ROI AI Terbaik Saat Ini Adalah Memperbaiki Kode Lama, Bukan Menulis Kode Baru

Setiap demo produk AI yang saya hadiri selalu dimulai dengan cara yang sama: kotak prompt kosong, permintaan dalam bahasa Inggris sederhana, dan aplikasi yang berfungsi beberapa menit kemudian. Ini adalah trik pesta yang sangat mengesankan. Ini juga, saya akan berargumentasi, hal yang paling tidak menarik yang terjadi di bidang AI perusahaan saat ini.

Pekerjaan yang lebih konsekuensial terjadi di tempat yang jauh lebih tidak glamor: di dalam basis kode yang berusia lima belas tahun yang tidak ingin disentuh, ditulis oleh insinyur yang meninggalkan perusahaan sejak satu dekade yang lalu, menjalankan logika bisnis yang tidak sepenuhnya dipahami dalam beberapa tahun. Sebagian besar liputan AI membalikkan hal ini. Kode warisan bukanlah utang teknis. Ini adalah inteligensi bisnis yang terkumpul: dekade keputusan, dikodekan sebagai perangkat lunak, dengan orang-orang yang membuat keputusan tersebut telah lama meninggalkan perusahaan.

Pengembangan greenfield mendapatkan slot keynote. Kode lama mendapatkan uang, dengan enggan, dan biasanya tanpa pemahaman yang diperlukan untuk menggunakannya dengan baik.

Kekurangan yang Sebenarnya Bukanlah Pengembang, Melainkan Memori

Ini bukanlah masalah yang terisolasi. Sebuah studi Pegasystems 2025, yang dilakukan oleh firma riset Savanta di lebih dari 500 pengambil keputusan IT di seluruh dunia, memperkirakan bahwa rata-rata perusahaan global membuang lebih dari $370 juta per tahun melalui ketidakmampuan mereka untuk memodernisasi sistem warisan dengan efisien, dengan hampir $134 juta dari jumlah tersebut terkait dengan proyek transformasi yang lambat dan intensif sumber daya.

Kami baru-baru ini bekerja dengan sebuah perusahaan distribusi baterai yang menjalankan lebih dari lima belas aplikasi warisan, jenis penyebaran yang terkumpul selama dua puluh tahun merger, integrasi satu kali, dan insinyur yang memecahkan masalah hari ini tanpa banyak memikirkan masalah esok hari. Tersembunyi di dalam kode tersebut adalah aturan harga, ambang persediaan, dan kendala distribusi yang mewakili tahun-tahun keputusan institusional, ditulis sekarang di mana-mana kecuali di logika yang tidak sepenuhnya dipetakan.

Sangat menggoda untuk menyebut ini sebagai masalah talent: merekrut lebih banyak pengembang, bermigrasi lebih cepat. Tapi Anda tidak bisa merekrut cara Anda keluar dari kenyataan bahwa orang yang memahami mengapa modul bekerja dengan cara tertentu telah meninggalkan perusahaan pada tahun 2014. Sebagian besar perusahaan menderita kekurangan memori, bukan kekurangan talenta. Dan sampai baru-baru ini, tidak ada cara nyata untuk memecahkan masalah ini dalam skala besar. Anda harus membayar sekelompok insinyur senior untuk mempertahankan pengetahuan institusional di kepala mereka untuk selamanya, atau Anda kehilangan pengetahuan tersebut hari insinyur tersebut meninggalkan perusahaan.

Apa yang Sebenarnya Berubah dengan AI

Kami tidak menggunakan alat pembuatan kode untuk memandu kode lama dan mengatakan untuk menulis ulang semuanya; itu kira-kira bagaimana Anda menghapus logika bisnis yang tidak Anda ketahui ada. Sebaliknya, kami menggunakan agen AI untuk melakukan pekerjaan dasar yang tidak glamor terlebih dahulu: melacak bagaimana aplikasi lebih dari lima belas sebenarnya terhubung satu sama lain, menyajikan keputusan yang tersembunyi dalam logika yang tidak pernah ditulis di tempat lain, dan mempertahankan konteks tersebut sebagai sesuatu yang organisasi bisa kueri, bukan sesuatu yang hanya hidup di kepala satu insinyur. Ini sejalan dengan apa yang dilakukan vendor AI lain sekarang, seperti yang didokumentasikan secara terbuka: pedoman Anthropic tentang modernisasi sistem COBOL dengan Claude Code menjelaskan urutan yang sama, mengotomatiskan fase eksplorasi dan analisis terlebih dahulu daripada langsung menulis ulang.

Agen-agen tersebut tidak dinilai berdasarkan seberapa banyak kode yang mereka buat. Mereka dinilai berdasarkan seberapa banyak pengetahuan institusional yang bisa mereka sajikan dan pertahankan. Insinyur kemudian bekerja bersama mereka pada migrasi dan pembuatan tes yang sebenarnya, memeriksa interpretasi agen tentang logika bisnis melawan bagaimana sistem berperilaku di produksi, bukan mempercayainya secara iman. Sebuah sinyal yang berguna yang kami perhatikan: apakah penjelasan agen tentang suatu aturan sesuai dengan pola yang bisa kami verifikasi secara independen dalam log produksi, atau apakah itu hanya tebakan yang masuk akal? Jarak antara keduanya tepat di mana proyek modernisasi warisan biasanya salah.

Perkiraan awal untuk proyek tersebut adalah delapan setengah bulan. Proyek tersebut selesai dalam empat bulan, pengurangan 53%. Tapi hasil yang lebih tahan lama bukanlah timeline. Pengetahuan institusional yang biasanya menguap setiap kali insinyur meninggalkan perusahaan menjadi sesuatu yang organisasi bisa benar-benar pertahankan.

Insinyur perangkat lunak telah menghabiskan dekade menulis perangkat lunak. Dekade berikutnya mungkin dihabiskan untuk menggali perangkat lunak tersebut, dengan AI bertindak kurang sebagai penulis dan lebih sebagai arkeolog, dengan hati-hati merekonstruksi alasan yang terkubur dalam kode yang telah melampaui orang-orang yang menulisnya.

Kerangka Kasar untuk Melakukan Ini Tanpa Merusak Sesuatu

Proyek yang berjalan dengan baik tampaknya mengikuti urutan yang sama, apakah sistem tersebut adalah mesin harga atau pipa klaim:

Temukan: peta bagaimana sistem sebenarnya terhubung, bukan bagaimana diagram arsitektur dari tahun 2016 mengatakan mereka terhubung.

Pahami: biarkan agen menyajikan logika bisnis dan asumsi di baliknya, dalam bahasa sederhana yang bisa diperiksa oleh ahli domain.

Verifikasi: periksa interpretasi tersebut melawan perilaku produksi yang sebenarnya, bukan hanya melawan komentar kode itu sendiri.

Transformasikan: migrasikan atau bangun kembali hanya setelah tiga tahap pertama berlaku, dengan manusia yang memiliki tanda tangan.

Lompat langsung ke Transformasi, dan Anda tidak memodernisasi. Anda sedang berjudi dengan logika yang belum Anda pahami.

Mengapa Ini Penting di Luar Tim Teknik

Memori institusional tidak hanya menghilang secara diam-diam ketika insinyur senior pensiun. Ini menjadi kewajiban akut pada saat-saat bisnis tidak bisa membiayainya: selama akuisisi, ketika pemilik baru perlu memahami apa yang mereka beli; selama migrasi ERP, ketika logika lama harus diterjemahkan ke dalam sistem baru dengan benar untuk pertama kalinya; selama audit kepatuhan atau respons insiden, ketika seseorang perlu menjelaskan mengapa sistem berperilaku dengan cara tertentu, di bawah deadline, kepada regulator yang tidak akan menerima “orang yang membangunnya telah meninggalkan perusahaan pada tahun 2014” sebagai jawaban.

Diperlakukan dengan cara ini, modernisasi warisan berhenti menjadi item garis teknik dan mulai terlihat seperti pertanyaan ketahanan organisasi, yang berarti ini bukan hanya CTO yang harus peduli. Ini adalah CIO yang menimbang apa yang terjadi ketika staf teknis kunci berubah, tim M&A yang mencoba menentukan harga apa yang mereka akuisisi, dan dewan yang memikirkan seberapa banyak pengetahuan operasional perusahaan yang ada di mana-mana kecuali di kode yang tidak dibaca saat ini.

Katatan yang Penting

Tidak ada yang bekerja tanpa pengawasan. Versi risikonya dari pendekatan ini adalah ketika interpretasi agen tentang logika bisnis lama dipercaya tanpa verifikasi, karena sistem warisan adalah tempat di mana asumsi AI yang salah dengan percaya diri paling banyak biayanya. Otonomi penuh pada mikrolayanan terbaru adalah taruhan yang masuk akal. Otonomi penuh pada mesin harga yang tidak disentuh sejak tahun 2011 tidak. Nilainya adalah AI membuatnya mungkin untuk menjadi, sekali lagi, insinyur yang memahami bisnis, di sistem yang tidak dipahami saat ini. Ini tidak menggantikan mereka.

Di Mana Saya Pikir Ini Pergi Selanjutnya

Selama dua puluh tahun, perusahaan telah memperlakukan perangkat lunak warisan sebagai sesuatu yang harus dihindari: pusat biaya untuk membiayai dengan enggan dan memodernisasi secepat mungkin. Saya pikir AI akan segera menunjukkan bahwa banyak kode tersebut sebenarnya salah satu repositori pengetahuan paling berharga yang pernah dibangun bisnis. Ini hanya membutuhkan sesuatu yang mampu membacanya. Peneliti sudah mendokumentasikan sisi lain dari loop ini: tinjauan literatur multivokal 2026 tentang pengembangan yang dibantu LLM menemukan bahwa pengejaran kecepatan AI yang dipercepat saat ini sendiri menciptakan “utang integrasi cepat”, kode yang dikirim lebih cepat daripada bisa dipahami. Modernisasi warisan hanya tagihan yang akhirnya jatuh tempo, satu generasi lebih awal.

Saya ingin tahu apakah pemimpin teknologi dan teknik lainnya melihat pergeseran yang sama: apakah pengembalian investasi AI Anda muncul lebih di apa yang Anda bangun, atau di apa yang Anda akhirnya bisa pahami dan pertahankan? Dan bagi siapa saja yang telah mencoba menjalankan agen AI melawan sistem yang benar-benar lama dan tidak terdokumentasikan, di mana pemahaman agen bertahan di bawah verifikasi, dan di mana ia diam-diam runtuh?