Η Καλύτερη Επιστροφή Επενδύσεων του AI Σημερα Είναι η Διόρθωση του Παλιού Κώδικα, Όχι η Γραφή του Νέου Κώδικα

Κάθε επίδειξη προϊόντων AI που παρακολουθώ ξεκινά με τον ίδιο τρόπο: ένα κενό πλαίσιο προτροπής, μια αίτηση σε απλή αγγλική γλώσσα και μια λειτουργική εφαρμογή λίγα λεπτά αργότερα. Είναι ένα πραγματικά εντυπωσιακό κόλπο πάρτι. Είναι επίσης, θα έλεγα, το λιγότερο ενδιαφέρον πράγμα που συμβαίνει στη βιομηχανία AI αυτή τη στιγμή.

Το πιο σημαντικό έργο συμβαίνει κάπου πολύ λιγότερο γламπέρ: μέσα σε παλιές βάσεις κώδικα δεκαπέντε ετών που κανείς δεν θέλει να αγγίξει, γραμμένες από μηχανικούς που έφυγαν από την εταιρεία πριν από μια δεκαετία, που εκτελούν λογική επιχειρήσεων που κανείς δεν έχει πλήρως κατανοήσει σε χρόνια. Η περισσότερη κάλυψη του AI αντιστρέφει αυτό. Ο παλιός κώδικας δεν είναι τεχνικό χρέος. Είναι συσσωρευμένη επιχειρηματική ευφυΐα: δεκαετίες αποφάσεων, κωδικοποιημένες ως λογισμικό, με τους ανθρώπους που έκαναν αυτές τις αποφάσεις να έχουν φύγει εδώ και καιρό.

Η ανάπτυξη σε πράσινο οικόπεδο παίρνει τις θέσεις των ομιλητών. Ο παλιός κώδικας παίρνει τα χρήματα, με δισταγμό, και συνήθως χωρίς την κατανόηση που χρειάζεται για να τα δαπανήσει καλά.

Η Πραγματική Ελλείψη Δεν Είναι Οι Αναπτυξιακοί, Είναι Η Μνήμη

Αυτό δεν είναι ένα απομονωμένο πρόβλημα. Μια μελέτη του Pegasystems το 2025, που διεξήχθη από το ερευνητικό ινστιτούτο Savanta σε περισσότερους από 500 υπεύθυνους λήψης αποφάσεων IT σε όλο τον κόσμο, εκτιμά ότι ο μέσος όρος των επιχειρήσεων σε όλο τον κόσμο σπαταλά περισσότερα από $370 εκατομμύρια το χρόνο через την αδυναμία τους να μοντερνοποιήσουν αποτελεσματικά τα παλιά συστήματα, με σχεδόν $134 εκατομμύρια από αυτά να συνδέονται με αργές, πλούσιες σε πόρους έργα μετασχηματισμού μόνο.

Συνεργαστήκαμε πρόσφατα με μια εταιρεία διανομής μπαταριών που εκτελούσε περισσότερες από δεκαπέντε παλιές εφαρμογές, τον τύπο της εξάπλωσης που συσσωρεύεται πάνω από είκοσι χρόνια συγχωνεύσεων, μιας-προς-μια ολοκλήρωσης και μηχανικών που λύνουν το πρόβλημα της ημέρας χωρίς πολύ σκέψη για το αύριο. Κρυμμένα σε αυτόν τον κώδικα ήταν κανόνες τιμολόγησης, κατώτατα όρια αποθέματος και περιορισμοί διανομής που αντιπροσώπευαν χρόνια θεσμικής γνώσης, γραμμένα κάπου αλλού εκτός από τη λογική που κανείς δεν είχε πλήρως χαρτογραφήσει.

Είναι εύκολο να το ονομάσουμε πρόβλημα ταλέντου: να雇ος περισσότερους αναπτυξιακούς, να μεταναστεύσετε γρηγορότερα. Αλλά δεν μπορείτε να雇ος τον τρόπο σας έξω από το γεγονός ότι ο άνθρωπος που κατανοούσε γιατί ένα模块 λειτουργούσε με τον τρόπο που λειτουργούσε, έφυγε από την εταιρεία το 2014. Οι περισσότερες επιχειρήσεις πάσχουν από έλλειψη μνήμης, όχι από έλλειψη ταλέντου. Και μέχρι πρόσφατα, δεν υπήρχε πραγματικός τρόπος να λυθεί αυτό σε κλίμακα. Η μόνη λύση ήταν να πληρώσετε một χέρι μελών της ομάδας να κρατήσει τη θεσμική γνώση στο κεφάλι τους για πάντα, ή να την χάσετε την ημέρα που έφυγαν.

Τι Αλλάζει Πραγματικά το AI

Δεν στρέψαμε ένα εργαλείο γεννήτριας κώδικα στον παλιό κώδικα και του είπαμε να ξαναγράψει όλα. Αυτό είναι περίπου το πώς σιωπηλά διαγράφετε τη λογική επιχειρήσεων που δεν ήξετε ότι υπήρχε. Αντίθετα, χρησιμοποιήσαμε πράκτορες AI για να κάνουν το μη γλαμουρό υπόβαθρο πρώτα: να χαρτογραφήσουν πώς οι δεκαπέντε εφαρμογές συνδέονται πραγματικά μεταξύ τους, να επιφανείσουν τις αποφάσεις που ενσωματώθηκαν στη λογική που δεν είχαν γραφτεί κάπου αλλού, και να κρατήσουν αυτό το контекστό ως κάτι που η οργάνωση θα μπορούσε να ερωτήσει, όχι κάτι που ζούσε μόνο στο κεφάλι ενός μηχανικού. Αυτό συμφωνεί με αυτό που άλλοι προμηθευτές AI τεκμηριώνουν τώρα δημόσια: η οδηγία της Anthropic για την μοντερνοποίηση συστημάτων COBOL με τον κώδικα Claude περιγράφει την ίδια ακολουθία, αυτοματοποιώντας τις φάσεις εξερεύνησης και ανάλυσης πρώτα και όχι πηδώντας κατευθείαν στη ξαναγραφή.

Οι πράκτορες δεν βαθμολογούνταν με βάση το πόσο κώδικα παρήγαγαν. Βαθμολογούνταν με βάση πόση θεσμική γνώση θα μπορούσαν να επιφανείσουν και να διατηρήσουν. Οι μηχανικοί εργάστηκαν μαζί τους στην πραγματική μετανάστευση και τη γεννήτρια δοκιμών, ελέγχοντας την ερμηνεία των πρακτόρων της λογικής επιχειρήσεων ενάντια σε το πώς το σύστημα συμπεριφερόταν στην παραγωγή, όχι εμπιστεύοντας το με πίστη. Ένα χρήσιμο σήμα που παρακολουθούσαμε: αν η εξήγηση του πρακτόρα για μια κανόνα ταιριάζει με ένα μοτίβο που μπορούσαμε να ανεξάρτητα επιβεβαιώσουμε στα αρχεία παραγωγής, ή ήταν μια πιθανή-ηχούντα υπόθεση; Η διαφορά μεταξύ αυτών των δύο είναι ακριβώς όπου τα έργα μοντερνοποίησης της κληρονομιάς συνήθως πάνε λάθος.

Η αρχική εκτίμηση για το έργο ήταν οκτώμισι μήνες. Κλείστηκε σε τέσσερις, μια μείωση 53%. Αλλά το πιο ανθεκτικό αποτέλεσμα δεν ήταν η γραμμή χρόνου. Η θεσμική γνώση που χρησιμοποιούσε να εξατμίζεται κάθε φορά που ένας μηχανικός έφευγε από την εταιρεία έγινε κάτι που η οργάνωση θα μπορούσε πραγματικά να διατηρήσει.

Οι μηχανικοί λογισμικού έχουν περάσει δεκαετίες γράφοντας λογισμικό. Η επόμενη δεκαετία μπορεί να περάσει εξορύσσοντας το, με το AI να ενεργεί λιγότερο ως συγγραφέας και περισσότερο ως αρχαιολόγος, φροντίζοντας να ανακατασκευάσει τη λογική που ενταφιάζεται στον κώδικα που επιβίωσε των ανθρώπων που τον έγραψαν.

Ένας Χονδρός Πλαίσιο για το Πώς Να Κάνετε Αυτό Χωρίς Να Σπάσετε Τα Πράγματα

Τα έργα που πάνε καλά φαίνεται να ακολουθούν περίπου την ίδια ακολουθία, αν το σύστημα είναι ένας μηχανισμός τιμολόγησης ή μια γραμμή αξιώσεων:

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

Κατανόηση: έχετε τον πράκτορα να επιφανείσει τη λογική επιχειρήσεων και τις υποθέσεις πίσω από αυτήν, σε απλή γλώσσα που ένας ειδικός τομέα μπορεί να ελέγξει.

Επαλήθευση: ελέγξτε αυτήν την ερμηνεία ενάντια σε πραγματική συμπεριφορά παραγωγής, όχι μόνο ενάντια στα σχόλια του κώδικα.

Μετασχηματισμός: μετανάστευση ή ανακατασκευή μόνο όταν οι πρώτες τρεις φάσεις αντέχουν, με τους ανθρώπους να έχουν την έγκριση.

Πηδώντας κατευθείαν στο Μετασχηματισμό, και δεν μοντερνοποιείτε. Είστε τζόγος με τη λογική που δεν κατανοείτε ακόμη.

Γιατί Αυτό Μattering Πέραν Των Ομάδων Μηχανικών

Η θεσμική μνήμη δεν εξαφανίζεται μόνο σιωπηλά όταν ένας ανώτερος μηχανικός συνταξιοδοτείται. Γίνεται μια οξεία ευθύνη genau στο σημείο που μια επιχείρηση δεν μπορεί να το αντέξει: κατά τη διάρκεια μιας αγοράς, όταν ένας νέος ιδιοκτήτης χρειάζεται να κατανοήσει τι αγόρασε πραγματικά; κατά τη διάρκεια μιας μετανάστευσης ERP, όταν η παλιά λογική πρέπει να μεταφραστεί σωστά για πρώτη φορά σε ένα νέο σύστημα; κατά τη διάρκεια μιας εξετάσεων συμμόρφωσης ή ανταπόκρισης σε περιστατικά, όταν κάποιος χρειάζεται να εξηγήσει γιατί το σύστημα συμπεριφέρθηκε με ένα bestimmten τρόπο, υπό μια προθεσμία, σε έναν ρυθμιστή που δεν θα接受ει “ο άνθρωπος που το χτίστηκε έφυγε το 2014” ως απάντηση.

Η Προσοχή που Μattering

Κανένα από αυτά δεν λειτουργεί χωρίς επίβλεψη. Ο πιο επικίνδυνος τύπος αυτής της προσέγγισης είναι εκείνος όπου η ερμηνεία του πρακτόρα της παλιάς λογικής επιχειρήσεων εμπιστεύεται χωρίς επαλήθευση, γιατί τα παλιά συστήματα είναι ακριβώς ο τόπος όπου μια αυτοπεποίθηση λάθος υπόθεση AI κοστίζει το περισσότερο. Η πλήρης αυτονομία στο νέο microservice είναι ένα hợp lý στοίχημα. Η πλήρης αυτονομία στον μηχανισμό τιμολόγησης που κανείς δεν άγγιξε από το 2011 δεν είναι. Η αξία είναι ότι το AI κάνει δυνατό να γίνει, και πάλι, οι μηχανικοί που κατανοούν την επιχείρηση, σε ένα σύστημα που κανείς δεν κατανοεί τώρα. Δεν τους αντικαθιστά.

Πού Νομίζω ότι Πηγαίνει Αυτό Επόμενο

Για είκοσι χρόνια, οι επιχειρήσεις έχουν αντιμετωπίζει το παλιό λογισμικό ως κάτι που πρέπει να αποφύγουν: ένα κέντρο κόστους για να χρηματοδοτήσουν διστακτικά και να μοντερνοποιήσουν όσο το δυνατόν γρηγορότερα. Νομίζω ότι το AI είναι έτοιμο να αποκαλύψει ότι πολύ από αυτόν τον κώδικα ήταν στην πραγματικότητα ένα από τα πιο πολύτιμα αποθέματα γνώσης που η επιχείρηση είχε ποτέ χτίσει. Χρειαζόταν μόνο κάτι ικανό να το διαβάσει. Ερευνητές έχουν ήδη τεκμηριώσει την άλλη πλευρά αυτής της πетλής: μια ανασκόπηση βιβλιογραφίας του 2026 για την ανάπτυξη LLM βρίσκει ότι η σημερινή καταδίωξη της ταχύτητας AI δημιουργεί “χρέος ταχείας ολοκλήρωσης”, κώδικα που αποστέλλεται γρηγορότερα από ό,τι μπορεί να κατανοηθεί. Η μοντερνοποίηση της κληρονομιάς είναι просто η οφειλή που έρχεται due, μια γενιά νωρίτερα.

Θα ήμουν περίεργος να δω αν άλλοι ηγέτες τεχνολογίας και μηχανικής βλέπουν την ίδια μετατόπιση: η επιστροφή της επένδυσης AI σας εμφανίζεται περισσότερο σε αυτό που χτίζετε, ή σε αυτό που τελικά καταφέρνετε να κατανοήσετε και να διατηρήσετε; Και για όποιον έχει προσπαθήσει να τρέξει πράκτορες AI ενάντια σε ένα πραγματικά παλιό, μη τεκμηριωμένο σύστημα, πού η κατανόηση του πρακτόρα αντέχουν στην επαλήθευση, και πού ησυχά σπάει;