La inteligencia artificial empieza a asumir parte del trabajo que más tiempo consume antes de sustituir un sistema crítico: interpretar código antiguo, comprobar datos y preparar la transición. Los primeros proyectos muestran margen para acelerar las migraciones, aunque la velocidad no elimina la necesidad de pruebas, supervisión ni decisiones de negocio.
Una de las aplicaciones menos visibles de la IA generativa está lejos de los asistentes que utilizan los empleados. Se encuentra en las renovaciones de sistemas empresariales que acumulan años de modificaciones, conexiones con otras aplicaciones y reglas que pocas personas conocen en su totalidad. Antes de implantar una plataforma nueva, los equipos de tecnología deben reconstruir ese mapa para evitar que el cambio interrumpa la actividad.
Ahí empiezan a utilizarse modelos de IA para entender código heredado, detectar dependencias, adaptar programas y preparar comprobaciones. No se trata de sustituir de golpe a quienes conocen el sistema, sino de reducir tareas de análisis y documentación que suelen absorber una parte considerable del calendario. Por ahora, las experiencias documentadas son escasas y los especialistas describen una adopción todavía limitada.
El trabajo previo puede determinar la duración de la migración
El caso de una migración global a SAP S/4HANA ilustra el alcance de esa oportunidad. Mead Johnson Nutrition completó la renovación de su sistema de gestión en once meses, tras aplicar una combinación de copilotos de programación, automatización de pruebas y herramientas para formar e informar a los empleados. El responsable tecnológico de la compañía estimaba que, sin ese apoyo, el proyecto habría requerido entre diecisiete y dieciocho meses.
La complejidad iba mucho más allá de transformar código. El proyecto abarcaba más de 900 integraciones con otras aplicaciones y necesitaba ejecutar el cambio definitivo con una interrupción mínima de las operaciones. La documentación publicada por Cognizant, uno de los proveedores participantes, sitúa esa transición final en 61 horas y describe sucesivos ensayos antes de poner el nuevo sistema en funcionamiento.
La comparación de plazos no permite atribuir toda la aceleración a la inteligencia artificial. La planificación, la automatización convencional, la limpieza de datos y las pruebas también tuvieron un papel importante. La experiencia, relatada por Grant Gross en CIO, muestra una posibilidad concreta: usar IA en distintas fases del programa en lugar de limitarla a un único asistente para desarrolladores.
La velocidad no sustituye a la gobernanza
El principal límite aparece cuando el sistema antiguo contiene excepciones que no están bien documentadas. Un modelo puede proponer cambios de código o interpretar una regla de negocio de forma convincente y, aun así, equivocarse. Arun Chandrasekaran, analista de Gartner, advierte de que el interés por estas aplicaciones todavía supera su implantación efectiva y señala los errores de los modelos, junto con la preparación de los datos y la gobernanza, como obstáculos para avanzar.
Por eso, el valor de la IA depende de dónde se coloca la revisión humana. En una migración que afecta a compras, finanzas o logística, acelerar el análisis inicial sirve de poco si no se comprueban las reconciliaciones de datos, las interfaces críticas y las excepciones operativas antes del cambio. También obliga a definir quién valida los resultados y quién asume la responsabilidad cuando una recomendación automática falla.
La modernización ofrece además la oportunidad de preguntarse qué personalizaciones siguen siendo necesarias. Replicar sin más las reglas del sistema anterior puede trasladar al nuevo entorno los mismos costes de mantenimiento. La diferencia entre automatizar una tarea y rediseñar los procesos de negocio es especialmente relevante cuando una transformación tecnológica pretende mejorar algo más que la velocidad de ejecución.
Para la dirección, la decisión no consiste en dar por hecho que todas las migraciones serán más cortas. Consiste en identificar qué partes del proyecto pueden asistirse con IA, qué controles no pueden delegarse y cómo medir el resultado: calendario, continuidad de las operaciones, calidad de los datos y coste posterior de mantener el sistema. La IA abre una vía para acelerar trabajo complejo, pero el éxito sigue dependiendo de que la empresa entienda aquello que está cambiando.
