El mayor valor de la IA generativa no siempre está en crear nuevos productos y agentes. Modernizar los sistemas legados puede ser la clave para adelantar el retorno de tu inversión en IA.
Alguien de tu equipo ve una forma nueva de que el cliente reponga stock desde el portal de pedidos. O un flujo nuevo para aumentar la conversión en la app. O una forma de avisar del retraso en la entrega que reduzca los reclamos. En dos semanas, un prototipo está listo. La dirección lo ve, le gusta, lo aprueba. El comité de arquitectura lo aprueba. A partir de ahí, la oportunidad entra en la fila de TI. La integración con el sistema que ya mueve el negocio. La revisión de seguridad. La homologación. La ventana de implantación. Cada etapa existe por una buena razón, y ninguna es rápida. Meses después, la oportunidad todavía no llegó a ningún cliente. Cuando llega, tu foco y tu energía ya están en otro lugar.
Si hoy oportunidades como estas tardan más de dos semanas en llegar a manos de tu cliente, tu empresa no es una excepción. Pero está uno o dos pasos detrás de quienes lideran el mercado.
¿Y si tus inversiones en IA se canalizaran para que tus ideas, por simples o complejas que sean, estuvieran siempre a una semana de funcionar en manos de tus clientes?
Dónde entra la IA: ¿en el proyecto nuevo o en el sistema que ya funciona?
Hoy, estas inversiones tienen un destino conocido. Pregúntale a cualquier ejecutivo qué está haciendo la empresa con IA y la respuesta viene lista: un asistente en la atención al cliente, un agente que lee contratos, un copiloto para el equipo de ventas. Lo que el mercado anuncia cada semana presiona a cualquier liderazgo a tener proyectos así, y tienen que existir. El problema es cuando avanzan a costa de no acelerar, optimizar ni modernizar los sistemas que ya operan el negocio, el legado que sostiene esa operación. Cada proyecto nuevo tarda meses en descubrir las reglas de negocio que nadie documentó, las integraciones que nadie mapeó, los ajustes que el sistema necesita para funcionar bien. Y, como ponen IA generativa frente al cliente, todavía tienen que descubrir qué barreras construir para que el modelo no diga ni haga lo que no debe. La fila de proyectos de IA crece, se vuelve cada vez más aspiracional, y los resultados se van empujando al trimestre siguiente.
Mientras tanto, el resto de la operación sigue al mismo ritmo, con el mismo costo y las mismas ineficiencias de siempre. La app de e-commerce que concentra la mayor parte de los ingresos tiene el backlog avanzando a la velocidad de siempre. El portal de pedidos B2B que mueve millones al mes sigue necesitando el mismo squad solo para mantenerse en pie. La app de ventas que la fuerza de ventas abre todos los días recibe una mejora por trimestre. El programa de fidelización queda en segundo plano por falta de manos técnicas. Estos sistemas, el legado que ya opera el negocio, siguen como estaban: el mismo código, la misma cadena de cambios, las mismas etapas y los mismos plazos.
Para el directorio, parece que todo está bien: el número de proyectos de IA en el portafolio se duplicó. Pero el tiempo entre la idea y el cliente sigue siendo el mismo. El costo de sostener lo que ya existe también, y ninguno de los proyectos nuevos fue diseñado para reducirlo. Y la IA se está usando para acompañar el hype, no para aumentar el resultado y hacer más eficiente la operación.
Una ejecutiva que pasó por tres de las mayores marcas de consumo del mundo nos lo resumió en una frase: "la gente dice que está innovando, pero cuando vas a ver, en realidad no está cambiando nada". Falta detenerse a entender cómo aplicar, de la forma más efectiva, lo que la tecnología ya permite hoy.
Qué cambió para que esto sea posible ahora
Ahora invierte la escena. El equipo de negocio detalla lo que quiere. Una cadena de agentes de IA actualiza el sistema que ya opera el negocio en horas o días. A la semana siguiente, el cliente ya lo usa. Tu equipo pide, la cadena entrega. Esto ya es posible hoy, en la mayor parte de los proyectos, y no solo aquí. En Taqtile, sistemas que tardamos tres, cuatro o seis meses en desarrollar se están reescribiendo en dos semanas. Lo que lo hizo posible son tres factores principales.
El primero es el salto de los modelos en generar código. En SWE-bench Verified, la prueba pública más usada para tareas reales de ingeniería de software, los mejores modelos resolvían cerca del 2% de las tareas a fines de 2023. A fines de 2024, cerca de la mitad. A fines de 2025, cerca del 80%. En 2026, superaron el 90%, y la prueba fue retirada por haberse vuelto demasiado fácil. Otras capacidades también avanzaron. En las pruebas que simulan un agente de atención al cliente, como τ²-bench, los modelos pasaron de menos de la mitad de las tareas en 2024 a cerca del 80% en 2026. Es mucho, pero no es el mismo salto. La capacidad que más avanzó en esta generación de modelos no es conversar con el cliente. Es construir y reconstruir software.
[imagen: gráfico de la evolución año a año de SWE-bench Verified, de 2023 a 2026, con los modelos de punta de cada año en el gráfico y en el texto alternativo]
El segundo es la cadena alrededor de los agentes. Equipos de ingeniería de punta están reescribiendo sistemas legados con una fracción del esfuerzo de antes, porque ahora los agentes trabajan dentro de una arquitectura de apoyo y de buenas prácticas de desarrollo: especificación antes del código, pruebas que el propio agente tiene que pasar, pruebas adversariales que intentan romper lo que se hizo, revisión de código y verificaciones de seguridad. Es lo que llamamos harness: el conjunto de reglas y verificaciones que les dice a los agentes cómo desarrollar, revisa lo que hicieron y bloquea lo que no pasa. Esta validación es más robusta que la que existía cuando se hizo la app original. El sistema que necesitaba un squad de seis o siete personas para sostenerse pasa a necesitar uno o dos ingenieros.
El tercero es que el sistema legado es el mejor insumo que puede recibir un generador de código. La app de e-commerce o la plataforma B2B que funciona desde hace años tiene reglas de negocio definidas y validadas por el tiempo de uso, integraciones mapeadas, cuellos de botella conocidos y usuarios que se quejan al día siguiente cuando algo cambia. El proyecto nuevo no tiene nada de eso. Tiene hipótesis. Y la gobernanza pesa menos: el código generado por IA pasa por un ingeniero, pruebas y validación antes de llegar a un cliente. El error aparece en la cadena, no frente a quien compra. Es la forma más liviana de gobernanza de IA que existe hoy. La IA generativa conversando con el cliente es más difícil de controlar y tarda más en generar resultados. ¿Tiene sentido dedicarle la mayor parte de la energía, cuando existe un camino mucho más previsible para generar resultados en el corto plazo?
Por dónde empieza la reescritura de los sistemas legados
El primer paso es elegir el sistema, no el proyecto de IA. Quien quiere acortar el tiempo entre la idea y el cliente mira el portal de pedidos, la app de ventas, el sistema que la próxima idea va a tener que atravesar, y solo después el roadmap de IA. También es la opción de menor riesgo. El proyecto nuevo de IA es, por definición, la apuesta incierta: nadie sabe todavía si va a funcionar, ni para quién. El sistema legado es lo contrario. Está validado, tiene clientes usándolo y genera ingresos todos los días. El asistente y el agente vienen después, con menos esfuerzo, porque nacen sobre una base ya rehecha para eso.
El segundo paso es mapear y decidir con la misma IA. Relevar el proceso que el sistema atiende, las reglas que aplica y las integraciones que toca, comparar alternativas y decidir: cada una de estas etapas también se acortó con IA de apoyo. Lo que antes ocupaba semanas de reuniones cabe en días.
El tercero es armar la cadena y cuidar su calidad. La objeción es conocida, y durante años fue cierta: rápido quiere decir mal hecho. Pero el intercambio entre velocidad y calidad ya no existe en esta cadena, y cuando el intercambio desaparece, desaparece con él el motivo para proteger la cadena antigua. Así es como trabajamos hoy. Construimos la cadena junto con el equipo del cliente. El código, las especificaciones y la arquitectura son suyos. Las demandas siguientes, su equipo las pide y la cadena las entrega, con menos gente y menos tiempo que antes. Nuestro equipo técnico se queda donde marca la diferencia: cuidando la calidad de lo que sale y evolucionando el harness a medida que cambian los modelos y las prácticas, lo que ocurre cada pocos meses. Nadie queda atado a nosotros, ni a nuestro harness, ni a una plataforma de terceros, ni a un modelo de IA. Vale la pena preguntarle lo mismo a quien construye para ti.
¿Cómo mides hoy el retorno de la IA?
La adopción de IA deja de medirse por el número de proyectos en el portafolio. La medida pasa a ser el tiempo entre una idea y un cliente real, en los sistemas que ya funcionan. La pregunta que vale llevar al equipo deja de ser "qué proyecto de IA vamos a hacer este año" y pasa a ser "cuál de nuestros sistemas, reescrito, haría que las próximas ideas llegaran antes al cliente". Para quien responde por el presupuesto, vale una segunda pregunta: ¿cuánto va a bajar el costo de mantener y evolucionar nuestros principales sistemas en los próximos doce meses? Si la respuesta es nada, o nadie lo sabe, la empresa va a pagar el año que viene lo mismo que pagó este para mantener lo que ya tiene. En tu operación, ¿cuál sería el primer sistema a rehacer: el e-commerce, el portal B2B, la app de la fuerza de ventas?