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

Escolher um modelo de inteligência artificial para programar parece simples até aparecer a conta — ou até o modelo mais barato errar uma alteração delicada. O nome mais novo nem sempre é o melhor para toda tarefa, assim como o maior preço por token não garante o menor custo por solução concluída. E há uma confusão comum: assinatura do ChatGPT ou do Codex não é a mesma coisa que cobrança pela API.

Neste guia, comparo os modelos gerais que a OpenAI apresenta como opções atuais de referência — GPT-6 Astra, GPT-6.1 Sol e GPT-6 Luna — pela perspectiva de quem escreve, revisa, explica e automatiza software. Também explico o que fazer com o GPT-5.3-Codex, que aparece em conversas e artigos recentes, mas foi descontinuado. Os preços são os publicados para a API em 2 de outubro de 2026; confira a página oficial antes de adotar um orçamento, pois modelos e tarifas mudam.

Escolher o modelo é apenas uma parte do trabalho. Para estudar como contexto, dados, ferramentas, permissões, avaliação e custos se combinam em uma solução operável, conheça IA Além da Conversa e leia a degustação gratuita na página do livro. Se o desafio é orientar as alterações de código com requisitos e critérios de aceite, SDD em Delphi oferece um percurso complementar. Essas leituras aprofundam o método, não indicam um fornecedor vencedor.

A virada para 2027 não será uma simples troca de siglas no sistema fiscal. Empresas precisarão conviver com tributos antigos e novos, revisar cadastros e preços, adaptar documentos eletrônicos e conferir uma apuração cada vez mais dependente da qualidade das informações transmitidas. Para quem desenvolve um sistema de gestão empresarial (ERP) ou orienta uma carteira contábil, o problema começa quando essas mudanças são resumidas a uma frase: “em janeiro muda tudo”.

Não muda tudo ao mesmo tempo, nem da mesma maneira para todos. Algumas obrigações começaram em 2026; outras têm marco em janeiro de 2027; determinadas regras de validação entram depois. Uma nota técnica publicada também não significa que todos os seus campos sejam imediatamente obrigatórios em produção.

Este guia organiza a transição nacional e aprofunda cinco documentos: Nota Fiscal Eletrônica (NF-e), Nota Fiscal de Consumidor Eletrônica (NFC-e), Conhecimento de Transporte Eletrônico (CT-e), Conhecimento de Transporte Eletrônico para Outros Serviços (CT-e OS) e Nota Fiscal de Serviços Eletrônica (NFS-e). O objetivo é permitir que contador, empresa e desenvolvedor localizem a obrigação e a transformem em trabalho verificável.

Data de corte: 5 de outubro de 2026. Datas futuras abaixo são marcos documentados nessa data, não confirmação de implantação real. Regras locais, regimes setoriais e novos atos podem exigir complementação. Este é um guia nacional de consulta, não uma promessa de esgotar todas as situações tributárias possíveis.

A entrada da inteligência artificial na rotina de trabalho criou uma possibilidade concreta para líderes: gastar menos energia na organização inicial de informações e mais energia naquilo que exige presença, critério e responsabilidade. O problema começa quando essa possibilidade é confundida com autorização para transferir decisões à ferramenta.

Uma resposta bem redigida, uma lista de prioridades aparentemente coerente ou um resumo de reunião não são, por si só, bons julgamentos. São materiais de trabalho. Podem acelerar uma análise, revelar lacunas e oferecer opções. Ainda assim, não conhecem por completo a história da equipe, os compromissos assumidos, as relações de confiança, os riscos de uma escolha nem os efeitos que uma mensagem terá sobre pessoas específicas.

Usar IA com maturidade na liderança depende menos de descobrir o comando perfeito e mais de estabelecer fronteiras claras: o que a tecnologia pode preparar, o que o líder precisa verificar e aquilo que continua indelegável. Essa distinção protege a qualidade das decisões e evita que a eficiência operacional seja conquistada à custa de responsabilidade humana.

Conheça o livro e leia uma degustação: acesse a página oficial de Liderança Ampliada.

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.