O Espetro da Confiança (E as Perguntas Que Nunca Se Fizeram)

Uma grande empresa de software empresarial publicou recentemente os resultados do seu inquérito anual sobre mainframe. Os dados são substanciais, a amostra credível, e as conclusões genuinamente interessantes. Merece atenção séria — não pelo que diz, mas pelo que pressupõe.

A conclusão de destaque: quase um em cada três profissionais de mainframe diz confiar na inteligência artificial para completar tarefas operacionais de forma autónoma. Não apenas aconselhar. Não apenas alertar. Completar.

Para quem passou décadas em ambientes de mainframe — onde uma vírgula fora do sítio em JCL pode derrubar um sistema nacional de pagamentos — esse número exige exame. Não descarte. Exame.

Os Dados São Reais. A Pergunta É o Que Significam.

O inquérito perguntou a centenas de profissionais de mainframe sobre a sua disposição para confiar em AI em três áreas operacionais: o ritmo de checkpoint e commit, o diagnóstico de problemas, e as decisões de backup. Para cada uma, os inquiridos escolheram entre quatro níveis: nenhuma confiança, apenas alertar, recomendar uma ação, ou completar a ação de forma autónoma.

Os resultados seguiram uma distribuição notavelmente consistente. Cerca de 9 por cento disseram não ter confiança nenhuma. Cerca de 25 por cento sentiam-se confortáveis com alertas. Cerca de 37 por cento aceitavam recomendações. E 28 a 32 por cento — consoante a tarefa — disseram que deixariam a AI completar a ação de forma independente.

Estes números merecem ser levados a sério. Sugerem uma mudança genuína na forma como os profissionais de mainframe pensam sobre a automação. Mas também levantam perguntas que o inquérito, pela sua natureza, não consegue responder.

A mais importante é esta: o que significa «confiança» quando é expressa num inquérito versus quando é testada às três da manhã?

A Distância Entre a Confiança do Inquérito e a Confiança da Produção

Há um fenómeno bem documentado no comportamento organizacional: a preferência declarada versus a preferência revelada. O que as pessoas dizem que fariam num cenário hipotético e o que de facto fazem sob pressão são, muitas vezes, coisas notavelmente diferentes.

Um profissional de mainframe sentado à secretária, a responder a um inquérito numa tarde tranquila de terça-feira, pode genuinamente acreditar que confia na AI para completar um ajuste de checkpoint. O mesmo profissional, a ver os volumes de transações a disparar durante o processamento em batch de fim de mês enquanto está aberto um incidente de severidade um, pode agarrar-se ao controlo manual por instinto — e com razão.

Isto não é uma crítica aos inquiridos. É o reconhecimento de que a confiança na tecnologia opera de forma diferente sob carga cognitiva, pressão de tempo e responsabilização pessoal. Um piloto pode confiar totalmente no piloto automático — até a turbulência chegar e as suas mãos irem para os comandos.

O inquérito mede a atitude. A produção mede o comportamento. A distância entre os dois é onde a maioria dos projetos de automação falha em silêncio.

O que seria genuinamente valioso — e o que nenhum inquérito de fornecedor consegue fornecer — são dados sobre quantos desses inquiridos vivenciaram a AI a tomar uma decisão autónoma incorreta num ambiente de produção. Porque a confiança que sobreviveu à falha é fundamentalmente diferente da confiança que nunca foi testada. Uma é resiliência. A outra é otimismo.

«Libertar o Humano» — Livre Para Fazer o Quê, Exatamente?

O relatório do inquérito introduz uma frase evocativa: «Libertar o Humano». A ideia é atraente. A AI trata das tarefas repetitivas, baseadas em regras e sensíveis ao tempo — afinação de checkpoints, análise de logs, agendamento de backups — e o profissional humano fica livre para se focar na arquitetura, na modernização e na estratégia.

É uma visão atraente. É também incompleta.

A pergunta que «Libertar o Humano» pressupõe mas nunca faz é: a organização valoriza de facto o trabalho que o humano fica livre para fazer?

Em muitos ambientes empresariais, a resposta é não. A estrutura organizacional, os sistemas de incentivos, a alocação de orçamento e a cultura de gestão estão todos otimizados para a entrega operacional — manter as luzes acesas, cumprir SLAs, processar transações. As pessoas que fazem esse trabalho são medidas, financiadas e recompensadas por o fazer.

Quando a AI assume as tarefas operacionais, o humano fica teoricamente livre para pensar estrategicamente. Mas o pensamento estratégico exige um contrato organizacional diferente: tempo para explorar, tolerância à ambiguidade, orçamento para experimentação, e uma liderança que valoriza o diagnóstico acima da velocidade de entrega.

Sem esse contrato, «Libertar o Humano» torna-se «Tornar o Humano Dispensável». Não porque a tecnologia falhou, mas porque a organização nunca criou o papel que era suposto absorver a capacidade libertada.

A versão mais honesta de «Libertar o Humano» incluiria uma segunda frase: «...desde que a organização esteja disposta a investir no trabalho que resta». Na maioria dos casos, esse investimento não existe — e o humano não é libertado. É eliminado.

A Mudança Geracional: Transferência de Conhecimento ou Perda de Conhecimento?

O inquérito documenta uma transformação demográfica dramática. Em 2018, os Baby Boomers representavam 28 por cento da força de trabalho de mainframe. Em 2025, esse número caiu para 5 por cento. Os Millennials constituem agora 51 por cento. A Geração Z subiu de 1 por cento para 15 por cento.

O relatório enquadra isto como prontidão cultural para a adoção de AI. Os profissionais mais jovens cresceram com a tecnologia, confiam na automação por instinto, e veem a AI como um facilitador. Esse enquadramento é provavelmente exato.

Mas ignora algo crítico: o que sai quando os Boomers saem.

O relatório sugere que a AI generativa consegue absorver documentação, logs de sistema e registos históricos para replicar o conhecimento institucional. A imagem é sedutora — um repositório digital de décadas de sabedoria acumulada, pesquisável e sempre disponível.

O problema é que o conhecimento institucional mais crítico nunca foi documentado.

Qualquer pessoa que tenha trabalhado num ambiente de mainframe durante mais de uma década sabe isto. A razão por que um determinado batch job corre numa sequência específica não está na documentação — está na memória da pessoa que descobriu, há quinze anos, que inverter a ordem causava um deadlock que levava três dias a resolver. A razão por que uma certa região CICS tem uma configuração invulgar não está no change log — está na cabeça do systems programmer que implementou o workaround durante uma crise e nunca teve tempo de o escrever.

Este conhecimento não existe em logs. Não existe em documentação. Existe em conversas, em instintos, na hesitação antes de alguém dizer «não lhe toques, explico depois». A AI não consegue absorver o que nunca foi externalizado.

A transição geracional não é uma passagem de testemunho suave. É uma corrida contra o tempo — e em muitas organizações, o tempo já ganhou. Os 5 por cento de Boomers que restam são a última documentação viva de sistemas que processam milhares de milhões em transações por dia. Quando saem, esse conhecimento não se transfere para a AI. Simplesmente desaparece.

O otimismo do inquérito sobre a sinergia geracional é compreensível. Mas a realidade operacional é que a maioria das organizações já perdeu mais conhecimento institucional do que imagina — e a AI, apesar de todas as suas capacidades, não consegue recuperar o que nunca foi captado.

A Pergunta Estrutural Que Nunca Se Fez

Há um padrão nos inquéritos de tecnologia empresarial que aparece com tanta consistência que merece um nome próprio. O padrão é este: a empresa que vende a solução conduz o inquérito que valida a necessidade da solução.

Isto não é desonestidade. É incentivo estrutural.

Uma empresa de software de mainframe inquire profissionais de mainframe sobre a sua prontidão para adotar AI. Os resultados mostram uma confiança crescente na AI. A empresa vende produtos de AI para o mainframe. O inquérito torna-se evidência de marketing. O ciclo fecha-se.

Os dados podem ser inteiramente exatos. A metodologia pode ser rigorosa. As conclusões podem ser genuinamente úteis. Mas as perguntas que se fazem — e, mais importante, as perguntas que não se fazem — são inevitavelmente moldadas pelos interesses da entidade que as faz.

O inquérito pergunta: «Confiaria na AI para completar esta ação?». Não pergunta: «A AI alguma vez cometeu um erro que afetou o seu ambiente de produção?». Não pergunta: «A sua organização tem um quadro de governação para decisões autónomas de AI?». Não pergunta: «Se a AI o libertasse das tarefas operacionais, a sua organização tem um papel financiado para o trabalho estratégico que faria em vez disso?».

Estas não são perguntas hostis. São perguntas diagnósticas. São as perguntas que completariam o quadro em vez de o enquadrar.

Qual Seria o Aspeto de Dados Diagnósticos Completos?

Se alguém desenhasse um inquérito que avaliasse genuinamente a prontidão empresarial para AI autónoma em ambientes de mainframe, poderia incluir perguntas como estas:

Quantas decisões autónomas de AI implementou a sua organização em produção nos últimos 12 meses? Dessas decisões, quantas exigiram sobreposição ou rollback humano? Que percentagem do seu conhecimento operacional crítico está documentada de uma forma a que a AI pudesse aceder? Quando um operador humano é libertado das tarefas operacionais, que papel financiado específico absorve a sua capacidade? Qual é o quadro de governação da sua organização para decisões autónomas de AI, incluindo a responsabilização por erros?

Estas perguntas são mais difíceis de fazer porque as respostas podem ser incómodas. Mas são precisamente as perguntas que separam o otimismo do inquérito da prontidão operacional.

Uma organização onde 32 por cento do pessoal confia na AI para completar ações, mas zero por cento vivenciou a AI a completar ações em produção, tem uma atitude. Uma organização onde 32 por cento do pessoal confia na AI porque a viu funcionar corretamente — e recuperar de erros — tem uma capacidade.

A diferença é tudo.

A Confiança Não É um Espetro. É um Diagnóstico.

O inquérito introduz uma metáfora útil: o «Espetro da Confiança», progredindo de alertas para recomendações para ação autónoma. É um quadro elegante e provavelmente uma descrição exata de como a adoção evolui.

Mas a confiança em sistemas empresariais não é uma progressão linear. É um resultado diagnóstico — a consequência de condições específicas serem cumpridas.

A confiança exige transparência: consegue a AI explicar por que agiu? A confiança exige responsabilização: quando a AI comete um erro, quem é responsável? A confiança exige capacidade de sobrevivência: demonstrou a AI a capacidade de falhar em segurança? A confiança exige governação: existem barreiras de proteção que a AI não pode contornar? E a confiança exige prontidão organizacional: está o lado humano da equação preparado para o que muda quando a AI assume as decisões operacionais?

Sem estas condições, avançar ao longo do «espetro» não é construir confiança. É construir dependência de um sistema que não foi posto à prova sob esforço.

A comunidade de mainframe sempre entendeu isto intuitivamente. Não se promove código para produção porque o programador confia nele. Promove-se porque os testes, a revisão e a validação mereceram essa promoção. O mesmo rigor deveria aplicar-se à AI autónoma — e na maioria das organizações, ainda não se aplica.

Perspetiva DiagnosticMind

Nada disto significa que não se deva confiar na AI no mainframe. Deve-se — eventualmente, condicionalmente, com evidência.

O mainframe é, paradoxalmente, um dos melhores ambientes para AI autónoma precisamente por causa da disciplina que a comunidade já pratica. Controlo de mudanças, trilhos de auditoria, procedimentos de rollback, protocolos de teste — estas são as barreiras de proteção que tornam a autonomia segura.

Mas adotar AI porque um inquérito diz que as pessoas estão prontas não é o mesmo que adotar AI porque a organização está pronta. As pessoas estão prontas quando dizem sim num questionário. As organizações estão prontas quando têm governação, documentação, procedimentos de fallback, papéis financiados para a capacidade deslocada, e — criticamente — experiência com a falha e a recuperação da AI.

Os dados do inquérito são um ponto de partida, não uma conclusão. Dizem-nos que as atitudes estão a mudar. Não nos dizem que as organizações fizeram o trabalho para tornar essas atitudes seguras.

É essa a lacuna. E preenchê-la não é um problema de tecnologia. É um problema de diagnóstico.

O BMC 2025 Mainframe Survey fornece dados genuinamente úteis sobre as atitudes da força de trabalho. A análise acima não é uma crítica ao inquérito mas uma tentativa de acrescentar as camadas diagnósticas que a investigação de fornecedores, pela sua posição estrutural, não consegue fornecer. O inquérito completo está disponível publicamente e vale a pena ler.