A inteligência artificial está assumindo um novo papel dentro das empresas: além de criar conteúdo, analisar dados e automatizar tarefas, a tecnologia começa a ser utilizada para enfrentar um dos problemas mais antigos da TI corporativa — os sistemas legados.
A tendência é real e vem ganhando força, especialmente porque organizações precisam conectar aplicações desenvolvidas há décadas com cloud, APIs, inteligência artificial generativa e agentes autônomos.
Entretanto, há uma ressalva importante sobre a informação apresentada na imagem. O card atribui à Forrester, em maio de 2025, o dado de que “62% das empresas planejam atualizar seus legados com IA”. Não encontrei esse percentual com esse significado nas publicações públicas da Forrester disponíveis para consulta.
O número de 62% aparece em diferentes levantamentos, mas associado a outros indicadores. Em uma pesquisa de 2025, por exemplo, 62% das organizações norte-americanas afirmaram ainda depender de sistemas legados — o que é diferente de dizer que 62% pretendem modernizá-los utilizando IA.
Portanto, a tendência apresentada pelo post é verdadeira, mas o percentual e sua atribuição específica à Forrester precisam ser tratados com cautela.
Sistemas antigos ainda sustentam grandes empresas
Mesmo com décadas de transformação digital, aplicações antigas continuam executando operações essenciais em bancos, governos, seguradoras, indústrias, companhias aéreas e grandes varejistas.
O problema é que muitos desses sistemas foram desenvolvidos quando conceitos hoje fundamentais simplesmente não existiam.
Cloud computing, smartphones, APIs modernas, microsserviços, containers e inteligência artificial surgiram muito depois.
Isso cria uma espécie de dívida tecnológica.
O sistema continua funcionando, mas cada nova integração pode se tornar mais cara e complexa.
Pesquisa realizada em 2025 com mais de 500 profissionais de TI nos Estados Unidos mostrou que 62% das organizações ainda utilizavam software legado. Entre aquelas que não avançaram na modernização, metade apresentou uma justificativa extremamente simples: o sistema atual ainda funciona.
“Ainda funciona” pode esconder um problema
Um sistema não precisa estar quebrado para representar risco.
Aplicações antigas podem depender de linguagens pouco utilizadas atualmente, bibliotecas descontinuadas e profissionais que conhecem arquiteturas desenvolvidas décadas atrás.
Também podem apresentar dificuldades para integração com ferramentas modernas.
Isso significa que empresas enfrentam um dilema.
Substituir completamente uma aplicação crítica pode custar milhões e gerar risco operacional.
Não fazer nada, por outro lado, pode aumentar progressivamente custos de manutenção e dificultar inovação.
É justamente nesse ponto que a inteligência artificial começa a mudar a equação.
IA consegue ajudar a entender códigos antigos
Um dos maiores problemas de aplicações legadas é descobrir exatamente como elas funcionam.
Imagine um sistema criado há 30 anos.
Os programadores originais podem ter deixado a empresa.
A documentação pode estar incompleta.
Algumas regras importantes podem existir apenas dentro do próprio código.
Antes de modernizar, equipes precisam realizar uma espécie de arqueologia digital.
Modelos de IA conseguem analisar grandes bases de código, identificar relações entre componentes e produzir explicações em linguagem natural.
Isso pode acelerar uma das etapas mais demoradas de qualquer projeto de modernização: compreender o sistema antes de alterá-lo.
IA pode gerar documentação automaticamente
Documentação é outro ponto crítico.
Sistemas antigos frequentemente possuem milhares ou milhões de linhas de código sem explicações atualizadas.
Modelos generativos podem analisar funções, módulos e dependências e produzir documentação automaticamente.
Isso não significa que o resultado possa ser aceito sem revisão.
Mas permite que engenheiros iniciem o trabalho com uma visão muito mais clara da arquitetura.
A IA pode responder perguntas como:
“Quais aplicações dependem deste módulo?”
“O que acontece se esta função for removida?”
“Quais bancos de dados são utilizados?”
“Existe código duplicado?”
“Quais partes apresentam maior risco?”
Essa capacidade transforma a modernização em um processo mais orientado por dados.
Modernização não significa necessariamente jogar tudo fora
Existe uma ideia equivocada de que modernizar significa substituir completamente o sistema antigo.
Na prática, empresas possuem várias alternativas.
Uma aplicação pode ser migrada para infraestrutura moderna mantendo grande parte do código.
Outra pode ser dividida progressivamente em microsserviços.
Uma terceira pode permanecer praticamente intacta, mas receber APIs modernas que permitem integração com novas plataformas.
E determinados módulos podem ser completamente reconstruídos.
A estratégia depende do custo, risco e importância de cada aplicação.
IA ajuda justamente a avaliar essas opções.
Inteligência artificial já participa de projetos de modernização
Há evidências fortes de que esse movimento já está acontecendo.
Uma pesquisa sobre modernização de aplicações publicada pela Red Hat identificou que 78% das organizações estavam aplicando IA de alguma forma aos esforços de modernização.
Dentro desse grupo, 53% disseram utilizar IA para auxiliar processos de modernização, enquanto 42% afirmaram estar adicionando recursos de IA a aplicações legadas.
Esse levantamento não é o mesmo citado no card, mas demonstra que a tendência de utilizar inteligência artificial para lidar com sistemas antigos é bastante concreta.
Forrester também aponta aumento dos investimentos em modernização
Dados mais recentes da Forrester reforçam a importância estratégica do tema.
Na pesquisa de planejamento orçamentário para 2026, 71% dos tomadores de decisão de tecnologia empresarial esperavam aumentar gastos com migração e modernização de aplicações.
É um percentual expressivo.
Modernização aparece ao lado de áreas como dados, analytics, desenvolvimento de aplicações e serviços relacionados à inteligência artificial.
Isso acontece porque existe uma dependência direta entre essas áreas.
Empresas podem comprar os modelos de IA mais avançados disponíveis, mas terão dificuldade para extrair valor se seus dados continuarem presos dentro de aplicações incapazes de conversar entre si.
IA esbarra justamente nos sistemas antigos
A inteligência artificial trouxe uma ironia para muitas empresas.
Executivos querem implementar agentes de IA.
Mas esses agentes precisam acessar dados.
Os dados estão armazenados em sistemas legados.
Esses sistemas possuem formatos próprios, interfaces antigas e pouca documentação.
Portanto, antes de construir uma organização orientada por IA, muitas empresas descobrem que precisam resolver problemas tecnológicos acumulados durante décadas.
A modernização deixa então de ser apenas uma iniciativa da área de TI.
Passa a fazer parte da estratégia de inteligência artificial.
Dados são um dos maiores obstáculos
Um agente inteligente é tão útil quanto os dados aos quais consegue acessar.
Se informações sobre clientes estão em cinco sistemas diferentes, com formatos incompatíveis, a IA terá dificuldade para produzir respostas confiáveis.
Esse problema aparece em diferentes pesquisas corporativas.
A KPMG observou em 2026 que muitas arquiteturas empresariais de dados ainda não conseguem oferecer a velocidade, precisão e escalabilidade necessárias para sistemas avançados de IA.
Por isso, modernizar aplicações frequentemente exige modernizar também a camada de dados.
COBOL continua vivo
Um dos exemplos mais conhecidos de tecnologia legada é o COBOL.
Criada no final da década de 1950, a linguagem continua presente em sistemas críticos ao redor do mundo.
Grandes instituições financeiras, seguradoras e governos ainda executam aplicações construídas em COBOL.
O problema não é necessariamente a linguagem.
Muitos desses sistemas são extremamente estáveis.
A dificuldade aparece quando empresas precisam encontrar profissionais especializados, integrar essas aplicações a arquiteturas modernas ou modificar regras desenvolvidas décadas atrás.
IA pode ajudar a analisar COBOL e explicar sua lógica para desenvolvedores acostumados a linguagens modernas.
IA pode traduzir código
Outro caminho é utilizar modelos para auxiliar a conversão de aplicações.
Um sistema escrito em uma linguagem antiga pode ter partes transformadas para Java, C#, Python ou outras tecnologias modernas.
Modelos generativos conseguem sugerir traduções de código rapidamente.
Mas existe um detalhe fundamental.
Código convertido precisa manter exatamente as mesmas regras de negócio.
Em um banco, por exemplo, uma pequena diferença em um cálculo financeiro pode produzir consequências enormes.
Por isso, IA pode acelerar a conversão, mas testes automatizados e revisão humana continuam essenciais.
Agentes podem acelerar ainda mais o processo
A próxima etapa envolve agentes de IA.
Em vez de apenas responder perguntas sobre determinado código, um agente pode receber uma tarefa completa:
“Analise este módulo, documente suas funções, identifique dependências, crie testes e proponha uma versão modernizada.”
O agente pode executar várias etapas sucessivamente.
Sistemas multiagentes podem dividir esse trabalho.
Um agente analisa código.
Outro gera documentação.
Outro cria testes.
Outro procura vulnerabilidades.
Outro verifica se a nova versão mantém o comportamento da anterior.
Isso pode transformar profundamente projetos que tradicionalmente levam anos.
Modernização também é questão de segurança
Existe outro motivo para empresas atualizarem sistemas antigos: cibersegurança.
Aplicações legadas podem depender de componentes que já não recebem atualizações.
Também podem utilizar protocolos antigos ou arquiteturas que não foram desenvolvidas para enfrentar ameaças atuais.
Quanto mais antigo e complexo é o ambiente, mais difícil pode ser identificar vulnerabilidades.
Pesquisa sobre modernização de software legado mostrou que 43% das organizações que ainda utilizavam essas aplicações apontavam vulnerabilidades de segurança entre suas principais preocupações.
IA pode ajudar analisando código e procurando padrões associados a falhas conhecidas.
Mas IA também pode criar novos riscos
Utilizar inteligência artificial para modificar aplicações críticas exige cuidado.
Modelos podem produzir código aparentemente correto que contém erros.
Também podem sugerir bibliotecas inadequadas ou alterar uma regra sem perceber seu impacto.
Existe ainda o risco de exposição de propriedade intelectual.
Uma empresa não pode simplesmente enviar milhões de linhas de código confidencial para qualquer serviço externo de IA.
Isso exige ambientes empresariais controlados, políticas de acesso e mecanismos de proteção de dados.
Empresas brasileiras ainda estão amadurecendo em IA
No Brasil, o desafio pode ser ainda maior.
Um levantamento apresentado pela AWS em 2025 mostrou que 62% das organizações brasileiras ainda estavam nos estágios iniciais de adoção de inteligência artificial.
Nesse estágio, IA costuma ser utilizada principalmente para eficiência e otimização de processos.
Aplicações capazes de transformar profundamente sistemas centrais exigem um nível maior de maturidade.
Isso significa que muitas empresas brasileiras provavelmente precisarão avançar simultaneamente em duas frentes: modernização tecnológica e adoção de IA.
Modernização pode se tornar um dos maiores mercados da era da IA
A necessidade de atualizar décadas de infraestrutura acumulada cria uma oportunidade gigantesca para fornecedores de tecnologia.
Consultorias, hyperscalers, empresas de software e startups estão desenvolvendo ferramentas específicas para modernização assistida por IA.
A lógica é simples.
Existe uma quantidade enorme de software antigo em funcionamento.
Se IA conseguir reduzir significativamente o custo e o tempo necessário para modernizá-lo, projetos anteriormente considerados economicamente inviáveis podem voltar para a mesa.
O paradoxo da transformação digital
Durante anos, empresas discutiram transformação digital enquanto mantinham seus principais sistemas praticamente intactos.
Isso funcionou porque novas interfaces podiam ser construídas por cima das plataformas antigas.
Aplicativos modernos conversavam com sistemas desenvolvidos décadas antes.
Mas inteligência artificial aumenta a pressão sobre essa arquitetura.
Agentes precisam acessar informações rapidamente.
Modelos precisam de dados estruturados.
Automação exige APIs.
Sistemas precisam conversar entre si em tempo real.
Quanto mais inteligência é adicionada à camada superior, mais evidentes ficam as limitações da infraestrutura inferior.
IA pode finalmente tornar projetos antigos economicamente viáveis
Esse talvez seja o aspecto mais importante dessa tendência.
Modernização de sistemas sempre foi necessária.
O problema era justificar projetos extremamente caros cujo benefício nem sempre era imediatamente visível.
IA pode reduzir parte desse custo.
Se modelos conseguirem automatizar documentação, análise, criação de testes, conversão de código e identificação de dependências, o esforço humano necessário diminui.
Projetos que levariam anos podem potencialmente ser executados em períodos menores.
Isso muda o cálculo econômico.
A próxima grande aplicação empresarial da IA pode estar escondida em código antigo
Grande parte da atenção atual está voltada para chatbots e agentes.
Mas uma das aplicações economicamente mais relevantes da inteligência artificial pode ser muito menos visível: ajudar empresas a compreender e modernizar milhões de linhas de código desenvolvidas ao longo das últimas décadas.
O legado tecnológico não desaparecerá de uma hora para outra.
Bancos não substituirão sistemas centrais durante um fim de semana.
Governos não reescreverão todas as aplicações simultaneamente.
Indústrias não interromperão operações críticas simplesmente para adotar uma nova arquitetura.
A transformação provavelmente será gradual.
E a inteligência artificial pode funcionar justamente como ponte entre essas duas gerações tecnológicas.
O dado específico de 62% apresentado no card não pôde ser confirmado com a atribuição indicada, mas o movimento por trás da publicação é consistente com pesquisas disponíveis: empresas estão aumentando investimentos em modernização e a IA está se tornando uma ferramenta importante para tornar sistemas antigos compatíveis com a próxima geração da computação.
