AI:n paras ROI tällä hetkellä on vanhan koodin korjaaminen, ei uuden koodin kirjoittaminen

Jokainen AI-tuotteen esittely, jossa olen ollut, alkaa samalla tavalla: tyhjä tekstiruutu, pyyntö selkeäksi englanniksi ja toimiva sovellus muutamassa minuutissa. Se on aidosti vaikuttava temppu. Se on myös, väitän, vähiten mielenkiintoinen asia, joka tapahtuu yritysten AI:ssa tällä hetkellä.

Tärkeämpää työtä tapahtuu jossakin paljon vähemmän glamourisessa paikassa: 15 vuoden vanhojen koodipohjien sisällä, joita kukaan ei halua koskettaa, kirjoitettuina insinööreillä, jotka lähtivät yrityksestä kymmenen vuotta sitten, ja joissa on liiketoimintalogiikkaa, jota kukaan ei ole täysin ymmärtänyt vuosiin. Useimmat AI-kertomukset kääntävät tämän väärin. Perintäkoodi ei ole tekninen velka. Se on kertynyt liiketoimintatietämys: vuosikymmenien päätöksiä, koodattuna ohjelmaksi, ja ihmiset, jotka tekivät nämä päätökset, ovat lähteneet yrityksestä.

Viheriöinen kehitys saa avainpuhumapaikat. Vanha koodi saa rahaa vastahakoisesti, ja usein ilman ymmärrystä, jotta voidaan käyttää sitä hyvin.

Todellinen pulan aiheuttaja ei ole kehittäjien puute, vaan muisti

Tämä ei ole eristynyt ongelma. Pegasystems-tutkimus vuonna 2025, joka tehtiin Savanta-tutkimusyhtiön toimesta yli 500 IT-päättäjän keskuudessa maailmanlaajuisesti, arvioi, että keskivertoinen globaali yritys hukkaa yli 370 miljoonaa dollaria vuodessa kyvyttömyytensä vuoksi modernisoida perintäjärjestelmiä tehokkaasti, ja lähes 134 miljoonaa dollaria siitä liittyy hitaisiin, resursseja vieviin muutosprojekteihin yksin.

Me työskentelimme paristovirtaa jakavan yrityksen kanssa, jolla oli yli 15 perintäsovellusta, sellainen laajentuminen, joka kertyy yli 20 vuoden ajan fuusioiden, yksittäisten integraatioiden ja insinöörien ratkaistessa tänään ilman paljon ajattelemista huomista. Tässä koodissa olivat hinnoittelusäännöt, varastokynnykset ja jakelurajoitukset, jotka edustivat vuosien institutionaalisia päätöksiä, kirjoitettuina muualla kuin logiikassa, jota kukaan ei ollut täysin kartoittanut.

On houkuttelevaa sanoa, että tämä on kykyongelma: palkkaa lisää kehittäjiä, siirry nopeammin. Mutta et voi palkata itsesi irti siitä, että henkilö, joka ymmärsi, miksi moduuli toimi tietyllä tavalla, lähti yrityksestä vuonna 2014. Useimmat yritykset kärsivät muistipulasta, ei kykyongelmasta. Ja kunnes viime aikoihin, ei ollut olemassa tapaa ratkaista tätä laajamittaisesti. Joko maksoi muutamalle vanhemmalle insinöörille, jotta he pitävät institutionaaliset tiedot päissään loputtomiin, tai menetät sen päivänä, kun he lähtevät.

Mitä AI todella muuttaa

Emme osoittaneet koodigenerointityökalua vanhaan koodipohjaan ja sanoneet kirjoittamaan kaiken uudelleen; se on noin, kun hiljaisesti poistat liiketoimintalogiikkaa, jota et tiennyt olevan olemassa. Sen sijaan käytimme AI-virkailijoita tekemään epäglamorisen työn ensin: kartoittamaan, miten yli 15 sovellusta todella liittyvät toisiinsa, paljastamaan päätökset, jotka olivat upotettuina logiikkaan, jota ei ollut kirjoitettu muualla, ja pitämään sitä yhteyttä, jonka organisaatio voisi kysyä, ei sitä, joka eli vain yhden insinöörin päässä. Tämä on linjassa muiden AI-toimittajien nyt julkaisemien asiakirjojen kanssa: Antrhopicsin ohjeet COBOL-järjestelmien modernisointiin Claude Code:n avulla kuvaa samaa järjestystä, automatisoiden tutkimus- ja analyysivaiheita ensin, ennen kuin siirrytään uudelleenkirjoittamiseen.

Virkailijat eivät saaneet arvosanoja siitä, kuinka paljon koodia ne generoivat. He saivat arvosanoja siitä, kuinka paljon institutionaaliset tiedot he voivat paljastaa ja säilyttää. Insinöörit työskentelivät heidän rinnallaan todellisessa muutoksessa ja testien luomisessa, tarkistamalla virkailijoiden tulkinnan liiketoimintalogiikasta vastaan, miten järjestelmä käyttäytyi tuotannossa, eikä luottanut siihen uskollisesti. Hyödyllinen signaali, jota seurasimme: vastasiko virkailijan selitys säännölle mallille, jonka voimme itsenäisesti vahvistaa tuotantolokien perusteella, vai oli se uskottavan kuuloinen arvaus? Ero näiden kahden välillä on juuri siellä, missä perintäjärjestelmien modernisointiprojektit yleensä menevät pieleen.

Alkuperäinen arvio projektille oli kahdeksan ja puoli kuukautta. Se sulkeutui neljässä kuukaudessa, 53 prosentin vähennys. Mutta kestävämpi tulos ei ollut aikataulu. Institutionaaliset tiedot, jotka aiemmin haihtuivat joka kerta, kun insinööri lähti yrityksestä, muuttuivat nyt sellaisiksi, joita organisaatio voisi todella säilyttää.

Ohjelmistosuunnittelijat ovat viettäneet vuosikymmeniä kirjoittamalla ohjelmistoja. Seuraava vuosikymmen voi olla kaivamassa niitä, AI toimien enemmän arkeologina, joka huolellisesti rekonstruoii järjestyksen, joka on haudattu koodiin, joka on ylittänyt niiden, jotka sen kirjoittivat.

Karkeasti kehys tekemään tämä ilman asioiden rikkomista

Projektit, jotka menevät hyvin, näyttävät seuraavan samaa järjestystä, riippumatta siitä, onko järjestelmä hinnoittelumootori vai vaatimusten putki:

Tutkimus: kartoittaa, miten järjestelmät todella liittyvät toisiinsa, eikä sitä, miten arkkitehtuuri kaavio vuodelta 2016 sanoo, että ne liittyvät.

Ymmärrys: anna virkailijan paljastaa liiketoimintalogiikan ja oletukset sen takana, selkeäksi kieleksi, jonka toimialan asiantuntija voi tarkistaa.

Vahvistus: tarkistaa, että tulkinta on oikein vastaan todellista tuotantokäyttäytymistä, eikä vain koodin omia kommentteja vastaan.

Muutos: siirry muuttamaan tai uudelleenrakentamaan vasta sitten, kun ensimmäiset kolme vaihetta pitävät, ja ihmiset omistavat hyväksynnän.

Hyppää suoraan Muutokseen, ja olet uhkapelissä logiikalla, jota et vielä ymmärrä.

Miksi tämä on tärkeää laajemmin kuin insinööritiimien ulottuvilla

Institutional muisti ei vain häviä hiljalleen, kun vanhempi insinööri eläkee. Se muuttuu äkkiä vastuulliseksi juuri silloin, kun liiketoiminta ei voi sitä enää maksaa: hankinnassa, kun uusi omistaja tarvitsee ymmärtää, mitä he todella ostivat; ERP-muutoksessa, kun vanha logiikka on käännettävä uuteen järjestelmään oikein ensimmäisellä kerralla; säätelytarkastuksessa tai vastemuodossa, kun joku tarvitsee selittää, miksi järjestelmä käyttäytyi tietyllä tavalla, aikarajoituksessa, sääntelijälle, joka ei hyväksy “henkilö, joka rakensi sen, lähti vuonna 2014” -vastauksen.

Käsitelty tällä tavoin, perintäjärjestelmien modernisointi lopettaa olemasta insinöörien rivien kohdalla ja alkaa näyttää organisaation kestävyyden kysymykseltä, mikä tarkoittaa, että se ei ole vain CTO:iden asia. Se on CIO:iden asia, jotka punnitsevat, mitä tapahtuu, kun avainhenkilöstö vaihtuu, M&A-tiimien, jotka yrittävät hinatakseen, mitä he todella hankkivat, ja hallitusten, jotka ajattelevat, kuinka paljon yrityksen operatiivista tietämystä on olemassa muualla kuin koodissa, jota kukaan ei lue.

Varoitus, joka on tärkeää

Tämä ei toimi ilman valvontaa. Riskialttisin versio tästä lähestymistavasta on sellainen, jossa virkailijan tulkinta vanhasta liiketoimintalogiikasta luotetaan ilman vahvistusta, koska perintäjärjestelmät ovat juuri se paikka, jossa itsevarma, väärä AI-oletus maksaa eniten. Täydellinen autonomia uusimmassa mikropalvelussa on kohtuullinen veto. Täydellinen autonomia hinnoittelumootorissa, jota kukaan ei ole koskenut vuoden 2011 jälkeen, ei ole.

Arvo on, että AI tekee sen mahdolliseksi tulla jälleen insinööreiksi, jotka ymmärtävät liiketoimintaa, järjestelmässä, jota kukaan ei tällä hetkellä ymmärrä. Se ei korvaa heitä.

Mihin luulen, että tämä menee seuraavaksi

Kahdenkymmenen vuoden ajan yritykset ovat kohdelleet perintäohjelmistoa pakoa: kustannuskeskuksena, jota rahoitetaan vastahakoisesti ja modernisoidaan pois niin nopeasti kuin budjetti sallii. Luulen, että AI on paljastamassa, että paljon tästä koodista oli itse asiassa yksi arvokkaimmista tietämysvarastoista, jonka liiketoiminta on koskaan rakentanut. Se tarvitsi vain jotain, joka pystyy lukemaan sen.

Tutkijat ovat jo dokumentoimassa toista puolta tätä silmukkaa: vuoden 2026 moniäänen kirjallisuuskatsaus LLM-tukevasta kehityksestä löytää, että nykyinen AI-nopeuden tavoittelu itsessään luo “nopean integraatiodegin”, koodia, jota laivataan nopeammin kuin sitä voidaan ymmärtää. Perintäjärjestelmien modernisointi on vain se lasku, joka tulee maksamaan, yhden sukupolven aikaisemmin.

Olen utelias, näkevätkö muut teknologia- ja teknologiajohtajat saman muutoksen: näkyykö AI-investoinnin tuotto enemmän siinä, mitä rakennetaan, vai siinä, mitä lopulta ymmärretään ja säilytetään? Ja niille, jotka ovat kokeilleet ajamassa AI-virkailijoita todella vanhaa, asiakirjoitamatonta järjestelmää vastaan, missä virkailijan ymmärrys piti pitäänsä vahvistuksessa, ja missä se hiljaisesti hajosi?