Nejlepší návratnost investic do AI je právě teď opravování starého kódu, ne psaní nového kódu

Každá ukázka produktu AI, které jsem se zúčastnil, začíná stejně: prázdné okno pro zadání příkazu, žádost v běžném jazyce a funkční aplikace za několik minut. Je to skutečně působivý trik. Je to také, myslím, nejnezajímavější věc, která se právě teď děje v oblasti podnikového AI.

Více významná práce se děje někde daleko méně okázalým způsobem: uvnitř patnáct let starých základů kódu, které nikdo nechce dotknout, napsaných inženýry, kteří opustili společnost před deseti lety, běží obchodní logika, kterou nikdo plně nepochopil za roky. Většina článků o AI má tuto věc naopak. Legacy kód není technický dluh. Je to nahromaděná obchodní inteligence: desetiletí rozhodnutí, zakódovaná jako software, s lidmi, kteří tato rozhodnutí učinili, dávno pryč.

Greenfield vývoj dostává hlavní pozornost. Starý kód dostává peníze, váhavě, a obvykle bez pochopení, které by bylo potřeba k tomu, aby je dobře utratit.

Skutečný nedostatek není vývojáři, ale paměť

Tento problém není izolovaný. Studie z roku 2025 provedená firmou Pegasystems, která byla provedena výzkumnou firmou Savanta mezi více než 500 IT rozhodčími po celém světě, odhaduje, že průměrná globální společnost plýtvá více než $370 miliony ročně kvůli své neschopnosti efektivně modernizovat legacy systémy, z nichž téměř 134 milionů dolarů je spojeno se pomalými a náročnými transformačními projekty.

Nedávno jsme pracovali se společností, která distribuuje baterie a která provozuje více než patnáct legacy aplikací, druh rozptýlení, který se nahromadil za dvacet let fúzí, jednorázových integrací a inženýrů, kteří řešili dnešní problém bez přílišného zvažování zítřejšího. V tomto kódu byly zakódovány ceny, prahové hodnoty zásob a distribuční omezení, které reprezentovaly roky institucionálních rozhodnutí, zapsaných nikde jinde než v logice, kterou nikdo plně nezmapoval.

Je lákavé říci, že jde o problém s talentem: najmout více vývojářů, migrovat rychleji. Ale nelze najmout dostatek vývojářů, aby se vyřešil fakt, že osoba, která rozuměla, proč modul fungoval určitým způsobem, opustila společnost v roce 2014. Většina podniků trpí nedostatkem paměti, ne nedostatkem talentu. A až donedávna neexistoval žádný skutečný způsob, jak tento problém vyřešit ve velkém měřítku. Buď jste platili několik seniorních inženýrů, aby institucionální znalosti drželi v hlavě donekonečna, nebo jste je ztratili den, kdy odešli.

Co AI skutečně mění

Nesměřovali jsme nástroj pro generování kódu na starý kód a neřekli jsme mu, aby všechno přepsal; to je zhruba způsob, jakým můžete potichu vymazat obchodní logiku, o které jste nevěděli, že existuje. Místo toho jsme použili AI agenty k provedení nezábavné práce nejprve: mapovat, jak se patnáct a více aplikací skutečně propojují, vyhledat rozhodnutí zakódovaná v logice, která nebyla nikde jinde zapsána, a udržet tento kontext jako něco, co organizace mohla dotázat, a ne něco, co žilo pouze v hlavě jednoho inženýra. To odpovídá tomu, co jiní AI dodavatelé nyní veřejně dokumentují: Pokyny Anthropic pro modernizaci COBOL systémů s Claude Code popisují stejnou sekvenci, automatizaci fáze průzkumu a analýzy nejprve, než se přejde k přepsání.

Agenti nebyli hodnoceni podle toho, kolik kódu vygenerovali. Byli hodnoceni podle toho, kolik institucionálních znalostí mohli vyhledat a zachovat. Inženýři pak pracovali spolu s nimi na skutečné migraci a generaci testů, kontrolují agentovu interpretaci obchodních logik proti tomu, jak se systém choval v produkci, a nedůvěřovali mu pouze na víru. Užitečný signál, na který jsme se dívali: zda agentova vysvětlení pravidla odpovídala vzoru, který jsme mohli nezávisle ověřit v produkčních protokolech, nebo zda to byla pouze pravděpodobně znějící domněnka? Mezera mezi těmito dvěma je přesně tam, kde projekty modernizace legacy systémů obvykle selhávají.

Původní odhad projektu byl osm a půl měsíce. Projekt byl dokončen za čtyři měsíce, což je snížení o 53 %. Ale trvalejší výsledek nebyl časový rámec. Institucionální znalosti, které dříve mizely, kdykoli inženýr opustil společnost, se staly něčím, co organizace mohla skutečně uchovat.

Software inženýři strávili desetiletí psaním softwaru. Příští desetiletí může být stráveno jeho odkrýváním, s AI, která funguje méně jako autor a více jako archeolog, pečlivě rekonstruující rozumění zakódované v kódu, který přežil lidi, kteří jej napsali.

Přibližný rámec pro to, aby se věci nelámaly

Projekty, které dopadají dobře, zdají se následovat zhruba stejnou sekvenci, ať už je systém motorem cen nebo potrubím nároků:

Objevit: mapovat, jak systémy skutečně propojují, ne jak architektonický diagram z roku 2016 říká, že by měly.

Pochopit: nechat agenta vyhledat obchodní logiku a předpoklady za ní, v běžném jazyce, který může odborník zkontrolovat.

Ověřit: křížově zkontrolovat, zda tato interpretace odpovídá skutečnému chování v produkci, a ne pouze komentářům kódu.

Přeměnit: migrovat nebo přestavět pouze tehdy, když první tři fáze obstojí, s lidmi, kteří vlastní potvrzení.

Přejít rovnou na Přeměnu a budete hazardovat s logikou, kterou ještě nerozumíte.

Proč je to důležité i pro týmy mimo inženýry

Institucionální paměť se ne pouze tiše rozkládá, když senior inženýr odejde do důchodu. Stává se akutní závazkem přesně v okamžicích, kdy podnik nemůže dovolit: během akvizice, kdy nový vlastník potřebuje pochopit, co vlastně koupil; během migrace ERP, kdy stará logika musí být správně přeložena do nového systému poprvé; během kontroly shody nebo reakce na incident, kdy někdo potřebuje vysvětlit, proč se systém choval určitým způsobem, pod tlakem, regulátorovi, který nebude akceptovat “osoba, která to postavila, odešla v roce 2014” jako odpověď.

Pohled na to, že se legacy modernizace stává otázkou organizační odolnosti, znamená, že to není pouze CTO, kdo by se o to měl starat. Je to CIO, kteří zvažují, co se stane, když se klíčový technický personál otočí, týmy M&A, které se snaží určit, co vlastně kupují, a představenstva, která přemýšlejí o tom, kolik z provozní znalosti společnosti existuje nikde jinde než v kódu, který nikdo právě nečte.

Upozornění, které záleží

Žádná z toho nefunguje bez dozoru. Nejriskantnější verze tohoto přístupu je ta, kde se interpretace staré obchodní logiky agenta důvěřuje bez ověření, protože legacy systémy jsou přesně místem, kde sebevědomě chybná AI domněnka stojí nejvíce. Plná autonomie na vašem nejnovějším mikroslužbě je rozumný závazek. Plná autonomie na motorech cen, které nikdo nedotkl od roku 2011, není. Hodnota spočívá v tom, že AI umožňuje stát se opět inženýry, kteří rozumějí podniku, u systému, který nikdo目前 nerozumí. Nerozumí jim.

Kam si myslím, že to půjde dál

Po dvacet let se podniky chovaly k softwaru jako k něčemu, co je třeba uniknout: nákladovému centru, které je třeba financovat neochotně a modernizovat co nejrychleji, jak tylko to rozpočet dovolí. Myslím, že AI brzy ukáže, že mnoho z tohoto kódu bylo ve skutečnosti jednou z nejvíce cenných znalostních úložišť, které podnik kdy postavil. Potřebovalo to pouze něco, co by je mohlo číst. Výzkumníci již dokumentují druhou stranu tohoto cyklu: multivokální literární přehled o LLM-pomoci vývoji z roku 2026 zjistil, že dnešní honba za AI-urychlenou rychlostí sama vytváří “dluh rychlé integrace”, kód, který je odeslán rychleji, než může být pochopen. Modernizace legacy je pouze účet, který přichází, generace dříve.

Byl bych zvědav, zda jiní technologičtí a inženýrští lídři vidí stejný posun: zda se návratnost vaší investice do AI objevuje více v tom, co stavíte, nebo v tom, co jste konečně schopni pochopit a uchovat? A pro kohokoli, kdo se pokusil spustit AI agenty proti skutečně starému, nedokumentovanému systému, kde se agentovo pochopení drželo pod ověřením, a kde se tiše rozpadlo?