AI’s bedste ROI lige nu er at reparere gammel kode, ikke at skrive ny kode

Hver gang jeg ser en AI-produkt demo, starter det på samme måde: en tom prompt-boks, en anmodning på almindeligt sprog og en fungerende app få minutter senere. Det er en virkelig imponerende festtrick. Det er også, jeg ville argumentere, det mindst interessante, der sker i enterprise AI lige nu.

Det mere konsekvensfulde arbejde sker et sted, der er langt mindre glamourøst: inde i femten år gamle kodebaser, som ingen vil røre, skrevet af ingeniører, der forlod virksomheden for ti år siden, og som kører forretningslogik, som ingen har fuldt ud forstået i år. De fleste AI-dækninger får dette forkert. Arv-kode er ikke teknisk gæld. Det er akkumuleret forretningsintelligens: årtiers beslutninger, kodificeret som software, med de personer, der tog disse beslutninger, langt væk.

Grønfelt-udvikling får keynote-pladserne. Den gamle kode får pengene, modvilligt, og ofte uden den forståelse, der er nødvendig for at bruge dem godt.

Den virkelige mangel er ikke udviklere, det er hukommelse

Dette er ikke et isoleret problem. En studie fra 2025 af Pegasystems, gennemført af research-firmaet Savanta over mere end 500 IT-beslutningstagere verden over, estimerer, at den gennemsnitlige globale virksomhed spilder mere end $370 million om året gennem sin evne til effektivt at modernisere arv-systemer, med næsten $134 million af dette knyttet til langsomme, ressourcekrævende transformationsprojekter alene.

Vi arbejdede recent med et batteridistributionsfirma, der kørte mere end femten arv-applikationer, den slags spredning, der opstår over tyve år med fusioner, enkelt-integrationer og ingeniører, der løser i dagens problem uden meget tanke for i morgen. Begravet i denne kode var prægler, lagergrænser og distributionsbegrænsninger, der repræsenterede år af institutionelle beslutninger, skrevet ned ingen steder andet end i logik, som ingen havde fuldt ud kortlagt.

Det er fristende at kalde dette et talent-problem: ansæt flere udviklere, migrer hurtigere. Men du kan ikke ansætte dig ud af det faktum, at personen, der forstod, hvorfor en modul fungerede på den måde, forlod virksomheden i 2014. De fleste virksomheder lider af en hukommelsesmangel, ikke et talent-mangel. Og indtil for nylig var der ingen virkelig måde at løse dette på en større skala. Du kunne enten betale en håndfuld senior-ingeniører for at holde den institutionelle viden i deres hoveder indefinit, eller du mistede den dagen de forlod.

Hvad AI faktisk ændrer

Vi pegede ikke en kode-genereringsværktøj på den gamle kodebase og sagde til det at omskrive alt; det er omtrent, hvordan du stille og roligt sletter forretningslogik, du ikke vidste eksisterede. I stedet brugte vi AI-agenter til at udføre det ikke-glamourøse grundarbejde først: kortlægge, hvordan de femten-plus-applikationer faktisk var forbundet til hinanden, fremme de beslutninger, der var indkodet i logikken, som aldrig var skrevet ned andre steder, og fastholde den kontekst som noget, organisationen kunne forespørge, ikke noget, der kun levede i én ingeniørs hoved. Dette stemmer overens med, hvad andre AI-leverandører nu dokumenterer offentligt: Anthrropics vejledning om at modernisere COBOL-systemer med Claude Code beskriver den samme sekvens, automatiserer undersøgelses- og analysefasen først i stedet for at springe direkte til omskrivning.

Agenterne blev ikke vurderet på, hvor meget kode de genererede. De blev vurderet på, hvor meget institutionel viden de kunne fremme og fastholde. Ingenicører arbejdede sammen med dem på den faktiske migration og test-generering, kontrollerede agenternes fortolkning af forretningslogikken mod, hvordan systemet opførte sig i produktion, ikke stolede på det på trods. Et nyttigt signal, vi så efter: gjorde agentens forklaring af en regel matche en mønster, vi kunne uafhængigt verificere i produktionslogfiler, eller var det en plausibel-lignende gæt? Gapet mellem disse to er præcis, hvor arv-moderniseringsprojekter normalt går galt.

Den oprindelige estimering for projektet var otte og en halv måned. Det lukkede i fire, en reduktion på 53%. Men den mere varige udkomme var ikke tidsrammen. Institutionel viden, der tidligere forsvandt hver gang en ingeniør forlod virksomheden, blev noget, organisationen faktisk kunne fastholde.

Software-ingeniører har brugt årtier på at skrive software. Det næste årti kan blive brugt på at udgrave den, med AI, der fungerer mindre som en forfatter og mere som en arkæolog, der omhyggeligt genskaber den begravde grund i koden, der overlevede de personer, der skrev den.

En grov ramme for at gøre dette uden at bryde ting

Projekterne, der går godt, synes at følge omtrent den samme sekvens, uanset om systemet er en prissætningsmotor eller en krav-pipeline:

Opdag: kortlæg, hvordan systemerne faktisk er forbundet, ikke hvordan arkitektur-diagrammet fra 2016 siger, de er forbundet.

Forstå: lad agenten fremme forretningslogikken og antagelserne bag den, i almindeligt sprog, som en domæne-ekspert kan kontrollere.

Verificer: kontroller, at fortolkningen stemmer overens med reel produktionsadfærd, ikke kun mod kodens egne kommentarer.

Transformér: migrer eller genopbyg kun, når de første tre faser holder, med mennesker, der ejer godkendelsen.

Spring direkte til Transformér, og du moderniserer ikke. Du gambler med logik, du ikke forstår endnu.

Hvorfor dette er vigtigt ud over ingeniørhold

Institutionel hukommelse forsvinder ikke stille og roligt, når en senior-ingeniør går på pension. Det bliver en akut skyldighed på præcis det tidspunkt, en forretning kan mindst tillade det: under en fusion, når en ny ejer skal forstå, hvad de faktisk har købt; under en ERP-migration, når gammel logik skal oversættes til et nyt system korrekt første gang; under en overholdelses- eller reaktion-tilfælde, når nogen skal forklare, hvorfor systemet opførte sig på en bestemt måde, under en tidsfrist, til en regulator, der ikke accepterer “personen, der byggede det, forlod i 2014” som et svar.

Behandlet på denne måde, stopper arv-modernisering med at være en ingeniør-post og begynder at se ud som en organisations-resiliens-spørgsmål, hvilket betyder, at det ikke kun er CTO’er, der skal bekymre sig. Det er CIO’er, der vejrer, hvad der sker, når nøgle-teknisk personale skifter, M&A-hold, der prøver at pris, hvad de faktisk køber, og bestyrelser, der tænker over, hvor meget af virksomhedens operationelle viden findes ingen steder andet end i kode, som ingen læser i øjeblikket.

Den betingelse, der betyder noget

Ingenting af dette fungerer upassende. Den risikofyldte version af denne tilgang er en, hvor en agents fortolkning af gammel forretningslogik bliver stolede på uden verifikation, fordi arv-systemer er præcis det sted, hvor en selvbevidst forkert AI-antagelse koster mest. Fuldt selvstændighed på din nyeste microservice er en rimelig indsats. Fuldt selvstændighed på prissætningsmotoren, som ingen har rørt siden 2011, er ikke. Værdien er, at AI gør det muligt at blive, igen, ingeniørerne, der forstår forretningen, på et system, som ingen i øjeblikket forstår. Det erstatter dem ikke.

Hvor jeg tror, dette går herefter

I tyve år har virksomheder behandlet arv-software som noget, man skal undslippe: en omkostningscenter, der skal finansieres modvilligt og moderniseres væk så hurtigt, som budgettet tillader. Jeg tror, AI er ved at afsløre, at meget af denne kode faktisk var en af de mest værdifulde viden-repositorier, forretningen nogensinde har bygget. Det havde bare brug for noget, der kunne læse det. Forskere dokumenterer allerede den anden side af denne løkke: en 2026 multivocal litteratur-gennemgang af LLM-assisteret udvikling finder, at dagens forfølgelse af AI-accelereret hastighed selv skaber “fast-integration-gæld”, kode, der sendes hurtigere, end den kan forstås. Arv-modernisering er bare denne regning, der kommer tilbage, en generation for tidligt.

Jeg ville være nysgerrig efter at vide, om andre teknologi- og teknologilederere ser den samme skift: viser avkastningen på din AI-investering sig mere i, hvad du bygger, eller i, hvad du endelig kan forstå og fastholde? Og for enhver, der har prøvet at køre AI-agenter mod en virkelig gammel, udokumenteret system, hvor holdt agentens forståelse under verifikation, og hvor faldt den stille og roligt fra hinanden?