Por que a IA trava em sistemas legados gigantes, e o que destrava

Todo mundo conhece um sistema assim: começou pequeno, cresceu por quinze ou vinte anos, passou pelas mãos de dezenas de pessoas e hoje sustenta a operação inteira. Ninguém quer mexer, porque ninguém sabe exatamente o que vai quebrar. A IA chegou com a promessa de resolver isso em semanas. Na prática, quem tentou apontar um assistente de código para um monolito de milhões de linhas descobriu que o problema não é escrever código novo, é entender o que o código antigo faz.

O tamanho do desafio aparece nos números. No relatório de modernização de TI da Ensono, de 2026, 71% das empresas estouraram o orçamento original de modernização e 61% pausaram, reduziram ou abandonaram iniciativas nos últimos dois anos. Ainda assim, 78% dos decisores dizem que os sistemas legados ficaram mais importantes do que eram há dois anos, não menos. No governo dos Estados Unidos, o GAO estima que cerca de 80% do gasto anual com TI, de mais de US$ 100 bilhões, vai para operar e manter o que já existe.

Por que a IA sozinha trava no legado

1. Ela não enxerga o sistema inteiro. As janelas de contexto dos principais modelos chegam hoje a cerca de 1 milhão de tokens, o que comporta algo na casa de dezenas de milhares de linhas de código, a depender da linguagem. Um monolito com milhões de linhas é dezenas de vezes maior. E mesmo dentro da janela, pesquisas mostram que os modelos aproveitam pior a informação que está no meio de textos longos do que a que está no começo ou no fim.
2. As regras de negócio estão escondidas. Em sistemas antigos, boa parte das regras nunca foi documentada: um desconto que só vale para um tipo de cliente, um arredondamento exigido por um contrato de anos atrás, uma exceção criada depois de um incidente. Para quem lê o código sem contexto, humano ou IA, isso parece um erro a corrigir.
3. Tudo está ligado a tudo. Em um monolito, uma mudança num cálculo pode afetar um relatório fiscal, uma integração com o ERP e uma tela que quase ninguém usa há anos, mas que um cliente importante ainda acessa. Sem o mapa dessas ligações, a IA altera o que vê e quebra o que não vê.
4. Não há como provar que nada mudou. Sistemas legados costumam ter poucos testes automatizados. Sem eles, não existe forma objetiva de saber se a versão nova se comporta igual à antiga, e cada entrega vira uma aposta.

O que destrava: processo antes de velocidade

A IA acelera muito a modernização, mas só depois que o terreno está preparado. O caminho tem seis etapas, e nenhuma delas é nova para quem já conduziu migrações em operações críticas. O que a IA pode mudar é a velocidade de cada uma.

1. Mapear antes de mexer. Inventário de módulos, dependências, integrações e dados, com as partes que mais mudam e as que mais quebram.
2. Recuperar as regras de negócio. Transformar o que está escondido no código em regras escritas e validadas por quem conhece a operação. Esse documento tem valor por si só, porque deixa de depender de poucas pessoas.
3. Cercar com testes. Antes de alterar qualquer coisa, registrar o comportamento atual em testes automatizados. Eles viram a régua que mostra se a versão nova faz exatamente o que a antiga fazia.
4. Substituir por partes. Em vez de reescrever tudo de uma vez, trocar uma fatia de cada vez, com o sistema antigo funcionando. É o padrão que Martin Fowler batizou de strangler fig: o novo cresce em volta do velho até que o velho possa ser desligado.
5. Combinar contratos entre as partes. Cada fatia nova conversa com o resto por interfaces definidas, o que permite trabalhar em paralelo sem que uma mudança atropele outra.
6. Validar lado a lado, com revisão sênior. Antes de cada troca, o novo e o velho rodam em paralelo e os resultados são comparados. Nada vai para produção sem passar pelo gate de qualidade, pela revisão sênior e pela aprovação de quem responde pela operação.

A etapa mais difícil: fazer a IA entender o legado

Despejar milhões de linhas no modelo não funciona. O caminho é construir, fora dele, um mapa confiável do sistema, que os agentes consultam aos poucos, cada um com só o que precisa. Alguns princípios sustentam esse mapa:

• Fatos antes da IA. Ferramentas que não interpretam nada leem todo o código e registram quem chama quem, quais dados cada parte usa e o que parece nunca ser executado. O histórico de versões e os registros de produção mostram o que muda, o que quebra e o que é usado de verdade.
• Entendimento em camadas. Os agentes descrevem o sistema do detalhe ao todo, e cada um trabalha com o resumo geral e o detalhe da sua parte.
• Toda afirmação tem endereço. Nada entra no mapa sem apontar para o trecho de código de onde veio, e tudo é conferido antes de ser aceito. As regras de negócio encontradas são confirmadas por quem conhece a operação.
• Funcionamento gravado antes de mudar. Entradas e saídas reais dos fluxos críticos, com dados pessoais mascarados, viram testes automáticos que servem de régua para qualquer mudança.

Onde a IA realmente acelera

Com o terreno preparado, os agentes podem encurtar muito etapas que levariam meses: ler e documentar o código em escala, propor o mapa de dependências, gerar os testes que registram o comportamento atual, traduzir trechos delimitados para a nova arquitetura e revisar cada mudança. A diferença é que cada agente trabalha dentro de uma fatia bem definida, com o contexto de que precisa e uma régua objetiva para saber se acertou.

O que avaliar antes de começar

• Quem conhece as regras? Se o conhecimento está em poucas pessoas, recuperar as regras de negócio vem antes de qualquer outra coisa.
• Existem testes? Se não existem, a primeira entrega é a rede de segurança, não a funcionalidade nova.
• O que não pode parar? Fechamento, faturamento, picos de venda e obrigações fiscais definem a ordem e as janelas de cada troca.
• Onde dói mais? As partes que mais mudam e mais quebram costumam ser as primeiras candidatas a substituição, porque é ali que o ganho aparece mais cedo.

Modernizar um legado grande é menos uma corrida e mais uma sequência de trocas seguras. A IA não elimina essa disciplina; ela recompensa quem tem a disciplina.

Perguntas rápidas

Fontes

1. Ensono Finds 71% of IT Modernization Projects Over Budget. Channel Insider, sobre o State of IT Modernization Report 2026 da Ensono, 15/09/2026.
2. Information Technology: Agencies Need to Continue Addressing Critical Legacy Systems (GAO-23-106821). U.S. Government Accountability Office, 10/05/2023.
3. Lost in the Middle: How Language Models Use Long Contexts. Liu et al., Transactions of the ACL, 2024.
4. Models overview (janelas de contexto). Anthropic (documentação), consultado em 10/2026.
5. Strangler Fig Application. Martin Fowler, atualizado em 22/08/2024.

Os dados foram conferidos nas fontes acima na data de publicação. Pesquisas citadas por veículos de imprensa estão indicadas com o nome do veículo.