No cerne de quase todas as grandes organizações está uma pesada âncora que desacelera os negócios: a chamada “dívida tecnológica” dos sistemas legados de TI. Esses sistemas gigantescos, muitas vezes construídos décadas atrás, constituem a espinha dorsal técnica de empresas e funções em praticamente todos os setores. Cerca de 70% dos softwares utilizados por empresas da Fortune 500 foram desenvolvidos há 20 anos ou mais (veja Box: “O que são sistemas legados e como eles restringem as organizações?”).
A modernização desses sistemas antiquados e a quitação da dívida tecnológica sempre foram consideradas um “problema de TI” e os líderes das empresas têm se contentado em ir empurrando o problema com a barriga. Os motivos são conhecidos: é caro demais (em muitos casos, centenas de milhões de dólares), demorado demais (cinco a sete anos) e disruptivo demais. Além disso, o retorno do investimento não é claro e os sistemas atuais continuam basicamente funcionando.
Porém, agora que a tecnologia permeia cada canto e recanto de uma empresa e se tornou fundamental para a geração de valor, a modernização dos sistemas de TI precisa se tornar uma prioridade do CEO. As oportunidades e riscos gerados por avanços na tecnologia – da IA generativa (GenAI) à nuvem à robótica – exigem um alicerce tecnológico moderno. Na verdade, é a tecnologia que viabiliza cerca de 71% do valor proveniente da transformação de uma empresa. E agora que os programadores que construíram e mantêm esses sistemas antiquados estão começando a se aposentar, a necessidade de modernização torna-se ainda mais urgente.
Mais insights da McKinsey em português
Confira nossa coleção de artigos em português e assine nossa newsletter mensal em português.
Novos avanços em inteligência artificial, particularmente em IA generativa, estão provocando uma recalibragem radical dos custos e benefícios de modernizar tecnologias legadas e reduzir a dívida tecnológica. Isso faz parte de um conjunto mais amplo de transformações no modo como a TI opera. Um bom exemplo é o sistema de processamento de transações de uma grande instituição financeira, cuja modernização teria custado muito mais de $100 milhões três anos atrás, mas que hoje sairia por bem menos da metade disso com o uso da GenAI. Essa queda súbita dos custos viabiliza muitos esforços de modernização que eram antes caros ou demorados demais. E como as empresas hoje são capazes de medir e monitorar o custo direto da dívida tecnológica e seu impacto na lucratividade (que em muitos casos pode representar 40% a 50% do investimento total), elas têm condições de identificar com precisão o valor que estão gerando.
Embora a inteligência artificial ainda esteja em seus primórdios, nossa experiência indica que a GenAI poderá eliminar grande parte do trabalho manual, reduzindo em 40% a 50% os cronogramas de modernização da tecnologia e em 40% os custos decorrentes da dívida tecnológica, além de melhorar a qualidade dos resultados. No entanto, esse valor está menos vinculado à tecnologia em si e mais ao modo como ela é utilizada, com foco especial em:
- Melhorar os resultados comerciais. Converter código antigo em linguagens tecnológicas modernas não faz mais do que transportar a dívida tecnológica de um sistema legado para um moderno. Para não se cair no erro do “code-and-load”,1 a GenAI pode ser utilizada para ajudar a tomar decisões melhores de negócios e modernizar o que importa.
- Habilitar agentes autônomos de GenAI. Temos visto que construir e treinar um exército de agentes de GenAI capazes de trabalhar de forma independente e colaborativa, sob supervisão humana, em uma série de processos de ponta a ponta contribui significativamente para os esforços de modernização da TI (veja Box “LegacyX”).
- Focar a geração de valor. O valor do modelo multiagentes está em industrializá-lo para que possa ser escalado e aplicado a várias áreas da empresa, quitando continuamente a dívida tecnológica.
Como os agentes de GenAI podem melhorar não só o código, mas também os negócios
Em essência, modernizar a tecnologia significa transformar os aplicativos existentes para que possam aproveitar as vantagens das tecnologias, estruturas e arquiteturas modernas. Esse processo inclui a adoção de linguagens de programação mais fáceis de utilizar, uma transição para estruturas modernas mais funcionais, a reestruturação de sistemas para criar modularidade ou até mesmo a restauração e migração de aplicativos para que sejam executados mais economicamente na nuvem. Para a empresa aproveitar ao máximo os recursos da GenAI ao efetuar esses tipos de mudança, melhorar o retorno dos investimentos em programas na nuvem e quitar a dívida tecnológica, é importante levar em conta as três áreas mencionadas acima e detalhadas a seguir.
Melhorar os resultados comerciais
As empresas tendem a utilizar a GenAI à força bruta, por exemplo, inserindo código legado diretamente na ferramenta de GenAI para que ela o traduza numa linguagem moderna. Entretanto, o que esse tipo de abordagem code-and-load faz é simplesmente migrar a dívida tecnológica para um contexto moderno. É uma armadilha semelhante àquela em que muitas empresas caíram nos primeiros dias da computação na nuvem, quando a palavra de ordem era “lift-and-shift” [elevar e remendar], ou seja, mover os aplicativos existentes para a nuvem, onde os problemas legados permaneceriam sem solução.
O objetivo de uma iniciativa de modernização da tecnologia legada não deve ser converter o máximo possível de linhas de código, e sim melhorar os sistemas e processos para que a empresa possa gerar mais valor. Isso significa utilizar a GenAI para entender o código existente, determinar o que é necessário para gerar valor comercial e então modernizar os processos necessários para atingir esse resultado.
Quando aplicada corretamente, a IA generativa é capaz de traduzir até mesmo os elementos legados mais impenetráveis – documentação, código, dados de observabilidade, registros de chamadas, abordagens programáticas etc. – em descrições simples dos processos, em questão de minutos. Os engenheiros de uma empresa de serviços financeiros entrevistaram vários especialistas para complementar a documentação limitada disponível e inseriram as transcrições no modelo de GenAI a fim de orientá-lo melhor. Esse tipo de clareza não apenas ajuda os engenheiros a entender o que os sistemas estão fazendo, mas também permite que especialistas em negócios possam determinar o que é realmente necessário. Desse modo, especialistas em negócios e em engenharia podem trabalhar juntos para determinar o que desejam, o que deve ser atualizado e o que pode ser descartado.
Habilitar agentes autônomos de GenAI
Escrevemos anteriormente que, no desenvolvimento de software, a utilização de agentes de GenAI pode ajudar os desenvolvedores a aumentar sua produtividade na codificação. Nossa experiência mostrou que o próximo horizonte dessa aceleração permitirá que centenas de agentes de GenAI operem independentemente, com supervisão humana, em particular quando o modelo é escalado (Quadro).
Essa abordagem exige a utilização de muitos agentes autônomos especializados, cada um com funções e expertises distintas, colaborando em tarefas complexas. Essas tarefas incluem análise de dados, orquestração de integrações sofisticadas, desenho e execução de casos de teste e refinamento de resultados com base em feedback em tempo real de seres humanos.
O verdadeiro valor, porém, está na orquestração de agentes para completar não apenas tarefas isoladas, mas processos inteiros de desenvolvimento de software. Agentes de mapeamento e armazenamento de dados, por exemplo, realizarão análises de dados, verificações de conformidade e controle de qualidade, além de produzir a documentação relevante. Esses agentes colaboram com agentes de desenho de segurança focados na análise de ameaças, em políticas de segurança da informação e em desenho seguro, e também com agentes de controle de qualidade, para criarem código seguro, protegido e eficaz.
Para garantir que os agentes de GenAI produzam os resultados desejados, é importante implementar uma série de controles. Ciclos de feedback construtivo, por exemplo, permitem que os agentes revisem e aprimorem o trabalho uns dos outros. Além disso, esses agentes também podem ser programados para aprender a solucionar problemas por conta própria ou, se necessário, encaminhá-los a um gerente humano. Alguns agentes de GenAI são capazes até mesmo de fazer perguntas diretas aos gerentes. E se atribuírem a cada agente uma identificação própria, os gerentes poderão determinar rapidamente a origem de um problema e resolvê-lo. Do mesmo modo, as organizações poderão desenvolver agentes especializados para testar e corrigir automaticamente quaisquer ações enviesadas ou antiéticas de outros agentes.
O papel desempenhado por seres humanos continuará sendo vital para direcionar e gerenciar os agentes de GenAI. Especialistas como gerentes, engenheiros e arquitetos de produtos precisarão compreender a intenção dos sistemas legados, identificar quais processos são importantes para o negócio e elaborar e definir quais são os objetivos e estados almejados.
O impacto positivo de uma abordagem coordenada com agentes de GenAI tornou-se evidente em um banco que havia anos tentava, sem sucesso, modernizar seu mainframe. Por fim, após implantar uma vasta gama de agentes de GenAI, o banco conseguiu migrar e aprimorar vários componentes do mainframe como parte de uma migração para um ambiente final que utiliza Java, componentes de UI Angular e PostgreSQL. Foi estimado que seriam necessárias entre 700 e 800 horas para modernizar 20 mil linhas de código e concluir a migração. No entanto, a abordagem orquestrada com GenAI reduziu essa estimativa em 40%. Por exemplo, somente a etapa de mapear relacionamentos, que antes demoraria entre 30 e 40 horas, pôde ser concluída em apenas cinco horas.
Em outro caso, uma das 15 maiores seguradoras globais adotou essa abordagem para modernizar aplicativos e serviços legados. O primeiro passo foi realizar a engenharia reversa do código existente para entender melhor suas especificações técnicas. Em seguida, empregaram agentes de GenAI para gerar novo código e automatizar jornadas de descoberta e conversão. Como resultado, a eficiência na modernização do código e nos testes aumentou mais de 50%, enquanto as tarefas de codificação foram aceleradas na mesma proporção.
Focar a geração de valor
O entusiasmo em torno da IA generativa tem levado as empresas a dedicar uma quantidade significativa de tempo à avaliação e seleção de ferramentas. Isso é importante, mas nem se compara à dificuldade de enfrentar o problema maior: como escalar a GenAI. Como disse recentemente um CIO, “Não quero uma ferramenta para resolver um problema; quero a capacidade de resolver centenas de problemas”.
Os líderes de tecnologia devem priorizar o desenvolvimento de uma IA generativa autônoma centralizada que seja capaz de criar fluxos de trabalho sofisticados, compostos por múltiplos agentes, que abranjam o processo de ponta a ponta. Esta capacidade possui dois componentes principais:
- Fábrica. Uma “fábrica” é um grupo de pessoas que desenvolve e gerencia múltiplos agentes de GenAI na execução de ponta a ponta de um processo específico. O objetivo da fábrica é padronizar e simplificar os vários processos envolvidos no desenvolvimento, implantação e gerenciamento dos agentes de GenAI. Para isso, a fábrica cria um conjunto padronizado de ferramentas e metodologias, incluindo monitoramento, rastreabilidade, gerenciamento de documentos e acesso a grandes modelos de linguagem. Uma organização nos estágios iniciais de maturidade deve pensar em criar de cinco a dez fábricas de agentes.
- Plataforma. Uma plataforma de GenAI é um conjunto padronizado de serviços e recursos reutilizáveis que as fábricas podem acessar. Uma plataforma deve incluir uma interface de usuário, APIs que conectem os serviços de GenAI a serviços corporativos (como Jira ou ServiceNow), uma variedade de serviços de suporte (como importação de dados ou coordenação de agentes) e uma biblioteca de agentes de GenAI que possam ser inseridos no sistema para executar tarefas específicas. O ideal é que as empresas criem uma ou duas fábricas de GenAI para identificar exatamente quais tipos de serviços e recursos são utilizados em comum, para em seguida padronizar esses elementos e disponibilizá-los por meio de uma plataforma. Uma equipe de especialistas deve ser dedicada a supervisionar a criação e o gerenciamento dessa plataforma, utilizando KPIs específicos (como o volume de uso de cada serviço ou recurso) para monitorar de perto o quanto ela está sendo utilizada.
Próximos passos
As empresas que buscam migrar para esse modelo de orquestração de múltiplos agentes devem considerar quatro etapas:
- Questionar qualquer proposta de tecnologia que tenha um cronograma longo e exija muitas pessoas. Historicamente, muitos projetos de TI de grande porte demandavam muitas pessoas trabalhando durante anos para agregar valor. Quaisquer propostas que sigam esse modelo devem ser vistas com ceticismo. Isso significa revisar todas as propostas e iniciativas em andamento para determinar como a IA generativa poderá reduzir custos e acelerar prazos. Atenção especial deve ser dada a programas e propostas que pretendem utilizar recursos de GenAI, pois estes poderão ser limitados ou secundários e, portanto, incapazes de entregar muito valor.
- Aplicar a GenAI aos maiores problemas. Iniciativas de pequeno porte levam a resultados de pequeno porte. A IA generativa tem o potencial de redefinir radicalmente o custo-benefício da modernização de sistemas e da redução da dívida tecnológica. É preciso identificar os maiores e mais complexos problemas de tecnologia – aqueles que custam centenas de milhões de dólares, têm cronogramas de vários anos e são responsáveis por uma grande parcela da dívida tecnológica – e se dedicar a desenvolver soluções de GenAI para eles. Parte desse esforço deve incluir uma revisão de planos anteriores de modernização tecnológica que foram considerados caros ou demorados demais.
- Vincular explicitamente o plano de negócios ao valor e monitorá-lo atentamente. Embora muitas empresas tenham planos de negócios, estes tendem a ser superficiais ou de alcance limitado (focando apenas a tecnologia, não o modelo operacional, por exemplo). Um plano vigoroso oferece uma visão detalhada do valor em jogo, dos incrementos de valor a serem capturados ao longo do caminho (computando custos contínuos, como custos de execução de infraestrutura atuais e futuros, e custos únicos, como modernização de código), as atividades necessárias para capturá-los e um cronograma que identifique o ponto de equilíbrio financeiro. Porém, mais importante do que elaborar o plano é revisá-lo e assegurar que os esforços de modernização estejam realmente capturando o valor pretendido. Sem esse tipo de disciplina, planos vigorosos tendem a perder lentamente o foco e a entregar código em vez de valor.
- Antever as implicações do modelo em termos de talentos, tecnologias e modelo operacional. À medida que essa abordagem multiagentes vai expandindo, as empresas precisam entender e planejar as implicações para os negócios. Isso inclui repensar sua estratégia de talentos e programas de requalificação, a reconfiguração de seu modelo operacional e as mudanças nas despesas operacionais e de capital, entre outras prioridades. Estas são questões que devem ser tratadas no nível da diretoria e do Conselho, e exigem planejamento cuidadoso.
As empresas mal arranharam a superfície quando se trata de efetivamente aplicar a IA generativa para modernizar tecnologias legadas e reduzir a dívida tecnológica. A única maneira de reduzir essa dívida e utilizar o patrimônio tecnológico em prol da inovação e da geração de valor é coordenar as ações dos agentes de GenAI em torno das oportunidades mais significativas no âmbito da tecnologia empresarial.