☕ 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

quinta-feira, 3 de setembro de 2026

Leonardo da Vinci Entra no CPD — O Dia em que o IBM Z Aprendeu Arm sem Esquecer COBOL

 

Bellacosa Mainframe e o ibm z aprendendo Arm o proximo passo nos cpds

☕ Um Café no Bellacosa Mainframe

Leonardo da Vinci Entra no CPD — O Dia em que o IBM Z Aprendeu Arm sem Esquecer COBOL

Ou: como um processador de 2 nm, onze núcleos, três alfabetos de máquina e vinte e dois milhões de desenvolvedores transformaram o mainframe numa oficina renascentista — sem ninguém recompilar a folha de pagamento numa tarde de sexta-feira

Imagine que Leonardo da Vinci, depois de desenhar máquinas voadoras, estudar o corpo humano, projetar pontes e encher cadernos com anotações escritas ao contrário, receba um crachá temporário para visitar um moderno CPD.

Ele atravessa a porta dupla, observa as luzes do IBM Z e pergunta:

— Qual é a função desta grande máquina negra?

O programador COBOL iniciante responde:

— Processar contas bancárias, cartões, seguros, folhas de pagamento, reservas, impostos e quase tudo que não pode dar errado.

Leonardo examina os cabos, aproxima o ouvido do gabinete e conclui:

— Então não é apenas uma máquina. É uma cidade fortificada feita de silício.

Em agosto de 2026, a IBM anunciou um projeto que pode abrir um novo portão nessa cidade: seu primeiro processador de mainframe com duas arquiteturas, preparado para executar nativamente instruções IBM Z e Arm. O futuro chip, destinado a gerações posteriores do IBM Z e LinuxONE, foi anunciado com tecnologia de 2 nanômetros, 11 núcleos acima de 5,7 GHz, aceleradores de inteligência artificial, uma DPU dedicada a I/O e uma grande estrutura de cache.

Mas o que significa colocar Arm no mainframe? COBOL passará a executar em celular? Um aplicativo Android poderá entrar no JES2? O z/OS será substituído? E onde entram x86-64, AArch64 e s390x nessa oficina?

Vamos abrir o capô sob a tutela imaginária de Leonardo da Vinci.



Prólogo — O computador não entende COBOL

Esta revelação costuma assustar o padawan: o processador não entende COBOL, Java, Python ou C.

O processador entende instruções de máquina.

Quando escrevemos:

COMPUTE TOTAL = PRECO * QUANTIDADE

o compilador examina a frase COBOL e produz uma sequência de instruções compatível com a arquitetura de destino. Em um IBM Z, o resultado contém instruções da arquitetura Z. O fonte é legível para humanos; o executável é preparado para o processador e para o ambiente operacional.

Leonardo talvez comparasse isso aos seus projetos. O desenho de uma ponte representa uma ideia. Para construí-la, porém, alguém precisa converter o desenho em medidas, cortes, encaixes e operações compatíveis com os materiais disponíveis.

O código-fonte é o desenho. O compilador é o mestre da oficina. O binário é a coleção de ordens entregues às ferramentas.


1. ISA: o alfabeto secreto do processador

ISA significa Instruction Set Architecture, ou arquitetura do conjunto de instruções. Ela define o contrato entre software e processador:

  • instruções reconhecidas;

  • registradores disponíveis;

  • maneiras de acessar memória;

  • operações matemáticas e lógicas;

  • desvios e chamadas;

  • tratamento de exceções;

  • operações atômicas;

  • estados privilegiados usados pelo sistema operacional.

Três arquiteturas importantes nesta conversa são:

ArquiteturaOnde aparece principalmenteNome visto em ferramentas
x86-64PCs e servidores Intel/AMDx86_64, amd64
AArch64Arm de 64 bits, celulares, Apple Silicon e cloudaarch64, arm64
IBM ZMainframes e LinuxONEs390x em Linux

Elas podem realizar tarefas equivalentes, mas codificam as ordens de maneiras diferentes. É como escrever a mesma receita em português, italiano e japonês: o bolo pode ser o mesmo, mas não se lê um texto japonês aplicando automaticamente as regras do italiano.

Um programa compilado para x86-64 não se transforma em AArch64 apenas porque foi copiado. Da mesma forma, uma imagem arm64 não roda nativamente numa máquina que compreenda somente s390x.

Curiosidade de oficina

AMD64 e x86-64 normalmente designam a mesma arquitetura básica. O nome AMD64 existe porque foi a AMD que criou a extensão de 64 bits do x86 que venceu no mercado; a Intel depois adotou uma implementação compatível, comercialmente chamada Intel 64.

O pequeno detalhe histórico rende um belo easter egg: durante anos muita gente associou “x86” automaticamente à Intel, mas a estrada de 64 bits usada pela maioria dos PCs foi traçada pela concorrente.



2. x86-64: o palácio construído sem demolir as alas antigas

A linhagem x86 começou com o Intel 8086, lançado em 1978, e atravessou diversas gerações. Sua grande força foi preservar compatibilidade.

8086 → 80286 → 80386 → x86 de 32 bits → x86-64

É um palácio ampliado durante décadas. Novas alas foram construídas, corredores foram modernizados, elevadores foram instalados, mas várias portas antigas continuam ali porque alguém ainda pode precisar atravessá-las.

Essa herança aparece nos registradores:

RAX = 64 bits
EAX = 32 bits inferiores
 AX = 16 bits inferiores
 AL = 8 bits inferiores
 AH = outros 8 bits históricos

Também aparece nas instruções de comprimento variável. Uma instrução x86-64 pode ocupar quantidades diferentes de bytes. O processador precisa decodificar onde cada instrução começa, quais prefixos possui, quais operandos utiliza e onde termina.

Historicamente, x86 é classificada como CISC — Complex Instruction Set Computer. Algumas instruções podem realizar operações relativamente complexas ou trabalhar diretamente com valores na memória.

Mas não confunda complexidade da ISA com incompetência. Processadores AMD e Intel modernos são extraordinárias obras de engenharia. Internamente, eles frequentemente decompõem instruções x86 complexas em micro-operações menores, executam-nas fora de ordem, especulam desvios e reorganizam resultados mantendo a aparência exigida pelo programa.

Leonardo reconheceria a técnica: uma alavanca visível ao operador pode acionar uma engrenagem, que aciona três rodas, que movem seis peças. A interface externa parece simples; o mecanismo interno faz uma coreografia.



3. AArch64: uma nova oficina para os 64 bits

AArch64 é o estado de execução de 64 bits introduzido pela arquitetura Armv8-A. Também aparece como ARM64.

Ao contrário do x86-64, que estendeu uma longa linhagem, AArch64 foi desenhada como uma arquitetura de 64 bits mais regular. Suas instruções normalmente possuem 32 bits de comprimento, ou quatro bytes.

Ela oferece 31 registradores gerais visíveis, normalmente chamados X0 a X30. Para acessar os 32 bits inferiores, usa-se W0 a W30.

X0 = registrador de 64 bits
W0 = parte de 32 bits de X0

AArch64 segue a tradição RISC — Reduced Instruction Set Computer — e uma filosofia load/store. Operações aritméticas trabalham principalmente com registradores. Para manipular um valor guardado na memória, normalmente fazemos três movimentos conceituais:

  1. carregar o valor;

  2. executar a operação;

  3. gravar o resultado, se necessário.

Exemplo didático:

ldr x0, [x1]      // traz um valor da memória
add x0, x0, x2    // soma usando registradores
str x0, [x1]      // devolve o resultado à memória

Isso não quer dizer que Arm seja uma arquitetura “simples” ou “fraca”. Apple Silicon, AWS Graviton, Ampere e outros projetos demonstram que Arm pode alimentar computadores pessoais e servidores de alto desempenho.

RISC e CISC explicam estilos arquiteturais, não determinam sozinhos quem vence uma corrida. Frequência, cache, memória, processo de fabricação, unidades vetoriais, quantidade de núcleos, compilador e workload pesam enormemente.

Dica para o padawan

Nunca escreva numa apresentação que “Arm é mais rápido porque é RISC” ou “x86 é melhor porque possui instruções mais poderosas”. Isso seria como afirmar que COBOL sempre vence Java porque COMPUTE parece mais empresarial.

Peça o benchmark, conheça o workload e verifique o custo total.

4. A mesma aplicação, binários diferentes

Considere este pequeno programa em C:

int soma(int a, int b) {
    return a + b;
}

Um compilador para x86-64 poderia gerar, de forma simplificada:

mov eax, edi
add eax, esi
ret

Em AArch64, o mesmo fonte poderia resultar em:

add w0, w0, w1
ret

A finalidade é igual. Os registradores, instruções e bytes produzidos são diferentes.

Daí nasce uma regra essencial:

Fonte portátil não significa binário portátil.

Para portar uma aplicação, talvez baste recompilar. Porém, talvez o programa contenha assembler, bibliotecas fechadas, suposições sobre tamanho de dados, drivers particulares ou dependências não disponíveis. Nesses casos, a travessia torna-se mais trabalhosa.

Em COBOL conhecemos esse problema. Um fonte escrito seguindo padrões pode ser adaptado entre plataformas, mas um executável compilado para z/OS não é simplesmente copiado para IBM i, Windows ou Linux e executado como se nada tivesse acontecido.

5. ISA não é sistema operacional

Mesmo dois computadores que usem a mesma arquitetura podem não executar o mesmo binário.

Compare:

AArch64 + Linux
AArch64 + macOS
AArch64 + Windows

Todos podem usar processadores que entendem AArch64. Entretanto, os programas dependem também de:

  • formato do executável;

  • ABI, a interface binária da aplicação;

  • convenções de chamada;

  • bibliotecas;

  • carregador;

  • chamadas de sistema;

  • serviços do sistema operacional.

Portanto, um programa Linux Arm não se torna automaticamente um aplicativo macOS apenas porque ambos usam Arm.

Leonardo desenharia camadas concêntricas:

Aplicação
Bibliotecas e runtime
Sistema operacional
Virtualização e firmware
ISA
Microarquitetura e silício

O anúncio da IBM começa profundamente nas camadas inferiores, mas seu valor comercial dependerá de todas as camadas superiores.

6. Containers: o contêiner leva a casa, não leva o terreno

Existe um mito segundo o qual um container roda em qualquer lugar. Ele roda em qualquer ambiente compatível, o que é diferente.

Uma imagem OCI pode ser publicada para:

linux/amd64
linux/arm64
linux/s390x
linux/ppc64le

Um fornecedor pode manter o mesmo nome lógico, mas armazenar variantes com binários apropriados. O registry examina a arquitetura solicitada e entrega a imagem correta por meio de um índice ou manifesto multiarch.

O container empacota aplicação, bibliotecas e configuração, mas normalmente compartilha o kernel do host e continua dependendo da ISA. Ele leva os móveis e as paredes internas; não leva um planeta novo debaixo da casa.

Passo a passo para verificar uma imagem

  1. Consulte a documentação do fornecedor.

  2. Procure amd64, arm64 ou s390x nas plataformas suportadas.

  3. Examine o manifesto multiarch com uma ferramenta OCI ou Docker.

  4. Confirme que todas as dependências possuem a mesma arquitetura.

  5. Teste em ambiente controlado.

  6. Não confunda “iniciou” com “é oficialmente suportado”.

Essa última diferença evita muitos ABENDs administrativos. Uma aplicação pode funcionar no laboratório e ainda assim não possuir suporte do fabricante para produção.

7. Endianness: quando Leonardo escreve os bytes ao contrário

Leonardo ficou famoso por suas anotações espelhadas. Isso nos oferece uma analogia perfeita para endianness: a ordem em que os bytes de um número aparecem na memória.

Considere 0x12345678:

Big-endian:     12 34 56 78
Little-endian:  78 56 34 12

x86-64 é normalmente little-endian. Linux AArch64 também é normalmente little-endian. Linux s390x tradicionalmente trabalha em big-endian.

Ao trocar JSON, XML, mensagens MQ ou Protocol Buffers corretamente serializados, a camada de comunicação trata a representação. Ao compartilhar estruturas binárias brutas, o programador precisa ter cuidado.

Imagine gravar o tamanho de um pagamento em quatro bytes e o destinatário lê-los na ordem oposta. O valor de um cafezinho pode chegar ao sistema de liquidação vestido de aquisição corporativa.

Easter egg número 1

Se encontrar 0x4C454F perdido num exemplo hexadecimal, converta os bytes para ASCII. Leonardo deixou sua assinatura na oficina.

8. Emulação não é execução nativa

Quando um processador não entende a ISA de um programa, um tradutor pode intervir.

Binário x86-64
      ↓ tradução
Instruções AArch64
      ↓
Processador Arm

Rosetta 2 nos Macs Apple Silicon e mecanismos do Windows on Arm mostram que tradução pode oferecer excelente experiência. QEMU consegue emular diversas arquiteturas. Porém, existe uma camada adicional e nem toda instrução, extensão ou comportamento terá desempenho idêntico ao nativo.

Execução nativa ocorre quando o hardware compreende diretamente a ISA para a qual o binário foi produzido.

É exatamente por isso que o anúncio da IBM chama atenção: a empresa declara que não está colocando núcleos Arm separados nem oferecendo mera emulação. A proposta é integrar a ISA Arm aos próprios núcleos do futuro processador de mainframe.

9. O processador bilíngue da IBM

Segundo a IBM, cada núcleo poderá executar nativamente instruções IBM Z e Arm. Ambientes Linux Arm-native poderão operar simultaneamente com z/OS e Linux on IBM Z.

Isso não significa misturar instruções Arm dentro de um programa COBOL arbitrariamente. Tampouco significa copiar um APK para uma biblioteca de carga e executar:

//LEONARDO JOB CLASS=A,MSGCLASS=X
//STEP01   EXEC PGM=MONALISA
//STEPLIB  DD DSN=ANDROID.ARM64.LOAD,DISP=SHR

O JES2 provavelmente responderia com a serenidade de um monge e a crueldade de um auditor.

O cenário é de ambientes distintos sobre a mesma plataforma:

Processador dual-architecture
├── contexto IBM Z
│   ├── z/OS
│   └── Linux s390x
└── contexto Arm
    └── Linux AArch64

O hardware fala dois idiomas; sistemas operacionais e aplicações ainda ocupam seus ambientes apropriados.

10. O grande prêmio: levar o cálculo até os dados

Mainframes guardam dados críticos de bancos, seguradoras, governos, companhias aéreas e grandes varejistas. Hoje, um componente moderno frequentemente consulta esses dados atravessando redes, gateways e camadas de integração.

Aplicação externa → API → integração → CICS → Db2

Cada seta pode significar latência, criptografia, credenciais, filas, cópias, custo e um novo ponto de falha.

Se um serviço Arm-native puder operar dentro da mesma plataforma física, próximo ao CICS, IMS e Db2, torna-se possível mover parte do processamento até os dados em vez de exportar dados para todo processamento novo.

Exemplo: autorização de cartão

  1. CICS recebe a solicitação.

  2. COBOL valida conta, limite e regras consolidadas.

  3. Db2 fornece histórico relevante.

  4. Um serviço Arm-native executa uma biblioteca de análise comportamental.

  5. Um acelerador de IA calcula a probabilidade de fraude.

  6. O resultado volta à transação.

  7. RACF, criptografia e auditoria protegem e registram o processo.

COBOL não é substituído pela IA. O programa transacional ganha um conselheiro especializado.

O chip anunciado também inclui aceleração de inferência voltada a fraude durante transações e uma DPU dedicada a I/O. Isso combina com a tradição Z de não tratar movimentação de dados como tarefa secundária.

11. DPU: o mestre de logística da oficina

DPU significa Data Processing Unit. Ela pode descarregar tarefas relacionadas à movimentação e ao processamento de dados que, de outra forma, ocupariam os núcleos gerais.

Leonardo provavelmente desenharia a DPU como o encarregado do porto:

  • recebe cargas;

  • organiza filas;

  • movimenta contêineres;

  • controla rotas;

  • deixa o mestre artesão trabalhar na peça principal.

No mainframe, isso é quase uma tradição familiar. A plataforma sempre utilizou inteligência e componentes especializados para I/O, evitando que a CPU central carregue sozinha todos os baldes da cidade.

12. Frequência não é desempenho

O processador foi anunciado com mais de 5,7 GHz. O número impressiona, mas não pode ser usado sozinho para comparar máquinas.

Desempenho depende de:

  • instruções concluídas por ciclo;

  • previsão de desvios;

  • latência e tamanho dos caches;

  • largura de memória;

  • unidades vetoriais;

  • aceleração específica;

  • quantidade de núcleos;

  • sistema operacional;

  • compilador;

  • comportamento do workload.

Um motor girando mais depressa não necessariamente transporta mais carga. Precisamos conhecer torque, transmissão, peso e terreno.

No IBM Z importam também throughput sustentado, disponibilidade, isolamento, capacidade de recuperação e latência previsível. Ganhar uma corrida de dez segundos é diferente de processar milhões de transações diariamente sem derrubar a ponte.

13. O ecossistema Arm entra no castelo

A IBM aponta um universo superior a 22 milhões de desenvolvedores Arm. Esse é um dos argumentos estratégicos mais fortes.

Muitos projetos modernos são publicados primeiro para amd64 e arm64. Algumas bibliotecas, agentes, ferramentas de IA e imagens de containers não chegam a s390x, ou chegam posteriormente.

Ao executar Arm nativamente, o IBM Z pode reduzir a necessidade de portar cada componente antes de usá-lo. Isso poderá ampliar opções para:

  • containers;

  • microsserviços;

  • inferência de IA;

  • agentes de automação;

  • observabilidade;

  • segurança;

  • processamento de eventos;

  • ferramentas cloud-native.

Mas ampliar o mercado também amplia a cadeia de suprimentos. Uma imagem abandonada e repleta de vulnerabilidades não se torna segura apenas porque entrou num mainframe.

Serão indispensáveis:

  • SBOM;

  • assinatura de imagens;

  • verificação de procedência;

  • varredura de vulnerabilidades;

  • controle de privilégios;

  • política de atualização;

  • suporte do fornecedor;

  • observabilidade.

O RACF não asperge água benta sobre um container com senha admin123.

14. As perguntas que ainda não possuem resposta completa

O anúncio descreve uma direção tecnológica, não um manual de planejamento.

Ainda precisamos conhecer detalhes como:

  1. Uma LPAR será definida como Z ou Arm?

  2. PR/SM administrará os dois contextos de que maneira?

  3. z/VM ou KVM hospedarão guests Arm?

  4. Como HMC mostrará capacidade e consumo?

  5. Como serão dumps, traces e contadores de desempenho?

  6. OpenShift agendará pods s390x e arm64 no mesmo conjunto?

  7. Como funcionará compartilhamento de I/O e memória?

  8. Quais sistemas operacionais e versões serão suportados?

  9. Como será o licenciamento?

  10. Workloads Arm afetarão métricas tradicionais de software?

A TechChannel estimou disponibilidade em aproximadamente dois anos com base na cadência da IBM. Isso apontaria para algo por volta de 2028, mas não é uma data oficial de produto. A própria IBM classifica declarações futuras como objetivos sujeitos a alteração.

Dica de arquiteto

Separe sempre três colunas em suas anotações:

CategoriaExemplo
Confirmado2 nm, 11 núcleos, mais de 5,7 GHz e duas ISAs nativas
Objetivo declaradoLinux Arm-native ao lado de z/OS e Linux Z
Ainda não detalhadoLPAR, preços, licenciamento e versões suportadas

Essa disciplina impede que uma promessa de arquitetura seja apresentada ao cliente como feature disponível na próxima terça-feira.

15. Um roteiro de estudos para o programador COBOL

O iniciante não precisa abandonar COBOL e correr desesperadamente para assembler Arm. Pode avançar por etapas.

Etapa 1 — Entenda a pilha

Aprenda a distinguir:

fonte → compilador → objeto → linkedição → executável → sistema operacional → ISA

No mundo z/OS, relacione isso a compile, link-edit/binder, load module ou program object e execução via batch ou subsistema.

Etapa 2 — Reconheça arquiteturas

Memorize os três rótulos:

amd64  = x86-64
arm64  = AArch64
s390x  = IBM Z em Linux

Etapa 3 — Observe imagens multiarch

Escolha uma imagem conhecida, consulte seu manifesto e veja quais plataformas são publicadas. Perceba que o nome lógico pode esconder binários diferentes.

Etapa 4 — Aprenda integração

Estude:

  • APIs REST;

  • JSON;

  • MQ;

  • z/OS Connect;

  • CICS web services;

  • autenticação e autorização.

O futuro profissional valioso será a ponte entre o core e os serviços modernos.

Etapa 5 — Faça um laboratório mental

Desenhe uma aplicação COBOL que consulta Db2 e chama um serviço antifraude. Marque:

  • onde começa a transação;

  • quais dados saem;

  • qual identidade é usada;

  • qual timeout existe;

  • o que acontece se o serviço falhar;

  • como a operação será auditada.

Etapa 6 — Nunca esqueça o rollback

Se a análise Arm demorar ou ficar indisponível, a transação deve saber se recusa, aprova com limites ou encaminha para revisão. Modernização sem tratamento de falha é apenas uma demonstração com gravata.

16. O que isso representa para a carreira mainframe

O anúncio não reduz o valor do especialista Z; ele aumenta o território que esse profissional pode conectar.

As empresas precisarão de pessoas que compreendam simultaneamente:

COBOL + CICS + IMS + Db2 + RACF
                 ↕
Linux + Arm + containers + APIs + IA

O profissional raro não será necessariamente quem sabe decorar toda instrução de três arquiteturas. Será quem entende os contratos entre elas, reconhece riscos e desenha uma solução suportável.

O padawan COBOL deve aprender a conversar com desenvolvedores cloud sem desprezar o legado e sem aceitar que toda arquitetura nova seja automaticamente revolucionária.

Leonardo dominava pintura, anatomia, mecânica e hidráulica não porque confundia as disciplinas, mas porque sabia enxergar relações entre elas.

Esse é o modelo do novo arquiteto de mainframe.

17. Easter eggs da sala de máquinas

Alguns pequenos segredos para quem chegou até aqui:

  • Leonardo escrevia parte de suas notas de maneira espelhada; por isso ele foi escolhido como tutor da seção de endianness.

  • “A máquina voadora” simboliza tecnologias que podem ser tecnicamente brilhantes e ainda depender de materiais, operação e contexto para funcionar comercialmente.

  • O programa MONALISA no JCL não existe — ao menos até algum chimpanzé do Bellacosa Mainframe registrá-lo num PDS.

  • Se a futura plataforma receber um serviço chamado VITRUVIAN, verifique se ele escala proporcionalmente ou apenas posa dentro de um círculo.

  • O verdadeiro boss final não apareceu no silício: chama-se licenciamento.


Conclusão — O códice do mainframe bilíngue

x86-64, AArch64 e s390x são alfabetos de máquina diferentes. Um mesmo código-fonte pode ser compilado para mais de um deles, mas os binários produzidos não são intercambiáveis. Containers carregam aplicações e dependências, porém continuam presos à arquitetura e ao kernel compatível. Emulação traduz; execução nativa entrega as instruções diretamente ao hardware apropriado.

O projeto da IBM é histórico porque pretende colocar duas ISAs dentro dos próprios núcleos do futuro processador: IBM Z e Arm. Isso poderá permitir ambientes Linux AArch64 ao lado de z/OS e Linux s390x, aproximando software moderno dos dados e das transações centrais.

Não significa que z/OS executará qualquer aplicativo Arm, que COBOL será substituído ou que todas as dificuldades de integração desaparecerão. Sistemas operacionais, ABIs, bibliotecas, segurança, virtualização, endianness, suporte e licenciamento continuarão importando.

A grande mudança é outra:

Durante décadas, o software precisou aprender o idioma do mainframe. Agora o próprio mainframe está aprendendo um novo idioma sem esquecer aquele que protegeu sua história.

Leonardo fecha o caderno, observa o IBM Z e faz seu último desenho: de um lado, um programa COBOL sustentando as contas do banco; do outro, um serviço Arm trazendo IA e software cloud-native. Entre ambos, uma ponte feita de APIs, segurança, virtualização e disciplina operacional.

Antes de sair, ele escreve no quadro — desta vez da esquerda para a direita:

ISA NÃO É SISTEMA OPERACIONAL.
CONTAINER NÃO É EMULADOR.
FREQUÊNCIA NÃO É DESEMPENHO.
MODERNIZAÇÃO NÃO É APAGAR O PASSADO.

O programador iniciante pergunta:

— Mestre Leonardo, então qual é a verdadeira inovação?

Ele aponta para a máquina e responde:

— Não obrigar o passado e o futuro a disputarem a mesma cadeira. Construir uma mesa grande o suficiente para que ambos trabalhem juntos.

No fundo do CPD, alguém submete um job. O JES2 aceita. O serviço Arm responde. O Db2 confirma o COMMIT.

E, por uma vez, ninguém recebeu S0C7 por tentar interpretar os bytes ao contrário.


Fontes consultadas



O Dia em que o Perceptron Entrou no CPD, Aprendeu com os Próprios Erros e Virou uma IA Generativa sem Pedir COMMIT

 

Bellacosa Mainframe e uma introducao a redes neurais

☕ Um Café no Bellacosa Mainframe

O Dia em que o Perceptron Entrou no CPD, Aprendeu com os Próprios Erros e Virou uma IA Generativa sem Pedir COMMIT

Ou: como saímos das regras escritas à mão, atravessamos redes neurais, deep learning e Transformers e chegamos às máquinas capazes de escrever COBOL perfeitamente convincente — inclusive quando o programa não compila



Prólogo — “Computador, aprenda sozinho”, disse o humano sem preparar os dados

Durante décadas, programar significou explicar ao computador, com uma paciência quase religiosa, exatamente o que ele deveria fazer. O desenvolvedor recebia uma regra de negócio, transformava-a em decisões e escrevia uma sequência de instruções. Se o cliente estivesse inadimplente, bloqueava-se a operação. Se o saldo fosse insuficiente, recusava-se o débito. Se o retorno do programa fosse diferente de zero, alguém recebia uma mensagem capaz de arruinar o café da manhã.

Era um mundo de regras explícitas:

IF WS-SALDO < WS-VALOR-DA-COMPRA
    MOVE 'COMPRA RECUSADA' TO WS-MENSAGEM
ELSE
    MOVE 'COMPRA APROVADA' TO WS-MENSAGEM
END-IF

O computador não precisava compreender o cliente, a compra ou o significado filosófico de ficar sem dinheiro no dia 27. Bastava obedecer.

Então surgiu uma pergunta perturbadora: e se, em vez de escrevermos todas as regras, mostrássemos milhares de exemplos ao computador e permitíssemos que ele ajustasse internamente uma função capaz de reconhecer os padrões?

É nesse ponto que entram as redes neurais.

Não são cérebros digitais, não acordam durante a madrugada pensando em sua própria existência e não possuem um pequeno neurônio chamado Igor escondido atrás da CPU. São modelos matemáticos formados por operações relativamente simples, repetidas muitas vezes e organizadas em camadas.

O encanto está justamente nisso: multiplicações, somas e ajustes de números, quando combinados em escala suficiente, conseguem reconhecer imagens, transcrever voz, prever falhas, traduzir idiomas e gerar texto. O perigo também está nisso: como o resultado parece inteligente, o ser humano pode esquecer que por baixo da conversa elegante existe uma máquina calculando probabilidades.



1. Antes das redes neurais: o reino das regras

Antes de uma rede aprender com dados, o conhecimento normalmente precisava ser colocado no sistema por seres humanos.

Programação tradicional

Na programação convencional, temos os dados e conhecemos as regras. O programa aplica essas regras e produz uma resposta:

Dados + regras escritas pelo programador → resultado

Esse modelo continua sendo excelente quando o problema é determinístico. Para somar lançamentos contábeis, calcular juros definidos em contrato ou validar o tamanho de um campo, uma rede neural seria uma extravagância digna de alguém que contratou uma orquestra para tocar o som de uma notificação.

Sistemas especialistas

Entre as décadas de 1970 e 1980, ganharam destaque os sistemas especialistas. Eles tentavam reproduzir decisões de profissionais por meio de uma base de conhecimento e um mecanismo de inferência.

SE a temperatura está alta
E a pressão está baixa
ENTÃO verificar o sistema de refrigeração

Esses sistemas foram úteis, mas tinham um custo: alguém precisava entrevistar os especialistas, descobrir as regras, eliminar contradições e manter a base atualizada. Quando o ambiente mudava, a elegante inteligência podia virar rapidamente um museu de certezas antigas.

Estatística e machine learning clássico

Também existiam — e continuam existindo — regressão linear, regressão logística, árvores de decisão, Naive Bayes, KNN, máquinas de vetores de suporte e vários outros algoritmos.

Eles não foram aposentados pela IA generativa. Em dados tabulares pequenos ou médios, uma árvore ou regressão frequentemente custa menos, é mais explicável e funciona tão bem quanto uma rede neural. O desenvolvedor maduro não pergunta “onde posso colocar IA?”, mas “qual é a solução mais simples, verificável e econômica para este problema?”.



2. O perceptron bate à porta do CPD

O ancestral histórico das redes atuais é o perceptron, desenvolvido por Frank Rosenblatt no fim dos anos 1950. Ele era um classificador capaz de ajustar os pesos das entradas durante o aprendizado. Embora limitado a problemas linearmente separáveis, estabeleceu uma ideia fundamental: uma máquina poderia melhorar sua decisão modificando seus próprios parâmetros a partir de exemplos.

Um neurônio artificial recebe valores de entrada:

  • uso de CPU;

  • memória consumida;

  • quantidade de erros anteriores;

  • crescimento do volume processado.

Cada entrada é multiplicada por um peso. Depois, os resultados são somados com um valor adicional chamado bias:

[
z = x_1w_1+x_2w_2+x_3w_3+x_4w_4+b
]

Em seguida, o valor passa por uma função de ativação:

[
y=f(z)
]

Essa função permite que o modelo represente relações não lineares. Sem ela, empilhar várias camadas equivaleria, em essência, a fazer uma única grande transformação linear: muita arquitetura para continuar morando no mesmo apartamento matemático.

Se a saída usar uma função sigmoide, obteremos um valor entre zero e um:

0,04 → risco muito baixo
0,51 → situação incerta
0,97 → risco muito alto

O neurônio não “sabe” o que é um ABEND. Apenas aprendeu que determinadas combinações numéricas costumam aparecer antes de registros classificados como falha.



3. Por que uma rede precisa de camadas?

Um neurônio isolado resolve apenas relações simples. Uma rede reúne muitos neurônios em camadas:

  1. Camada de entrada: recebe os dados.

  2. Camadas ocultas: transformam e combinam os sinais.

  3. Camada de saída: produz a previsão ou classificação.

Em visão computacional, camadas iniciais podem responder a contornos, cores e texturas. Camadas posteriores combinam esses elementos em formas mais complexas. Em linguagem, representações iniciais de tokens são transformadas considerando posição, contexto e relações com outros tokens.

Quando existem muitas camadas, falamos em deep learning, ou aprendizagem profunda. A profundidade não concede consciência ao modelo; apenas cria uma função com enorme capacidade de representar padrões.

É importante evitar uma analogia enganosa. Redes neurais foram inspiradas vagamente na ideia de neurônios interconectados, mas um neurônio biológico é imensamente mais complexo. Dizer que uma rede artificial funciona como o cérebro é semelhante a dizer que um avião funciona como um pássaro: ambos voam, mas ninguém espera encontrar penas dentro da turbina.



4. Como a rede aprende: o treinamento

O treinamento pode ser entendido como um ciclo em cinco atos.

Ato 1 — Pesos iniciais

Os pesos começam com pequenos valores, geralmente aleatórios. A rede ainda não aprendeu o padrão e suas respostas são pouco úteis.

Ato 2 — Propagação para frente

Um exemplo atravessa a rede da entrada até a saída. Isso é chamado de forward pass.

CPU: 92%
Memória: 90%
Erros anteriores: 7
Crescimento do volume: 65%

Previsão inicial: 18% de risco de ABEND
Resultado real: houve ABEND

Ato 3 — Função de perda

A função de perda mede a distância entre a previsão e a resposta correta. Ela não diz apenas “errou”; fornece um número que pode orientar os ajustes.

Ato 4 — Backpropagation

O algoritmo calcula como cada peso contribuiu para o erro. Essa informação é propagada da saída em direção às camadas anteriores. É o famoso backpropagation.

Ato 5 — Otimização

Um otimizador, como o gradiente descendente ou Adam, altera os pesos na direção que tende a reduzir a perda.

O ciclo se repete. Cada passagem completa pelo conjunto de treinamento recebe o nome de época.

Época 1   → a rede tropeça no cabo de força
Época 10  → começa a reconhecer alguns padrões
Época 50  → melhora suas previsões
Época 500 → talvez esteja aprendendo o problema
             ou apenas decorando o laboratório

Quando o modelo decora demais os exemplos de treinamento e perde a capacidade de funcionar com dados novos, temos o overfitting. Ele é o aluno que tirou dez porque memorizou o gabarito, mas entra em S0C7 quando a prova muda duas palavras.

5. Laboratório: uma pequena sentinela de jobs batch

Vamos construir um exemplo didático em Python. A rede receberá quatro características de um job:

  • percentual de CPU;

  • percentual de memória utilizada;

  • quantidade de erros anteriores;

  • crescimento percentual do volume de entrada.

Ela tentará classificar o resultado:

  • 0: execução normal;

  • 1: risco de ABEND.

Passo 1 — Preparar o ambiente

python -m pip install tensorflow numpy scikit-learn

Passo 2 — Importar as bibliotecas

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from tensorflow import keras
from tensorflow.keras import layers

O NumPy manipula os números, o scikit-learn ajuda a preparar os dados e o Keras oferece blocos de construção para a rede.

Passo 3 — Criar os exemplos

X = np.array([
    [35, 40, 0, 5],
    [42, 48, 0, 8],
    [50, 55, 1, 10],
    [58, 60, 1, 12],
    [65, 68, 2, 18],
    [72, 75, 3, 25],
    [78, 82, 4, 35],
    [85, 88, 5, 45],
    [91, 94, 7, 60],
    [96, 97, 9, 80],
    [45, 85, 1, 12],
    [88, 50, 2, 20],
    [76, 91, 6, 50],
    [93, 86, 8, 65],
    [55, 52, 0, 5],
    [82, 89, 5, 55]
], dtype=float)

y = np.array([
    0, 0, 0, 0,
    0, 0, 1, 1,
    1, 1, 0, 0,
    1, 1, 0, 1
])

X contém as características e y contém o resultado conhecido. Em um projeto real, esses registros poderiam vir de métricas operacionais, SMF, logs, históricos do scheduler e ocorrências devidamente classificadas.

Passo 4 — Separar treino e teste

X_treino, X_teste, y_treino, y_teste = train_test_split(
    X,
    y,
    test_size=0.25,
    random_state=42,
    stratify=y
)

O modelo aprende com uma parte dos registros e é avaliado com outra. Testá-lo com o mesmo material usado no treinamento seria entregar a prova com o gabarito e depois publicar no LinkedIn que o aluno alcançou 100% de inteligência artificial.

Passo 5 — Normalizar

normalizador = StandardScaler()

X_treino = normalizador.fit_transform(X_treino)
X_teste = normalizador.transform(X_teste)

As variáveis possuem escalas diferentes. CPU pode variar de zero a cem, enquanto erros anteriores talvez variem de zero a dez. A normalização impede que o tamanho numérico seja confundido com importância.

Há um detalhe essencial: usamos fit_transform somente no treino. No teste, usamos apenas transform. Caso o normalizador aprendesse também com o conjunto de teste, informações do futuro vazariam para o treinamento.

Passo 6 — Construir a rede

modelo = keras.Sequential([
    layers.Input(shape=(4,)),
    layers.Dense(8, activation="relu"),
    layers.Dense(4, activation="relu"),
    layers.Dense(1, activation="sigmoid")
])

A primeira camada oculta possui oito neurônios; a segunda possui quatro. A saída possui um neurônio com sigmoide, produzindo um valor entre zero e um.

O número de camadas e neurônios não veio gravado numa tábua sagrada. Arquitetura, taxa de aprendizado, tamanho do lote e quantidade de épocas são hiperparâmetros: escolhas feitas e testadas pela equipe.

Passo 7 — Compilar e treinar

modelo.compile(
    optimizer="adam",
    loss="binary_crossentropy",
    metrics=["accuracy"]
)

modelo.fit(
    X_treino,
    y_treino,
    epochs=100,
    verbose=0
)

A entropia cruzada binária é adequada a uma classificação com duas classes. Adam realiza os ajustes dos pesos. epochs=100 manda o modelo percorrer o conjunto de treinamento cem vezes.

Passo 8 — Avaliar

perda, acuracia = modelo.evaluate(
    X_teste,
    y_teste,
    verbose=0
)

print(f"Acurácia de teste: {acuracia:.2%}")

A acurácia, sozinha, pode enganar. Se apenas 1% dos jobs falha, um modelo que sempre responde “normal” terá 99% de acurácia e a utilidade operacional de um alarme que permanece silencioso durante o incêndio.

Em produção, também examinaríamos precision, recall, F1-score, matriz de confusão, falsos positivos e falsos negativos. O custo do erro precisa ser discutido com o negócio e com a operação.

Passo 9 — Fazer uma previsão

novo_job = np.array([
    [89, 92, 6, 58]
], dtype=float)

novo_job_normalizado = normalizador.transform(novo_job)

probabilidade = modelo.predict(
    novo_job_normalizado,
    verbose=0
)[0][0]

print(f"Risco estimado de ABEND: {probabilidade:.2%}")

if probabilidade >= 0.70:
    print("Risco alto: solicitar análise humana.")
elif probabilidade >= 0.40:
    print("Risco intermediário: monitorar a execução.")
else:
    print("Risco baixo.")

A rede produz uma probabilidade. A política ao redor dela decide o que fazer. O modelo pode recomendar uma análise; não precisa receber autoridade para cancelar sozinho a folha de pagamento porque encontrou uma vibração negativa no dataset.

6. Por que este laboratório ainda não pode entrar em produção?

Nosso conjunto contém apenas dezesseis registros sintéticos. Serve para compreender o fluxo, não para comandar uma operação real.

Uma implementação séria precisaria investigar:

  • qualidade e representatividade dos dados;

  • registros ausentes ou incorretos;

  • desbalanceamento entre classes;

  • diferença entre correlação e causalidade;

  • vazamento de informações do futuro;

  • custo dos falsos alarmes;

  • explicabilidade;

  • segurança e privacidade;

  • mudanças no ambiente ao longo do tempo;

  • comparação com regras e algoritmos mais simples.

Imagine que todos os ABENDs do histórico ocorreram às sextas-feiras porque uma versão defeituosa foi implantada durante quatro semanas. A rede pode aprender que sexta-feira é perigosa, em vez de descobrir a verdadeira causa. Ela não mentiu; apenas encontrou o atalho estatístico permitido pelos dados.

O dataset é o professor. Se o professor carrega erros, preconceitos, lacunas ou classificações ruins, o aluno aprende tudo com notável eficiência.

7. Para que servem as redes neurais?

Redes neurais são úteis quando há muitos exemplos e relações difíceis de transformar em regras explícitas:

  • reconhecimento de imagens e objetos;

  • transcrição e síntese de voz;

  • tradução automática;

  • classificação de documentos;

  • manutenção preditiva;

  • detecção de fraude e anomalias;

  • análise de sentimento;

  • recomendação de conteúdo;

  • processamento de linguagem;

  • geração de texto, imagem, áudio e vídeo.

Mas não são a solução universal. Uma regra é preferível quando precisa ser cumprida exatamente. Uma árvore pode ser melhor quando a explicação da decisão é indispensável. Uma consulta SQL pode resolver o que alguém tentou transformar num projeto de seis meses com GPUs, consultores e uma apresentação cujo título contém a palavra “disruptivo”.

8. O inverno das redes e o renascimento do deep learning

Redes neurais não caminharam em linha reta até a glória. Houve períodos de entusiasmo, limitações e perda de interesse.

Modelos iniciais tinham capacidade limitada. Treinar redes profundas era difícil, os computadores eram lentos e grandes conjuntos de dados digitalizados ainda não existiam. Críticas às limitações dos perceptrons também contribuíram para reduzir o entusiasmo.

O renascimento ganhou força entre o fim dos anos 2000 e o início dos anos 2010 graças à combinação de:

  • mais dados disponíveis;

  • GPUs capazes de executar cálculos em paralelo;

  • técnicas melhores de treinamento;

  • funções de ativação mais adequadas;

  • arquiteturas profundas;

  • avanços em visão computacional e reconhecimento de voz.

A rede neural não foi sucedida por uma espécie completamente diferente. Ela cresceu, aprofundou-se e ganhou arquiteturas especializadas.

9. CNNs, RNNs e a longa fila antes do Transformer

As redes convolucionais, ou CNNs, tornaram-se especialmente importantes para imagens. Elas aplicam filtros que ajudam a identificar padrões espaciais.

As redes recorrentes, ou RNNs, foram projetadas para sequências. Elas mantinham uma forma de estado interno, permitindo considerar elementos anteriores. Variantes como LSTM e GRU melhoraram o tratamento de dependências mais longas.

Entretanto, o processamento recorrente é sequencial: para compreender determinada posição, o modelo atravessa estados anteriores. Isso dificulta a paralelização e pode prejudicar relações muito distantes.

Em 2017, o artigo Attention Is All You Need, de Vaswani e colaboradores, apresentou o Transformer: uma arquitetura baseada em mecanismos de atenção, sem depender da recorrência ou convolução usadas pelas arquiteturas dominantes de tradução daquela época.

O Transformer podia relacionar elementos do contexto e realizar grande parte do treinamento de maneira paralela. Isso não tornou o custo pequeno; tornou possível utilizar muito mais computação com eficiência suficiente para escalar.

E aqui está a correção histórica essencial:

O Transformer não substituiu a rede neural. O Transformer é uma arquitetura de rede neural.

10. Atenção: quem deve olhar para quem?

Considere a frase:

O programa tentou abrir o arquivo, mas ele não estava catalogado.

Ao representar a palavra “ele”, o modelo precisa relacioná-la a outras partes da sequência. O mecanismo de atenção calcula quanto cada elemento deve considerar os demais naquele contexto.

No Transformer, cada token gera representações geralmente chamadas de:

  • Query: o que estou procurando;

  • Key: que tipo de informação ofereço;

  • Value: qual conteúdo carrego.

O modelo compara queries e keys para determinar a atenção e combina os values de acordo com esses resultados.

Isso acontece por meio de álgebra linear, não por uma pequena reunião de palavras conscientes discutindo quem merece protagonismo.

11. Do texto aos números: tokens e embeddings

Uma rede não recebe palavras como um ser humano. O texto é quebrado em tokens, que podem ser palavras, partes de palavras, sinais ou outros fragmentos.

"O job terminou com ABEND"

Pode ser transformado conceitualmente em algo parecido com:

["O", " job", " terminou", " com", " AB", "END"]

Cada token é convertido em um vetor numérico chamado embedding. Durante o treinamento, o modelo aprende representações em que elementos usados em contextos relacionados desenvolvem relações matemáticas.

O embedding não é um verbete de dicionário e tampouco uma fotografia do significado. É uma representação útil para a tarefa aprendida.

Posições também importam. “O operador cancelou o job” não significa o mesmo que “o job cancelou o operador”, embora a segunda frase descreva com precisão emocional algumas madrugadas de produção.

12. Como um modelo de linguagem aprende a escrever?

Um grande modelo de linguagem recebe sequências e aprende a prever tokens. Diante de:

IDENTIFICATION DIVISION.
PROGRAM-ID.

ele calcula probabilidades para possíveis continuações:

CLIENTE     31%
PROCESSA    24%
CALCULO     18%
TESTE       11%
outros      16%

Um token é escolhido, acrescentado ao contexto e o processo se repete. Em escala enorme, esse treinamento permite ao modelo aprender regularidades de linguagem, estilos, estruturas de código e associações entre conceitos.

Da previsão sucessiva surgem capacidades como:

  • completar texto;

  • responder perguntas;

  • traduzir;

  • resumir;

  • escrever código;

  • reorganizar informações;

  • adaptar o estilo de uma explicação.

Mas o objetivo fundamental continua sendo produzir uma continuação provável. O modelo não possui, por natureza, um compromisso automático com a verdade. Se uma informação falsa combinar muito bem com o padrão linguístico, ele poderá apresentá-la com a segurança de um consultor que acabou de aprender três siglas durante o almoço.

13. Rede neural, LLM, RAG, chatbot e agente

Esses termos aparecem misturados, mas representam coisas diferentes.

ConceitoO que significa
Rede neuralEstrutura matemática com parâmetros ajustáveis
Deep learningAprendizado com redes neurais profundas
TransformerArquitetura neural centrada em atenção
LLMGrande modelo treinado para trabalhar com linguagem
IA generativaCategoria de sistemas capazes de gerar conteúdo
ChatbotInterface conversacional, com ou sem LLM
RAGRecuperação de fontes para fornecer contexto ao modelo
AgenteSistema que usa modelos, estado, regras e ferramentas para executar etapas

Um LLM sozinho responde a partir dos padrões aprendidos e do contexto recebido.

Um sistema com RAG, ou geração aumentada por recuperação, procura documentos relevantes e os coloca no contexto da solicitação. Isso não torna o modelo infalível, mas permite fundamentar a resposta em manuais, políticas ou bases atuais.

Um agente pode receber uma meta, selecionar ferramentas e executar várias etapas:

  1. localizar o job;

  2. consultar o log;

  3. identificar mensagens relevantes;

  4. pesquisar o manual autorizado;

  5. preparar um diagnóstico;

  6. abrir um chamado após autorização.

O LLM pode ser o motor de raciocínio linguístico, mas o agente completo inclui permissões, ferramentas, memória, controles, validação e auditoria.

14. A IA generativa atual não surgiu do nada

A IA generativa é resultado de uma pilha de avanços:

Álgebra e estatística
        ↓
Perceptrons e redes neurais
        ↓
Backpropagation e melhores técnicas de treinamento
        ↓
Deep learning, grandes datasets e GPUs
        ↓
CNNs, RNNs, LSTMs e atenção
        ↓
Transformers
        ↓
Modelos fundacionais e LLMs
        ↓
RAG, multimodalidade, ferramentas e agentes

Os modelos fundacionais são treinados de maneira ampla e depois adaptados ou orientados para várias tarefas. Em vez de construir um modelo totalmente separado para cada pequena função, aproveita-se uma base geral capaz de trabalhar com múltiplos domínios e modalidades.

Hoje, sistemas generativos podem processar combinações de texto, imagem, áudio e vídeo. Também podem usar busca, executar código e interagir com sistemas externos. Entretanto, cada capacidade adicional amplia a superfície de risco.

Um modelo que apenas sugere uma resposta pode estar errado. Um agente com acesso produtivo pode estar errado e executar o erro.

15. Mais autonomia exige mais controle

Se a rede apenas estima o risco de um job, sua saída pode ser revisada por um operador. Se um agente puder cancelar jobs, alterar datasets ou liberar acessos, serão necessários controles muito mais fortes.

Entre eles:

  • menor privilégio possível;

  • identidade individual e credenciais protegidas;

  • separação entre recomendação e execução;

  • confirmação humana para operações críticas;

  • logs completos e auditáveis;

  • limites de custo, tempo e volume;

  • validação das entradas e saídas;

  • fontes autorizadas;

  • possibilidade de interrupção;

  • testes contra manipulação e instruções maliciosas.

Não devemos entregar RACF SPECIAL a um modelo porque ele escreveu um poema bonito sobre segurança de acesso.

Uma resposta convincente não é uma autorização. Uma probabilidade alta não é uma certeza. Uma demonstração de laboratório não é um controle de produção.

16. Como desenvolver um projeto real de rede neural

1. Defina o problema

Evite “precisamos usar IA”. Prefira:

Queremos identificar jobs com alto risco de falha até uma hora antes da execução para que a operação possa investigá-los.

2. Defina o alvo

O que o modelo deverá prever? Falha ou sucesso? Código do ABEND? Tempo restante? Severidade? Cada formulação produz um projeto diferente.

3. Obtenha dados representativos

Inclua períodos, aplicações e condições variadas. Documente origem, autorização e significado de cada campo.

4. Crie um baseline simples

Compare a rede com uma regra, regressão logística ou árvore de decisão. Sem baseline, qualquer resultado parece uma vitória.

5. Separe os conjuntos corretamente

Treino ensina. Validação ajuda a escolher hiperparâmetros. Teste mede o resultado final. Em séries temporais, preserve a ordem do tempo para evitar que o futuro ensine o passado.

6. Treine e registre os experimentos

Guarde versão dos dados, código, arquitetura, parâmetros e métricas. “Funcionou ontem no notebook do Carlos” não é governança.

7. Avalie o impacto dos erros

Um falso positivo apenas gera uma inspeção desnecessária ou paralisa um processo crítico? Um falso negativo representa atraso ou perda financeira? A métrica deve refletir o risco real.

8. Implante gradualmente

Comece em modo observador. Compare previsões e realidade antes de automatizar decisões.

9. Monitore o modelo

Aplicações, volumes e comportamento operacional mudam. Quando a distribuição dos dados muda, ocorre data drift. Quando muda a relação entre entradas e resultado, podemos ter concept drift.

10. Mantenha um responsável humano

Todo modelo precisa de proprietário, processo de revisão, critério de retirada e plano de contingência.

17. O que um dev júnior realmente precisa aprender?

O iniciante não precisa começar calculando derivadas matriciais numa lousa durante uma tempestade. Precisa compreender progressivamente:

  1. Python básico;

  2. arrays e manipulação de dados;

  3. estatística e probabilidade elementares;

  4. treino, validação e teste;

  5. classificação e regressão;

  6. métricas;

  7. normalização e preparação de dados;

  8. neurônio, pesos, bias e ativação;

  9. loss, gradiente e backpropagation;

  10. overfitting e regularização;

  11. uso de uma biblioteca como Keras ou PyTorch;

  12. implantação, monitoramento e governança.

Depois disso, faz sentido avançar para embeddings, atenção, Transformers, fine-tuning, RAG e agentes.

Programar o laboratório é importante, mas saber questioná-lo é ainda mais valioso:

  • De onde vieram os dados?

  • O que exatamente significa o rótulo?

  • Qual erro é mais perigoso?

  • O modelo está melhor que uma regra simples?

  • Ele continuará funcionando depois de uma mudança?

  • Quem poderá usar a previsão?

  • Quem responde quando ela estiver errada?

18. A explicação de um minuto

Se o café estiver acabando e o gerente pedir uma definição rápida, diga:

Uma rede neural é um modelo matemático formado por camadas de operações com parâmetros ajustáveis. Durante o treinamento, ela recebe exemplos, calcula previsões, mede os erros e modifica seus pesos para melhorar. Redes profundas conseguem aprender representações complexas. Transformers são redes neurais que usam atenção para relacionar partes de um contexto. Grandes modelos generativos usam essa arquitetura e enormes conjuntos de dados para prever sucessivamente tokens, produzindo texto, código e outros conteúdos. Eles não consultam automaticamente a verdade: geram respostas prováveis e, por isso, precisam de fontes, validação, governança e supervisão humana.

Epílogo — O modelo terminou o treinamento, mas ninguém abriu a mudança

A história da inteligência artificial não é a substituição completa de uma tecnologia por outra. É uma pilha arqueológica.

As regras tradicionais continuam sustentando sistemas críticos. A estatística continua explicando relações. O machine learning clássico continua resolvendo problemas com eficiência. As redes neurais ampliaram nossa capacidade de aprender padrões. O deep learning levou essa ideia à escala. O Transformer tornou o contexto e a paralelização protagonistas. A IA generativa colocou tudo isso diante do usuário numa caixa de diálogo aparentemente simples.

Mas simplicidade na interface não significa simplicidade por dentro.

Quando pedimos a um modelo que escreva, resuma ou programe, acionamos uma cadeia construída com dados, vetores, matrizes, pesos, atenção, probabilidades, infraestrutura e escolhas humanas. A resposta pode parecer nova, criativa e até espirituosa, mas continua sendo produzida por um sistema que aprendeu regularidades e calcula continuações.

Esse sistema pode ser extraordinariamente útil. Pode ajudar o dev júnior a compreender uma mensagem, comparar alternativas, criar testes e explorar código. Também pode inventar comandos, confundir versões, ignorar uma exceção e declarar com admirável elegância que o programa inexistente foi compilado com sucesso.

Por isso, a melhor relação com a IA generativa não é submissão nem desprezo. É colaboração supervisionada.

O modelo sugere. O profissional verifica.

O modelo encontra padrões. O profissional interpreta o contexto.

O modelo acelera. O profissional assume a responsabilidade.

E, antes que a rede neural seja promovida de estagiária matemática a operadora autônoma do datacenter, alguém precisa perguntar quem aprovou a mudança, onde está o plano de retorno e por que aquela criatura probabilística está solicitando RACF SPECIAL às três horas da manhã.

Referências para continuar a viagem



quarta-feira, 2 de setembro de 2026

Tenho 52 Anos, mas o Twitter Quer que Eu Pague para Provar que Sou Adulto

 

Bellacosa Mainframe alem de provar q eu sou eu mesmo tenho q provar q sou velho +18

☕ Um Café no Bellacosa Mainframe

Tenho 52 Anos, mas o Twitter Quer que Eu Pague para Provar que Sou Adulto

Ou: como a proteção dos menores criou uma internet com pedágio de identidade, censura indireta e um novo código regional para cinquentões perigosamente alfabetizados

Prólogo — O algoritmo examinou meus documentos imaginários e concluiu que talvez eu tivesse doze anos

Tenho 52 anos.



Trabalho com computadores desde quando eles ocupavam salas inteiras, exigiam ar-condicionado próprio e eram tratados com mais respeito do que muitos diretores. Conheci a internet quando ela ainda chegava acompanhada pelo ruído cerimonial de um modem, uma espécie de grilo eletrônico anunciando que, depois de vinte tentativas, talvez fosse possível abrir uma página.

Atravessei a era do disquete, do CD-ROM, do DVD dividido em regiões, das senhas com oito caracteres, do monitor de fósforo verde e dos sistemas que perguntavam se eu realmente desejava sair antes de me abandonarem para sempre.

Depois de tudo isso, o Twitter — ou X, como prefere ser chamado desde que recebeu nome de projeto secreto recusado por uma empresa de ficção científica — decidiu que talvez eu ainda não tenha idade suficiente para acessar determinados conteúdos e conversas.

Felizmente existe uma solução muito adulta: pagar uma assinatura.

Na minha experiência com a plataforma, o caminho apresentado para recuperar determinadas áreas e provar que sou maior de idade passa pelo serviço pago. A assinatura surge, na prática, como uma espécie de certidão digital de maturidade.

Não importa que eu tenha atravessado mais de meio século, trabalhado em CPDs, pago impostos, criado um filho, participado da vida pública, acumulado cabelos brancos e sobrevivido a incontáveis reuniões corporativas.

Para o algoritmo, continuo sendo um adolescente suspeito até que o cartão de crédito declare:

“Confirmo que este cavalheiro já pode ler.”

O Visconde de Valmont, personagem imortalizado por John Malkovich em Ligações Perigosas, certamente apreciaria a elegância do mecanismo. Não é necessário proibir diretamente. Basta transformar a liberdade em um benefício premium e deixar que a vítima assine voluntariamente o recibo da própria submissão.

É uma sedução muito bem executada.



1. Não provaram que sou menor — presumiram que não paguei

Existe uma diferença fundamental entre proteger menores e tratar todo adulto não pagante como menor presumido.

No primeiro modelo, a plataforma identifica razoavelmente um risco e oferece formas proporcionais de confirmação de idade.

No segundo, temos esta lógica:

não assinou = identidade insuficiente  
identidade insuficiente = idade desconhecida  
idade desconhecida = possível menor  
possível menor = acesso reduzido

Pronto. Uma sequência impecável, quase tão elegante quanto um programa COBOL que move espaços para o campo de data e depois culpa o usuário pelo S0C7.

A assinatura paga não comprova perfeitamente a maioridade. Um adolescente pode usar o cartão dos pais. Um adulto pode não possuir cartão, não desejar fornecê-lo, não querer pagar ou simplesmente considerar absurdo comprar acesso a algo que anteriormente já podia consultar.

Portanto, não estamos diante de um método científico para determinar idade. Estamos diante de uma classificação econômica:

Adulto confiável é o adulto monetizado.

O jovem com cartão familiar atravessa a porta. O cinquentão desconfiado permanece do lado de fora, contemplando o porteiro digital.



2. Aos 52 anos, recebi uma versão infantil da internet

O problema não se limita ao conteúdo pornográfico.

Quando uma plataforma classifica perfis, imagens ou conversas como sensíveis, o bloqueio pode alcançar:

  • notícias sobre guerras;

  • fotografias históricas;

  • debates políticos;

  • relatos de violência;

  • educação sexual;

  • quadrinhos;

  • mangás;

  • animes;

  • obras de arte;

  • campanhas de saúde;

  • denúncias de abuso;

  • conversas entre adultos;

  • perfis inteiros que publicaram algum material considerado sensível.

O algoritmo não lê como um adulto. Ele administra riscos como um departamento jurídico depois do terceiro café e antes da reunião com a diretoria.

Uma pintura renascentista, uma página de Milo Manara, uma cena de anime, uma reportagem policial e pornografia propriamente dita podem terminar na mesma gaveta: “sensível”.

E eu, aos 52 anos, recebo a edição da internet preparada para alguém que talvez ainda precise da autorização dos pais para assistir ao filme das dez.

A infantilização do usuário adulto é vendida como segurança.

Valmont provavelmente diria que a melhor prisão não é aquela que impede a saída. É aquela que convence o prisioneiro de que a chave somente está disponível no plano anual.


3. A censura moderna não precisa usar tesoura

A censura clássica era grosseira.

Havia um funcionário, um carimbo, uma tesoura e uma decisão clara: esta cena pode; aquela não pode; este livro está proibido; aquele filme será cortado.

A censura moderna possui melhor design.

Ela utiliza:

  • termos de serviço;

  • classificação automatizada;

  • redução de alcance;

  • bloqueio geográfico;

  • verificação de idade;

  • suspensão preventiva;

  • remoção silenciosa;

  • desmonetização;

  • assinatura premium;

  • resposta automática sem direito efetivo de contestação.

Ninguém precisa declarar oficialmente que você foi censurado. A plataforma apenas informa que determinado conteúdo “não está disponível”, “pode ser sensível” ou “exige confirmação”.

Não há praça pública, censor visível nem lista de livros proibidos. Existe apenas uma tela vazia e um botão para assinar.

Juridicamente, convém fazer a distinção: uma restrição imposta por empresa privada não é automaticamente censura estatal. Contudo, para o usuário que perdeu acesso a conversas, autores e conteúdos, o efeito material pode ser censório.

A conversa desapareceu.

O perfil ficou invisível.

O acervo deixou de ser acessível.

A memória digital foi reduzida.

Podemos chamar isso de “experiência personalizada”, caso a palavra censura cause desconforto ao departamento de marketing.


4. A proteção de menores tornou-se a chave-mestra

Proteger crianças e adolescentes é obrigação legítima. Existem aliciamento, abuso, exploração sexual, violência transmitida pela internet e redes organizadas que precisam ser combatidas.

O problema começa quando a frase “proteger as crianças” se torna uma chave capaz de abrir qualquer porta jurídica e fechar qualquer porta cultural.

Quem tenta discutir precisão, proporcionalidade ou liberdade artística corre o risco de receber a pergunta fatal:

“Então você é contra a proteção das crianças?”

É uma armadilha retórica perfeita.

A pessoa razoável responde que evidentemente deseja proteger crianças. Nesse momento, já aceitou discutir somente a intensidade do bloqueio, e não se o mecanismo escolhido é adequado.

A Lei nº 15.487/2026 ampliou o alcance do Estatuto da Criança e do Adolescente para incluir representações de crianças ou adolescentes reais ou fictícios em conteúdos definidos como sexualizados ou libidinosos. A norma também alcança determinadas situações produzidas por tecnologias digitais e inteligência artificial.

O objetivo declarado é combater violência sexual e fechar lacunas criadas por deepfakes e materiais inteiramente artificiais. O problema está na amplitude de expressões como “contexto”, “pose”, “enquadramento”, “conotação sexual” e “demais elementos relevantes”.

Um personagem fictício possui idade determinada pela narrativa? Pela aparência? Pelo corpo? Pela opinião do perito? Pela imaginação do promotor? Pela indignação da associação que surgiu na terça-feira e na quarta já representava todas as crianças desenhadas do hemisfério sul?

O texto oficial pode ser consultado na Lei nº 15.487/2026.

A proteção é necessária. A falta de fronteiras claras é perigosa.


5. O velho CD número 17 agora precisa de parecer jurídico

Imagine uma coleção particular com centenas de horas de animes gravados em CDs e DVDs ao longo de vinte ou trinta anos.

O proprietário não se recorda de cada episódio, cada cena de banho, cada piada de duplo sentido nem da idade declarada de cada elfa que frequentava uma escola mágica em 2003.

Quando o material foi adquirido ou gravado, não existia proibição específica envolvendo determinados personagens fictícios. Décadas depois, a legislação muda.

O passado não é punido retroativamente pela lei nova. Entretanto, armazenar material pode ser considerado uma conduta permanente enquanto o arquivo continua sob controle do proprietário.

Surge então o paradoxo: algo adquirido legalmente pode transformar-se em risco jurídico sem que o colecionador tenha produzido, divulgado ou sequer assistido novamente ao conteúdo.

O CD não mudou.

O arquivo não mudou.

O desenho não mudou.

Mudou o olhar do Estado sobre ele.

A partir desse momento, o colecionador precisa imaginar se algum jurista particularmente criativo poderá descobrir uma adolescente onde ele sempre enxergou uma mulher adulta estilizada.

Druuna, de Paolo Eleuteri Serpieri, é representada claramente como mulher adulta. Muitas personagens de Milo Manara também aparecem em narrativas adultas, embora tenham rostos jovens e corpos idealizados.

Mas o desenho não traz certidão de nascimento anexada ao quadrinho.

A acusação poderá chamar uma personagem de “teen”. A defesa poderá chamá-la de jovem adulta. Um perito poderá medir proporções. Outro falará sobre ingenuidade facial. O juiz decidirá se os quadris possuem idade penalmente relevante.

O Direito terá inventado a antropometria da ninfeta fictícia.

Cesare Lombroso talvez retornasse apenas para pedir participação nos direitos autorais.


6. Los Três Amigos e a defensora pública dos Miguelitos

Pensemos em Los Três Amigos, de Angeli, Laerte e Glauco.

A obra nasceu no universo underground da Chiclete com Banana, povoada por Angel Villa, Laerton, Glauquito, violência, sexo, drogas, perversões, mulas e hordas de Miguelitos infernizando a vida de todos no Viejo México.

Era uma sátira adulta, suja, exagerada e moralmente instável — exatamente como deve ser um bom quadrinho underground.

Se surgisse hoje, provavelmente seria acompanhado por:

  • classificação para maiores de 18 anos;

  • embalagem lacrada;

  • aviso sobre conteúdo sensível;

  • parecer jurídico;

  • consultoria de representação;

  • campanha de boicote;

  • denúncia por estereótipos;

  • pedido de proteção integral aos Miguelitos;

  • associação defensora das mulas exploradas;

  • especialista explicando que a obra normaliza ambientes laborais tóxicos no deserto.

A sátira seria obrigada a comprovar que sabe ser sátira.

Uma página seria retirada do álbum e publicada isoladamente. Um influenciador perguntaria se você deixaria seu filho ler aquilo, embora a revista nunca tivesse sido destinada a crianças. Um parlamentar gravaria um vídeo indignado segurando o quadrinho com uma luva, como se tivesse localizado plutônio enriquecido num sebo.

No fim, talvez a obra fosse considerada constitucionalmente protegida.

Cinco anos depois.

Após processos, despesas, apreensões, cancelamentos e o desaparecimento da editora.

A absolvição tardia é uma forma muito elegante de censura. A obra vence, mas já não existe ninguém para reimprimi-la.


7. Ligações Perigosas talvez também precise apresentar documentos

E aqui chegamos ao anfitrião ácido desta conversa.

Ligações Perigosas trata de manipulação, sedução, poder, moralidade, desejo e destruição. Seus personagens não oferecem modelos seguros para uma campanha educativa. Valmont não pede consentimento ao departamento de compliance antes de iniciar seus jogos psicológicos. A Marquesa de Merteuil dificilmente seria aprovada por uma consultoria de relacionamento saudável.

A obra não nos manda imitá-los.

Ela os apresenta.

Essa diferença elementar — representar não é recomendar — parece cada vez mais difícil de preservar.

Um dia alguém poderá dizer que o filme romantiza manipulação, abuso emocional, relações desequilibradas ou exploração de jovens. Outra pessoa pedirá aviso de conteúdo. Uma plataforma poderá restringi-lo. Um algoritmo talvez conclua que determinados diálogos são impróprios.

Não acredito que Ligações Perigosas esteja prestes a ser proibido no Brasil. Mas já não parece absurdo imaginar uma versão cortada, escondida, reclassificada ou indisponível em determinado catálogo nacional.

Valmont não seria derrotado pela virtude.

Seria derrotado pelo geoblocking.


8. A volta do DVD regional

Quem comprava DVDs lembra-se do pequeno globo acompanhado por um número.

  • Região 1: Estados Unidos e Canadá.

  • Região 2: Europa e Japão.

  • Região 4: América Latina e Austrália.

Você adquiria um filme no exterior, chegava em casa e descobria que o aparelho brasileiro se recusava a executá-lo. O disco estava perfeito. O aparelho funcionava. O problema era geopolítico: o cinema havia recebido fronteiras invisíveis.

A internet prometeu eliminar isso.

Agora estamos construindo um sistema ainda mais sofisticado:

DVD antigoInternet atual
Região gravada no discoPaís identificado pelo IP
Bloqueio no aparelhoBloqueio na conta
Catálogo físico diferenteCatálogo digital diferente
Compra permanenteLicença revogável
Disco continuava com vocêObra pode desaparecer da nuvem
Um número no globoRegra invisível
Região geográficaPaís, idade, assinatura e perfil

O novo código regional será formado por uma equação:

localização + idade presumida + identidade + assinatura + lei nacional
= conteúdo permitido

Um japonês poderá acessar determinado mangá.

Um europeu verá uma edição diferente.

O brasileiro encontrará uma página vazia.

O adulto brasileiro não assinante receberá uma página ainda mais vazia, cuidadosamente preparada para sua segurança.


9. A biografia também poderá atravessar a alfândega moral

Imagine uma autobiografia em que uma pessoa relata aventuras da juventude:

  • a primeira relação sexual;

  • namoros entre adolescentes;

  • diferenças de idade toleradas na época;

  • festas;

  • drogas;

  • viagens;

  • prostituição;

  • ambientes clandestinos;

  • comportamentos que hoje seriam julgados de outra maneira.

Contar não é necessariamente promover.

Registrar não é repetir.

Descrever um erro não é convidar o leitor a cometê-lo.

No Brasil, o Supremo Tribunal Federal decidiu na ADI 4815 que biografias não dependem de autorização prévia. O STF considerou que exigir autorização constitui censura prévia, sem eliminar eventual responsabilização posterior por abusos. A decisão pode ser consultada no portal do STF.

Mas a censura contemporânea não precisa impedir formalmente a publicação.

Pode fazer algo mais delicado:

  • a editora rejeita o original;

  • a livraria digital restringe a obra;

  • o processador de pagamento recusa o produto;

  • a plataforma limita sua divulgação;

  • o algoritmo marca a capa;

  • o marketplace remove o anúncio;

  • o autor passa anos explicando uma passagem isolada.

O livro continua teoricamente permitido.

Apenas não pode ser vendido, localizado, divulgado nem monetizado.

Uma liberdade muito bem-comportada: existe no papel, desde que ninguém tente exercê-la.


10. O paradoxo da privacidade

Para provar que sou adulto, posso ser obrigado a fornecer mais informações:

  • documento;

  • fotografia;

  • cartão;

  • dado biométrico;

  • número telefônico;

  • conta associada;

  • histórico de pagamento.

Quanto mais desejo preservar minha privacidade, menor se torna minha internet.

A mensagem é simples:

Entregue seus dados para provar que merece privacidade adulta.

É uma construção digna da Marquesa de Merteuil.

A proteção da intimidade exige a exposição da identidade. A segurança obriga o usuário a compartilhar aquilo que deseja proteger. Quem recusa não é tratado como cidadão cuidadoso, mas como perfil incompleto e, portanto, suspeito.

Não quero pagar uma assinatura apenas para demonstrar algo que o calendário prova diariamente desde 1992.

Não quero transformar meu cartão de crédito em certidão de nascimento.

E não aceito a premissa de que o adulto somente adquire autonomia depois de tornar-se cliente premium.


11. A internet não será proibida — será dividida em castas

Talvez não vejamos uma grande muralha digital brasileira. O modelo mais provável é mais discreto.

Teremos diferentes internets:

  • a internet do menor;

  • a internet do adulto não verificado;

  • a internet do adulto identificado;

  • a internet do assinante;

  • a internet do criador monetizado;

  • a internet permitida no Brasil;

  • a internet liberada no Japão;

  • a internet acadêmica;

  • a internet corporativa;

  • a internet que existe, mas não aparece na busca.

Isso não ocorrerá por meio de um único plano central.

Cada lei acrescentará uma pequena restrição.

Cada plataforma adicionará uma margem de segurança.

Cada departamento jurídico recomendará bloquear um pouco mais.

Cada algoritmo cometerá alguns falsos positivos.

Cada usuário perderá um pequeno pedaço.

Quando percebermos, a biblioteca mundial terá sido transformada em um conjunto de salas. Para entrar em cada uma, será necessário apresentar documento, localização, assinatura e uma declaração de bons costumes.

O censor do futuro não perguntará o que você pensa.

Perguntará qual é o seu plano.


12. Proteger crianças não exige infantilizar adultos

É perfeitamente possível defender simultaneamente:

  • combate rigoroso à exploração sexual infantil;

  • remoção rápida de material criminoso;

  • investigação de aliciadores;

  • responsabilização de plataformas negligentes;

  • proteção de dados dos menores;

  • mecanismos de supervisão parental;

  • liberdade artística;

  • preservação histórica;

  • privacidade dos adultos;

  • acesso proporcional;

  • contestação de decisões automatizadas;

  • verificação etária gratuita e minimamente invasiva.

A escolha não precisa ser entre uma internet sem regras e um condomínio digital administrado por um síndico moralista.

O que precisamos é de precisão.

Leis penais devem definir com clareza aquilo que proíbem. Plataformas devem explicar por que restringiram determinada conta. Adultos devem possuir forma gratuita de contestar classificações incorretas. Obras históricas, jornalísticas, artísticas e acadêmicas precisam de salvaguardas claras.

A proteção de crianças não pode funcionar como cheque em branco para vigiar toda a população.

Quando o Estado e as empresas não conseguem distinguir criança de adulto, arte de abuso, arquivo de propaganda e ficção de incentivo, o problema não é falta de tecnologia.

É falta de critério.


Epílogo — O cinquentão perigosamente não assinante

Tenho 52 anos.

Não sou menor de idade, embora o algoritmo mantenha prudente reserva a esse respeito.

Não preciso que uma plataforma escolha quais conversas posso ler. Não preciso que meu cartão de crédito testemunhe em favor da minha maturidade. E certamente não preciso pagar mensalmente para receber a honra de ser reconhecido como adulto.

O Twitter não me proibiu formalmente.

Apenas reduziu meu acesso, ocultou conteúdos e colocou a solução atrás de uma assinatura.

É uma diferença juridicamente importante e humanamente cômica.

O Visconde de Valmont aprovaria. Afinal, as restrições mais elegantes são aquelas em que a vítima precisa pagar para chamá-las de liberdade.

Talvez um dia Ligações Perigosas seja considerado perigoso demais. Talvez Manara precise anexar certidões de nascimento às suas personagens. Talvez Druuna compareça perante um perito para provar que é adulta. Talvez os Miguelitos conquistem representação processual e as mulas recebam medida protetiva.

Até lá, continuarei aqui: cinquentão, brasileiro, colecionador, leitor, usuário da internet desde o tempo dos modems e oficialmente suspeito de juventude excessiva.

Não por parecer jovem.

Mas por não ter assinado.

Isaac Asimov Entra no CPD — O Dia em que o COBOL Conheceu a Inteligência Artificial e Descobriu que o Robô Também Precisava de JCL, Dados e Supervisão Humana

 

Bellacosa Mainframe apresenta inteligencia artificial para padawan

☕ Um Café no Bellacosa Mainframe

Isaac Asimov Entra no CPD — O Dia em que o COBOL Conheceu a Inteligência Artificial e Descobriu que o Robô Também Precisava de JCL, Dados e Supervisão Humana

Ou: por que a IA generativa não pensa como um ser humano, um prompt não é feitiço, RAG não é um novo comando do IDCAMS e nenhuma empresa deveria entregar RACF SPECIAL a um agente autônomo depois de apenas quinze minutos de laboratório



Prólogo — “Computador, resolva isso”, disse o humano sem fornecer o arquivo de entrada

Imagine que Isaac Asimov visite um CPD moderno.

Ele atravessa a porta de segurança, observa os racks, escuta o ruído constante da refrigeração e encontra, em um canto, um terminal com letras verdes. Na tela, um programa COBOL processa milhões de registros sem reclamar, sem pedir café e sem publicar no LinkedIn que concluiu mais um badge.

Ao lado do terminal, há uma interface de inteligência artificial.

O operador escreve:

Analise este programa, explique o erro e sugira uma solução.

A IA responde em segundos. Ela descreve o programa, aponta uma possível falha e apresenta uma alteração aparentemente elegante.

Asimov ajusta os óculos e pergunta:

— A resposta está correta?

Silêncio no CPD.



O operador olha para o desenvolvedor. O desenvolvedor olha para o analista. O analista olha para o programa. O programa olha para ninguém, porque um batch COBOL respeitável não participa de reunião sem necessidade.

Essa é a primeira grande lição sobre inteligência artificial: gerar uma resposta convincente não é a mesma coisa que produzir uma resposta verdadeira.

A IA moderna consegue escrever textos, criar imagens, gerar código, resumir documentos, conversar com usuários, procurar informações e até acionar ferramentas. Entretanto, ela não deixa de precisar de contexto, dados confiáveis, controles de acesso, validação e supervisão humana.

Em outras palavras, a inteligência artificial pode entrar no CPD. Mas primeiro precisa preencher a requisição, apresentar a identificação e explicar por que deseja acesso ao dataset de produção.



1. Afinal, o que é inteligência artificial?

Inteligência artificial é um conjunto de técnicas que permite aos computadores executar atividades normalmente associadas à inteligência humana.

Essas atividades incluem:

  • reconhecer imagens;

  • compreender linguagem;

  • identificar padrões;

  • fazer previsões;

  • recomendar ações;

  • tomar decisões dentro de regras;

  • gerar textos, imagens, sons, vídeos e código;

  • interagir com pessoas por meio de chatbots e assistentes.



A definição é ampla porque IA não representa uma única tecnologia. Ela funciona como um grande condomínio tecnológico no qual moram aprendizado de máquina, redes neurais, processamento de linguagem natural, visão computacional, robótica, sistemas especialistas e modelos generativos.

Para um programador COBOL iniciante, uma comparação útil é pensar em “mainframe”.

Mainframe não significa somente COBOL. Dentro desse universo existem z/OS, CICS, IMS, Db2, VSAM, RACF, JCL, JES2, SDSF, TCP/IP, MQ, APIs e muitas outras tecnologias.

Da mesma forma, IA não significa apenas ChatGPT. Um chatbot generativo é somente uma das aplicações possíveis.

Um sistema de detecção de fraude pode usar IA sem conversar com ninguém. Um banco pode utilizar modelos preditivos para identificar transações suspeitas. Uma indústria pode empregar visão computacional para localizar defeitos em peças. Um hospital pode analisar exames médicos. Um supermercado pode prever demanda de produtos.

A inteligência artificial é o campo. Os modelos, algoritmos e aplicações são os moradores desse campo.



2. Inteligência artificial ou inteligência aumentada?

Existe uma diferença importante entre inteligência artificial e inteligência aumentada.

A expressão “inteligência artificial” pode sugerir que a máquina está substituindo integralmente o ser humano. Já “inteligência aumentada” enfatiza que a tecnologia amplia a capacidade humana.

Essa segunda interpretação é especialmente valiosa nos ambientes corporativos.

Um sistema pode analisar milhares de registros e apontar anomalias. Entretanto, um profissional experiente deve interpretar o contexto, verificar impactos e decidir a ação adequada.

Pense em um incidente de produção.

A IA pode:

  • resumir mensagens do job;

  • relacionar o erro com incidentes anteriores;

  • localizar a documentação;

  • sugerir os programas envolvidos;

  • gerar uma hipótese para a causa;

  • preparar uma consulta SQL;

  • recomendar testes.

Mas ela não deveria promover uma alteração diretamente em produção sem autorização, validação e rastreabilidade.

A IA funciona como um assistente extremamente rápido, capaz de consultar uma biblioteca enorme e preparar hipóteses. O especialista continua responsável por avaliar se aquelas hipóteses fazem sentido.

Asimov provavelmente reconheceria aqui uma versão corporativa de suas famosas Leis da Robótica: quanto maior a capacidade de uma máquina agir, maiores devem ser os controles destinados a impedir danos.



3. IA estreita, IA geral e superinteligência

A inteligência artificial também pode ser classificada por sua capacidade.

IA estreita ou fraca

É criada para executar uma tarefa específica ou um conjunto limitado de tarefas.

Exemplos:

  • filtro de spam;

  • recomendação de filmes;

  • reconhecimento facial;

  • previsão de demanda;

  • assistente de programação;

  • chatbot de atendimento;

  • sistema antifraude.

Praticamente todas as aplicações de IA atualmente disponíveis pertencem a essa categoria.

Uma IA pode jogar xadrez melhor que quase todos os seres humanos e ainda ser incapaz de preencher uma declaração de imposto de renda. Ela domina uma tarefa, mas não possui uma compreensão geral do mundo.

É como um programa COBOL excelente em calcular folha de pagamento. Ele pode processar milhões de salários corretamente, mas não saberá reservar uma passagem aérea, a menos que alguém desenvolva essa funcionalidade.

IA geral ou forte

Seria uma inteligência capaz de aprender, compreender e executar diversas tarefas intelectuais, transferindo conhecimento entre domínios de maneira semelhante a um ser humano.

Essa inteligência ainda não foi alcançada de forma comprovada.

Modelos generativos modernos são versáteis e podem aparentar inteligência geral durante uma conversa. Contudo, continuam apresentando limitações importantes, como erros factuais, dificuldades de raciocínio consistente e ausência de compreensão humana completa.

Superinteligência

É uma hipótese na qual a inteligência da máquina superaria a humana em praticamente todos os domínios.

Esse conceito aparece com frequência na ficção científica, desde os robôs de Asimov até computadores que decidem que a melhor forma de proteger a humanidade é trancá-la em casa.

É um tema legítimo para pesquisa e reflexão, mas não descreve os sistemas corporativos atuais. Seu chatbot de Recursos Humanos ainda está longe de dominar o planeta. Algumas vezes ele sequer consegue interpretar corretamente “segunda via do comprovante”.



4. Como uma máquina aprende?

A inteligência artificial moderna depende fortemente do aprendizado de máquina, ou machine learning.

Em vez de programar todas as regras explicitamente, fornecemos dados para que um algoritmo encontre padrões.

No desenvolvimento tradicional, temos algo parecido com:

DADOS + REGRAS PROGRAMADAS → RESULTADO

No aprendizado de máquina, o processo pode ser representado assim:

DADOS + RESULTADOS CONHECIDOS → MODELO

Depois de treinado:

NOVOS DADOS + MODELO → PREVISÃO

Isso não elimina a programação. Alguém ainda precisa desenvolver o pipeline, preparar dados, escolher algoritmos, configurar infraestrutura, testar o modelo, monitorar resultados e integrar tudo aos sistemas existentes.

A máquina não acorda numa terça-feira e decide aprender sozinha sobre crédito bancário. Ela recebe dados selecionados por pessoas, dentro de um processo criado por pessoas e com objetivos definidos por pessoas.

Existem três formas clássicas de aprendizado.

Aprendizado supervisionado

O modelo recebe exemplos com respostas conhecidas.

Se quisermos ensinar um sistema a identificar operações fraudulentas, podemos fornecer transações classificadas como “fraude” ou “legítima”.

O modelo aprende relações entre os atributos e as classificações.

Dentro do aprendizado supervisionado temos, entre outras técnicas:

  • classificação, para escolher categorias;

  • regressão, para estimar valores contínuos.

Classificar uma transação como fraude ou não fraude é classificação. Estimar o valor provável de uma propriedade é regressão.

Aprendizado não supervisionado

Os dados não possuem rótulos prontos. O algoritmo procura estruturas, agrupamentos e comportamentos incomuns.

Ele pode descobrir, por exemplo, grupos de clientes com hábitos semelhantes ou transações muito diferentes do padrão habitual.

É particularmente útil para clustering e detecção de anomalias.

Aprendizado por reforço

Um agente executa ações, observa os resultados e recebe recompensas ou penalidades.

Aos poucos, aprende estratégias que maximizam a recompensa.

Essa abordagem pode ser utilizada em jogos, robótica, navegação e otimização de decisões.

É quase como treinar um operador virtual:

  • executou a ação correta: recompensa;

  • derrubou a produção: penalidade;

  • executou DELETE ... PURGE no dataset errado: reunião extraordinária com a gerência e possível exílio para uma lua distante.



5. Treinamento, validação e teste: não vale estudar com o gabarito aberto

Os dados normalmente são separados em três conjuntos.

Conjunto de treinamento

É usado para ensinar os padrões ao modelo.

Conjunto de validação

Ajuda a ajustar parâmetros e comparar versões durante o desenvolvimento.

Conjunto de teste

É utilizado para avaliar o desempenho final com dados que o modelo não deveria ter visto durante o treinamento.

Se usarmos os mesmos dados para treinar e avaliar, o modelo pode simplesmente memorizar exemplos sem aprender a generalizar.

Esse problema é conhecido como overfitting.

Uma analogia simples: o aluno memoriza todas as respostas do simulado, obtém nota máxima nele e depois fracassa quando a prova apresenta perguntas diferentes.

No mainframe, seria como testar uma alteração somente com o registro feliz, perfeitamente preenchido, enquanto a produção contém datas inválidas, campos com espaços, valores inesperados, copybooks antigas e aquele arquivo criado em 1998 que ninguém deseja investigar.

Um modelo confiável precisa enfrentar dados representativos da realidade.



6. Redes neurais e deep learning

Redes neurais são modelos computacionais inspirados, de forma simplificada, na organização de neurônios biológicos.

Elas possuem:

  • uma camada de entrada;

  • uma ou mais camadas intermediárias;

  • uma camada de saída.

Cada conexão trabalha com valores ajustados durante o treinamento. O modelo modifica esses valores para reduzir seus erros.

Quando existem muitas camadas, entramos no campo do deep learning.

O aprendizado profundo tornou possíveis grandes avanços em:

  • reconhecimento de voz;

  • tradução automática;

  • visão computacional;

  • reconhecimento facial;

  • análise de imagens médicas;

  • veículos autônomos;

  • processamento de linguagem;

  • geração de conteúdo.

Há diversos tipos de redes neurais, como perceptrons, redes feed-forward, redes convolucionais e redes recorrentes.

Para o iniciante, o mais importante é entender que uma rede neural não contém pequenas regras escritas em português. Ela aprende representações matemáticas distribuídas.

Por isso, pode ser difícil explicar exatamente por que determinado resultado foi produzido. Surge o problema da “caixa-preta”: o modelo apresenta ótima precisão, mas seu caminho de decisão pode não ser facilmente interpretável.

Em áreas reguladas, como bancos, seguros, saúde e governo, essa falta de explicabilidade pode ser crítica.



7. O que torna a IA generativa diferente?

A IA tradicional costuma classificar, prever ou recomendar.

A IA generativa cria novos conteúdos com base nos padrões aprendidos.

Ela pode gerar:

  • textos;

  • imagens;

  • músicas;

  • vozes;

  • vídeos;

  • código;

  • designs;

  • resumos;

  • conversas;

  • dados sintéticos.

Isso não significa que a máquina cria da mesma maneira que um artista humano. O modelo aprende estruturas estatísticas presentes nos dados e produz uma nova combinação considerada provável dentro do contexto solicitado.

Uma forma simples de explicar o processo é:

EXEMPLOS + TREINAMENTO → PADRÕES APRENDIDOS
PROMPT + PADRÕES APRENDIDOS → NOVO CONTEÚDO

O prompt é a instrução enviada pelo usuário.

Exemplo ruim:

Explique este programa.

Exemplo melhor:

Explique este programa COBOL para um desenvolvedor iniciante. Identifique as divisões, descreva o fluxo, liste arquivos utilizados, destaque possíveis riscos de dados inválidos e não invente informações ausentes.

Quanto mais claro for o objetivo, o público, o contexto, o formato e as restrições, maior a chance de obter uma resposta útil.

Um prompt não é uma frase mágica. É uma especificação de trabalho.

Programadores COBOL já conhecem esse problema. Se a especificação diz apenas “ajustar cálculo”, alguém passará a madrugada tentando descobrir qual cálculo, qual programa, qual carteira, qual vigência e qual regra de arredondamento.

A IA também precisa de contexto.



8. Os principais modelos generativos

Há diferentes arquiteturas usadas na IA generativa.

Variational Autoencoders — VAEs

Um encoder transforma os dados em uma representação compacta chamada espaço latente. Um decoder utiliza essa representação para gerar novos exemplos.

O espaço latente captura características relevantes dos dados.

Generative Adversarial Networks — GANs

Uma GAN utiliza dois componentes:

  • o gerador cria amostras;

  • o discriminador tenta identificar se elas são reais ou artificiais.

Os dois componentes competem e melhoram juntos.

É como um falsificador tentando produzir documentos cada vez mais convincentes enquanto um inspetor aprende a detectar as falsificações.

Modelos autorregressivos

Produzem dados sequencialmente, considerando os elementos anteriores.

Na geração de texto, o modelo prevê o próximo token com base nos tokens que vieram antes.

Transformers

Os Transformers revolucionaram o processamento de linguagem graças, entre outros elementos, ao mecanismo de atenção.

A atenção ajuda o modelo a identificar quais partes do contexto são mais relevantes para gerar o próximo elemento.

Eles estão na base de muitos modelos de linguagem modernos.

O easter egg aqui é inevitável: apesar do nome, um Transformer não se converte num caminhão e não luta contra Decepticons no estacionamento do data center. Seu trabalho é matemático, embora uma GPU superaquecida possa produzir efeitos especiais convincentes.



9. LLMs: os grandes modelos de linguagem

LLM significa Large Language Model, ou grande modelo de linguagem.

Esses modelos são treinados com enormes volumes de texto para aprender relações entre palavras, trechos de palavras, símbolos e estruturas.

O texto é dividido em tokens. Um token pode representar uma palavra inteira, parte de uma palavra, pontuação ou sequência de caracteres.

Ao receber um prompt, o modelo calcula probabilidades e seleciona os tokens que formarão a resposta.

Ele não procura necessariamente uma frase armazenada. Ele gera a sequência passo a passo.

Por isso, um LLM consegue produzir respostas originais e adaptar o estilo ao pedido. Também por isso pode inventar uma informação que parece perfeitamente plausível.

Um LLM é uma fantástica máquina de produzir linguagem provável.

“Provável”, entretanto, não significa “verdadeira”.

Se o modelo já viu muitos exemplos em que determinadas palavras aparecem juntas, ele pode construir uma resposta coerente mesmo sem possuir a informação correta.

Esse fenômeno é chamado de alucinação.

No mundo COBOL, seria como receber uma mensagem muito segura dizendo que FILE STATUS 97 significa “registro bloqueado por excesso de café”. A explicação pode soar memorável, mas você precisa verificar a documentação.



10. RAG: quando o modelo recebe uma biblioteca antes de responder

Retrieval-Augmented Generation, ou RAG, combina recuperação de informações com geração de conteúdo.

O processo normalmente possui três passos:

  1. o usuário faz uma pergunta;

  2. o sistema recupera documentos relevantes em uma fonte confiável;

  3. o modelo gera a resposta utilizando a pergunta e os documentos recuperados.

Imagine uma empresa com milhares de manuais, tickets, normas, programas, copybooks, runbooks e documentos técnicos.

Sem RAG, o modelo responde principalmente com base nos padrões aprendidos durante seu treinamento e no contexto colocado manualmente no prompt.

Com RAG, o sistema pode localizar trechos relacionados ao assunto e apresentá-los ao modelo.

Exemplo:

Por que o job FINP023 terminou com RC=12?

O RAG pode recuperar:

  • o manual do processo;

  • ocorrências anteriores;

  • o runbook operacional;

  • mensagens do job;

  • mudanças recentes;

  • a documentação do programa.

O LLM utiliza esse material para preparar uma resposta fundamentada.

O fluxo simplificado é:

PERGUNTA
   ↓
BUSCA DE INFORMAÇÕES
   ↓
DOCUMENTOS RELEVANTES
   ↓
PROMPT ENRIQUECIDO
   ↓
LLM
   ↓
RESPOSTA FUNDAMENTADA

RAG reduz alucinações, melhora a atualização das respostas e permite trabalhar com conhecimento privado da organização.

Mas RAG não é água benta digital.

Se a base contém documentação antiga, contraditória ou incorreta, a resposta também pode ser problemática. Se a busca recuperar o documento errado, o modelo poderá construir uma ótima resposta para a pergunta errada.

A qualidade depende dos documentos, da indexação, da recuperação, do prompt e da validação.




11. E onde entram os grafos?

Grafos representam entidades e relacionamentos.

Em um ambiente mainframe, podemos imaginar entidades como:

  • programas;

  • copybooks;

  • jobs;

  • steps;

  • arquivos;

  • tabelas;

  • transações CICS;

  • usuários;

  • regras de negócio.

Os relacionamentos podem indicar:

  • programa lê arquivo;

  • programa atualiza tabela;

  • job executa programa;

  • copybook é utilizada por programa;

  • transação chama módulo;

  • usuário possui acesso;

  • alteração afeta processo.

Um grafo permite navegar por essas conexões.

Se alguém perguntar “o que pode ser impactado pela mudança desta copybook?”, um grafo de dependências pode localizar os programas, jobs e processos relacionados.

RAG e grafos podem trabalhar juntos.

O RAG recupera documentos e trechos relevantes. O grafo ajuda a recuperar relações estruturadas entre componentes.

Para modernização de aplicações COBOL, essa combinação é poderosa. Ela pode ajudar a construir mapas de dependência, explicar fluxos, localizar regras de negócio e avaliar impactos.

Só não devemos confundir representação com certeza absoluta. Se o inventário estiver incompleto, o grafo também estará.

Um mapa incorreto continua sendo um mapa. Apenas conduz o aventureiro ao dungeon errado.



12. Chatbots, assistentes e agentes

Um chatbot é um programa criado para conversar com usuários.

Os primeiros chatbots eram fortemente baseados em regras. Eles identificavam palavras-chave e seguiam fluxos predefinidos.

Exemplo:

Se usuário escrever “segunda via”:
    apresentar menu de documentos.

Chatbots modernos podem utilizar NLP, machine learning e modelos generativos para compreender variações da linguagem e manter conversas mais naturais.

Assistentes inteligentes vão além da conversa. Eles podem executar tarefas, consultar sistemas e personalizar respostas.

Já um agente de IA percebe o ambiente, planeja ações, utiliza ferramentas e trabalha para alcançar um objetivo.

Um agente pode:

  1. receber uma meta;

  2. dividir a meta em etapas;

  3. consultar documentos;

  4. chamar uma API;

  5. executar código;

  6. avaliar o resultado;

  7. decidir o próximo passo.

É aqui que a discussão fica mais séria.

Um chatbot que escreve uma resposta incorreta pode confundir um usuário. Um agente com acesso a sistemas pode executar uma ação incorreta.

A diferença é semelhante àquela entre um colega sugerir um comando e alguém executar esse comando com autoridade de produção.

Quanto maior a autonomia, maior deve ser o controle.

Um agente corporativo precisa de:

  • identidade própria;

  • privilégios mínimos;

  • limites de ação;

  • registros de auditoria;

  • aprovação humana em operações críticas;

  • monitoramento;

  • botão de interrupção;

  • tratamento de exceções;

  • ambientes separados;

  • testes.

Nunca entregue ao agente a chave mestra porque ele passou no quiz introdutório com 100%.



13. IA, nuvem, edge e Internet das Coisas

A IA frequentemente trabalha com outras tecnologias.

Internet das Coisas — IoT

Dispositivos físicos coletam e compartilham dados.

Exemplos:

  • sensores industriais;

  • câmeras;

  • veículos;

  • dispositivos médicos;

  • equipamentos agrícolas;

  • sistemas prediais.

Computação em nuvem

Fornece armazenamento, processamento e serviços pela internet.

Ela facilita o treinamento e a disponibilização de modelos em grande escala.

Edge computing

Processa dados próximo de onde são gerados, reduzindo latência e dependência de conectividade.

Um veículo autônomo não pode enviar toda decisão para um data center distante e esperar tranquilamente a resposta enquanto se aproxima de uma parede.

A combinação dessas tecnologias permite semáforos inteligentes, agricultura de precisão, manutenção preditiva, edifícios automatizados e transporte conectado.

O mainframe pode participar desse ecossistema como sistema de registro, processador de transações e guardião de dados essenciais.

A IA não necessariamente substitui o legado. Muitas vezes ela se conecta ao legado por APIs, mensageria, eventos e camadas de integração.



14. Como a IA transforma empresas

A IA pode contribuir em diferentes áreas.

Automação

Executa tarefas repetitivas, como classificação de documentos, entrada de dados, agendamento e preparação de relatórios.

Análise de dados

Identifica padrões em grandes volumes de informação, auxilia previsões e apoia decisões.

Atendimento

Chatbots oferecem disponibilidade contínua, atendem muitos usuários e encaminham casos complexos para pessoas.

Desenvolvimento de produtos

A IA generativa cria alternativas de design, protótipos, descrições, simulações e ideias.

Marketing

Pode auxiliar na produção de conteúdo, segmentação, personalização e análise de comportamento.

Desenvolvimento de software

Pode explicar código, sugerir testes, completar trechos, gerar documentação e apoiar modernizações.

Para adotar IA de forma responsável, a empresa deve:

  1. definir o problema de negócio;

  2. estabelecer objetivos mensuráveis;

  3. selecionar casos de uso adequados;

  4. avaliar a disponibilidade e a qualidade dos dados;

  5. preparar pessoas e infraestrutura;

  6. desenvolver ou adquirir a solução;

  7. testar;

  8. integrar;

  9. monitorar;

  10. melhorar continuamente.

Comprar uma licença de IA não constitui estratégia.

É como instalar um compilador COBOL e anunciar que o sistema bancário está pronto.



15. A oportunidade para o desenvolvedor COBOL

O profissional COBOL possui uma vantagem frequentemente subestimada: conhecimento do negócio.

Modelos podem gerar código, mas não compreendem automaticamente décadas de decisões incorporadas aos sistemas.

Um programa antigo pode conter:

  • regras fiscais;

  • exceções contratuais;

  • convenções históricas;

  • adaptações regulatórias;

  • comportamentos esperados por outros sistemas;

  • tratamentos criados após incidentes esquecidos.

A IA pode ajudar o desenvolvedor COBOL a:

  • explicar programas;

  • produzir pseudocódigo;

  • documentar copybooks;

  • sugerir casos de teste;

  • localizar riscos;

  • traduzir regras para linguagem natural;

  • preparar consultas SQL;

  • analisar mensagens de erro;

  • criar exemplos de APIs;

  • comparar versões;

  • construir inventários;

  • estudar novas tecnologias.

Mas o desenvolvedor deve proteger dados empresariais. Código, credenciais, informações de clientes e regras proprietárias não devem ser enviados indiscriminadamente para ferramentas públicas.

Antes de utilizar uma IA, verifique:

  • a política da organização;

  • o tipo de dado permitido;

  • onde o conteúdo será processado;

  • se os prompts serão armazenados;

  • se serão usados para treinamento;

  • quais controles de privacidade existem;

  • quem é responsável pela validação.

O PROCEDURE DIVISION pode ser antigo. A obrigação de confidencialidade continua perfeitamente atual.


16. Ética: as novas Leis da Robótica corporativa

A IA apresenta riscos relacionados a:

  • privacidade;

  • segurança;

  • viés;

  • discriminação;

  • transparência;

  • direitos autorais;

  • desinformação;

  • deepfakes;

  • falta de explicabilidade;

  • autonomia excessiva;

  • desigualdade de acesso;

  • consumo de energia.

Os dados usados no treinamento podem conter preconceitos históricos. O modelo aprende esses padrões e pode reproduzi-los.

Informações confidenciais podem aparecer em datasets, prompts, logs ou respostas.

Conteúdos generativos podem parecer autênticos e ser utilizados para fraude ou manipulação.

Sistemas automatizados podem tomar decisões que afetam pessoas sem oferecer uma explicação adequada.

A resposta não é abandonar a IA. É desenvolver governança.

Asimov criou leis fictícias para limitar os robôs. Empresas precisam de mecanismos muito menos literários e muito mais verificáveis:

  • políticas;

  • responsabilidades definidas;

  • avaliação de risco;

  • gestão de dados;

  • controles técnicos;

  • auditorias;

  • documentação;

  • testes de viés;

  • monitoramento;

  • gestão de incidentes;

  • conformidade regulatória;

  • supervisão humana.

Entre os referenciais conhecidos estão o NIST AI Risk Management Framework e a legislação europeia sobre inteligência artificial.

Governança não é a reunião que acontece depois do incidente. É o conjunto de práticas que tenta impedir que o incidente aconteça.


17. Por que os modelos alucinam?

Um LLM não funciona como uma base de dados tradicional.

Ele foi treinado para gerar sequências linguisticamente coerentes. Quando não possui informação suficiente, pode completar a resposta com algo provável.

A alucinação pode ocorrer por:

  • falta de contexto;

  • ambiguidade no prompt;

  • conhecimento desatualizado;

  • dados de treinamento incompletos;

  • recuperação inadequada no RAG;

  • pressão para responder mesmo sem evidência;

  • tarefas que exigem precisão além da capacidade do modelo.

Algumas formas de reduzir o risco:

  • fornecer contexto confiável;

  • usar RAG;

  • solicitar fontes;

  • limitar o modelo aos documentos apresentados;

  • permitir que responda “não encontrei informação”;

  • validar resultados;

  • usar ferramentas determinísticas para cálculos;

  • testar diferentes cenários;

  • manter revisão humana.

A instrução mais importante pode ser:

Se não houver evidência suficiente, informe que não sabe.

Isso parece simples, mas contraria a tendência natural do modelo de continuar gerando uma resposta.

É o equivalente artificial daquele colega que nunca diz “não sei”, mesmo quando acabou de conhecer o sistema há três dias.



18. Um laboratório prático para o iniciante

Você pode experimentar IA generativa sem começar por uma arquitetura gigantesca.

Escolha um pequeno programa COBOL fictício, sem dados confidenciais.

Passo 1 — Peça uma explicação

Explique este programa COBOL para um iniciante. Descreva as divisões, os arquivos, o fluxo principal e a saída.

Passo 2 — Peça uma revisão crítica

Identifique riscos de dados inválidos, divisões por zero, campos não inicializados e problemas com tratamento de FILE STATUS.

Passo 3 — Solicite testes

Crie uma tabela de casos de teste contendo entrada, resultado esperado e risco coberto.

Passo 4 — Compare com o código

Verifique cada afirmação. Marque o que está correto, parcialmente correto ou inventado.

Passo 5 — Melhore o prompt

Acrescente contexto e restrições.

Passo 6 — Faça a IA revisar a própria resposta

Reanalise sua resposta. Para cada conclusão, informe qual trecho do programa oferece evidência.

Passo 7 — Registre o aprendizado

Observe onde a IA ajudou e onde precisou de supervisão.

Esse exercício ensina mais que simplesmente pedir “faça meu trabalho”. Ele demonstra a relação correta entre especialista e ferramenta.


19. O fluxo completo de uma IA generativa moderna

Podemos resumir uma solução moderna assim:

  1. o usuário envia um prompt;

  2. uma camada de segurança verifica conteúdo, identidade e permissões;

  3. o sistema interpreta a intenção;

  4. o RAG procura informações relevantes;

  5. grafos podem localizar entidades e dependências;

  6. o prompt é enriquecido com contexto;

  7. o LLM gera uma resposta;

  8. ferramentas podem ser chamadas para executar tarefas;

  9. filtros avaliam o resultado;

  10. uma pessoa revisa decisões importantes;

  11. logs registram o processo;

  12. métricas alimentam a melhoria contínua.

Observe que o LLM é apenas uma peça.

A aplicação real também precisa de:

  • autenticação;

  • autorização;

  • integração;

  • recuperação de dados;

  • observabilidade;

  • governança;

  • tratamento de erros;

  • auditoria;

  • infraestrutura;

  • experiência do usuário.

O modelo pode ser o ator famoso no cartaz, mas existe uma equipe inteira mantendo o filme em exibição.

No mainframe conhecemos bem essa realidade. O programa COBOL pode conter a regra principal, porém depende de JCL, datasets, catálogos, segurança, scheduler, mensageria, banco de dados e operação.

IA corporativa também é arquitetura, não apenas modelo.


Epílogo — O robô não substituiu o programador; apenas pediu acesso ao ambiente de homologação

Depois de visitar o CPD, Asimov observa o programa COBOL e a aplicação de IA trabalhando lado a lado.

O COBOL continua fazendo aquilo que sabe fazer muito bem: processar transações críticas de forma previsível.

A IA analisa documentação, auxilia o profissional, sugere testes e torna o conhecimento mais acessível.

Nenhum deles trabalha sozinho.

O sistema legado fornece regras e dados que sustentam o negócio. A IA oferece novas formas de interagir com esse conhecimento. O ser humano define o objetivo, avalia o contexto, administra riscos e assume a responsabilidade.

Essa talvez seja a verdadeira inteligência aumentada.

Não é o robô ocupando a cadeira do analista. É o analista ganhando uma ferramenta capaz de atravessar milhares de páginas, localizar padrões e preparar alternativas — desde que alguém experiente continue perguntando:

  • De onde veio essa informação?

  • Qual evidência sustenta a resposta?

  • Que dado foi utilizado?

  • Qual será o impacto?

  • Quem autorizou a ação?

  • Como podemos interromper o processo?

  • O resultado foi validado?

O futuro não será construído apenas por quem sabe conversar com uma IA. Será construído por quem compreende sistemas, dados, segurança, negócios e responsabilidade.

Para o programador COBOL iniciante, a mensagem é especialmente importante: você não chegou tarde.

O mundo precisa de pessoas capazes de conectar aplicações críticas a novas tecnologias sem destruir aquilo que já funciona. Precisa de profissionais que entendam que uma resposta bonita não substitui um teste, que uma automação não elimina controle e que modernização não significa apagar quarenta anos de conhecimento com um único comando.

Aprenda prompts, LLMs, RAG, agentes, grafos e APIs.

Mas continue aprendendo COBOL, JCL, Db2, CICS, VSAM, RACF e regras de negócio.

Porque, quando o robô finalmente entrar na sala de mudanças e disser “a alteração é pequena”, alguém precisará ter experiência suficiente para responder:

— Ótimo. Então mostre o impacto, apresente os testes e aguarde a janela de implementação.

Em algum lugar da Fundação, Hari Seldon provavelmente sorrirá.

E no CPD, discretamente, o JES2 continuará processando a fila.






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...