Los sistemas legacy tienen mala fama, pero siguen siendo la columna vertebral de buena parte de las grandes corporaciones y los bancos centrales. La razón no es nostalgia ni resistencia al cambio: es seguridad y estabilidad. Muchos de estos sistemas fueron construidos en lenguajes muy estables, como COBOL y RPG, y corren sobre plataformas como los mainframes y AS400, con un nivel de confiabilidad que llevó a buena parte de las organizaciones a adoptar una filosofía bastante simple: “para qué tocar lo que funciona”.
Esa lógica empieza a tensionarse con la aparición de nuevas regulaciones, sobre todo en el sector bancario, que presionan para actualizar sistemas por cuestiones de vulnerabilidad. Sin embargo, la confiabilidad de estos entornos los mantuvo operativos durante décadas, y eso explica por qué todavía siguen ahí, sosteniendo procesos críticos que no admiten margen de error.
La evolución hacia los agentes de IA
Ahí es donde entra una distinción importante: no es lo mismo un modelo de lenguaje tradicional que un agente de inteligencia artificial pensado específicamente para desarrollo, como IBM Bob. Esta clase de agentes permite modernizar sistemas legacy disminuyendo el riesgo, porque puede hacer una revisión completa del ecosistema, detectar vulnerabilidades y ejecutar pruebas unitarias en una sola corrida, en lugar de depender de revisiones manuales fragmentadas.
Esa capacidad de análisis integral es, probablemente, la diferencia más relevante frente a las herramientas de IA genéricas: no se trata solo de generar código, sino de entender primero el sistema completo antes de tocar una sola línea, algo que cambia por completo el punto de partida de cualquier proyecto de modernización.
El caso de un banco en México: modernizar sin miedo
Un ejemplo concreto ayuda a dimensionar el cambio. Un banco grande en México está modernizando su core bancario, escrito en COBOL. Antes, ese tipo de proyectos implicaba contratar consultoras externas para analizar y documentar código que no se tocaba desde 1985, un proceso lento y de por sí riesgoso, dado lo crítico del sistema.
Con Bob, ese trabajo cambia de naturaleza: el agente realiza toda la documentación de forma automática y genera archivos de contexto, llamados Agent MB, que funcionan como mapa de referencia para el equipo. Además, identifica automáticamente dependencias lógicas complejas, como saltos “goto” entre distintos archivos COBOL, algo que un desarrollador humano podría pasar por alto con facilidad. Esa detección temprana evita romper la lógica de negocio al modificar el código, que es, justamente, el mayor temor al intervenir un sistema de este tipo.
El cambio cultural: perderle el miedo al legacy
Más allá del caso puntual, hay un cambio cultural de fondo. El uso de este tipo de agentes elimina buena parte del miedo a intervenir sistemas antiguos. Un desarrollador que solo conoce Java puede entender y trabajar sobre código en COBOL o RPG porque la IA le explica el contexto necesario para avanzar con criterio, no a ciegas.
Esto tiene un impacto directo en la operación diaria de los equipos: permite cumplir con deadlines inamovibles, desarrollar nuevas funcionalidades o reducir deuda técnica mucho más rápido, sin necesidad de invertir meses en aprender un lenguaje que no forma parte del stack habitual del equipo. En sistemas donde el conocimiento profundo suele estar concentrado en muy pocas personas, esa capacidad de entender el legacy sin depender de un especialista puntual cambia la forma en que los equipos se plantean, de acá en adelante, sus propios proyectos de modernización.
El resultado no es solo una cuestión de velocidad, sino de autonomía: equipos que antes evitaban tocar ciertos módulos por desconocimiento ahora pueden abordarlos con la misma seguridad con la que trabajan sobre código moderno, sin resignar el cuidado que un sistema crítico exige.
Compartir nota:
