Η καλύτερη απόδοση επένδυσης στην AI σήμερα προέρχεται από τη διόρθωση παλιού κώδικα, όχι από τη συγγραφή νέου

Κάθε επίδειξη προϊόντος AI που παρακολουθώ ξεκινά με τον ίδιο τρόπο: ένα άδειο πεδίο προτροπής, ένα αίτημα σε απλή γλώσσα και, λίγα λεπτά αργότερα, μια λειτουργική εφαρμογή. Είναι πράγματι εντυπωσιακό τέχνασμα. Θα έλεγα όμως ότι είναι και το λιγότερο ενδιαφέρον πράγμα που συμβαίνει σήμερα στην επιχειρησιακή AI.

Η πιο ουσιαστική δουλειά γίνεται σε πολύ λιγότερο εντυπωσιακό περιβάλλον: μέσα σε κώδικα δεκαπέντε ετών που κανείς δεν θέλει να αγγίξει, γραμμένο από μηχανικούς που έφυγαν πριν από μια δεκαετία, με επιχειρηματική λογική που κανείς δεν κατανοεί πλήρως εδώ και χρόνια. Η περισσότερη αρθρογραφία για την AI το βλέπει ανάποδα. Ο παλαιός κώδικας δεν είναι απλώς τεχνικό χρέος. Είναι συσσωρευμένη επιχειρηματική γνώση: αποφάσεις δεκαετιών, κωδικοποιημένες σε λογισμικό, ενώ οι άνθρωποι που τις πήραν έχουν προ πολλού αποχωρήσει.

Η ανάπτυξη από το μηδέν παίρνει τη θέση στις κεντρικές παρουσιάσεις. Ο παλιός κώδικας παίρνει χρηματοδότηση με απροθυμία και συνήθως χωρίς την κατανόηση που χρειάζεται για να δαπανηθεί σωστά.

Η πραγματική έλλειψη είναι μνήμης, όχι προγραμματιστών

Δεν πρόκειται για μεμονωμένο πρόβλημα. Μελέτη της Pegasystems το 2025, που διεξήγαγε η ερευνητική εταιρεία Savanta σε περισσότερους από 500 υπεύθυνους αποφάσεων πληροφορικής παγκοσμίως, εκτιμά ότι η μέση μεγάλη διεθνής επιχείρηση σπαταλά πάνω από 370 εκατ. δολάρια τον χρόνο λόγω αδυναμίας αποτελεσματικού εκσυγχρονισμού παλαιότερων συστημάτων. Σχεδόν 134 εκατ. από αυτά συνδέονται μόνο με αργά έργα μετασχηματισμού που απαιτούν πολλούς πόρους.

Πρόσφατα συνεργαστήκαμε με εταιρεία διανομής μπαταριών που λειτουργούσε περισσότερες από δεκαπέντε παλαιότερες εφαρμογές. Ήταν το είδος πολυπλοκότητας που συσσωρεύεται σε είκοσι χρόνια συγχωνεύσεων, μεμονωμένων διασυνδέσεων και μηχανικών που λύνουν το σημερινό πρόβλημα χωρίς πολλή σκέψη για το αυριανό. Μέσα στον κώδικα βρίσκονταν κανόνες τιμολόγησης, όρια αποθέματος και περιορισμοί διανομής που αντιπροσώπευαν χρόνια οργανωσιακών αποφάσεων. Δεν ήταν καταγεγραμμένοι πουθενά αλλού, παρά μόνο σε λογική που κανείς δεν είχε χαρτογραφήσει πλήρως.

Είναι δελεαστικό να το θεωρήσουμε πρόβλημα στελέχωσης: προσλάβετε περισσότερους προγραμματιστές, μεταβείτε ταχύτερα. Δεν μπορείτε όμως με προσλήψεις να αναιρέσετε το γεγονός ότι ο άνθρωπος που κατανοούσε γιατί μια μονάδα λειτουργούσε όπως λειτουργούσε έφυγε το 2014. Οι περισσότερες επιχειρήσεις έχουν έλλειμμα μνήμης, όχι ταλέντου. Μέχρι πρόσφατα δεν υπήρχε ουσιαστικός τρόπος επίλυσης σε μεγάλη κλίμακα. Είτε πληρώνατε λίγους έμπειρους μηχανικούς για να κρατούν τη γνώση στο μυαλό τους επ’ αόριστον είτε τη χάνατε την ημέρα που έφευγαν.

Τι αλλάζει πραγματικά η AI

Δεν δώσαμε τον παλιό κώδικα σε εργαλείο παραγωγής κώδικα ζητώντας να ξαναγράψει τα πάντα. Αυτός είναι περίπου ο τρόπος να διαγράψεις αθόρυβα επιχειρηματική λογική που δεν ήξερες ότι υπήρχε. Αντίθετα, χρησιμοποιήσαμε πράκτορες AI για την αναγκαία προεργασία: να εντοπίσουν πώς συνδέονται πραγματικά οι περισσότερες από δεκαπέντε εφαρμογές, να αναδείξουν τις αποφάσεις που ήταν ενσωματωμένες στη λογική και δεν είχαν καταγραφεί αλλού και να διατηρήσουν αυτό το πλαίσιο ως γνώση στην οποία ο οργανισμός μπορούσε να θέτει ερωτήματα, αντί ως κάτι κλεισμένο στο μυαλό ενός μηχανικού. Αυτό συμφωνεί με όσα τεκμηριώνουν πλέον δημόσια και άλλοι προμηθευτές AI. Οι οδηγίες της Anthropic για εκσυγχρονισμό συστημάτων COBOL με Claude Code περιγράφουν την ίδια ακολουθία: πρώτα αυτοματοποίηση διερεύνησης και ανάλυσης, αντί άμεσης μετάβασης στην επανεγγραφή.

Οι πράκτορες δεν αξιολογούνταν βάσει του κώδικα που παρήγαγαν. Αξιολογούνταν βάσει της οργανωσιακής γνώσης που μπορούσαν να αναδείξουν και να διατηρήσουν. Έπειτα οι μηχανικοί συνεργάστηκαν μαζί τους στην πραγματική μετάβαση και τη δημιουργία δοκιμών, ελέγχοντας την ερμηνεία της επιχειρηματικής λογικής απέναντι στη συμπεριφορά του συστήματος σε παραγωγή, χωρίς να τη δέχονται άκριτα. Ένα χρήσιμο κριτήριο ήταν αν η εξήγηση ενός κανόνα από τον πράκτορα ταίριαζε με μοτίβο που μπορούσαμε να επαληθεύσουμε ανεξάρτητα στα αρχεία καταγραφής παραγωγής ή αν ήταν μια εύλογη εικασία. Σε αυτό ακριβώς το χάσμα συνήθως αστοχούν τα έργα εκσυγχρονισμού παλαιών συστημάτων.

Η αρχική εκτίμηση ήταν οκτώμισι μήνες. Το έργο ολοκληρώθηκε σε τέσσερις, μείωση 53%. Το πιο διατηρήσιμο αποτέλεσμα όμως δεν ήταν το χρονοδιάγραμμα. Η γνώση που εξαφανιζόταν κάθε φορά που αποχωρούσε ένας μηχανικός έγινε κάτι που ο οργανισμός μπορούσε πράγματι να κρατήσει.

Οι μηχανικοί λογισμικού πέρασαν δεκαετίες γράφοντας λογισμικό. Την επόμενη δεκαετία ίσως την περάσουν ανασκάπτοντάς το, με την AI λιγότερο ως συγγραφέα και περισσότερο ως αρχαιολόγο, που ανασυνθέτει προσεκτικά τη συλλογιστική μέσα σε κώδικα ο οποίος επέζησε της παρουσίας των δημιουργών του στην εταιρεία.

Ένα απλό πλαίσιο εκσυγχρονισμού χωρίς διατάραξη της λειτουργίας

Τα έργα που πηγαίνουν καλά φαίνεται να ακολουθούν περίπου την ίδια ακολουθία, είτε αφορούν μηχανισμό τιμολόγησης είτε ροή διεκπεραίωσης απαιτήσεων:

Διερεύνηση: χαρτογραφήστε πώς συνδέονται πραγματικά τα συστήματα, όχι πώς λέει το αρχιτεκτονικό διάγραμμα του 2016 ότι συνδέονται.

Κατανόηση: ζητήστε από τον πράκτορα να αναδείξει την επιχειρηματική λογική και τις παραδοχές της σε απλή γλώσσα, ώστε να μπορεί να τις ελέγξει ειδικός του πεδίου.

Επαλήθευση: διασταυρώστε την ερμηνεία με την πραγματική συμπεριφορά σε παραγωγή, όχι μόνο με τα σχόλια του ίδιου του κώδικα.

Μετασχηματισμός: προχωρήστε σε μετάβαση ή ανακατασκευή μόνο όταν έχουν επαληθευτεί τα τρία πρώτα στάδια, με την τελική έγκριση στους ανθρώπους.

Αν περάσετε κατευθείαν στον μετασχηματισμό, δεν εκσυγχρονίζετε. Ρισκάρετε με λογική που δεν κατανοείτε ακόμη.

Γιατί αφορά περισσότερους από τις τεχνικές ομάδες

Η οργανωσιακή μνήμη δεν φθείρεται μόνο αθόρυβα όταν συνταξιοδοτείται ένας έμπειρος μηχανικός. Η απώλειά της γίνεται οξύ πρόβλημα ακριβώς όταν η επιχείρηση έχει τα μικρότερα περιθώρια: σε μια εξαγορά, όταν ο νέος ιδιοκτήτης πρέπει να κατανοήσει τι αγόρασε· σε μια μετάβαση ERP, όταν η παλιά λογική πρέπει να μεταφερθεί σωστά στο νέο σύστημα από την πρώτη προσπάθεια· σε έναν έλεγχο συμμόρφωσης ή στην αντιμετώπιση περιστατικού, όταν κάποιος πρέπει να εξηγήσει, υπό προθεσμία, γιατί το σύστημα συμπεριφέρθηκε με συγκεκριμένο τρόπο σε ρυθμιστική αρχή που δεν θα δεχτεί ως απάντηση ότι «ο άνθρωπος που το κατασκεύασε έφυγε το 2014».

Με αυτή την οπτική, ο εκσυγχρονισμός παλαιότερων συστημάτων παύει να είναι απλώς κονδύλι τεχνικών εργασιών και γίνεται ζήτημα οργανωσιακής ανθεκτικότητας. Δεν αφορά επομένως μόνο τους CTO. Αφορά CIO που εξετάζουν τις συνέπειες αποχώρησης βασικού τεχνικού προσωπικού, ομάδες συγχωνεύσεων και εξαγορών που προσπαθούν να αποτιμήσουν αυτό που αγοράζουν και διοικητικά συμβούλια που αναρωτιούνται πόση λειτουργική γνώση υπάρχει μόνο σε κώδικα που κανείς δεν διαβάζει σήμερα.

Η ουσιαστική επιφύλαξη

Τίποτα από αυτά δεν λειτουργεί χωρίς επίβλεψη. Η πιο επικίνδυνη εκδοχή είναι να εμπιστευόμαστε χωρίς επαλήθευση την ερμηνεία παλιάς επιχειρηματικής λογικής από έναν πράκτορα. Στα παλαιότερα συστήματα, μια λανθασμένη παραδοχή AI που εκφράζεται με βεβαιότητα κοστίζει περισσότερο. Η πλήρης αυτονομία στη νεότερη μικροϋπηρεσία σας μπορεί να είναι εύλογο στοίχημα. Στον μηχανισμό τιμολόγησης που κανείς δεν έχει αγγίξει από το 2011 δεν είναι. Η αξία της AI είναι ότι βοηθά τους μηχανικούς να ξαναγίνουν άνθρωποι που κατανοούν την επιχείρηση, μέσα από ένα σύστημα που σήμερα κανείς δεν κατανοεί. Δεν τους αντικαθιστά.

Πού πιστεύω ότι οδηγεί αυτή η εξέλιξη

Επί είκοσι χρόνια, οι επιχειρήσεις αντιμετώπιζαν το παλιό λογισμικό ως κάτι από το οποίο πρέπει να ξεφύγουν: κέντρο κόστους που χρηματοδοτείται απρόθυμα και αντικαθίσταται όσο γρήγορα επιτρέπει ο προϋπολογισμός. Πιστεύω ότι η AI πρόκειται να αποκαλύψει πως μεγάλο μέρος αυτού του κώδικα ήταν από τα πιο πολύτιμα αποθετήρια γνώσης που δημιούργησε ποτέ η επιχείρηση. Απλώς χρειαζόταν κάτι ικανό να το διαβάσει. Οι ερευνητές ήδη τεκμηριώνουν την άλλη πλευρά αυτού του κύκλου. Μια βιβλιογραφική ανασκόπηση του 2026, με ακαδημαϊκές και επαγγελματικές πηγές, για ανάπτυξη με τη βοήθεια LLM διαπιστώνει ότι η σημερινή επιδίωξη ταχύτητας μέσω AI δημιουργεί «χρέος ταχείας ενσωμάτωσης»: κώδικα που παραδίδεται γρηγορότερα απ’ όσο μπορεί να κατανοηθεί. Ο εκσυγχρονισμός παλαιού λογισμικού είναι απλώς αυτός ο λογαριασμός που έρχεται επιτέλους προς πληρωμή, μία γενιά νωρίτερα.

Θα με ενδιέφερε αν άλλοι επικεφαλής τεχνικών ομάδων και τεχνολογίας βλέπουν την ίδια αλλαγή: η απόδοση της επένδυσής σας στην AI εμφανίζεται περισσότερο σε όσα κατασκευάζετε ή σε όσα επιτέλους κατανοείτε και διατηρείτε; Και όσοι δοκιμάσατε πράκτορες AI σε πραγματικά παλιό, ατεκμηρίωτο σύστημα, πού άντεξε η κατανόησή τους στην επαλήθευση και πού κατέρρευσε αθόρυβα;