Caso de urso 2

Dá pra usar IA Generativa para migrar o legado?

ARTIGO

Bruno Paulinelli

11/28/20242 min read

Caso de urso 2: “Dá pra usar IA Generativa para migrar o legado?”

Essas perguntas mostram uma expectativa comum: que a IA resolva tudo sozinha.
E sim, IA Generativa é uma ferramenta poderosa, mas confiar nela sem estratégia pode ser como trocar o problema de lugar.

Mover, Modernizar e Inovar: A Jornada do Legado

Migrar um sistema legado não é só traduzir código para outra linguagem ou tecnologia. É uma jornada com três etapas principais e que devemos saber o que é atividade “braço” (automação e IA) e atividade “cabeça” (um especialista).

Mover: É a parte braçal, onde reescrevemos código, traduzimos scripts ou refatoramos consultas. A IA pode acelerar muito essa etapa, mas ela só traduz o que já existe, sem resolver problemas estruturais. Se o código original era ineficiente ou mal escrito, ela só replica isso no novo ambiente.

Modernizar: Aqui está o trabalho crítico: repensar e redesenhar. É onde analisamos como otimizar queries (distribuição, particionamento, índices), quais pipelines ETL podem ser substituídos por abordagens mais simples ou escaláveis e como alinhar o sistema com objetivos de negócio e performance.

A IA ajuda a executar partes do trabalho (braço), mas quem decide o que e como modernizar é a “cabeça”. Sem isso, você só estará movendo os problemas do legado.

Inovar: O verdadeiro valor de migrar não está só em “fazer funcionar”, mas em aproveitar o novo ambiente para criar algo melhor. Quer análises em tempo real? Integração com IA? Reduzir custos drasticamente? Essas respostas não vêm da. Essa etapa depende exclusivamente de criatividade e estratégia.

Por que só “mover” não basta?

Migrar sem modernizar ou inovar é como trocar de casa sem arrumar as caixas. O que não funcionava antes continua não funcionando, mas agora em um ambiente diferente. E, pior, pode até ficar mais caro!
Mover é a parte onde a IA brilha mais, mas ela não resolve:

• Lógicas complexas: Em códigos longos ou com regras encadeadas, as LLMs perdem o foco – algo conhecido como Head Attention. O resultado? Códigos parciais ou com comportamentos errados.

• Diferenças entre tecnologias: Migrar um pipeline de ETL para a cloud não é só copiar; é ajustar para o novo paradigma. Um script SQL que funcionava bem on-premise pode ser um desastre em custo e performance na nuvem.

• Regras de negócio: IA não entende contexto. Ela não sabe se aquela lógica de cálculo ou integração realmente faz sentido no novo ambiente.

IA CoT (Chain of Thought) vs. Humano CoT

Um ponto importante: a IA pode usar Chain of Thought (CoT) para dividir problemas em etapas lógicas. Isso ajuda em alguns casos, mas:
• IA não consegue corrigir o caminho se errar no meio.
• Humanos, ao usarem CoT, trazem contexto e flexibilidade. Por exemplo, um especialista pode identificar rapidamente que certos pipelines devem ser refeitos e outros eliminados. IA, sem essa visão, continua “tentando traduzir”.

IA acelera, mas um especialista é indispensável para alinhar tecnologia e estratégia.