O maior valor da IA generativa nem sempre está em criar novos produtos e agentes. Modernizar os sistemas legados pode ser a chave para antecipar o retorno do seu investimento em IA.
Alguém no seu time enxerga um jeito novo de o cliente repor estoque pelo portal de pedidos. Ou um fluxo novo para aumentar a conversão no app. Ou uma forma de avisar o atraso na entrega que diminua as reclamações. Em duas semanas, um protótipo está pronto. A diretoria vê, gosta, aprova. O comitê de arquitetura aprova. A partir daí, a oportunidade entra na fila da TI. A integração com o sistema que já roda o negócio. A revisão de segurança. A homologação. A janela de implantação. Cada etapa existe por um bom motivo, e nenhuma delas é rápida. Meses depois, a oportunidade ainda não chegou a nenhum cliente. Quando chega, o seu foco e a sua energia já estão em outro lugar.
Se hoje oportunidades como estas levam mais de duas semanas para chegar à mão do seu cliente, a sua empresa não é exceção. Mas está um ou dois passos atrás de quem está liderando o mercado.
E se os seus investimentos em IA fossem canalizados para que as suas ideias, por mais simples ou complexas que sejam, estivessem sempre a uma semana de distância de funcionar na mão dos seus clientes?
Onde a IA entra: no projeto novo ou no sistema que já roda?
Hoje, esses investimentos têm um destino conhecido. Pergunte a qualquer executivo o que a empresa está fazendo com IA e a resposta vem pronta: um assistente no atendimento, um agente que lê contratos, um copiloto para o time de vendas. O que o mercado anuncia a cada semana pressiona qualquer liderança a ter projetos assim, e eles precisam existir. O problema é quando eles avançam à custa de não acelerar, otimizar ou modernizar os sistemas que já operam o negócio, o legado que sustenta essa operação. Cada projeto novo leva meses para descobrir as regras de negócio que ninguém documentou, as integrações que ninguém mapeou, os ajustes que o sistema precisa para funcionar bem. E, por colocarem IA generativa na frente do cliente, ainda precisam descobrir quais travas construir para o modelo não dizer nem fazer o que não deve. A fila de projetos de IA cresce, fica cada vez mais aspiracional, e os resultados vão sendo empurrados para o trimestre seguinte.
Enquanto isso, o resto da operação segue no mesmo ritmo, com o mesmo custo e as mesmas ineficiências de sempre. O app de e-commerce que concentra a maior parte da receita tem o backlog andando na velocidade de sempre. O portal de pedidos B2B que transaciona milhões por mês continua precisando da mesma squad só para se manter de pé. O app de venda que a força de vendas abre todo dia recebe uma melhoria por trimestre. O programa de fidelidade fica em segundo plano por falta de braço técnico. Esses sistemas, o legado que já opera o negócio, continuam como estavam: o mesmo código, a mesma esteira de mudança, as mesmas etapas e os mesmos prazos.
Para o conselho, parece que está tudo certo: o número de projetos de IA no portfólio dobrou. Mas o tempo entre a ideia e o cliente continua o mesmo. O custo de sustentar o que já existe também, e nenhum dos projetos novos foi desenhado para fazê-lo cair. E a IA está sendo usada para acompanhar o hype, não para aumentar o resultado e enxugar a operação.
Uma executiva que passou por três das maiores marcas de consumo do mundo resumiu isso para nós numa frase: "as pessoas falam que estão inovando, mas quando você vai ver, na verdade não está mudando nada". Falta parar para entender como aplicar, da forma mais efetiva, o que a tecnologia já permite hoje.
O que mudou para isso ser possível agora
Agora inverta a cena. O time de negócio detalha o que quer. Uma esteira de agentes de IA atualiza o sistema que já opera o negócio em horas ou dias. Na semana seguinte, o cliente já usa. O seu time pede, a esteira entrega. Isso já é possível hoje, na maior parte dos projetos, e não só aqui. Na Taqtile, sistemas que levamos três, quatro ou seis meses para desenvolver estão sendo reescritos em duas semanas. O que possibilitou isso são três fatores principais.
O primeiro é o salto dos modelos em gerar código. No SWE-bench Verified, o teste público mais usado para tarefas reais de engenharia de software, os melhores modelos resolviam cerca de 2% das tarefas no fim de 2023. No fim de 2024, perto de metade. No fim de 2025, cerca de 80%. Em 2026, passaram de 90%, e o teste foi aposentado por ter ficado fácil demais. Outras capacidades também avançaram. Nos testes que simulam um agente de atendimento ao cliente, como o τ²-bench, os modelos saíram de menos de metade das tarefas em 2024 para perto de 80% em 2026. É muito, mas não é o mesmo salto. A capacidade que mais avançou nesta geração de modelos não é conversar com o cliente. É construir e reconstruir software.
[imagem: gráfico da evolução ano a ano do SWE-bench Verified, de 2023 a 2026, com os modelos de ponta de cada ano no gráfico e no texto alternativo]
O segundo é a esteira em volta dos agentes. Times de engenharia de ponta estão reescrevendo sistemas legados com uma fração do esforço de antes, porque os agentes agora trabalham dentro de uma arquitetura de apoio e de boas práticas de desenvolvimento: especificação antes do código, testes que o próprio agente precisa passar, testes adversariais que tentam quebrar o que foi feito, revisão de código e verificações de segurança. É o que chamamos de harness: o conjunto de regras e verificações que diz aos agentes como desenvolver, confere o que eles fizeram e barra o que não passa. Essa validação é mais robusta do que a que existia quando o app original foi feito. O sistema que precisava de uma squad de seis ou sete pessoas para ser sustentado passa a precisar de um ou dois engenheiros.
O terceiro é que o sistema legado é o melhor insumo que um gerador de código pode receber. O app de e-commerce ou a plataforma B2B que roda há anos tem regras de negócio definidas e validadas pelo tempo de uso, integrações mapeadas, gargalos conhecidos e usuários que reclamam no dia seguinte quando algo muda. O projeto novo não tem nada disso. Tem hipóteses. E a governança pesa menos: código gerado por IA passa por engenheiro, teste e validação antes de chegar a um cliente. O erro aparece na esteira, não na frente de quem compra. É a forma mais leve de governança de IA que existe hoje. IA generativa conversando com o cliente é mais difícil de controlar e demora mais para gerar resultado. Faz sentido dedicar a maior parte da energia a ela, quando existe um caminho muito mais previsível para gerar resultado no curto prazo?
Por onde a reescrita dos sistemas legados começa
O primeiro passo é escolher o sistema, não o projeto de IA. Quem quer encurtar o tempo entre a ideia e o cliente olha para o portal de pedidos, para o app de venda, para o sistema que a próxima ideia vai ter que atravessar, e só depois para o roadmap de IA. É também a escolha de menor risco. O projeto novo de IA é, por definição, a aposta incerta: ninguém sabe ainda se vai funcionar, nem para quem. O sistema legado é o contrário disso. Está validado, tem cliente usando e gera receita todo dia. O assistente e o agente vêm em seguida, com menos esforço, porque nascem em cima de uma base já refeita para isso.
O segundo passo é mapear e decidir com a mesma IA. Levantar o processo que o sistema atende, as regras que ele aplica e as integrações que ele toca, comparar alternativas e decidir: cada uma dessas etapas também encurtou com IA de apoio. O que antes ocupava semanas de reuniões cabe em dias.
O terceiro é montar a esteira e cuidar da qualidade dela. A objeção é conhecida, e durante anos foi verdadeira: rápido quer dizer malfeito. Só que a troca entre velocidade e qualidade não existe mais nessa esteira, e quando a troca desaparece, desaparece junto o motivo para proteger a esteira antiga. É assim que trabalhamos hoje. Construímos a esteira junto com o time do cliente. O código, as especificações e a arquitetura são dele. As demandas seguintes, o time dele pede e a esteira entrega, com menos gente e menos tempo do que antes. O nosso time técnico fica onde faz diferença: cuidando da qualidade do que sai e evoluindo o harness conforme os modelos e as práticas mudam, o que acontece a cada poucos meses. Ninguém fica preso a nós, nem ao nosso harness, nem a uma plataforma de terceiros, nem a um modelo de IA. Vale perguntar o mesmo a quem constrói para você.
Como você mede o retorno da IA hoje?
A adoção de IA deixa de ser medida pelo número de projetos no portfólio. A medida passa a ser o tempo entre uma ideia e um cliente de verdade, nos sistemas que já rodam. A pergunta que vale levar para o time deixa de ser "que projeto de IA vamos fazer este ano" e vira "qual dos nossos sistemas, reescrito, faria as próximas ideias chegarem ao cliente mais rápido". Para quem responde pelo orçamento, vale uma segunda pergunta: quanto o custo de manter e evoluir os nossos principais sistemas vai cair nos próximos doze meses? Se a resposta é nada, ou ninguém sabe, a empresa vai pagar no ano que vem o mesmo que pagou neste para manter o que já tem. Na sua operação, qual seria o primeiro sistema a refazer: o e-commerce, o portal B2B, o app da força de vendas?