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.

Uma API responder a uma chamada não significa que sabemos como ela se comporta ao longo do dia. Quantas requisições chegaram? Qual rota ficou lenta? O aumento de tráfego trouxe mais erros? Para responder, precisamos medir o funcionamento da aplicação e observar essas medidas ao longo do tempo, sem depender apenas de alguém perceber que o sistema está demorando.

Neste tutorial vamos construir um laboratório local com o Horse, meu middleware horse-prometheus, o coletor Prometheus e o Grafana. O objetivo é chegar a um painel compreensível, passando por verificações intermediárias. Não basta copiar uma consulta e encontrar um gráfico: precisamos entender de onde o número veio e o que ele permite concluir.

O cenário principal é Windows com uma aplicação console Delphi e Docker Desktop executando contêineres Linux. Os arquivos usam Prometheus 3.5.0 e Grafana 12.2.0, versões fixadas para evitar mudanças silenciosas. O exemplo compilou no Delphi 10 Seattle com Horse 3.3.10 e middleware 1.0.1, e a coleta e os quatro gráficos foram conferidos no laboratório. Não é um ensaio de desempenho nem configuração de produção; outras plataformas não foram testadas.

Em 29 de setembro de 2026, a Receita Federal e o Comitê Gestor do Imposto sobre Bens e Serviços assinaram o Ato Técnico Conjunto nº 8. O documento aprova versões específicas de notas e informes técnicos aplicáveis à CBS e ao IBS em oito modelos de documentos fiscais eletrônicos. Para empresas de software, escritórios contábeis e contribuintes, trata-se de uma referência formal importante. Também é um texto curto que pode produzir uma interpretação longa e equivocada.

O risco está em ler “documentação aprovada” como sinônimo de “todas as regras obrigatórias imediatamente”. Não é isso que o ato estabelece. Ele identifica quais versões receberam aprovação conjunta, determina onde os documentos serão disponibilizados e vincula seus efeitos à publicação. As datas de homologação, produção e ativação de cada regra continuam nos respectivos documentos técnicos. Este artigo organiza esse mapa, destaca as mudanças mais relevantes e propõe um roteiro para adaptar sistemas sem transformar uma data isolada em cronograma universal.

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.