A automação já corta semanas do trabalho de entender e testar um sistema antigo. A conta fecha quando alguém que conhece o negócio decide o que preservar e o que aposentar.

Por que o legado sempre volta à mesa do CTO

No Brasil, 76% do investimento em TI das empresas vai para manter o que já está no ar. Sobram 17% para crescer e apenas 7% para transformar de fato o que existe, contra uma média mundial de 67% em manutenção (Bain & Company, julho de 2024). A empresa brasileira típica carrega um peso de legado maior que o do concorrente lá fora e ainda gasta uma fatia maior da receita em TI para sustentar isso.

Esse peso tem origem conhecida. São os sistemas que rodam o core do negócio há dez, quinze anos, mantidos por poucas pessoas que ainda entendem como funcionam. A ABES estima mais de 800 bilhões de linhas de COBOL ainda em operação no mundo e alerta para a escassez crescente de especialistas nessas tecnologias (ABES, 2025). A cada ano o sistema fica mais crítico e mais difícil de mexer, porque quem o conhecia vai embora e a documentação nunca existiu.

A IA reacende o assunto por um motivo prático. Ela reduz o tempo de entender o sistema antigo, que costuma ser a etapa mais lenta e cara de qualquer modernização. Não à toa o mercado global de modernização de legado, estimado em torno de US$ 25 bilhões em 2025, deve quase dobrar até 2030 (estimativas de mercado, 2025). Vale olhar com honestidade para os dois lados dessa promessa: onde a automação entrega resultado e onde ela ainda cria problema.

Onde a IA realmente acelera

A força da IA no legado está nas tarefas que consomem tempo sem exigir julgamento de arquitetura. Ler código sem documentação, mapear dependências, escrever a documentação que nunca existiu, gerar testes, propor refatorações, traduzir de uma linguagem para outra, apontar como um monólito poderia ser dividido. É trabalho volumoso e repetitivo, e a IA comprime esse esforço.

Os ganhos já aparecem em números. No desenvolvimento de software, a ABES aponta produtividade acima de 20% com apoio de IA (ABES, 2025). O custo médio de um projeto de modernização de mainframe caiu de US$ 9,1 milhões em 2024 para US$ 7,2 milhões em 2025, uma redução de cerca de 21% puxada principalmente por ferramental de IA (levantamentos de modernização de mainframe, 2025). O ganho se concentra em encurtar a fase de entendimento e preparação, que costuma travar o cronograma antes de qualquer linha nova ser escrita.

O ponto de maturidade está em separar o que a IA acelera do que ela apenas parece resolver.

Tarefa no legado	O que a IA acelera	O que ainda exige humano
Entender código sem documentação	Ler, resumir, mapear dependências e fluxo	Confirmar a intenção real por trás do código
Documentação	Gerar docs a partir do código existente	Validar se a doc reflete a regra de negócio
Testes	Gerar testes que fixam o comportamento atual	Decidir qual comportamento deve ser preservado
Refatoração e migração de linguagem	Reescrever trechos, sugerir equivalências	Aprovar mudanças que afetam a arquitetura
Decomposição de monólito	Propor limites de serviço e pontos de corte	Decidir o desenho final e a ordem de execução

A leitura da tabela é direta. A IA rende na coluna do meio, volumosa e mecânica. A coluna da direita, onde mora o risco do projeto, segue dependendo de gente.

Agentes para reverse engineering: o uso mais subestimado

O caso de uso que menos aparece nas conversas é o que mais rende: usar agentes de IA para entender um sistema que ninguém documentou.

Reverse engineering com agentes funciona assim. Em vez de um desenvolvedor gastar semanas lendo um módulo antigo para reconstruir o que ele faz, um agente percorre o código, mapeia dependências, descreve comportamentos e monta um rascunho de como o sistema opera hoje. A arqueologia manual vira um ponto de partida gerado em horas. O valor está em recuperar o entendimento perdido do sistema atual, pré-requisito de qualquer modernização segura. Quem migra sem esse mapa está reescrevendo no escuro, e no escuro cada regra de negócio implícita vira uma surpresa de produção.

Há um limite que precisa ficar claro desde o começo. O agente consegue descrever o comportamento do código. A intenção por trás de cada regra fica de fora, porque raramente está escrita. Toda regra que o agente extrai vale como hipótese até ser confrontada com quem conhece o negócio e com testes que provem o comportamento. Quem trata a saída do agente como verdade troca uma dívida de documentação por uma dívida de suposição, mais perigosa porque parece confiável.

Onde a migração automatizada quebra

Um código pode rodar sem erro e ainda assim ter perdido a regra de negócio que fazia diferença. Essa é a falha mais difícil de enxergar numa migração, e a mais cara de descobrir tarde.

O dado mais desconfortável sobre produtividade com IA vem de um estudo da METR, de 2025. Desenvolvedores experientes trabalhando em bases de código reais se sentiram cerca de 20% mais rápidos usando IA, e na medição objetiva ficaram cerca de 19% mais lentos. A percepção de velocidade descolou da velocidade real. Num sistema legado, onde o custo de um erro é alto e difícil de rastrear, essa distância entre parecer rápido e entregar certo é o que derruba cronogramas.

A qualidade do que a automação produz também pede cautela. A GitClear, em 2025, mediu um aumento de oito vezes em blocos de código duplicado e uma queda na refatoração, de 25% em 2021 para menos de 10% em 2024, sinal de código que cresce sem ser consolidado. A Ox Security, no mesmo ano, encontrou padrões problemáticos recorrentes em 80% a 100% do código gerado por IA que analisou, como tratamento de erro incompleto e arquitetura inconsistente. A Apiiro, também em 2025, mostrou que código gerado por IA multiplicou os achados de segurança nos repositórios que acompanhou. Esses números apontam para a mesma conclusão: IA no legado exige uma rede de segurança montada antes de qualquer transformação.

O lugar onde a migração automatizada quebra é previsível. Regras de negócio implícitas, que vivem na cabeça de quem opera e não estão escritas em parte alguma. Casos de borda que só aparecem em produção. Decisões de arquitetura que dependem de saber para onde o negócio vai. Nesses pontos a IA não tem contexto e preenche a lacuna com uma resposta plausível, em vez de sinalizar que não sabe.

A rede de segurança antes de mexer

A distância entre modernizar e apostar está numa rede de segurança montada antes de o agente tocar no sistema. A peça central dessa rede tem nome antigo.

Michael Feathers, em “Working Effectively with Legacy Code”, batizou de teste de caracterização o teste que fixa o comportamento atual do sistema, com esquisitices e tudo, para que qualquer alteração nesse comportamento apareça na hora. Num projeto de modernização, esses testes são a forma de saber se a versão nova se comporta como a antiga onde precisa se comportar. Gerar essa malha de testes com apoio da IA, antes da transformação, é o que segura a migração. Transformar primeiro e testar depois deixa os problemas para a produção descobrir.

É a mesma lógica de rigor que sustenta a avaliação de sistemas de IA e o Método BMAD: estrutura antes de velocidade, para a aceleração não virar débito técnico mais caro que o problema original. Com a rede montada, a migração pode ser incremental. Substituir o sistema por partes, mantendo o antigo no ar enquanto o novo assume pedaço a pedaço, com os testes de caracterização vigiando cada troca. Fica mais difícil de resumir num slide e bem mais barato de sustentar na prática.

Por que ainda exige conhecimento do negócio

A IA executa a transformação técnica. Definir o que o sistema precisa se tornar é uma decisão de negócio, e essa parte não se automatiza.

Um sistema legado carrega anos de decisões de negócio, muitas nunca escritas, algumas ainda válidas e outras que só continuam ali porque ninguém teve coragem de remover. Separar o que preservar do que aposentar exige conhecimento de domínio. Nenhum agente resolve isso sozinho, porque a resposta vive com quem opera o negócio, fora do repositório.

Por isso a modernização assistida por IA rende mais quando a automação trabalha como acelerador e a liderança conduz. A IA cobre a parte volumosa e repetitiva. As pessoas que conhecem o negócio e a arquitetura cobrem o que decide o resultado. Quando essa ordem se inverte, com a IA decidindo e as pessoas apenas revisando o que sobrou, o projeto costuma terminar na estatística dos que estouram prazo e orçamento.

Perguntas que a liderança faz sobre modernização com IA

A IA consegue migrar um sistema legado sozinha?

Não. Ela acelera entender, documentar, testar e reescrever trechos, enquanto arquitetura, regras de negócio implícitas e validação continuam humanas. Migração sem supervisão vira aposta.

Onde a IA mais acelera na modernização?

No entendimento do sistema antigo. Ler código sem documentação e mapear dependências sempre foi a fase mais lenta e cara, e é onde a automação dá o maior ganho de tempo.

O que é um teste de caracterização e por que ele vem antes?

É um teste que fixa o que o sistema faz hoje. Ele vem antes da transformação para permitir detectar, na hora, qualquer mudança de comportamento provocada pela migração.

Por que projetos de modernização estouram o orçamento mesmo com IA?

Porque a IA acelera a parte mecânica, enquanto o conhecimento de negócio e as escolhas de arquitetura, que decidem o resultado, seguem dependendo de gente. Contar com a IA para o que exige julgamento subestima a fatia humana do trabalho.

O que fazer com isso agora

Modernização de legado com IA funciona como acelerador na parte certa do problema, o entendimento, desde que sustentada por uma rede de segurança que a pressa costuma pular. O caminho que separa quem captura o ganho de quem estoura o projeto tem uma ordem clara: entender o sistema, fixar o comportamento com testes de caracterização, transformar por partes, com quem conhece o negócio decidindo o rumo.

A Maitha escreveu sobre sistemas legados antes de a IA mudar esse cálculo. Com agentes, a ambição continua a mesma e o método muda: a IA reduz o custo de entender e testar, e é isso que torna viável um prazo de modernização que antes não fechava.

Na prática, é esse desenho que ajudamos a montar com o time: onde a automação entra, o que precisa estar coberto por testes antes dela e quais decisões ficam com as pessoas. Se você tem um sistema crítico que já passou da hora de modernizar, essa conversa rende mais agora, com tempo para montar a rede de segurança, do que no meio do próximo incidente.