Translate

sexta-feira, 17 de julho de 2026

20 Anos Depois da Bolha da Internet : O Que Todo Programador COBOL Padawan Precisa Aprender com o Maior Crash Tecnológico da Era Digital

 

Bellacosa Mainframe e o impacto da bolha da internet 25 anos apos os eventos

☕ Um Café no Bellacosa Mainframe

25 Anos Depois da Bolha da Internet

O Que Todo Programador COBOL Padawan Precisa Aprender com o Maior Crash Tecnológico da Era Digital

"Nem toda inovação sobrevive. Mas toda inovação deixa código, cicatrizes e conhecimento."


Introdução — A História se Repete... Apenas Troca de Interface

Imagine um jovem programador COBOL entrando pela primeira vez no CPD em 1999.

Enquanto ele aprendia JCL, CICS e Db2, do outro lado do mundo acontecia algo considerado "o futuro absoluto".

Internet.

Sites.

Portais.

E-commerce.

Empresas que nunca haviam vendido absolutamente nada estavam sendo avaliadas em bilhões de dólares.

Bastava colocar ".com" no nome da empresa.

O dinheiro aparecia.

Investidores compravam ações sem perguntar uma única coisa:

"Como essa empresa ganha dinheiro?"

Foi provavelmente o maior delírio coletivo já visto na história da tecnologia moderna.

E, como quase toda bolha financeira...

Ela estourou.

Milhões perderam dinheiro.

Empresas desapareceram.

Profissionais ficaram desempregados.

Projetos gigantescos foram abandonados.

Mas...

Curiosamente...

Foi justamente daquele caos que nasceram praticamente todas as gigantes digitais que usamos hoje.

Google.

Amazon.

Netflix.

PayPal.

Salesforce.

Wikipedia.

LinkedIn.

A bolha destruiu milhares de empresas.

Mas fortaleceu as poucas que realmente tinham fundamentos.

Hoje, mais de vinte anos depois, vale perguntar:

Estamos vivendo algo parecido novamente?

Prepare seu café.

Vamos voltar para 1995.


Capítulo 1 — O Mundo Antes da Internet Comercial

Para quem nasceu depois dos anos 2000 é difícil imaginar.

Não existia:

  • Google

  • YouTube

  • WhatsApp

  • Streaming

  • Redes sociais

  • Smartphones

A internet era praticamente um ambiente acadêmico.

Empresas utilizavam:

  • Mainframes

  • AS/400

  • UNIX

  • Novell

  • Lotus Notes

Os sistemas corporativos eram fechados.

A Web ainda parecia um experimento.

Até surgir algo revolucionário.

O navegador gráfico.

Primeiro Mosaic.

Depois Netscape.

Pela primeira vez qualquer pessoa podia navegar clicando em imagens.

Parecia magia.


Capítulo 2 — A Febre das Dot-Com

Entre 1995 e 2000 aconteceu uma explosão.

Todo empreendedor dizia possuir uma startup.

Na época nem existia esse nome.

Chamavam simplesmente de empresas ".com".

Qualquer ideia parecia revolucionária.

Vendia-se:

  • comida

  • livros

  • flores

  • brinquedos

  • viagens

  • carros

Tudo online.

Investidores passaram a acreditar que a internet substituiria completamente o comércio tradicional em poucos anos.

Começou uma corrida maluca.


A lógica da época era assustadoramente simples

Não importava:

  • lucro

Nem:

  • faturamento

Nem:

  • clientes

Nem:

  • produtos

Importava apenas:

"Crescimento."

Era comum ouvir frases como:

"Primeiro conquistamos usuários.
Depois descobrimos como ganhar dinheiro."

Soa familiar?


Capítulo 3 — A Economia do "Queime Caixa"

Hoje chamamos isso de:

Burn Rate.

Na época:

Era praticamente um esporte.

Empresas queimavam milhões de dólares por mês.

Publicidade.

Marketing.

Escritórios luxuosos.

Contratações gigantescas.

Sem receita.

Sem lucro.

Sem modelo sustentável.

O dinheiro vinha dos investidores.

Enquanto houvesse investidores...

Tudo parecia funcionar.


Capítulo 4 — O Mercado Entrou em Histeria

O índice NASDAQ praticamente explodiu.

As ações subiam diariamente.

Jornais diziam:

"A Nova Economia chegou."

Especialistas afirmavam:

"O lucro não importa mais."

Foi um dos maiores erros intelectuais da história econômica.

Durante alguns anos...

Parecia verdade.


Capítulo 5 — O Estouro da Bolha (2000)

Então veio a pergunta que ninguém queria responder.

"Essas empresas realmente valem isso?"

A resposta apareceu rapidamente.

Não.

O capital desapareceu.

Os investidores correram.

As ações despencaram.

Empresas quebraram em semanas.

O NASDAQ perdeu aproximadamente 78% de seu valor entre março de 2000 e outubro de 2002, marcando um dos maiores colapsos da história dos mercados financeiros.

Bilhões evaporaram.


Capítulo 6 — O Efeito Dominó

Quando uma startup quebrava...

Ela deixava de pagar:

  • fornecedores

  • publicidade

  • hospedagem

  • infraestrutura

  • salários

Outra empresa também quebrava.

Depois outra.

Depois outra.

O caos espalhou-se rapidamente.

Era um problema sistêmico.


Capítulo 7 — Milhares de Programadores Ficaram Sem Emprego

Esse ponto costuma ser esquecido.

A bolha não afetou apenas investidores.

Ela afetou profissionais.

Desenvolvedores.

Analistas.

Administradores.

DBAs.

Engenheiros.

Muitos mudaram completamente de carreira.

Outros voltaram para empresas tradicionais.

Inclusive para...

Mainframes.

Enquanto muitas startups desapareciam...

Bancos continuavam funcionando.

Seguradoras continuavam processando milhões de transações.

Governos continuavam pagando aposentadorias.

Os grandes sistemas corporativos permaneceram de pé.


Capítulo 8 — Amazon Quase Morreu

Pouca gente sabe.

A Amazon perdeu cerca de 95% de seu valor de mercado durante o colapso.

Muitos analistas afirmavam:

"A empresa nunca dará lucro."

Jeff Bezos tomou uma decisão histórica.

Reduzir custos.

Melhorar eficiência.

Pensar no longo prazo.

Não abandonar a visão.

Essa disciplina permitiu que a empresa sobrevivesse quando milhares desapareceram.


Capítulo 9 — Google Nasceu no Meio da Crise

Outro fato curioso.

Google surgiu praticamente durante o caos.

Enquanto empresas quebravam...

Google construía tecnologia.

Não publicidade exagerada.

Não marketing.

Infraestrutura.

Algoritmos.

Qualidade.

Foi exatamente isso que fez diferença.


Capítulo 10 — A Grande Lição

Tecnologia não substitui fundamentos.

Ela apenas acelera.

Uma empresa ruim...

fica ruim mais rápido.

Uma empresa boa...

escala mais rapidamente.


Capítulo 11 — O Que Isso Tem a Ver com COBOL?

Muito mais do que parece.

Durante toda a bolha, muitos diziam:

"O mainframe morreu."

"O COBOL acabou."

"O futuro pertence apenas às startups."

Vinte anos depois...

Quem continua processando:

  • cartões

  • folha salarial

  • bolsas de valores

  • pagamentos

  • impostos

  • previdência

São justamente sistemas construídos com décadas de engenharia sólida.

O hype passou.

Os sistemas críticos permaneceram.


Capítulo 12 — As Lições para o Padawan COBOL

Imagine um sistema bancário.

Você pode criar uma interface moderna.

Pode colocar IA.

Pode usar Kubernetes.

Pode rodar APIs REST.

Mas...

Se a transação financeira falhar...

Nada disso importa.

A base continua sendo:

  • confiabilidade;

  • consistência;

  • disponibilidade;

  • recuperação;

  • auditoria.

São princípios que existiam antes da Web e continuam indispensáveis.


Capítulo 13 — Comparando com Outras Bolhas

A história econômica mostra um padrão recorrente. A tecnologia muda, mas o comportamento humano permanece semelhante.

A bolha ferroviária (século XIX)

As ferrovias revolucionaram o transporte, e investidores aplicaram recursos em qualquer empresa ligada aos trilhos. Muitas fracassaram, mas a infraestrutura construída transformou a economia mundial.

A bolha das empresas de energia e telecomunicações

No fim dos anos 1990, além das empresas de internet, houve excesso de investimentos em redes de fibra óptica e telecomunicações. Muitas companhias faliram, mas os cabos permaneceram e sustentaram a internet de alta velocidade dos anos seguintes.

A crise financeira de 2008

O problema não era uma nova tecnologia, mas a crença de que o mercado imobiliário subiria para sempre. Quando essa premissa caiu, todo o sistema financeiro sofreu.

As criptomoedas

Entre 2017 e 2022 surgiram milhares de projetos sem utilidade real. Muitos desapareceram, mas a tecnologia de blockchain continuou evoluindo para aplicações específicas.

O Metaverso

Após 2021, diversas empresas anunciaram que o metaverso substituiria a internet tradicional. O entusiasmo foi muito maior do que a adoção real. Ainda assim, tecnologias como realidade virtual, aumentada e computação espacial continuam evoluindo.

A Inteligência Artificial Generativa

Vivemos hoje um momento que lembra, em alguns aspectos, a era das dot-com. Há investimentos bilionários, criação acelerada de startups e expectativas elevadas. A diferença é que a IA já demonstra aplicações concretas em produtividade, programação, pesquisa, atendimento e automação. Ainda assim, permanece a mesma pergunta fundamental:

Qual problema real está sendo resolvido?


Capítulo 14 — Os Efeitos na Sociedade

A bolha deixou marcas profundas.

Mudou a forma como investidores analisam empresas.

Fortaleceu a cultura das startups.

Popularizou o capital de risco (venture capital).

Acelerou a transformação digital.

Criou milhões de empregos na economia digital nos anos seguintes.

Também ensinou que inovação precisa caminhar ao lado de governança, gestão financeira e planejamento.


Capítulo 15 — Os Efeitos no Trabalho

Depois do colapso, o mercado passou a valorizar muito mais profissionais capazes de construir sistemas robustos do que apenas criar demonstrações impressionantes.

Ganharam espaço competências como:

  • arquitetura de sistemas;

  • segurança da informação;

  • banco de dados;

  • integração entre plataformas;

  • engenharia de software;

  • testes automatizados;

  • observabilidade;

  • continuidade de negócios.

É exatamente esse perfil que encontramos em muitos profissionais de mainframe.


Capítulo 16 — Os Riscos dos Novos Hypes

Hoje ouvimos frases parecidas com as do ano 2000:

  • "A IA substituirá todos os programadores."

  • "Não será mais necessário aprender arquitetura."

  • "Modelos resolvem tudo."

  • "Quem não usar IA ficará para trás."

Essas afirmações podem conter parte da verdade, mas também escondem exageros.

Um modelo de IA depende de:

  • dados de qualidade;

  • infraestrutura;

  • governança;

  • segurança;

  • integração;

  • pessoas.

Assim como uma página HTML não fazia uma empresa lucrativa em 1999, um chatbot não transforma automaticamente um negócio em sucesso.


Capítulo 17 — O Mainframe e a Sabedoria dos Sistemas Duradouros

Uma das maiores lições da bolha da internet é que tecnologia de verdade não é aquela que aparece nas manchetes, mas a que continua funcionando décadas depois.

Mainframes atravessaram:

  • a popularização do PC;

  • a internet;

  • o comércio eletrônico;

  • os smartphones;

  • a computação em nuvem;

  • os microsserviços;

  • a IA generativa.

Não porque resistiram à mudança, mas porque evoluíram continuamente.

Hoje, plataformas IBM Z executam Linux, Kubernetes, APIs REST, OpenShift, criptografia avançada e aceleradores para IA, sem abrir mão da confiabilidade que sempre os caracterizou.


Easter Egg Bellacosa Mainframe 🍵

Na Frota Estelar existe uma regra não escrita:

Nunca escolha um capitão apenas porque a nave é bonita. Escolha porque ela consegue voltar para casa.

Foi exatamente isso que aconteceu com as dot-com.

Muitas tinham interfaces espetaculares.

Poucas tinham motores confiáveis.

As que sobreviveram aprenderam que design atrai, marketing encanta, inovação impressiona — mas são arquitetura, disciplina, execução e sustentabilidade que mantêm uma empresa viva por décadas.


Conclusão — A História Não se Repete, Mas Costuma Rimar

Vinte anos após o estouro da bolha da internet, percebemos que ela não foi o fim da revolução digital. Pelo contrário, foi seu processo de amadurecimento.

O entusiasmo excessivo financiou infraestrutura, talentos e ideias que pareciam exageradas para a época. Muitas fracassaram, mas deixaram sementes que floresceram em empresas capazes de transformar a economia global.

Para um Padawan COBOL, essa história traz uma mensagem poderosa. Não se deixe levar apenas pelo brilho das novidades nem rejeite toda inovação por apego ao passado. O profissional valioso é aquele que consegue distinguir modismo de transformação estrutural.

Hoje, enquanto Inteligência Artificial, agentes autônomos, computação quântica e novas arquiteturas ocupam as manchetes, a pergunta continua a mesma de 1999:

Existe um problema real sendo resolvido?

Se a resposta for "sim", estamos diante de uma tecnologia com potencial para mudar o mundo.

Se a resposta depender apenas de apresentações bonitas, promessas vagas e crescimento sem fundamentos, talvez estejamos apenas assistindo ao próximo capítulo de uma história que já vimos antes.

Como todo bom oficial da Frota Estelar sabe, a missão não é perseguir cada estrela que aparece no radar, mas construir naves capazes de atravessar gerações. O mesmo vale para empresas, carreiras e sistemas: as tecnologias mudam, os princípios permanecem. E é justamente essa combinação entre inovação e fundamentos que separa um fenômeno passageiro de um verdadeiro legado tecnológico.


quinta-feira, 16 de julho de 2026

🚀 Quer Começar uma Carreira em IBM Mainframe? Estes Cursos Gratuitos São o Melhor Ponto de Partida

 

Bellacosa Mainframe inicie sua carreira em ibm mainframe tudo gratuito

☕ Um Café no Bellacosa Mainframe

🚀 Quer Começar uma Carreira em IBM Mainframe? Estes Cursos Gratuitos São o Melhor Ponto de Partida

Durante muitos anos, aprender Mainframe significava ter acesso a um IBM Z físico ou trabalhar em uma grande empresa. Hoje esse cenário mudou completamente. A IBM e sua comunidade disponibilizam uma excelente coleção de cursos gratuitos, laboratórios práticos e trilhas de aprendizado que permitem a qualquer pessoa iniciar uma carreira em uma das áreas mais estáveis e valorizadas da Tecnologia da Informação.

Se você é um Programador COBOL Padawan, considere esta lista como sua Academia da Frota Estelar. Antes de assumir o controle da USS Enterprise (ou de um IBM Z), é preciso dominar os fundamentos.


🖖 1. IBM Z Mainframe Skills Depot (A Academia Oficial da IBM)

O melhor ponto de partida para quem deseja aprender Mainframe.

A plataforma reúne centenas de horas de treinamento organizadas por trilhas de carreira, incluindo:

  • COBOL

  • JCL

  • Db2

  • CICS

  • IMS

  • VSAM

  • RACF

  • z/OS

  • DevOps

  • Segurança

  • Modernização

  • Linux on IBM Z

👉 IBM Z Mainframe Skills Depot


🎮 2. IBM Z Xplore

Aprender jogando.

O IBM Z Xplore transforma o aprendizado em desafios práticos. Você resolve missões reais, ganha badges digitais e aprende utilizando um ambiente IBM Z.

Ideal para quem nunca teve contato com Mainframe.

Você encontrará desafios envolvendo:

  • COBOL

  • JCL

  • TSO/ISPF

  • USS

  • Python

  • Db2

  • VS Code

  • Linux on Z

👉 IBM Z Xplore


💻 3. Learning COBOL Programming with VS Code

Um dos melhores cursos gratuitos para iniciantes.

Ao invés de começar diretamente na tradicional tela verde, você aprende COBOL utilizando o Visual Studio Code e ferramentas modernas.

Conteúdo:

  • Introdução ao COBOL

  • Variáveis

  • IF

  • PERFORM

  • Arquivos

  • Estruturas de dados

  • Desenvolvimento moderno

👉 Learning COBOL Programming with VS Code


🎓 4. IBM Training

O portal oficial de treinamento da IBM reúne centenas de cursos gratuitos e pagos sobre IBM Z, LinuxONE, automação, segurança, IA e diversas tecnologias corporativas.

👉 IBM Training


🌎 5. IBM SkillsBuild

Excelente plataforma para desenvolver competências em tecnologia.

Além de Mainframe, oferece cursos de:

  • Computação em Nuvem

  • Inteligência Artificial

  • Segurança

  • Programação

  • Dados

  • Soft Skills

Tudo isso ajuda a formar um profissional completo.

👉 IBM SkillsBuild


⚙️ 6. IBM Developer

Portal com artigos, tutoriais, exemplos de código, projetos e conteúdos produzidos por especialistas da IBM.

Ideal para aprofundar os estudos depois dos cursos básicos.

👉 IBM Developer


📚 7. Open Mainframe Project

Uma excelente fonte para conhecer o ecossistema open source voltado ao IBM Z.

Você encontrará projetos como:

  • Zowe

  • Feilong

  • COBOL Programming Course

  • Modernização

  • DevOps

👉 Open Mainframe Project


🧑‍💻 8. IBM Redbooks

Os famosos "livros vermelhos" da IBM.

São referências técnicas escritas por especialistas e cobrem praticamente todos os assuntos relacionados ao IBM Z.

👉 IBM Redbooks


🚀 Roteiro recomendado para iniciar

Não tente aprender tudo de uma vez. Uma sequência eficiente é:

  1. Conceitos de Mainframe e z/OS

  2. COBOL

  3. JCL

  4. VSAM e QSAM

  5. SQL e Db2

  6. CICS

  7. IMS

  8. TSO/ISPF

  9. REXX

  10. RACF

  11. Git e DevOps para IBM Z

  12. APIs e Modernização (z/OS Connect, REST)

  13. Ansible, Zowe e automação

  14. IA aplicada ao IBM Z


💡 Dicas para o Programador COBOL Padawan

  • Não estude apenas COBOL: o ecossistema Mainframe é composto por diversas tecnologias que trabalham em conjunto.

  • Faça os laboratórios sempre que possível; a prática acelera o aprendizado.

  • Conquiste badges e certificados para enriquecer seu currículo e perfil no LinkedIn.

  • Participe de comunidades, eventos e programas como IBM Z Day e IBM TechXchange.

  • Compartilhe seus projetos e aprendizados. Ensinar também é uma excelente forma de consolidar conhecimento.


🖖 Mensagem Final

Na USS Enterprise, o conhecimento era a ferramenta mais valiosa da tripulação. No universo IBM Z, a lógica, a disciplina e o aprendizado contínuo desempenham o mesmo papel. Com tantos recursos gratuitos disponíveis hoje, nunca foi tão acessível iniciar uma carreira em Mainframe. O importante é começar, evoluir um passo de cada vez e transformar curiosidade em experiência prática.

Como diria o Sr. Spock:

"A lógica é o começo da sabedoria, não o fim."

Que sua jornada no universo IBM Mainframe seja longa, próspera e repleta de novos conhecimentos. 🖖

quarta-feira, 15 de julho de 2026

O Funeral que Nunca Aconteceu : A História da Morte do Mainframe... Contada por Quem Sobreviveu

Bellacosa Mainframe e a morte do Mainframe e Cobol

☕ Um Café no Bellacosa Mainframe

O Funeral que Nunca Aconteceu

A História da Morte do Mainframe... Contada por Quem Sobreviveu

Uma jornada histórica por 14 capítulos que revisitam as previsões sobre o fim do mainframe e mostram como IBM Z, COBOL, CICS, Db2 e z/OS continuaram evoluindo até a era do IBM z17 e da Inteligência Artificial.

Por

 O Funeral que Nunca Aconteceu, série histórica sobre as previsões da morte do mainframe
Uma viagem pelas manchetes que anunciaram a morte do mainframe e pela evolução que conduziu a plataforma até o IBM z17.

“A melhor maneira de entender o futuro é estudar as previsões que nunca aconteceram.”

— Bellacosa Mainframe



Bellacosa Mainframe e seu thesaurus El Jefe Midnight Lunch

Introdução

Existe uma frase muito conhecida na tecnologia:

"O Mainframe vai morrer."

Ela foi repetida tantas vezes que acabou se tornando uma espécie de tradição da indústria.

Durante décadas, jornalistas, analistas, consultores e fabricantes anunciaram o fim da plataforma IBM Mainframe.

Alguns diziam que seria substituída pelos PCs.

Depois vieram as workstations.

Em seguida o Client/Server.

Depois Windows NT.

Java.

Linux.

Cloud.

Microservices.

Blockchain.

Metaverso.

Agora Inteligência Artificial.

O curioso é que todas essas tecnologias realmente revolucionaram a computação.

Mas nenhuma conseguiu fazer aquilo que tantas manchetes prometeram:

Substituir completamente o Mainframe.

Este artigo reúne toda essa jornada histórica, baseada nas reportagens preservadas pelo Professor Wolfgang Spruth em seu clássico trabalho The Death of the Mainframe, acrescentando uma visão moderna de quem vive diariamente o IBM Z em 2026.

Pegue um café.

Vamos revisitar quase quarenta anos de História da Computação.


Capítulo 1

O Funeral que Nunca Aconteceu

Abrimos nossa jornada voltando ao final dos anos 80, quando a indústria começou a decretar oficialmente a morte do Mainframe.

Mostramos como surgiu essa narrativa e como, enquanto jornais anunciavam o funeral, bancos, seguradoras, governos e companhias aéreas continuavam processando bilhões de transações em COBOL, CICS e Db2.

Foi o início da maior ironia da computação.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-1-o-funeral-que-nunca-aconteceu.html


Capítulo 2

A Década dos Buzzwords

Entramos na verdadeira fábrica de modismos tecnológicos.

Client/Server.

Downsizing.

Open Systems.

Distributed Computing.

Windows NT.

RISC.

Cada nova palavra parecia carregar uma promessa:

"Agora acabou para o Mainframe."

Descobrimos que buzzwords mudam rapidamente.

Problemas de negócio não.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-2-decada-dos-buzzwords.html


Capítulo 3

Wolfgang Spruth — O Historiador do Mainframe

Conhecemos o professor alemão Wolfgang Spruth.

Em vez de discutir com jornalistas, ele tomou uma atitude muito mais inteligente.

Arquivou todas as manchetes.

Graças ao seu trabalho, hoje podemos estudar essas previsões como documentos históricos, compreendendo o contexto em que foram escritas e por que pareciam tão convincentes.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-3-o-professor-que-arquivou-o.html


Capítulo 4

Forbes (1989)

Analisamos uma das primeiras grandes reportagens que classificaram o Mainframe como um "dinossauro tecnológico".

Descobrimos que a Forbes acertou ao perceber a ascensão dos computadores pessoais.

Mas errou ao acreditar que crescimento significava substituição.

Enquanto a reportagem era publicada...

Os sistemas continuavam funcionando normalmente.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-4-forbes-1989.html


Capítulo 5

The New York Times (1989)

O tema saiu das revistas especializadas e chegou ao grande público.

O New York Times popularizou mundialmente a imagem do Mainframe como uma tecnologia destinada ao desaparecimento.

Explicamos por que aquela conclusão parecia lógica na época e mostramos como ela ignorava o verdadeiro patrimônio das empresas: décadas de regras de negócio.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-5-new-york-times-1989.html


Capítulo 6

InfoWorld (1991)

Chegamos à previsão mais famosa da História da Computação.

Stewart Alsop declarou que:

"Em 15 de março de 1996 alguém desligará o último Mainframe."

A data chegou.

O Mainframe permaneceu ligado.

Décadas depois, o próprio autor reconheceria publicamente o equívoco.

Hoje essa previsão tornou-se um dos maiores exemplos de como extrapolar tendências pode produzir conclusões equivocadas.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-6-infoworld-1991.html


Capítulo 7

New York Times (1993)

Mesmo após quatro anos de transformações, o jornal voltou ao tema afirmando que o Mainframe estava "correndo rumo à extinção".

Mostramos por que a computação realmente estava mudando profundamente, mas também por que evolução da arquitetura não significava desaparecimento da plataforma.

Enquanto manchetes eram publicadas...

Os sistemas continuavam processando milhões de transações.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-7-new-york-times-1993.html


Capítulo 8

Business Week (1994)

O primeiro grande sinal de mudança.

George Colony, da Forrester Research, declarou:

"It's the end of the end for the mainframes."

A indústria começava a perceber que talvez tivesse enterrado o paciente cedo demais.

Os primeiros projetos gigantescos de migração revelavam custos, riscos e complexidade muito maiores do que o previsto.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-8-business-week-1994.html


Capítulo 9

O Que Realmente Aconteceu

Saímos das manchetes e acompanhamos a evolução verdadeira da plataforma.

Parallel Sysplex.

CMOS.

Linux on IBM Z.

Java.

Virtualização.

zAAP.

zIIP.

Web Services.

REST.

OpenShift.

Zowe.

Ansible.

BOB.

watsonx.

IBM z17.

Enquanto alguns aguardavam o funeral...

A IBM construía uma das plataformas mais modernas da computação corporativa.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-9-o-que-realmente-aconteceu.html


Capítulo 10

Por Que Todos Erraram?

Este talvez seja o capítulo mais importante.

Demonstramos que o erro nunca foi técnico.

O erro foi analisar apenas hardware.

Poucos perceberam que empresas não compram computadores.

Empresas acumulam conhecimento.

E conhecimento não é substituído simplesmente porque surgiu um processador mais rápido.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-10-por-que-tantas-previsoes.html


Capítulo 11

O Cemitério dos Buzzwords

Visitamos, com humor, um enorme cemitério imaginário.

Client/Server.

Windows NT.

SOA.

ERP.

Cloud.

Blockchain.

Metaverso.

Todos prometeram substituir completamente o Mainframe.

Nenhum conseguiu.

Não porque fossem tecnologias ruins.

Mas porque o Mainframe fez algo muito mais inteligente.

Integrou todas elas.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-11-o-cemiterio-dos-buzzwords.html


Capítulo 12

O Legado dos Profetas

Chegamos a 2026.

IBM z17.

watsonx.

COBOL moderno.

Db2 13.

CICS TS.

BOB.

OpenShift.

DevOps.

Mostramos que a verdadeira força do Mainframe nunca foi resistir às mudanças.

Foi evoluir continuamente.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-12-o-legado-dos-profetas-e.html


Capítulo 13

A IA e o Próximo Funeral

A História está se repetindo.

Hoje muitas manchetes afirmam que a Inteligência Artificial eliminará programadores.

Talvez.

Talvez não.

Depois de estudar quarenta anos de previsões aprendemos uma lição.

Desconfie sempre de afirmações absolutas.

A IA provavelmente transformará profundamente o desenvolvimento de software.

Mas também poderá tornar COBOL, Db2 e o IBM Z ainda mais produtivos.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-13-os-profetas-da-ia-e-o.html


Capítulo 14

O Julgamento da História

Encerramos nossa jornada imaginando um grande tribunal.

As testemunhas não eram jornalistas.

Eram bancos.

Companhias aéreas.

Seguradoras.

Governos.

Programadores.

DBAs.

Sysprogs.

Arquitetos.

No final, o juiz — representado pela própria História — conclui algo extraordinário.

Os jornalistas não estavam de má-fé.

Eles apenas tentaram prever o futuro.

O problema é que o futuro resolveu seguir um caminho muito mais interessante.

https://eljefemidnightlunch.blogspot.com/2026/07/capitulo-14-o-julgamento-da-historia.html


Bellacosa Mainframe e a conclusão da Saga a Morte do Mainframe

A Grande Lição

Depois de estudar quase quarenta anos de previsões existe uma conclusão inevitável.

As tecnologias realmente revolucionárias não costumam destruir imediatamente aquelas que vieram antes.

Elas convivem.

Integram-se.

Aprendem umas com as outras.

Foi assim com:

  • PCs.

  • UNIX.

  • Linux.

  • Internet.

  • Java.

  • Cloud.

  • Containers.

  • Kubernetes.

  • DevOps.

  • Inteligência Artificial.

Todas transformaram a computação.

E todas, de alguma forma, passaram a fazer parte do ecossistema IBM Z.

O verdadeiro vencedor nunca foi o Mainframe.

Nem o Client/Server.

Nem o Cloud.

Nem a IA.

O verdadeiro vencedor foi a Engenharia.


Uma mensagem ao Padawan COBOL

Se você está começando sua jornada...

Nunca escolha uma tecnologia apenas porque ela está na moda.

Escolha porque ela resolve problemas.

Nunca abandone uma plataforma apenas porque alguém a chamou de "legado".

Descubra primeiro se ela continua gerando valor.

Nunca confunda marketing com arquitetura.

Nunca confunda hype com inovação.

E, principalmente...

Nunca deixe de estudar História.

Porque quem conhece o passado dificilmente será enganado pelos mesmos discursos no futuro.


Epílogo

Em 1989 disseram que era um dinossauro.

Em 1991 marcaram sua morte.

Em 1993 afirmaram que caminhava para a extinção.

Em 1994 começaram a voltar atrás.

Em 2026...

O IBM z17 executa Inteligência Artificial.

O watsonx auxilia decisões corporativas.

O COBOL continua movimentando trilhões de dólares.

O Db2 protege dados críticos.

O CICS processa bilhões de transações.

O z/OS integra cloud híbrida.

O BOB moderniza pipelines.

O Zowe aproxima novas gerações.

O Mainframe nunca sobreviveu porque resistiu ao futuro.

Ele sobreviveu porque aprendeu a evoluir junto com ele.

E talvez essa seja a maior lição deixada pelo Professor Wolfgang Spruth.

A História nunca matou o Mainframe.

Ela apenas demonstrou que boas arquiteturas envelhecem muito melhor do que boas manchetes.


☕ Que a Engenharia esteja com você.

Sempre. 


Índice completo da série

  1. Capítulo 1 — O Funeral que Nunca Aconteceu
  2. Capítulo 2 — A Década dos Buzzwords
  3. Capítulo 3 — O Professor que Arquivou o Funeral
  4. Capítulo 4 — Forbes (1989)
  5. Capítulo 5 — The New York Times (1989)
  6. Capítulo 6 — InfoWorld (1991)
  7. Capítulo 7 — The New York Times (1993)
  8. Capítulo 8 — Business Week (1994)
  9. Capítulo 9 — O Que Realmente Aconteceu
  10. Capítulo 10 — Por Que Tantas Previsões Erraram?
  11. Capítulo 11 — O Cemitério dos Buzzwords
  12. Capítulo 12 — O Legado dos Profetas
  13. Capítulo 13 — Os Profetas da IA e o Próximo Funeral
  14. Capítulo 14 — O Julgamento da História

A grande lição

O mainframe não permaneceu relevante porque rejeitou PCs, Linux, Java, cloud, containers, DevOps ou Inteligência Artificial. Ele permaneceu relevante porque incorporou essas tecnologias sem abandonar disponibilidade, segurança, desempenho, compatibilidade e décadas de regras de negócio.

Uma mensagem ao Padawan COBOL

Nunca escolha uma tecnologia apenas porque ela está na moda. Escolha porque ela resolve problemas reais. Nunca abandone uma plataforma apenas porque alguém a chamou de legado. Descubra primeiro se ela continua gerando valor.

Bellacosa Mainframe e o Funeral que nunca aconteceu





C:\BELLACOSA\COBOL\FUNERAL_QUE_NUNCA_ACONTECEU.HTML
★ BELLACOSA MAINFRAME APRESENTA ★

A MORTE DO COBOL

O Funeral que Nunca Aconteceu

Uma investigação histórica em 14 capítulos sobre as previsões, reportagens, buzzwords e profetas que anunciaram repetidamente o fim do COBOL — enquanto bilhões de transações continuavam sendo processadas silenciosamente.

SISTEMA ONLINE — 14 CAPÍTULOS DISPONÍVEIS
DIRETÓRIO DE CAPÍTULOS

README.TXT

Esta série investiga uma das narrativas mais repetidas da história da tecnologia: a suposta morte do COBOL. Durante décadas, revistas, jornais, consultorias e especialistas anunciaram seu desaparecimento. Entretanto, o COBOL permaneceu processando bancos, seguradoras, governos, cartões, pagamentos e sistemas críticos.

Os títulos e links acima são elementos HTML reais, permitindo que mecanismos de busca encontrem e rastreiem todos os capítulos. Os iframes funcionam apenas como previews visuais.

C:\> RUN BELLACOSA.EXE /COBOL /HISTORY /NO-FUNERAL _

★ BELLACOSA MAINFRAME ★ COBOL ★ IBM Z ★ HISTÓRIA DA COMPUTAÇÃO ★

Melhor visualizado em qualquer navegador com café disponível.

terça-feira, 14 de julho de 2026

Machine Learning sem Mistérios

Bellacosa Mainframe em machine learning sem misterios

☕ Um Café no Bellacosa Mainframe

Machine Learning sem Mistérios

O Guia Definitivo do Programador COBOL Padawan para Entrar no Mundo da Inteligência Artificial sem Esquecer os Fundamentos

"Todo Mestre Jedi da IA começou entendendo os dados antes de treinar o primeiro modelo."


Introdução – O Erro que Muitos Estão Cometendo em 2026

Existe um fenômeno curioso acontecendo na indústria.

Todos querem aprender IA.

Todos querem aprender ChatGPT.

Todos querem aprender LLMs.

Todos querem aprender Agentes de IA.

Mas poucos querem aprender Machine Learning.

É como alguém querer aprender CICS sem saber COBOL.

Ou querer administrar um Db2 sem nunca ter visto uma tabela.

Ou ainda querer fazer tuning de SQL sem entender como funciona um índice.

O resultado?

Profissionais que sabem usar ferramentas, mas não compreendem o que acontece por trás delas.

No universo IBM Z isso seria impensável.

Nenhum programador COBOL experiente diria:

"Não preciso entender JCL porque hoje existe DevOps."

Da mesma forma...

Nenhum Engenheiro de IA deveria dizer:

"Não preciso aprender Machine Learning porque existe GPT."

Os LLMs são apenas um dos milhares de produtos da árvore gigantesca chamada Machine Learning.

Neste artigo vamos construir essa árvore desde as raízes.

Não utilizando matemática pesada.

Mas utilizando aquilo que um programador COBOL conhece melhor do que ninguém:

dados, regras de negócio, processamento e tomada de decisão.

Pegue seu café.

Nossa jornada está apenas começando.


Bellacosa Mainframe e os algoritmo de machine learning

O que realmente é Machine Learning?

Antes de tudo precisamos desfazer um mito.

Machine Learning NÃO significa que o computador pensa.

Ele também NÃO significa que o computador ficou inteligente.

Na verdade...

Machine Learning significa apenas uma coisa:

Encontrar padrões automaticamente a partir dos dados.

Nada mais.

Nada menos.

Imagine um programa COBOL.

Normalmente fazemos algo assim:

IF SALDO > 10000
   MOVE "VIP" TO TIPO-CLIENTE
ELSE
   MOVE "NORMAL" TO TIPO-CLIENTE
END-IF

Quem criou essa regra?

Você.

Agora imagine milhões de clientes.

Talvez existam centenas de regras.

Talvez milhares.

Talvez nenhuma pessoa consiga descobri-las.

É aqui que entra Machine Learning.

O algoritmo encontra essas regras sozinho.


Uma analogia para quem vive no Mainframe

Imagine que você trabalha em um banco.

Existe um arquivo VSAM com 50 milhões de clientes.

Cada registro possui:

IDADE

SALÁRIO

PROFISSÃO

ESTADO

QUANTIDADE DE CARTÕES

RENDA

LIMITE

UTILIZAÇÃO

INADIMPLENTE?

Durante vinte anos o banco registrou tudo.

Você já sabe quais clientes ficaram inadimplentes.

Agora surge um novo cliente.

Como prever se ele pode dar prejuízo?

Você pode escrever milhares de IFs...

Ou pode deixar o algoritmo aprender.

Esse é exatamente o objetivo do Machine Learning.


IA não começou com o ChatGPT

Outro erro comum.

Muitos acreditam que IA nasceu em 2022.

Na verdade...

A história começa muito antes.

Década de 1950.

Depois vieram:

  • Regressão

  • Redes Bayesianas

  • Árvores de decisão

  • Redes neurais

  • SVM

  • Random Forest

  • Gradient Boosting

Somente décadas depois apareceram:

  • Deep Learning

  • Transformers

  • GPT

  • Claude

  • Gemini

Ou seja...

LLMs são apenas um capítulo.

Não o livro inteiro.


A grande árvore do Machine Learning

Imagine uma árvore gigantesca.

Seu tronco chama-se:

Machine Learning

Dela nascem quatro grandes galhos:

Machine Learning

│

├── Supervisionado

├── Não Supervisionado

├── Semi-Supervisionado

└── Aprendizado por Reforço

Cada um resolve problemas completamente diferentes.


Aprendizado Supervisionado

É o tipo mais utilizado pelas empresas.

Aqui existe um professor.

Imagine um pai ensinando uma criança.

Ele mostra um cachorro.

Diz:

"Cachorro."

Mostra outro.

"Cachorro."

Mostra outro.

"Cachorro."

Depois de milhares de exemplos...

A criança aprende.

Machine Learning funciona exatamente assim.


Dados Rotulados

O segredo está nos rótulos.

Imagine um arquivo:

IDADE

RENDA

EMPRÉSTIMO

PAGOU?

O campo PAGOU é conhecido.

Logo...

Existe um professor.

Esse conjunto chama-se:

Dados rotulados.


Classificação

Agora queremos responder perguntas como:

SIM

NÃO

Ou

Fraude

Não fraude

Ou

Spam

Não Spam

Ou

Cliente Ouro

Cliente Prata

Cliente Bronze

Não queremos números.

Queremos categorias.


Logistic Regression

Apesar do nome...

Ela faz classificação.

Sua missão é calcular probabilidades.

Por exemplo:

Cliente A

98%

↓

Grande chance de inadimplência.

É extremamente utilizada por bancos.

Também por seguradoras.

E por fintechs.


Naïve Bayes

Esse algoritmo nasceu baseado no famoso Teorema de Bayes.

Ele faz uma suposição simplificadora.

Considera que as variáveis são independentes.

Na prática isso raramente acontece.

Mesmo assim...

Ele funciona surpreendentemente bem.

É excelente para:

  • filtros de spam

  • classificação de textos

  • análise documental

  • NLP clássico


K-Nearest Neighbors (KNN)

Imagine mudar para um bairro novo.

Você provavelmente terá hábitos parecidos com os vizinhos.

O algoritmo pensa igual.

Ele procura os registros mais próximos.

Depois pergunta:

"A maioria pertence a qual grupo?"

Se oito dos dez vizinhos são clientes premium...

Talvez você também seja.

Muito simples.

Muito intuitivo.

Mas caro computacionalmente em bases enormes.


Árvores de Decisão

Provavelmente o algoritmo mais fácil de explicar.

Ele faz perguntas.

Idade > 30?

↓

Sim

↓

Salário > 8000?

↓

Sim

↓

Cliente Premium

É quase um grande IF...

Só que aprendido automaticamente.

Um programador COBOL costuma entender esse algoritmo imediatamente.


Random Forest

Agora imagine cem árvores.

Cada uma observa os dados de maneira ligeiramente diferente.

Cada uma vota.

A maioria vence.

Esse é o conceito da Random Forest.

Ela reduz erros individuais e costuma apresentar excelente desempenho em dados tabulares, muito comuns em sistemas corporativos.


Support Vector Machine

Agora pense em dois grupos de clientes.

● ● ● ● ●

▲ ▲ ▲ ▲ ▲

Existe uma fronteira entre eles.

A missão da SVM é encontrar a melhor linha (ou hiperplano) que separa essas classes.

Ela é poderosa em problemas com poucas variáveis e conjuntos de dados médios.


Regressão

Agora não queremos responder "Sim" ou "Não".

Queremos prever números.

Exemplos:

  • faturamento

  • temperatura

  • consumo

  • preço de imóvel

  • demanda de energia


Regressão Linear

Imagine que quanto maior a casa...

Maior o preço.

A regressão procura justamente a reta que melhor representa essa relação.

É um dos algoritmos mais antigos e ainda hoje extremamente útil.


Lasso Regression

Além de prever valores, ela consegue eliminar automaticamente variáveis pouco relevantes.

Isso reduz complexidade e ajuda a evitar modelos excessivamente ajustados (overfitting).


Aprendizado Não Supervisionado

Agora ninguém sabe a resposta.

Não existem rótulos.

Você apenas entrega os dados.

O algoritmo precisa descobrir padrões sozinho.

É como um DBA recebendo um banco desconhecido e tentando entender sua estrutura apenas observando os dados.


Clustering

O objetivo agora é agrupar registros semelhantes.

Não existe resposta certa.

Existem apenas padrões.


K-Means

O algoritmo escolhe centros.

Depois aproxima os registros desses centros.

No final surgem grupos.

Muito usado para segmentação de clientes.


DBSCAN

Ao contrário do K-Means, ele não precisa saber previamente quantos grupos existem.

Também consegue identificar ruídos.

Excelente para encontrar padrões complexos.


Redução de Dimensionalidade

Imagine uma tabela Db2 com 500 colunas.

Será que todas são importantes?

Provavelmente não.

É aqui que entram:

  • PCA

  • ICA


PCA

Principal Component Analysis.

Reduz centenas de variáveis para poucas dimensões mantendo a maior parte da informação.

Muito utilizado antes do treinamento dos modelos.


ICA

Independent Component Analysis.

Seu objetivo é separar sinais independentes.

Muito usado em processamento de voz, imagens e sinais biomédicos.


Associação

Esses algoritmos procuram regras ocultas.

Exemplo:

Quem compra café

↓

também compra açúcar.

Ou

Quem compra notebook

↓

compra mochila.

Os algoritmos clássicos são:

  • Apriori

  • FP-Growth

Muito utilizados em e-commerce e supermercados.


Detecção de Anomalias

Essa área é extremamente importante para bancos.

Imagine um cliente.

Sempre realiza compras em São Paulo.

Hoje aparece:

03:14 AM

Japão

US$ 8.500

Isso foge completamente do padrão.

Os algoritmos detectam esse comportamento.


Isolation Forest

Em vez de aprender o comportamento normal, ele procura aquilo que é fácil de isolar.

Fraudes normalmente aparecem rapidamente como pontos isolados.

É um algoritmo muito utilizado em segurança, observabilidade e detecção de ataques.


Aprendizado Semi-Supervisionado

Imagine um banco de dados com:

100 milhões de clientes.

Apenas:

5 mil registros rotulados.

Rotular dados custa caro.

Então o algoritmo aprende utilizando:

  • poucos exemplos conhecidos;

  • muitos exemplos desconhecidos.

Esse cenário é bastante comum na indústria.


Aprendizado por Reforço

Agora não existe professor.

Existe recompensa.

Imagine ensinar uma criança.

Acertou.

+10 pontos

Errou.

-5 pontos

Depois de milhares de tentativas...

Ela aprende a escolher as melhores ações.


Q-Learning

É um dos algoritmos clássicos.

Aprende qual decisão gera maior recompensa no longo prazo.

Muito usado em:

  • robótica

  • jogos

  • sistemas autônomos


Model-Based Reinforcement Learning

Aqui o agente vai além.

Ele aprende como o ambiente funciona.

Depois simula mentalmente vários cenários antes de agir.

É semelhante ao planejamento de produção ou à simulação de cargas em um ambiente z/OS.


O que a imagem ainda não mostra

O roadmap clássico é excelente, mas a IA moderna evoluiu.

Hoje você também encontrará:

Ensemble Learning

  • XGBoost

  • LightGBM

  • CatBoost

  • Gradient Boosting

São frequentemente os campeões em dados tabulares.


Deep Learning

Aqui entram:

  • CNN

  • RNN

  • LSTM

  • GRU

  • Autoencoders

  • Transformers

Esses modelos revolucionaram visão computacional, linguagem natural e reconhecimento de padrões complexos.


IA Generativa

Finalmente chegamos aos famosos LLMs.

Eles utilizam arquiteturas Transformer e são treinados sobre enormes volumes de texto.

Aqui encontramos:

  • GPT

  • Claude

  • Gemini

  • Llama

  • Mistral

Além deles surgem componentes fundamentais como:

  • Embeddings

  • Busca Vetorial

  • RAG (Retrieval-Augmented Generation)

  • Bancos Vetoriais

Esses elementos permitem que um modelo consulte conhecimento externo antes de responder.


O papel do Machine Learning no IBM Z

Quem trabalha com COBOL, Db2 e IBM Z talvez imagine que Machine Learning pertence apenas às startups.

Na realidade, ele já está presente em inúmeras aplicações corporativas:

  • previsão de inadimplência;

  • detecção de fraude em cartões;

  • classificação automática de documentos;

  • segmentação de clientes;

  • previsão de demanda;

  • análise de séries temporais;

  • detecção de anomalias em logs SMF/RMF;

  • otimização de cargas batch;

  • manutenção preditiva de hardware;

  • busca semântica em documentos corporativos;

  • recomendação de produtos financeiros.

O IBM Z já oferece aceleração para IA e integrações com ecossistemas modernos, permitindo que modelos sejam treinados ou inferidos próximos dos dados, reduzindo latência e aumentando a segurança.


Como um Padawan COBOL deve iniciar essa jornada?

Não tente aprender tudo de uma vez.

Construa sua base em camadas, exatamente como você faria ao aprender o ecossistema mainframe.

  1. Matemática essencial

    • Álgebra linear

    • Probabilidade

    • Estatística

    • Cálculo básico (conceitos)

  2. Python para Ciência de Dados

    • NumPy

    • Pandas

    • Matplotlib

  3. Machine Learning clássico

    • Regressão

    • Classificação

    • Clustering

    • Validação de modelos

  4. Scikit-learn

    • Treinamento

    • Avaliação

    • Pipelines

  5. Deep Learning

    • TensorFlow ou PyTorch

    • Redes neurais

    • CNNs

    • Transformers

  6. IA Generativa

    • Embeddings

    • RAG

    • LLMs

    • Agentes

  7. MLOps

    • Versionamento

    • Deploy

    • Monitoramento

    • Governança


Easter Egg Bellacosa Mainframe ☕

Existe uma frase muito conhecida entre programadores COBOL:

"Os dados sempre contam a verdade; quem mente é o programa."

No Machine Learning podemos adaptá-la:

"Os modelos aprendem aquilo que os dados ensinam. Se os dados carregam erros, preconceitos ou inconsistências, o modelo apenas os reproduz em escala."

Por isso, a maior parte do trabalho de um cientista de dados não é treinar modelos, mas compreender o domínio do negócio, preparar os dados, validá-los e monitorar continuamente o comportamento dos sistemas em produção.


Conclusão

Machine Learning não é uma moda passageira nem um substituto para a programação tradicional. Ele é uma extensão da engenharia de software orientada por dados. Para um programador COBOL, a transição é mais natural do que parece: você já domina regras de negócio, processamento em lote, qualidade de dados e sistemas críticos. O próximo passo é aprender como fazer com que algoritmos descubram padrões que antes precisavam ser codificados manualmente.

LLMs impressionam porque conversam. Mas a inteligência corporativa vai muito além da geração de texto. Empresas precisam prever inadimplência, detectar fraudes, otimizar processos, recomendar produtos, classificar documentos e tomar decisões em tempo real. Tudo isso continua sendo sustentado pelos fundamentos do Machine Learning.

Assim como um bom engenheiro de mainframe nunca ignora conceitos como JCL, VSAM, CICS ou Db2, um futuro engenheiro de IA não deve ignorar regressão, árvores de decisão, Random Forest, clustering, PCA ou aprendizado por reforço.

As ferramentas continuarão mudando. Novos frameworks aparecerão todos os anos. Mas os fundamentos matemáticos, estatísticos e algorítmicos que sustentam o Machine Learning permanecem os mesmos há décadas — e continuarão sendo a base sobre a qual as próximas gerações de inteligência artificial serão construídas.

O verdadeiro Mestre Jedi da IA não é aquele que apenas sabe chamar uma API de um LLM. É aquele que entende por que o modelo funciona, quando ele falha e qual algoritmo é mais adequado para cada problema. Essa é a diferença entre usar inteligência artificial e realmente praticar engenharia de inteligência artificial.