FireDAC na Prática: conheça meu livro sobre acesso a dados com Delphi

Durante os últimos anos, inteligência artificial aplicada a software tornou-se quase sinônimo de grandes modelos de linguagem, os LLMs. Quando um sistema precisa classificar uma solicitação, escolher uma ferramenta ou avaliar um texto, tornou-se comum enviar um prompt a um modelo generativo e pedir uma resposta em JSON. Essa solução funciona, mas levanta uma pergunta importante: se o programa precisa somente de uma decisão, por que utilizar um mecanismo projetado principalmente para gerar linguagem?

O Jev, apresentado pela TypeSafe AI em setembro de 2026, parte dessa pergunta. Em vez de escrever uma explicação, ele recebe informações sobre um caso e responde a perguntas delimitadas com valores tipados e probabilidades. A proposta chama atenção pelo custo e pela velocidade divulgados, mas o aspecto mais interessante é arquitetural: o modelo não recebe autoridade sobre o fluxo; ele fornece julgamentos que o código pode combinar, limitar e encaminhar para revisão.

Neste artigo, explicarei o paradigma que sustenta o Jev, suas três primitivas, uma integração prática e os critérios para escolher entre Jev, LLM, regras determinísticas e classificadores tradicionais. Também examinarei limitações e pesquisas iniciais, porque saída estruturada, confiança e baixo custo não tornam uma decisão automaticamente correta.

A escolha entre uma decisão tipada e uma resposta gerada só faz sentido dentro do processo que utilizará o resultado. IA Além da Conversa aprofunda a arquitetura ao redor dos modelos: contexto, ferramentas, permissões, avaliação e operação. Conheça a proposta e leia a degustação gratuita para avaliar como definir essas fronteiras no seu projeto. Para registrar comportamentos esperados, exceções e critérios de aceite em uma implementação Delphi, SDD em Delphi oferece um percurso complementar. São conexões de método, não uma afirmação de que os livros ensinam especificamente o Jev.

Quem mantém um sistema comercial em Delphi conhece a distância entre receber uma sugestão e entregar uma alteração confiável. Uma configuração precisa corresponder ao ambiente instalado, um documento deve representar os dados corretos e uma correção precisa sobreviver à compilação, aos testes e à operação. A inteligência artificial pode ajudar nesse percurso, mas uma resposta convincente ainda não demonstra que o trabalho foi resolvido.

É com essa preocupação que apresento meu novo livro, ACBr com IA na Prática: Inteligência artificial aplicada ao dia a dia do desenvolvimento com Delphi e ACBr. A proposta é aproximar a IA dos problemas concretos de desenvolvimento, diagnóstico e manutenção, sem transferir a ela a responsabilidade por decisões técnicas ou fiscais. O centro da leitura é um método de trabalho que o desenvolvedor consegue acompanhar, conferir e repetir.

Neste artigo, explico o recorte da obra, o que o leitor encontra nos materiais e como começar a aplicar essa abordagem em uma tarefa pequena. Não é preciso dominar inteligência artificial para entender a proposta. É importante, porém, reconhecer que produtividade não deve ser medida apenas pela quantidade de código produzido ou pela velocidade da primeira resposta.

Conheça o livro ACBr com IA na Prática, consulte o sumário e leia a degustação na página oficial.

Quando publiquei o artigo sobre o RadIA 2.15, o projeto já havia deixado de ser apenas uma janela de conversa dentro do Delphi. Aquela versão reunia validação de código, refatoração semântica, diagnóstico do depurador, automação VCL e uma política mais clara para operações capazes de modificar um projeto.

Pouco mais de um mês depois, o número da versão chegou a 2.17.18. Seria fácil contar essa história como uma sucessão de funcionalidades, mas isso esconderia o aprendizado mais importante. O RadIA ampliou o que consegue fazer, porém a mudança mais profunda ocorreu na forma como essas capacidades são testadas, recuperadas quando algo dá errado e ajustadas a partir da experiência de quem usa o Delphi todos os dias.

Entre as tags v2.15.0, de 16 de agosto de 2026, e v2.17.18, de 29 de setembro, o histórico público do projeto registra 206 commits e mudanças em 292 arquivos, com 30.775 linhas adicionadas e 2.278 removidas. Números não medem qualidade por si sós, mas revelam a extensão do trabalho: a evolução alcançou o núcleo agentivo, a integração com a IDE, a interface, a documentação, o instalador e, sobretudo, os testes.

A ferramenta amplia as possibilidades, mas uma mudança confiável ainda começa por explicar o que deve ser feito e como conferir o resultado. SDD em Delphi aprofunda esse método com especificações, contratos, critérios de aceite e ligação entre implementação e testes. Conheça a proposta e leia a degustação gratuita para avaliar como orientar suas próximas tarefas com apoio de IA. Quando essas tarefas envolvem um sistema existente que precisa continuar funcionando, Delphi Vivo complementa o percurso com modernização incremental e proteção de comportamentos. São leituras sobre engenharia, não manuais desta versão do RadIA.

Um chatbot pode impressionar em poucos minutos. Ele resume um texto, explica um procedimento, sugere uma mensagem e responde com fluência a perguntas formuladas de maneiras diferentes. Essa capacidade é útil, mas não resolve, por si só, o problema de colocar inteligência artificial em uma atividade real de uma organização.

Uma solução operável precisa lidar com questões que não aparecem necessariamente na tela de conversa: de onde vêm as informações, quais delas estão atualizadas, quem pode vê-las, quando o sistema pode executar uma ação, como registrar o que aconteceu, como verificar a qualidade das respostas e como manter custos e riscos sob controle. O modelo é uma parte relevante do sistema, mas não é o sistema inteiro.

A diferença importa porque decisões de arquitetura tomadas cedo podem ampliar a complexidade sem melhorar o resultado. Em outros casos, uma implementação simples demais cria respostas sem evidência, acesso inadequado a dados ou automações que ninguém consegue auditar. O objetivo não deve ser construir o sistema mais sofisticado. Deve ser escolher a menor arquitetura capaz de produzir valor verificável, com segurança, governança e observabilidade.

Conheça o livro e leia uma degustação: acesse a página oficial de IA Além da Conversa.

Em 17 de setembro de 2026 participei do episódio “Produtividade Pro: IA na Prática com Delphi, Lazarus e ACBr”, do Papo Pro ACBr. A conversa, com pouco mais de uma hora, passou por ferramentas, código legado, agentes, segurança e formação profissional, mas uma ideia conecta todos esses assuntos: inteligência artificial só produz ganho sustentável quando está inserida em um processo de engenharia que define o trabalho, limita o escopo e verifica o resultado.

Esse ponto merece atenção porque o debate sobre IA costuma começar pela ferramenta ou pelo chamado “prompt perfeito”. Para quem mantém um ERP em Delphi, desenvolve com Lazarus ou integra documentos fiscais por meio do ACBr, porém, o problema real raramente cabe em uma pergunta isolada. Há regras de negócio acumuladas durante anos, dependências visuais, bancos de dados, serviços externos e obrigações fiscais que não admitem uma resposta apenas plausível. Neste artigo, organizo os principais aprendizados do episódio e mostro como convertê-los em um fluxo de adoção prático, com critérios para especificação, validação, segurança e evolução da equipe.

Se sua dificuldade é transformar um pedido à IA em trabalho que possa ser conferido, SDD em Delphi aprofunda especificações, contratos e critérios de aceite ligados a código e testes. Consulte o sumário e a degustação gratuita na página do livro para avaliar essa base de engenharia. Ao longo deste artigo, outras leituras complementam os temas de manutenção e integração, conforme a necessidade.

A integração de modelos de linguagem (LLMs) em aplicações desktop deixou de ser uma novidade para se tornar um requisito de competitividade. No ecossistema Delphi, a biblioteca REST Client Library é a ferramenta nativa mais robusta para essa tarefa.

Embora existam bibliotecas de terceiros, compreender como manipular diretamente TRESTClient, TRESTRequest e TRESTResponse oferece ao desenvolvedor controle total sobre timeouts, manipulação de headers, segurança e tratamento de erros — aspectos cruciais em aplicações de produção.

Este artigo demonstra como construir uma camada de abstração para enviar prompts e processar respostas JSON da OpenAI (GPT) e Google (Gemini), exibindo o resultado formatado.