSON e REST se tornam primeiros cidadãos
🔥 Alta disponibilidade com clusters nativos
🔥 Políticas automáticas para gestão
🔥 Segurança moderna integrada
🔥 Flexibilidade de instalação e uso

📌 5.2 não foi apenas incremental — foi um passo estratégico para integrar CICS com o novo mundo de serviços e aplicações móveis.


domingo, 6 de abril de 2014

O Mangá Brasileiro que Nunca Existiu — como o Brasil teve artistas, editoras, bancas, leitores e personagens para construir uma indústria de narrativas populares, mas perdeu o SOURCE CODE no caminho

 

Bellacosa Mainframe e o manga brasileiro que nunca existiu

☕ Um Café no Bellacosa Mainframe

O Mangá Brasileiro que Nunca Existiu — como o Brasil teve artistas, editoras, bancas, leitores e personagens para construir uma indústria de narrativas populares, mas perdeu o SOURCE CODE no caminho

📚 Antes de mangá virar uma palavra cotidiana no Brasil, nós já tínhamos desenhistas, roteiristas, fotonovelas, terror, erotismo, aventura, revistas de bolso, gráficas, bancas e milhões de leitores. Talvez não tenha faltado talento. Talvez tenhamos desmontado a máquina antes de descobrir o que ela poderia produzir.

Existe uma pergunta que começou a me incomodar depois de revisitar Carlos Zéfiro, Grafipar, Carol Blue e algumas relíquias esquecidas das bancas brasileiras:

Por que o Brasil nunca criou seu equivalente estrutural ao mangá japonês?

Calma.

Não estou perguntando por que brasileiros não desenhavam personagens com olhos gigantes.

Nem estou sugerindo que deveríamos ter copiado japoneses.

Muito menos afirmando que não existiram grandes quadrinhos brasileiros.

Existiram.

E existem.

A pergunta é outra.

Por que não consolidamos uma indústria popular contínua de narrativas seriadas, capaz de atravessar gerações, gêneros e públicos e transformar personagens em propriedades culturais que permanecessem décadas em produção?

Porque quanto mais escavamos nosso passado editorial, mais aparece uma coisa perturbadora:

nós tínhamos quase todas as peças.

Artistas?

Tínhamos.

Roteiristas?

Tínhamos.

Gráficas?

Tínhamos.

Editoras?

Tínhamos.

Distribuição nacional?

Tínhamos.

Bancas em praticamente todas as cidades?

Tínhamos.

Público?

Tínhamos.

Personagens?

Tínhamos.

Histórias?

Meu amigo...

somos brasileiros.

Se existe uma coisa que nunca nos faltou foi história.

Então...

que diabos aconteceu?



🗾 Primeiro, esqueça o desenho japonês

Quando falamos em mangá no Ocidente, cometemos frequentemente um erro.

Pensamos primeiro no estilo visual.

Cabelo espetado.

Olhos grandes.

Linhas de velocidade.

Expressões exageradas.

Mas o verdadeiro monstro japonês não é o desenho.

É a infraestrutura.

Mangá é também um ecossistema industrial.

Autor.

Assistentes.

Editor.

Revista.

Editora.

Impressão.

Distribuição.

Leitor.

Pesquisa de popularidade.

Volumes encadernados.

Adaptação.

Licenciamento.

Anime.

Game.

Brinquedo.

Continuação.

Spin-off.

E novamente mangá.

IDEIA
 ↓
PUBLICAÇÃO SERIADA
 ↓
LEITORES
 ↓
PERSONAGEM GANHA PÚBLICO
 ↓
VOLUME
 ↓
FRANQUIA
 ↓
ANIME / GAME / NOVEL
 ↓
NOVOS LEITORES
 ↓
NOVAS HISTÓRIAS
 ↓
COMMIT

É um sistema.

E sistemas sobrevivem porque seus componentes continuam conversando.

O Japão não criou apenas excelentes quadrinistas.

Criou uma máquina capaz de transformar narrativas populares em patrimônio econômico e cultural contínuo.

E foi aí que comecei a olhar para o Brasil dos anos 1950, 1960, 1970 e 1980 com outros olhos.

Porque...

porra, nós tínhamos uma máquina também.


📰 A banca era nossa Internet

Para alguém nascido depois da Internet comercial, talvez seja difícil compreender o que significava uma banca de jornal.

Ela não vendia simplesmente jornais.

Era um portal.

Você passava diante daquela estrutura abarrotada de papel e encontrava:

jornais;

quadrinhos;

fotonovelas;

revistas policiais;

terror;

faroeste;

humor;

automóveis;

futebol;

música;

ciência;

palavras cruzadas;

publicações femininas;

revistas infantis;

aventura;

erotismo.

A banca executava:

SELECT *
FROM CULTURA_POPULAR
ORDER BY CAPA;

E você fazia SCROLL com o pescoço.

🤣

Não havia algoritmo dizendo:

“Pessoas como você também gostaram disto.”

Existia o jornaleiro.

— Chegou coisa nova?

— Chegou.

Pronto.

Sistema de recomendação implementado.


📚 E havia segmentação

Essa é uma peça fundamental.

O mercado brasileiro já compreendia que públicos diferentes queriam produtos diferentes.

Crianças queriam determinadas histórias.

Adultos queriam outras.

Havia terror.

Romance.

Crime.

Erotismo.

Aventura.

Humor.

Western.

Fotonovela.

Quadrinhos.

Revistas de bolso.

Isso deveria soar familiar.

Porque uma das forças gigantescas do mercado japonês foi justamente compreender que quadrinhos não eram necessariamente produto infantil.

Existiam narrativas para públicos diferentes.

O Brasil também percebeu isso.

Talvez não tenha conseguido transformar essa percepção numa estrutura duradoura.


✏️ Antes da Grafipar havia um homem escondido

E então chegamos a Carlos Zéfiro.

Durante décadas, pequenos quadrinhos eróticos circularam pelo Brasil.

Os famosos:

catecismos.

Pequenos.

Baratos.

Discretos.

Clandestinos.

Fáceis de transportar.

Fáceis de esconder.

E produzidos por um homem cuja identidade permaneceu desconhecida durante décadas.

Carlos Zéfiro era o pseudônimo de Alcides Aguiar Caminha.

Homem de família.

Funcionário público.

Compositor.

E produtor de histórias eróticas.

Se quisermos usar uma analogia moderna, Zéfiro estava produzindo uma espécie de dōjinshi brasileiro analógico muito antes de a palavra fazer parte do vocabulário dos otakus daqui.

Não porque houvesse relação histórica direta.

Não havia.

Mas funcionalmente encontramos coisas semelhantes:

produção independente;

público específico;

circulação paralela;

formato barato;

autoria pseudônima;

conteúdo fora do mainstream;

leitores compartilhando material.

CARLOS ZÉFIRO

PLATFORM:
PAPER

NETWORK:
HUMAN

DISTRIBUTION:
UNDERGROUND

DRM:
NONE

COMMUNITY:
YES

PROTOCOL:
DE FÃ PARA FÃ

O brasileiro já tinha inventado seu P2P de bolso.


🏭 Então surge a Grafipar

E aqui nossa hipótese começa a ficar realmente interessante.

Porque saímos do artesanal e entramos numa estrutura empresarial.

A Grafipar, em Curitiba, tornou-se um dos casos mais fascinantes da história editorial brasileira.

Ali trabalharam desenhistas, escritores, jornalistas, fotógrafos e outros criadores.

Havia quadrinhos.

Havia erotismo.

Havia fotonovela.

Havia experimentação.

Havia produção gráfica.

Havia distribuição.

Havia leitores.

Ou seja:

CREATORS
   ↓
EDITOR
   ↓
GRAPHIC PRODUCTION
   ↓
PRINTING
   ↓
DISTRIBUTION
   ↓
NEWSSTAND
   ↓
READERS

Meu caro...

isso já é um pipeline.

Não era clandestinidade artesanal de um único criador escondido.

Era indústria cultural.


💙 E então aparece Carol Blue

Uma das peças mais deliciosas dessa arqueologia é Carol Blue.

Personagem de fotonovela interpretada por Ana Paula Krisler e criada dentro daquele ambiente editorial da Grafipar.

Carol não era simplesmente uma mulher posando para fotografias.

Ela era personagem.

Tinha narrativa.

Tinha aventuras.

Tinha identidade.

Era reconhecível.

Uma fonte contemporânea chegou a descrevê-la como uma espécie de Modesty Blaise do sexo.

E a publicação teve circulação significativa.

Agora pare.

Olhe para isso como engenheiro de sistemas.

Temos:

PERSONAGEM
      +
ATRIZ / MODELO
      +
FOTÓGRAFO
      +
ROTEIRO
      +
EDITORA
      +
PUBLICAÇÃO SERIADA
      +
DISTRIBUIÇÃO
      +
PÚBLICO

Isso é uma propriedade intelectual.

Ainda embrionária?

Talvez.

Mas é uma IP.

E aí surge a pergunta dolorosa:

onde está Carol Blue hoje?


💀 404 CHARACTER NOT FOUND

Quarenta anos depois, precisamos fazer arqueologia.

Sebo.

Arquivo de jornal.

Pesquisa acadêmica.

Coleção particular.

Revista sobrevivente.

Memória.

Fragmento.

Google.

Outro fragmento.

Até conseguirmos reconstruir:

Ana Paula Krisler.

José Augusto Iwersen.

Grafipar.

Carol Blue.

E isso é assustador.

Porque estamos falando de algo que chegou a milhares de leitores.

Não de um manuscrito produzido em três exemplares numa aldeia.

A infraestrutura existiu.

O público existiu.

A personagem existiu.

A memória empresarial...

quase desapareceu.

1981

CAROL BLUE
STATUS = PRODUCTION


2026

SEARCH CAROL BLUE

RESULT:
FRAGMENTS FOUND

Esse talvez seja um dos nossos maiores problemas culturais.

Não sabemos fazer BACKUP.


👻 E não era apenas erotismo

Se alguém reduzir essa história a revistas adultas, perderá o ponto inteiro.

O Brasil possuía enorme tradição de quadrinhos de:

terror;

crime;

aventura;

humor;

faroeste;

ficção científica;

infantil;

histórico.

E possuía algo ainda mais poderoso:

folclore suficiente para alimentar cinco editoras japonesas durante cem anos.

🤣

Pense.

Saci.

Curupira.

Boitatá.

Iara.

Cuca.

Corpo-Seco.

Mula-sem-cabeça.

Lobisomem brasileiro.

Mapinguari.

Boto.

Matinta Pereira.

Caboclo d'água.

Encantados.

Assombrações regionais.

Lendas indígenas.

Lendas africanas.

Lendas portuguesas transformadas aqui.

Agora coloque isso numa estrutura narrativa seriada.

Meu amigo...

nós tínhamos um universo cinematográfico antes de alguém inventar universo cinematográfico.


⚔️ Imagine o nosso shōnen

Não precisava existir samurai.

Nós tínhamos:

cangaceiro.

Imagine uma série publicada semanalmente durante quinze anos.

Um garoto do sertão.

Família destruída.

Jagunços.

Coronéis.

Cangaço.

Misticismo.

Padre Cícero.

Seca.

Mandacaru.

Armas.

Facas.

Vingança.

Amizade.

Sobrenatural.

Um protagonista com chapéu de couro seria visualmente tão reconhecível quanto qualquer samurai.

CLASS:
CANGACEIRO

WEAPON:
PEIXEIRA

SPECIAL ATTACK:
MANDACARU NO KATA

FINAL BOSS:
CORONEL LVL 99

🤣

Você está rindo.

Mas funcionaria.

Funcionaria para caralho.


🌳 E nosso dark fantasy?

Amazônia.

Nem precisamos inventar cenário.

Uma floresta gigantesca.

Rios que parecem mares.

Comunidades isoladas.

Ruínas.

Animais.

Lendas.

Entidades.

Desaparecimentos.

Expedições.

Garimpo.

Conflitos.

Noite.

Chuva.

Imagine uma série adulta de horror amazônico publicada desde 1978.

Hoje estaríamos discutindo:

“A fase clássica é melhor que o reboot de 2004.”

🤣

Mas ela não existe.

Ou melhor:

as peças existiram separadamente.


🚀 E nossa ficção científica?

Também tivemos autores.

Tivemos quadrinistas.

Tivemos revistas.

Tivemos leitores.

Mas raramente conseguimos transformar uma criação em uma franquia multimídia mantida durante gerações.

Esse é o ponto.

Não é ausência de criação.

É ausência de continuidade industrial.


🧠 O Japão entendeu o LONG RUNNING JOB

Uma personagem japonesa pode nascer em mangá.

Depois virar anime.

Depois jogo.

Depois brinquedo.

Depois filme.

Depois remake.

Depois edição comemorativa.

Depois streaming.

Depois uma nova geração descobre.

O sistema executa:

WHILE AUDIENCE EXISTS
    PERFORM NEW-CONTENT
    PERFORM REPRINT
    PERFORM ADAPTATION
    PERFORM LICENSING
END-WHILE

No Brasil, muitas vezes executamos:

CREATE CHARACTER
PERFORM 36 ISSUES
EDITOR CLOSES
FILES LOST
RIGHTS UNKNOWN
CREATOR DIES
NEGATIVES DISAPPEAR
END

MAXCC=0012.


💸 A economia também bateu forte

Não podemos explicar tudo através de censura.

Seria confortável demais.

O Brasil passou por sucessivas crises econômicas.

Inflação.

Hiperinflação.

Mudanças monetárias.

Custos de papel.

Custos de impressão.

Distribuição cara num país continental.

Editoras fechando.

Público perdendo poder de compra.

Mudanças na publicidade.

Concentração empresarial.

Manter publicação seriada exige previsibilidade.

E previsibilidade econômica nunca foi exatamente nosso superpoder nacional.


📺 Então chegou o chefe final: televisão

O Brasil criou uma das culturas televisivas mais fortes do planeta.

E isso teve enorme importância cultural.

Mas também concentrou atenção, publicidade e talentos.

Nossa grande narrativa popular seriada tornou-se:

a novela.

Aí existe uma diferença fascinante com o Japão.

O Japão fortaleceu simultaneamente várias cadeias:

MANGÁ
ANIME
NOVEL
GAME
TV
CINEMA

Nós desenvolvemos uma máquina extraordinariamente poderosa em:

TELEVISÃO
    ↓
TELENOVELA

E não há nada de inferior nisso.

A novela brasileira tornou-se produto cultural sofisticado, exportável e profundamente influente.

Mas parte da energia econômica que poderia sustentar outros formatos foi atraída para aquele ecossistema.

Nosso “mangá nacional” talvez tenha sido, em certo sentido...

a novela das oito.


📖 E a fotonovela perdeu a guerra

Antes da televisão dominar completamente a narrativa sentimental popular, fotonovelas tiveram enorme presença.

E aqui existe outra árvore evolutiva interrompida.

Imagine se a fotonovela tivesse sobrevivido e migrado naturalmente para formatos digitais.

Talvez hoje tivéssemos:

fotonovelas web;

histórias interativas;

visual novels brasileiras;

séries fotográficas;

apps narrativos.

Mas muitos desses formatos simplesmente desapareceram ou tornaram-se nichos.

Outro branch encerrado.


🎮 E quando chegaram os games...

começamos quase do zero novamente.

Esse é outro problema.

As indústrias culturais brasileiras frequentemente não conseguem transferir patrimônio intelectual de uma geração tecnológica para outra.

Personagem de revista deveria virar game.

Personagem de quadrinho deveria virar animação.

Fotonovela deveria virar televisão.

Livro deveria virar quadrinho.

Quadrinho deveria virar filme.

O Japão aprendeu a executar esses JOINs.

Nós frequentemente mantivemos tabelas separadas.

SELECT *
FROM QUADRINHOS;

SELECT *
FROM CINEMA;

SELECT *
FROM TV;

SELECT *
FROM GAMES;

Cadê o JOIN?


🏺 E então jogamos os originais fora

Talvez esta seja a parte que mais dói.

Quando uma sociedade considera determinado produto “cultura menor”, ela não o preserva adequadamente.

Quadrinho barato?

Joga fora.

Revista erótica?

Não interessa.

Fotonovela?

Velharia.

Revista policial?

Lixo.

Publicação popular?

Sem importância.

Décadas depois:

— Precisamos estudar a cultura brasileira dos anos 1970.

— Excelente. Onde está o acervo?

Silêncio.

SELECT *
FROM NATIONAL_MEMORY
WHERE CATEGORY = 'POPULAR';

SQLCODE +100

NOT FOUND

E então entram os verdadeiros heróis.

Colecionadores.

Sebistas.

Bibliotecas que tiveram visão.

Pesquisadores.

Famílias de artistas.

Fãs.

O sujeito que guardou uma caixa durante quarenta anos.

O usuário anônimo que não apagou.


🇯🇵 Enquanto isso, no Japão...

A preservação japonesa também está longe de ser perfeita.

Obras desapareceram.

Masters foram perdidos.

Empresas faliram.

Jogos ficaram presos em plataformas mortas.

Mas a continuidade industrial de diversas propriedades criou incentivos econômicos para conservar e republicar material.

Um mangá antigo pode ganhar edição comemorativa porque:

ainda existe mercado.

Esse detalhe é fundamental.

Preservação cultural funciona muito melhor quando alguém também consegue ganhar dinheiro preservando.


🧬 O verdadeiro segredo é continuidade

Talvez finalmente tenhamos encontrado nosso ROOT CAUSE.

Não faltou criatividade brasileira.

Não faltaram personagens.

Não faltou público.

Não faltaram histórias.

Não faltaram desenhistas.

Não faltaram gráficas.

Não faltou ousadia.

Faltou alguma combinação de:

continuidade institucional;

preservação;

capital de longo prazo;

integração entre mídias;

gestão de propriedade intelectual;

estabilidade econômica;

transmissão entre gerações.

Em linguagem de mainframe:

não perdemos porque o programa era ruim.

Perdemos porque ninguém garantiu que o sistema continuaria rodando depois da próxima migração.


🧙‍♂️ O SOURCE CODE perdido

E finalmente chegamos ao título desta história.

O mangá brasileiro que nunca existiu talvez tenha existido...

em fragmentos.

Carlos Zéfiro possuía uma peça.

A Grafipar possuía outra.

As revistas de terror tinham outra.

As fotonovelas tinham outra.

Os quadrinistas brasileiros tinham outra.

As bancas eram a infraestrutura.

As gráficas eram o processamento.

Os leitores eram os usuários.

Os personagens eram os dados.

Só faltou alguém executar:

LINK-EDIT ALL-MODULES

E produzir o sistema completo.

Em algum momento os módulos desapareceram.

Uma editora fechou.

Outra mudou de mercado.

Uma gráfica encerrou atividade.

Uma banca desapareceu.

Um artista morreu.

Um arquivo foi jogado fora.

Uma coleção mofou.

Um negativo sumiu.

E o SOURCE CODE foi se perdendo.


🔥 Mas talvez exista uma segunda chance

Aqui a conversa deixa de ser arqueologia.

Porque 2026 possui algo que 1981 não tinha.

Distribuição digital.

Um autor brasileiro hoje pode criar uma série e atingir o planeta.

Não precisa imprimir 40 mil exemplares antes de descobrir se alguém quer ler.

Pode publicar.

Testar.

Traduzir.

Financiar coletivamente.

Animar.

Criar jogo.

Vender impressão sob demanda.

Construir comunidade.

BRAZILIAN STORY
      ↓
WEB
      ↓
PORTUGUESE
      ↓
ENGLISH
SPANISH
JAPANESE
      ↓
GLOBAL AUDIENCE

Pela primeira vez, talvez o maior obstáculo histórico brasileiro — distribuição — tenha sido dramaticamente reduzido.


🇧🇷 Então não façamos “mangá brasileiro”

Essa talvez seja a conclusão mais importante.

Não precisamos fabricar uma imitação do Japão.

O Japão já produz excelentes mangás.

Precisamos descobrir qual seria nossa própria máquina narrativa popular.

Com nossa estética.

Nossos monstros.

Nossa história.

Nossa violência.

Nosso humor.

Nossa sensualidade.

Nossa diversidade.

Nossas contradições.

Nosso absurdo.

Porque convenhamos:

um país que produziu cangaço, Brasília, Carnaval, Amazônia, Madame Satã, Carlos Zéfiro, Lampião, Santos-Dumont, futebol, ditaduras, malandragem, espiritismo popular, cidades coloniais, metrópoles cyberpunk e uma mula que corre sem cabeça...

não pode alegar falta de worldbuilding.

🤣


☕ O último café

Talvez nunca tenha existido um “mangá brasileiro”.

E talvez isso seja bom.

Porque o que poderia ter existido seria outra coisa.

Algo nosso.

Uma tradição de narrativa gráfica popular capaz de pegar histórias nascidas numa banca de Recife, Curitiba, São Paulo ou Rio e carregá-las durante cinquenta anos.

Personagens atravessando gerações.

Autores herdando universos.

Quadrinhos virando filmes.

Livros virando games.

Fotonovelas virando visual novels.

Folclore virando fantasia.

Cangaço virando épico.

Amazônia virando horror.

História virando aventura.

E talvez Carol Blue ainda tivesse uma edição comemorativa.

Talvez algum personagem de terror brasileiro criado em 1973 estivesse recebendo sua décima adaptação.

Talvez estivéssemos reclamando:

“O reboot ficou uma porcaria. O original de 1982 era muito melhor.”

🤣

Mas aquele futuro não aconteceu.

Em algum ponto da migração, perdemos tabelas.

Perdemos documentação.

Perdemos arquivos.

Perdemos empresas.

Perdemos memória.

Não porque faltasse talento.

Talvez porque tratássemos cada geração cultural como sistema descartável.

E sistemas descartáveis não constroem tradição.

Por isso, quando encontrarmos uma velha revista num sebo, um catecismo de Carlos Zéfiro, uma Carol Blue esquecida, um quadrinho de terror amarelado ou uma fotonovela que ninguém mais lembra...

não olhemos apenas como curiosidade.

Pode ser um fragmento de algo muito maior.

Um módulo sobrevivente de uma aplicação que nunca terminou de ser compilada.

O mangá brasileiro que nunca existiu.

Seu executável desapareceu.

A documentação está incompleta.

Vários desenvolvedores já partiram.

Mas alguns módulos ainda estão por aí.

Em sebos.

Bibliotecas.

Coleções.

Caixas.

HDs.

Memórias.

E enquanto existir alguém disposto a encontrá-los, documentá-los e passá-los adiante...

talvez o SOURCE CODE não esteja completamente perdido.

Talvez esteja apenas esperando alguém executar:

RESTORE FROM BACKUP.

☕🇧🇷

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...