Thoughtworks reduce el tiempo de migración un 66% con salvaguardias de IA

Thoughtworks ha logrado reducir los plazos de migración de sistemas heredados a modernos de años a semanas en cuatro compromisos, incluyendo una plataforma deportiva de Java, 15 millones de líneas de COBOL automotriz, un piloto de binario Windows de caja negra y una plataforma de comercio B2B .NET4. El enfoque se informó por un experimento previo al compromiso de un cliente automotriz, donde una IA generativa no estructurada logró aproximadamente un 60 por ciento de precisión, lo que llevó a Thoughtworks a implementar salvaguardias para evitar alucinaciones confiadas.

En el compromiso más grande, una empresa de tecnología de datos deportivos modernizó una plataforma Java que servía a más de 80 deportes con AWS ProServe. Thoughtworks desarrolló un marco de extracción de cuatro componentes que incluía 'Reglas Doradas' para señalar ambigüedad y adjuntar un marcador de confianza y cita de archivo:línea a cada hecho extraído. Una tubería fase separó el análisis costoso de la base de código de la generación de especificaciones económicas, permitiendo la reformatación sin reanálisis. Archivos de dirección compartidos y registros de decisiones arquitectónicas preservaron el contexto a lo largo de las sesiones, permitiendo que cada deporte heredara las elecciones estructurales previas.

Los números operativos del compromiso muestran un programa de migración de diez deportes que anteriormente requería de dos a tres años se comprimió a tres o cuatro semanas de esfuerzo total, o uno a dos días ejecutados en paralelo. La incorporación de deportes por sport cayó de diez a quince semanas a menos de un día porque cada deporte hereda plantillas compartidas, reduciendo significativamente el tiempo presupuestado para la configuración, extracción y revisión de SME. Las especificaciones resultantes eran lo suficientemente estructuradas como para alimentarse directamente en la generación de código, revelando lógica de negocio no documentada sin un equivalente escrito por humanos.

El patrón se mantuvo para sustraños más desafiantes. Para un fabricante automotriz que enfrenta una fecha límite de retiro de la gran máquina de 2025, Thoughtworks aplicó una tubería AST más RAG a 15 millones de líneas de COBOL, visualizando el código como un grafo de conocimiento antes del reacimiento. Con la tubería estructurada, el tiempo de ingeniería inversa para un módulo de 10,000 líneas cayó un 66 por ciento, de seis semanas a aproximadamente dos semanas, representando un ahorro potencial de 60,000 días de persona para la base de código completa. Las cifras provienen de un PoC que desde entonces ha entrado en la fase 2 de producción.

En un piloto de dos semanas separado, un equipo de cinco personas utilizó Gemini 2.5 Pro contra una pila de Windows de caja negra que abarcaba uno de los 24 dominios empresariales: 650 tablas, 1,200 procedimientos almacenados, 350 pantallas y 45 DLL compilados, con frontends de ASP y sin código fuente, descompilando binarios y validando un esquema funcional con expertos en el dominio. Un cuarto compromiso reemplazó las indicaciones abiertas de Copilot con archivos de instrucciones YAML/JSON controlados por versiones codificando reglas de migración deterministas en una plataforma de comercio B2B .NET4. A la velocidad tradicional, de aproximadamente dos controladores por sprint por desarrollador, el cliente estimó que la migración completa de más de 25 APIs tomaría aproximadamente diez años; las instrucciones deterministas están destinadas a colapsar ese plazo.

El desafío en cada caso es el cuello de botella de SME. La cifra del 60 por ciento refleja la línea de base sin ayuda del cliente, no la salida de Thoughtworks; el trabajo real del marco es triar la ambigüedad para que los humanos resuelvan solo los elementos marcados en ámbar y rojo en lugar de verificar cada extracción. En el piloto de caja negra, todavía se requería descompilación y análisis ASM para separar las funciones del sistema de la lógica de negocio, y cada hipótesis requería validación de varias fuentes para cerrar las lagunas de cobertura. El gerente de producto senior del cliente de datos deportivos enfatizó que los SME no pueden pasar el tiempo investigando cada hecho extraído por IA, confirmando que las salvaguardias existen para centrar la atención, no para eliminarla.

Trate la IA como un compilador ruidoso que requiere salvaguardias deterministas: trazabilidad de origen a archivo:línea, escalado de confianza que obliga a la escalación humana, contexto compartido inmutable y separación estricta del análisis costoso de la regeneración económica, no como un experto que los reemplaza.