Thoughtworks Reduz Tempo de Migração 66% com Guardrails de IA

Thoughtworks conseguiu reduzir os prazos de migração de legado para moderno de anos para semanas em quatro engajamentos, incluindo uma plataforma esportiva Java, 15 milhões de linhas de COBOL automotivo, um piloto de binário Windows black-box e uma plataforma de varejo B2B .NET4. A abordagem foi informada por um experimento pré-engajamento de um cliente automotivo, onde IA gerativa não estruturada alcançou aproximadamente 60 por cento de precisão, levando Thoughtworks a implementar guardrails para evitar alucinações confiantes.

Na maior engajamento, uma empresa de tecnologia de dados esportivos modernizou uma plataforma Java que atendia a mais de 80 esportes com AWS ProServe. Thoughtworks desenvolveu um quadro de extração de quatro componentes que incluiu 'Regras Ouro' para sinalizar ambiguidade e anexar um marcador de confiança e citação arquivo:linha a cada fato extraído. Um pipeline em fases separou a análise cara do código base da geração barata de especificações, permitindo reformatar sem reanálise. Arquivos de direção compartilhados e registros de decisão arquitetônica preservaram o contexto entre sessões, permitindo que cada esporte herdasse escolhas estruturais anteriores.

Números operacionais do engajamento mostram um programa de migração de dez esportes que anteriormente exigia dois ou três anos foi comprimido para três ou quatro semanas de esforço total, ou um a dois dias executados em paralelo. A integração por esporte caiu de dez a quinze semanas para menos de um dia, pois cada esporte herda modelos compartilhados, reduzindo significativamente o tempo orçado para configuração, extração e revisão SME. As especificações resultantes eram suficientemente estruturadas para alimentar diretamente a geração de código, revelando lógica de negócios não documentada sem um equivalente escrito por humanos.

O padrão se manteve para substratos mais desafiadores. Para um fabricante automotivo enfrentando um prazo de aposentadoria de mainframe para 2025, Thoughtworks aplicou um pipeline AST mais RAG a 15 milhões de linhas de COBOL, visualizando o código como um grafo de conhecimento antes da recuperação. Com o pipeline estruturado, o tempo de engenharia reversa para um módulo de 10.000 linhas caiu 66 por cento, de seis semanas para aproximadamente duas semanas, representando uma poupança potencial de 60.000 dias de pessoa para a base de código inteira. As figuras vêm de um PoC que desde então entrou na fase 2 de produção.

Em um piloto de duas semanas separado, uma equipe de cinco pessoas usou Gemini 2.5 Pro contra um stack Windows black-box abrangendo um dos 24 domínios de negócios - 650 tabelas, 1.200 procedimentos armazenados, 350 telas e 45 DLLs compilados, com frontends ASP e sem código-fonte - descompilando binários e validando um blueprint funcional com especialistas do domínio. Um quarto engajamento substituiu prompts abertos do Copilot por arquivos de instrução YAML/JSON controlados por versão codificando regras de migração determinísticas em uma plataforma de varejo B2B .NET4. À velocidade tradicional - cerca de dois controladores por sprint por desenvolvedor - o cliente estimou que a migração completa de mais de 25 APIs levaria aproximadamente dez anos; as instruções determinísticas visam reduzir esse cronograma.

O desafio em cada caso é o gargalo SME. A figura de 60 por cento reflete a linha de base sem assistência do cliente, não a saída da Thoughtworks; o trabalho real do quadro é triar ambiguidade para que humanos resolvam apenas itens amarelos e vermelhos sinalizados em vez de verificar cada extração. No piloto black-box, a descompilação e a análise ASM ainda eram necessárias para separar funções de sistema de lógica de negócios, e cada hipótese exigia validação cruzada de fontes para fechar lacunas de cobertura. O gerente de produto sênior do cliente de dados esportivos enfatizou que os SMEs não podem passar o tempo investigando cada fato extraído pela IA, confirmando que os guardrails existem para focar a atenção, não para removê-la.

Trate a IA como um compilador ruidoso que requer guardrails determinísticos - rastreabilidade de origem para arquivo:linha, classificação de confiança que força escalonamento humano, contexto compartilhado imutável e separação rigorosa de análise cara de regeneração barata - e não como um especialista que os substitui.