Los Sistemas Legados y la Inteligencia Artificial (IA) son, hoy, las dos fuerzas que definen el futuro de TI empresarial, pero van en sentido contrario. Mientras la IA exige sistemas abiertos, conectados y evolucionables, los Sistemas Legados operan como cajas negras de código obsoleto que ningún agente puede leer, interpretar ni controlar.

El informe Top Legacy System Modernization Companies in 2026, destaca que la deuda técnica consume entre el 20 % y el 40 % del valor total del patrimonio tecnológico de una empresa, mientras que un estudio de IBM revela que el 53 % de los ejecutivos afirman que sus iniciativas de IA se han visto frustradas por dificultades de integración con sistemas heredados.

El problema es técnico y también de capital humano: aproximadamente el 10% de los programadores COBOL activos se jubilan cada año, y las universidades ya no enseñan ese lenguaje. Los siguientes datos demuestran la magnitud del problema:

El falso dilema: reescribir o convivir

Ante este escenario, la mayoría de las organizaciones oscila entre extremos igualmente problemáticos. Un sistema Java que replica lógica COBOL mal comprendida acumulará la misma opacidad en 20 años. El problema entonces es la ausencia de un modelo de conocimiento explícito y gobernado.

Modernizar no es reescribir: el tercer camino

Existe una premisa que lo cambia todo: el conocimiento de negocio es un activo separable de la tecnología que lo ejecuta. Reglas, procesos, validaciones, cálculos… Todo esto puede tratarse como un modelo explícito, auditable e independiente del lenguaje o Plataforma subyacente. Modernizar no es tirar a la basura años de reglas de negocio. Es preservarlas y regenerarlas sobre tecnología actual. Cuando la tecnología cambia, de AS/400 a Java, de monolito a microservicios, de on-premises a la nube, el sistema se regenera a partir de ese modelo de conocimiento, no se reescribe línea a línea. Lo que permanece constante es la inteligencia de negocio. Lo que cambia es la plataforma de ejecución. Esta distinción tiene consecuencias prácticas directas sobre plazos, costos, trazabilidad y capacidad de adopción de IA.

Cómo opera GeneXus

GeneXus es la Plataforma de desarrollo de software que, usando Inteligencia Artificial Determinística, captura, modela y preserva el conocimiento de negocio de una organización, y luego genera automáticamente el código y la infraestructura para ejecutarlo en la tecnología de destino elegida. GeneXus puede generar código COBOL y RPG además de los modernos. Esto significa que nuevas funcionalidades pueden integrarse al sistema legado como extensiones naturales, sin capas intermediarias forzadas, hasta que el módulo esté listo para migrarse completamente. Para sistemas legados en COBOL, RPG, PL/1 o AS/400, el proceso sigue etapas claras:

Paso 1. Extracción del conocimiento de negocio

GeneXus analiza el código legado con IA determinística y extrae las reglas de negocio, flujos y modelos de datos, separando la lógica del substrato tecnológico.

Paso 2. Encapsulamiento progresivo

Los programas COBOL o RPG existentes pueden encapsularse como objetos externos, expuestos como servicios REST o SOAP. El sistema legado sigue operando mientras la modernización avanza por módulos.

Paso 3. Regeneración sobre nueva Plataforma

A partir del modelo de conocimiento preservado, GeneXus genera el código para la arquitectura de destino: microservicios, cloud (Azure, AWS, GCP), .NET, Java, sin que el desarrollador tenga que reescribir la lógica.

Paso 4. Coexistencia y migración gradual

El modelo «todo o nada» queda descartado. Legado y moderno coexisten, con las nuevas capas sustituyendo los módulos antiguos de forma incremental y controlada, sin interrumpir operaciones críticas.

Paso 5. Habilitación de agentes de IA

Con el núcleo modernizado y el conocimiento de negocio gobernado, los agentes de IA pueden operar con trazabilidad y confianza, leyendo, decidiendo y actuando sobre sistemas que ahora tienen semántica clara.

Evidencia de campo: casos reales y medibles

Los conceptos sin evidencia son teoría. Los dos casos a continuación documentan resultados verificables en entornos de producción real, en contextos de alta exigencia.

Caso 1 | TCE-MT: Tribunal de Cuentas del Estado de Mato Grosso (Brasil)

El sistema eSocial del TCE-MT fue desarrollado originalmente en GeneXus versión 10 Evolution 1. La demanda era modernizarlo a la versión 18, acompañando la evolución tecnológica sin comprometer la integridad de las reglas de negocio acumuladas. Resultado: prácticamente el 100% de la base de conocimiento existente fue reutilizada, sin reescribir código. El equipo pudo enfocarse íntegramente en las reglas de negocio, no en la infraestructura técnica.

«GeneXus aprovechó prácticamente el 100% de nuestra base de conocimiento existente, garantizando la integración con tecnologías más actuales sin necesidad de reescribir el código». Edinelson Marcio Menin Coordinador de Sistemas, TCE-MT

Caso 2 | Bantotal: Core Banking para 14 países de América Latina

Bantotal es un core becario desarrollado por De Larrobla & Asociados (Uruguay) y construido íntegramente con GeneXus desde sus inicios en los años 90. En más de 30 años de operación, la plataforma nunca necesitó reescribirse desde cero, solo regenerarse cuando la tecnología evolucionó. Su trayectoria tecnológica ha evolucionado de las pantallas verdes del IBM AS/400, pasando por Client/Server con Windows, luego Web, hasta arquitecturas actuales en microservicios en la nube (Azure). En cada cambio, el conocimiento de negocio fue preservado y regenerado, no descartado. Dos momentos de estrés extremo validaron la resiliencia del enfoque:

Crisis argentina de 2002

Cambios regulatorios críticos (pesificación, congelamiento de cuentas) implementados en tiempo real a una velocidad que los sistemas tradicionales no habrían podido absorber.

Pandemia de 2020

Adaptaciones operativas y regulatorias absorbidas con la misma agilidad, sin interrupción de servicios en 65 bancos clientes.

Por qué el legado bloquea la IA, y cómo desbloquearlo

Un agente de IA es, en la práctica, un sistema que observa el estado actual de los datos y procesos de la empresa: inventarios, transacciones, registros de clientes, órdenes en curso, razona sobre esa información y ejecuta acciones concretas: aprobar un crédito, actualizar un saldo, disparar una alerta. Para hacerlo con seguridad en contexto empresarial, necesita tres condiciones: APIs accesibles, trazabilidad de acciones y capacidad de evolución. Sin estas condiciones, la IA queda confinada a la periferia: dashboards vistosos, chatbots de atención, automatizaciones de bajo impacto. Nunca opera sobre el núcleo del negocio, que es donde está el valor real.

La pregunta correcta para tomadores de decisión

En estos momentos ya no se trata de si tu organización va a adoptar IA, porque esa decisión ya fue tomada por el mercado, por los competidores, y por las expectativas de tus clientes. La pregunta que importa ahora es: ¿Sobre qué base vas a construir? Si la respuesta es «sobre el legado actual, sin cambios», estás aceptando que la IA de tu empresa operará en la periferia, y que el costo creciente de mantenimiento seguirá consumiendo el presupuesto que podría financiar innovación.

Si la respuesta es «reescribimos todo desde cero», estás aceptando años de riesgo, altos costos y pérdida de conocimiento de negocio, para, al final, tener un sistema que envejecerá de la misma manera.

El tercer camino: preservar el conocimiento de negocio y regenerar la aplicación sobre tecnología actual, es la opción que transforma décadas de inversión en activo estratégico, no en un ancla operacional.

Si quieres transformar tus sistemas legados en activos para la IA, te invitamos a agendar una consulta con nuestro equipo. Analizamos tu stack actual y te mostramos un camino concreto para modernizar sin reescribir, sin interrumpir operaciones y habilitando IA desde el núcleo.

También te puede interesar leer:

GeneXus y la Arquitectura Neuro-Simbólica

El problema del desarrollo basado en prompts

GeneXus en la era del desarrollo agéntico