AIARTIGO

O que os mainframes sabiam e os agentes de IA ainda precisam aprender.

O que os mainframes sabiam e os agentes de IA ainda precisam aprender.
Imagem: Cezar Taurion
Artigo · AI
Leitura
4 min

Eu não colocaria em produção um sistema crítico apenas porque agentes de IA conseguiram escrever seu código em poucas horas. Antes, exigiria evidências de que ele atende aos requisitos, pode ser operado com segurança e dispõe de mecanismos adequados de recuperação em caso de falha.

Essa decisão talvez pareça conservadora diante do entusiasmo com o desenvolvimento de software assistido por IA. Mas tem origem em uma experiência que considero cada vez mais relevante.

Comecei minha carreira trabalhando com computadores que hoje parecem peças de museu. Passei pelos mainframes, programei em COBOL↳COBOL3 conteúdosA Evolução das Linguagens de Programação: de COBOL a PythonGestão Dev & TI · set 2024Dominar Cobol é um desafio para jovens profissionais de T.IGestão Dev & TI · mar 2024Aplicações com IA como aliada na geração de códigos para desenvolvedoresAI · nov 2023Ver tudo em Dev (Back & Front) →, convivi com sistemas transacionais, processamento batch e bancos de dados↳Banco de dados134 conteúdosSQL ou NoSQL: eis a questão!!Data · mar 2020Banco de dados: como organizar e dar segurança para milhões de dados de loteriasData · mai 20215 serviços gratuitos na cloud para bancos de dados PostgresData · fev 2025Ver tudo em Data →, em ambientes nos quais uma alteração aparentemente simples podia provocar consequências inesperadas.

A documentação era disputada, a capacidade computacional era limitada e a depuração frequentemente exigia paciência quase arqueológica. Não tenho saudades dessas dificuldades. Desenvolver software era mais lento, trabalhoso e, muitas vezes, desnecessariamente complicado.

Mas havia uma preocupação fundamental: o sistema precisava continuar funcionando depois que o programador terminasse seu trabalho.

Em bancos, seguradoras e grandes empresas, aplicações sustentavam operações que não podiam ser interrompidas sem consequências importantes. Controlar mudanças, preservar a integridade dos dados e planejar a recuperação de falhas eram necessidades operacionais, não detalhes técnicos.

Isso não significa que os mainframes fossem ambientes perfeitos. Havia muito código espaguete difícil de compreender, documentação desatualizada, dependências pouco conhecidas e muita dívida técnica. A confiabilidade não vinha automaticamente da tecnologia, mas da combinação entre arquitetura, controles e experiência operacional.

Aprendemos, frequentemente da maneira mais difícil, que escrever código e manter sistemas confiáveis são desafios diferentes.

Hoje, agentes de IA conseguem implementar funcionalidades, corrigir erros, gerar testes e modificar grandes volumes de código em uma velocidade impressionante. Também podem auxiliar na revisão, documentação e identificação de problemas. São avanços reais, que não devem ser subestimados.

Mas essa capacidade cria uma questão importante: estamos aumentando a velocidade de produção de software mais rapidamente do que nossa capacidade de verificar sua qualidade e compreender suas consequências?

Um agente pode modificar dezenas de componentes em poucas horas. Mas quem avalia as dependências afetadas? Como verificar se as alterações preservam regras de negócio acumuladas durante anos? Como identificar falhas que não aparecem nos testes mais comuns?

E quem responde quando uma mudança provoca um incidente em produção?

Os ambientes transacionais tradicionais deixaram lições que continuam atuais. Mudanças precisam ser rastreáveis, avaliadas e testadas. Falhas devem ser detectadas, contidas e tratadas por mecanismos de recuperação efetivamente exercitados. O conhecimento sobre arquitetura, dependências e decisões técnicas precisa permanecer acessível, independentemente de quem produziu o código.

Também aprendemos que nem toda alteração é facilmente reversível. Uma mudança em estruturas de dados, transações financeiras ou integrações externas pode exigir procedimentos de compensação e recuperação muito mais complexos do que simplesmente restaurar uma versão anterior.

Não defendo em absoluto o retorno aos processos heroicos dos anos 1970 ou 1980. Seria um absurdo. Automação de testes, integração contínua↳CI/CD23 conteúdosCI/CD Mobile: o caos invisível que separa times comuns de times de alta performanceDev (Back & Front) · abr 2026Lambda: implementando com GitLab CI/CD e Terraform para Integração SFTP, S3 e Databricks em GoDev (Back & Front) · nov 2023Publicando sua aplicação Web Python no WebApp do Azure e configurando o CI/CD da sua aplicaçãoDevSecOps · abr 2019Ver tudo em DevSecOps →, implantação progressiva e observabilidade moderna oferecem recursos que gostaríamos de ter naquela época. O desafio hoje é utilizar todas essas capacidades para acompanhar a velocidade proporcionada pela IA, sem abrir mão da disciplina de engenharia.

Na prática, isso significa submeter alterações geradas por agentes a controles proporcionais ao risco: testes que verifiquem requisitos e comportamentos críticos, análise de segurança, revisão de mudanças sensíveis, monitoramento em produção e estratégias de recuperação adequadas.

É importante também que os mecanismos de validação não dependam exclusivamente das mesmas premissas utilizadas para gerar o código. Um agente pode produzir implementação e testes coerentes entre si, mas ambos podem interpretar incorretamente um requisito.

E precisamos rever como medimos produtividade. Quantidade de código, commits ou funcionalidades entregues são indicadores insuficientes. Tempo de ciclo, taxa de falhas em mudanças, recuperação de incidentes, retrabalho e custo de manutenção ajudam a avaliar se estamos realmente melhorando a engenharia de software.

Durante décadas, investimos enormes esforços para tornar a produção de software mais rápida. Agora, com a IA ampliando essa capacidade, outros limites ficam mais evidentes: compreender sistemas, integrar componentes, validar comportamentos e garantir continuidade operacional.

Os mainframes nos ensinaram que sistemas críticos precisam ser projetados e operados para continuar funcionando, independentemente da velocidade com que seu código foi produzido.

Minha provocação aos engenheiros e líderes de tecnologia é simples: se amanhã seus agentes produzirem dez vezes mais alterações, sua organização terá capacidade de avaliar seus impactos, verificar sua qualidade e sustentar os sistemas resultantes?

É CEO da Litteris Consulting. Profissional e estudioso de Tecnologia da Informação desde fins da década de 70, com educação formal diversificada, em Economia, mestrado em Ciência da Computação e MBA em Marketing de Serviços, e experiência profissional moldada pela passagem em empresas de porte mundial. Escreve constantemente sobre tecnologia da informação em publicações especializadas como CIO Magazine, Mundo Java, além do iMasters, e apresenta palestras em eventos e conferências de renome. É autor de sete livros que abordam assuntos como Software Livre, Grid Computing, Software Embarcado, Cloud Computing e Big data.

Ver perfil →