Pular para o conteúdo
LabS Atlas
AI For Devs
Entrar

Modernização de Código Legado com IA

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Modernização de Código Legado com IA é o uso de modelos de IA para entender, alterar e testar sistemas antigos, como COBOL, e para reconstruir requisitos de negócio a partir do código.

Sistemas legados guardam regras de negócio que muitas vezes só existem no código, e mantê-los custa muito tempo manual. Tratar o código como mais um artefato lido pela IA, na linha da Interpretação de Artefatos com IA, abre espaço para apoiar essa manutenção.

Alteração assistida de código COBOL em lote

O primeiro obstáculo é o tamanho. Um programa COBOL pode ter da ordem de 15 mil linhas, o que não cabe direto no contexto de um modelo. Em linguagens estruturadas em classes pequenas, os arquivos já são menores; no COBOL é preciso dividir e transformar bastante o código antes de enviá-lo num prompt, e por isso a linguagem é considerada muito limitada para esse tipo de manipulação.

Um processo que funciona na prática: extrair os fontes do mainframe, compactá-los e enviar um lote, na casa de algumas centenas de arquivos, pedindo a alteração. A IA devolve os fontes alterados, e um desenvolvedor aprova ou recusa; na recusa, ajusta-se o que falta e o processo segue. A etapa de conferência é obrigatória, no sentido da Revisão Humana de Saídas de IA.

Outros entregáveis desse contexto são candidatos à geração por IA: documentos de fluxo de execução e casos de teste, que costumam ser registrados à mão com muito esforço.

Engenharia reversa de requisitos a partir do código

Quando não há mais pessoas de negócio para explicar o sistema, surge a ideia de fazer o caminho inverso: usar o código-fonte como entrada para chegar aos requisitos. Esse caminho não é considerado trivial e tem porte de pesquisa de pós-graduação de alto nível, como um doutorado. Em compensação, a evolução de um sistema existente tende a oferecer mais contexto à IA do que um sistema novo, o que pode ampliar o impacto das abordagens multiagente usadas na elicitação de requisitos.