En el corazón de prácticamente todas las grandes organizaciones hay una enorme ancla que ralentiza el negocio: la deuda tecnológica de los sistemas de tecnología de la información (TI) heredados. A menudo construidos hace décadas, estos grandes sistemas forman la columna vertebral técnica de las empresas y funciones de casi todos los sectores. Hasta el 70 por ciento del software que usan las empresas de la lista Fortune 500 se desarrolló hace 20 años o más1 (vea el recuadro “¿Qué son los sistemas heredados y cómo frenan a las organizaciones?”).
Tradicionalmente, la modernización de estos sistemas obsoletos y la amortización de la deuda tecnológica se han considerado un “problema de TI”, y los líderes empresariales se han contentado más o menos con dejar el problema para más adelante. Las razones son conocidas: es demasiado caro (a menudo cientos de millones de dólares), lleva demasiado tiempo (de cinco a siete años), es demasiado disruptivo, el retorno de la inversión no está claro y los sistemas actuales básicamente funcionan.
Más perspectivas de McKinsey en Español
Mire nuestra colección de artículos en Español y suscríbase a nuestro newsletter mensual en Español.
Pero a medida que la tecnología se infiltra en todos los rincones del negocio y se convierte en un elemento central de la capacidad de una empresa para generar valor, la modernización de los sistemas de TI debe convertirse en una prioridad del CEO. Las oportunidades y los riesgos generados por los avances tecnológicos —desde la inteligencia artificial (IA) generativa hasta la nube y la robótica— requieren bases tecnológicas modernas. De hecho, la tecnología posibilita alrededor del 71 por ciento del valor derivado de las transformaciones empresariales.2 El hecho de que los programadores que construyeron y mantienen estos sistemas empresariales obsoletos estén llegando a la edad de jubilación hace aún más urgente la necesidad de modernización.
Los nuevos avances en la IA, en particular en la IA generativa, están recalibrando radicalmente los costos y beneficios de modernizar la tecnología heredada y reducir la deuda tecnológica como parte de un conjunto más amplio de cambios en la forma de operar de la TI. Pensemos en un sistema de procesamiento de transacciones de una institución financiera líder, cuya modernización hace tres años habría costado mucho más de 100 millones de dólares y hoy cuesta menos de la mitad si se utiliza IA generativa. Este cambio hace que muchos esfuerzos de modernización que antes eran demasiado caros o lentos de repente sean viables. Y con la capacidad de medir y rastrear el costo directo de la deuda tecnológica y su efecto en los resultados de pérdidas y ganancias (en muchos casos hasta del 40 al 50 por ciento del gasto total de inversión), las empresas pueden hacer un seguimiento del valor que están generando.
Aunque todavía estamos en una fase temprana, nuestra experiencia indica que aprovechar la IA generativa puede eliminar gran parte del trabajo manual, lo que se traduce en una aceleración del 40 al 50 por ciento en los plazos de modernización tecnológica y una reducción del 40 por ciento en los costos derivados de la deuda tecnológica, al tiempo que mejora la calidad de los resultados. Sin embargo, ese valor está menos vinculado a la tecnología en sí y más a cómo se utiliza, con especial atención a lo siguiente:
- Mejorar los resultados empresariales. Convertir el código antiguo en lenguajes tecnológicos modernos simplemente transporta la deuda tecnológica de un sistema heredado a otro moderno. Para evitar este problema de “codificar y cargar”, es necesario utilizar IA generativa para ayudar a tomar mejores decisiones empresariales y modernizar lo que importa.
- Habilitar agentes autónomos de IA generativa. Crear y entrenar un ejército de agentes de IA generativa que puedan trabajar de forma independiente –y en colaboración– con supervisión humana en una serie de procesos de extremo a extremo está demostrando que aporta mejoras significativas en los esfuerzos de modernización de TI (vea el recuadro “LegacyX”).
- Centrarse en aumentar el valor. El valor del modelo multiagente proviene de industrializarlo para que pueda ampliarse y aplicarse a múltiples áreas de la empresa y reducir continuamente la deuda tecnológica.
Cómo los agentes de IA generativa pueden mejorar tanto el código como los resultados empresariales
En esencia, la modernización tecnológica consiste en transformar las aplicaciones existentes para aprovechar las tecnologías, los marcos y las arquitecturas modernas. Este proceso puede incluir el cambio a lenguajes de programación más fáciles de usar, la transición a marcos modernos que proporcionen más funcionalidad, la reestructuración de los sistemas para crear modularidad o incluso la corrección y migración de aplicaciones para que se ejecuten en entornos de nube más baratos. Para aprovechar las capacidades de la IA generativa para realizar este tipo de cambios, mejorar el retorno de la inversión (ROI) en programas en la nube y saldar la deuda tecnológica es necesario centrarse en las tres áreas mencionadas anteriormente.
Mejorar los resultados empresariales
Las empresas han tendido a utilizar la IA generativa de forma contundente, por ejemplo, introduciendo código heredado directamente en una herramienta de IA generativa que lo traduce a un lenguaje moderno. Sin embargo, este enfoque de “codificar y cargar” básicamente migra su deuda tecnológica a un contexto moderno. Esta trampa es similar a aquella en la que cayeron muchas empresas durante los primeros días de la computación en nube, en los que la atención se centró en “levantar y cambiar, es decir, trasladar las aplicaciones existentes a la nube sin abordar los problemas heredados.
El objetivo de un esfuerzo de modernización de la tecnología heredada no debería ser convertir tantas líneas de código como sea posible, sino mejorar los sistemas y procesos para que la empresa pueda generar más valor. Eso significa utilizar la IA generativa para comprender el código que ya se tiene, determinar qué se necesita para generar valor empresarial y, a continuación, modernizar los procesos necesarios para lograr ese resultado.
Cuando se aplica correctamente, la IA generativa es capaz de traducir los elementos heredados, a menudo impenetrables –documentación, código, datos de observabilidad, registros de llamadas, enfoques de programación, etcétera– en descripciones de procesos en inglés sencillo en cuestión de minutos. Los ingenieros de una empresa de servicios financieros entrevistaron a varios expertos para completar la escasa documentación disponible e incorporaron las transcripciones en el modelo de IA generativa para proporcionarle una mejor orientación. Esta claridad no solo ayuda a los ingenieros a entender lo que están haciendo los sistemas, sino que también permite que los expertos empresariales ayuden a determinar lo que realmente se necesita. De este modo, los expertos en negocio e ingeniería pueden trabajar juntos para determinar lo que quieren, lo que debe actualizarse y lo que puede descartarse.
Habilitar agentes autónomos de IA generativa
Hemos escrito anteriormente que, en el desarrollo de software, el uso de agentes de IA generativa para apoyar a los desarrolladores con la codificación puede ayudar a algunos de ellos a aumentar su productividad.3 Nuestra experiencia ha demostrado que el próximo horizonte de esta aceleración permitirá que cientos de agentes de IA generativa operen de forma autónoma con supervisión humana, especialmente a medida que el modelo se amplíe a escala (Gráfica).
El núcleo de este enfoque de agentes autónomos es el despliegue de muchos agentes de IA especializados, cada uno con funciones y conocimientos distintos, que colaboran en tareas complejas. Las tareas que pueden realizar incluyen el análisis de datos, la organización de integraciones sofisticadas, el diseño y la ejecución de casos de prueba, y el perfeccionamiento de los resultados basándose en la retroalimentación en tiempo real de los humanos.
Sin embargo, el valor real procede de la orquestación de agentes para consumar no solo tareas, sino procesos completos de desarrollo de software. Los agentes de mapeo y almacenamiento de datos, por ejemplo, realizan análisis de datos, análisis de cumplimiento y control de calidad, además de crear la documentación pertinente. Estos agentes trabajan con agentes de diseño de seguridad que se centran en el análisis de amenazas, la política de seguridad de la información, el diseño de seguridad y los agentes de control de calidad para desarrollar un código seguro, protegido y eficaz.
Para garantizar que los agentes de IA generativa ofrecen los resultados correctos, es importante implementar una serie de controles. Los bucles de retroalimentación constructiva, por ejemplo, permiten a los agentes revisar y perfeccionar el trabajo de los demás. Los agentes de IA generativa también pueden programarse para que aprendan por sí mismos a resolver problemas o para que los remitan a un gestor humano si no pueden solucionarlos. Algunos agentes de IA generativa incluso pueden hacer preguntas directas al gestor. Asignar identificadores a cada agente de IA generativa permite a los gestores identificar rápidamente el origen de un problema y atenderlo. Del mismo modo, las organizaciones pueden desarrollar agentes especializados que prueben y corrijan automáticamente los resultados de otros agentes en función de las preocupaciones éticas y de sesgo identificadas.
El papel de las personas seguirá siendo vital para dirigir y gestionar a los agentes de IA generativa. Expertos como propietarios de productos, ingenieros y arquitectos tendrán que comprender la intención de los sistemas heredados, determinar qué procesos son importantes para la empresa y desarrollar y establecer objetivos y estados objetivo.
El poder del enfoque de agentes de IA generativa orquestados se hizo realidad en una empresa bancaria que llevaba años intentando sin éxito modernizar su mainframe. Cuando desplegó una gran colección de agentes de IA generativa, el banco pudo migrar y mejorar varios componentes del mainframe como parte de una migración a un estado objetivo Java, Angular UI y PostgreSQL. Con el objetivo de modernizar 20,000 líneas de código, la empresa había estimado que necesitaba entre 700 y 800 horas para completar la migración. El enfoque de IA generativa orquestado redujo esa estimación en un 40 por ciento. El proceso de mapeo de relaciones, por ejemplo, pasó de requerir entre 30 y 40 horas para completarse a solo unas cinco horas.
En otro caso, una de las 15 principales aseguradoras mundiales utilizó este enfoque para modernizar aplicaciones y servicios heredados. El primer paso consistió en aplicar ingeniería inversa al código para comprender mejor las especificaciones técnicas y luego utilizar agentes de IA generativa para generar código y automatizar los viajes de descubrimiento y conversión. El resultado fue una mejora de la eficiencia de la modernización del código y de las pruebas de más del 50 por ciento, así como una aceleración superior al 50 por ciento de las tareas de codificación.
Centrarse en aumentar el valor
El entusiasmo que rodea a la IA generativa ha llevado a las empresas a dedicar mucho tiempo a evaluar y seleccionar herramientas. Eso es importante, pero palidece en comparación con abordar el problema y la oportunidad más importantes: cómo escalar la IA generativa. Como dijo recientemente un director de TI: “No quiero una herramienta para resolver un problema; necesito una capacidad para resolver cientos de problemas”.
El liderazgo tecnológico debe centrarse en desarrollar una capacidad central y autónoma de IA generativa que pueda construir sofisticados flujos de trabajo multiagente de extremo a extremo. Esta capacidad tiene dos componentes principales:
- Fábrica. Una fábrica es un grupo de personas que desarrollan y gestionan múltiples agentes de IA generativa para ejecutar un proceso específico de principio a fin. El objetivo de la fábrica es estandarizar y simplificar los diversos procesos que conforman el desarrollo, el despliegue y la gestión de los agentes de IA generativa. Una fábrica desarrolla un conjunto estandarizado de herramientas y enfoques para el desarrollo y la gestión de agentes, como la supervisión, la trazabilidad, la gestión de documentos y el acceso a grandes modelos de lenguaje. Una organización debe considerar el desarrollo de cinco a diez fábricas de agentes en las primeras etapas de madurez.
- Plataforma. Una plataforma de IA generativa es un conjunto estandarizado de servicios y capacidades reutilizables a los que pueden acceder las fábricas. Una plataforma debería incluir una interfaz de usuario, una interfaz de programación de aplicaciones (application programming interface, o API) que conecte los servicios de IA generativa con los servicios empresariales (como Jira o ServiceNow), una gama de servicios de apoyo (como un servicio de importación de datos o un servicio de orquestación de agentes) y una biblioteca de agentes de IA generativa que puedan cargarse para ejecutar tareas específicas. Lo ideal sería que las empresas desarrollaran una o dos fábricas de IA generativa para determinar exactamente qué tipo de servicios y capacidades utilizan en común, y luego estandarizar esos elementos y ofrecerlos a través de una plataforma. Un equipo dedicado de expertos relevantes debería supervisar el desarrollo y la gestión de esta plataforma y realizar un seguimiento minucioso del uso en función de indicadores clave de rendimiento específicos, como el uso de servicios o funciones.
Próximos pasos
Las empresas que buscan mudarse a este modelo de orquestación multiagente deben plantearse seguir cuatro pasos:
- Cuestione cualquier propuesta tecnológica que tenga un plazo largo y requiera de mucha gente. Muchos proyectos de TI a gran escala han requerido tradicionalmente que muchas personas trabajen durante años para aportar valor. Cualquier propuesta que siga este modelo debe tratarse con escepticismo. Esto significa revisar todas las propuestas e iniciativas que estén en marcha para determinar cómo la IA generativa puede reducir los costos y acortar los plazos. Sea especialmente minucioso al revisar los programas y las propuestas que pretenden utilizar las capacidades de la IA generativa. Las capacidades pueden ser limitadas o auxiliares y, por lo tanto, incapaces de aportar mucho valor.
- Centre la IA generativa en sus mayores problemas. Las iniciativas a pequeña escala conducen a resultados a pequeña escala. La IA generativa tiene el potencial de redefinir radicalmente la relación costo-beneficio de la modernización de sistemas y la reducción de la deuda tecnológica. Identifique los problemas tecnológicos más grandes y complejos –los que cuestan cientos de millones de dólares, tienen plazos de varios años y son responsables de grandes tramos de deuda tecnológica– y céntrese en desarrollar soluciones de IA generativa para ellos. Parte de este esfuerzo debería incluir la revisión de los planes de modernización tecnológica anteriores que se consideraron demasiado caros o lentos.
- Vincule su plan de negocios explícitamente al valor y realice un seguimiento riguroso. Si bien muchas empresas tienen planes de negocios, estos suelen ser superficiales o de alcance limitado (por ejemplo, se enfocan solo en la tecnología en lugar del modelo operativo). Un plan sólido proporciona una visión detallada del valor en juego, los incrementos de valor que deben capturarse a lo largo del camino (teniendo en cuenta los costos continuos, como los costos de ejecución de la infraestructura actual y futura, y los costos únicos, como la modernización del código), las actividades necesarias para capturarlos y un cronograma que capture el punto de equilibrio. Más importante que desarrollar el plan es revisarlo y asegurarse de que los esfuerzos de modernización realmente estén capturando el valor previsto. Sin este tipo de disciplina, es común que los planes sólidos pierdan poco a poco el foco y pasen a entregar código en lugar de valor.
- Adelántese a las implicaciones de talento, tecnología y modelo operativo. A medida que este enfoque multiagente se amplíe, las empresas tendrán que comprender y planear las implicaciones empresariales. Estas incluyen cómo replantearse la estrategia de talento y los programas de reconversión profesional (reskilling), cómo debe adaptarse el modelo operativo y cómo cambiarán los gastos operativos y de capital, entre otras prioridades. Se trata de cuestiones a nivel de CEO —y consejo de administración— que requieren una planeación cuidadosa.
Las empresas apenas han arañado la superficie cuando se trata de aplicar con eficacia la IA generativa para modernizar la tecnología heredada y reducir la deuda tecnológica. Centrarse en cómo orquestar agentes de IA generativa en oportunidades tecnológicas empresariales significativas es la única forma en que las empresas podrán reducir la deuda tecnológica y permitir que su patrimonio tecnológico impulse la innovación y el valor.