La Mejor Rentabilidad de la Inteligencia Artificial Ahora es Reparar el Código Antiguo, No Escribir Código Nuevo

Cada demostración de producto de inteligencia artificial que veo comienza de la misma manera: una caja de prompt vacía, una solicitud en inglés claro y una aplicación funcionando unos minutos después. Es un truco de fiesta genuinamente impresionante. También, diría, es la cosa menos interesante que sucede en la inteligencia artificial empresarial en este momento.

El trabajo más importante está sucediendo en un lugar mucho menos glamoroso: dentro de bases de código de quince años que nadie quiere tocar, escritas por ingenieros que dejaron la empresa hace una década, que ejecutan lógica de negocio que nadie ha entendido completamente en años. La mayoría de la cobertura de inteligencia artificial se equivoca al respecto. El código legado no es deuda técnica. Es inteligencia empresarial acumulada: décadas de decisiones, codificadas como software, con las personas que tomaron esas decisiones hace mucho tiempo.

El desarrollo de campo verde obtiene los espacios de conferencia. El código antiguo obtiene el dinero, a regañadientes, y generalmente sin la comprensión necesaria para gastarlo bien.

La Verdadera Escasez No Son los Desarrolladores, Es la Memoria

Este no es un problema aislado. Un estudio de Pegasystems de 2025, realizado por la firma de investigación Savanta en más de 500 responsables de decisiones de TI en todo el mundo, estima que la empresa promedio global desperdicia más de $370 millones al año debido a su incapacidad para modernizar eficientemente los sistemas legados, con casi $134 millones de eso vinculados a proyectos de transformación lentos y intensivos en recursos.

Recientemente trabajamos con una empresa de distribución de baterías que ejecutaba más de quince aplicaciones legadas, el tipo de dispersión que se acumula durante veinte años de fusiones, integraciones de una sola vez y ingenieros que resuelven el problema de hoy sin pensar mucho en el de mañana. Enterrado en ese código había reglas de precios, umbrales de inventario y restricciones de distribución que representaban años de decisiones institucionales, escritas en ningún lugar excepto en la lógica que nadie había mapeado completamente.

Es tentador llamar a esto un problema de talento: contratar a más desarrolladores, migrar más rápido. Pero no puedes contratar a suficientes desarrolladores para solucionar el hecho de que la persona que entendía por qué un módulo funcionaba de una cierta manera dejó la empresa en 2014. La mayoría de las empresas sufren de una escasez de memoria, no de una escasez de talento. Y hasta hace poco, no había forma real de solucionar esto a gran escala. O pagabas a unos pocos ingenieros senior para que retuvieran el conocimiento institucional en sus cabezas indefinidamente, o lo perdías el día que se iban.

Qué es lo que la Inteligencia Artificial Cambia Realmente

No apuntamos una herramienta de generación de código al código antiguo y le dijimos que lo reescribiera todo; eso es más o menos cómo se borra silenciosamente la lógica de negocio que no sabías que existía. En su lugar, usamos agentes de inteligencia artificial para hacer el trabajo de base no glamoroso primero: trazar cómo las quince aplicaciones o más se conectaban realmente entre sí, superficie las decisiones incrustadas en la lógica que nunca se habían escrito en ningún otro lugar, y mantener ese contexto como algo que la organización podría consultar, no algo que viviera solo en la cabeza de un ingeniero. Esto se alinea con lo que otros proveedores de inteligencia artificial están documentando públicamente ahora: la guía de Anthropic sobre la modernización de sistemas COBOL con Claude Code describe la misma secuencia, automatizando las fases de exploración y análisis primero en lugar de saltar directamente a la reescritura.

Los agentes no se evaluaban por la cantidad de código que generaban. Se evaluaban por cuánto conocimiento institucional podían superficar y preservar. Los ingenieros trabajaban junto con ellos en la migración y generación de pruebas reales, verificando la interpretación de los agentes de la lógica de negocio contra cómo se comportaba el sistema en producción, no confiando en ella por fe. Una señal útil que observábamos: ¿la explicación del agente de una regla coincidía con un patrón que podríamos verificar de forma independiente en los registros de producción, o era una suposición plausible? La brecha entre esos dos es exactamente donde los proyectos de modernización de legado suelen fallar.

La estimación original para el proyecto era de ocho meses y medio. Se cerró en cuatro, una reducción del 53%. Pero el resultado más duradero no fue el cronograma. El conocimiento institucional que solía evaporarse cada vez que un ingeniero dejaba la empresa se convirtió en algo que la organización podía retener de hecho.

Los ingenieros de software han pasado décadas escribiendo software. La próxima década puede pasar excavando, con la inteligencia artificial actuando menos como autor y más como arqueólogo, reconstruyendo cuidadosamente el razonamiento enterrado en el código que sobrevivió a las personas que lo escribieron.

Un Marco Aproximado para Hacer Esto Sin Romper las Cosas

Los proyectos que van bien parecen seguir aproximadamente la misma secuencia, ya sea que el sistema sea un motor de precios o una tubería de reclamos:

Descubrir: mapear cómo los sistemas se conectan realmente, no cómo el diagrama de arquitectura de 2016 dice que se conectan.

Entender: hacer que el agente superficie la lógica de negocio y los supuestos detrás de ella, en lenguaje plano que un experto en dominio pueda verificar.

Verificar: verificar esa interpretación contra el comportamiento real de producción, no solo contra los comentarios del propio código.

Transformar: migrar o reconstruir solo una vez que las primeras tres etapas se mantengan, con humanos que poseen la aprobación.

Saltar directamente a Transformar, y no estás modernizando. Estás apostando con lógica que no entiendes todavía.

Por Qué Esto Importa Más Allá de los Equipos de Ingeniería

La memoria institucional no se desvanece silenciosamente cuando un ingeniero senior se jubila. Se convierte en una responsabilidad aguda en los momentos exactos en que una empresa puede menos permitírselo: durante una adquisición, cuando un nuevo propietario necesita entender qué compró en realidad; durante una migración de ERP, cuando la lógica antigua debe traducirse correctamente a un nuevo sistema por primera vez; durante una auditoría de cumplimiento o respuesta a incidentes, cuando alguien necesita explicar por qué el sistema se comportó de una cierta manera, bajo una fecha límite, a un regulador que no aceptará “la persona que lo construyó se fue en 2014” como respuesta.

Tratado de esta manera, la modernización de legado deja de ser un artículo de línea de ingeniería y comienza a parecerse a una pregunta de resiliencia organizacional, lo que significa que no solo los CTO deben preocuparse. Son los CIO que sopesan qué sucede cuando el personal técnico clave se va, los equipos de M&A que tratan de determinar qué están adquiriendo en realidad, y las juntas que piensan en cuánto del conocimiento operativo de la empresa existe en ningún lugar excepto en el código que nadie lee actualmente.

La Salvedad que Importa

Nada de esto funciona sin supervisión. La versión más arriesgada de este enfoque es aquella en la que la interpretación de un agente de la lógica de negocio antigua se confía sin verificación, porque los sistemas legados son exactamente el lugar donde una suposición confiada pero incorrecta de la inteligencia artificial cuesta más. La autonomía total en tu microservicio más nuevo es una apuesta razonable. La autonomía total en el motor de precios que nadie ha tocado desde 2011 no lo es. El valor es que la inteligencia artificial hace que sea posible convertirse, una vez más, en los ingenieros que entienden el negocio, en un sistema que nadie entiende actualmente. No los reemplaza.

Dónde Creo que Esto Va a Parar

Durante veinte años, las empresas han tratado el software legado como algo que escapar: un centro de costos para financiar a regañadientes y modernizar lo más rápido posible. Creo que la inteligencia artificial está a punto de revelar que mucho de ese código era en realidad uno de los repositorios de conocimiento más valiosos que la empresa jamás construyó. Solo necesitaba algo capaz de leerlo. Los investigadores ya están documentando el otro lado de este bucle: una revisión de la literatura multivocal de 2026 sobre el desarrollo asistido por LLM encuentra que la búsqueda actual de velocidad acelerada por la inteligencia artificial está creando “deuda de integración rápida”, código enviado más rápido de lo que se puede entender. La modernización de legado es solo esa factura que finalmente se cobra, una generación antes.

Me gustaría saber si otros líderes de ingeniería y tecnología están viendo el mismo cambio: ¿se está reflejando el retorno de la inversión en inteligencia artificial más en lo que se está construyendo, o en lo que se está finalmente capaz de entender y preservar? Y para cualquiera que haya intentado ejecutar agentes de inteligencia artificial contra un sistema verdaderamente antiguo y no documentado, ¿dónde se mantuvo la comprensión del agente bajo verificación, y dónde se derrumbó silenciosamente?