La frontera probabilística: cómo orquestar agentes en la modernización de sistemas core con IA
La inteligencia artificial está transformando las posibilidades de modernización de los sistemas core. Su capacidad para interpretar código legado, analizar funcionalidades y proponer transformaciones abre nuevas oportunidades para organizaciones que necesitan evolucionar plataformas críticas sin interrumpir sus operaciones.
Sin embargo, esta evolución plantea el desafío de resolver cómo incorporar tecnologías que generan respuestas probabilísticas en sistemas donde las operaciones requieren comportamientos predecibles, reglas de negocio precisas y resultados verificables. Este es un reto que adquiere especial relevancia en un mercado que está acelerando la adopción de IA sobre infraestructuras existentes.
En este artículo analizamos cómo abordar esa frontera entre las capacidades probabilísticas de la IA y las certezas que exigen los sistemas core, qué criterios considerar al orquestar agentes inteligentes y de qué manera combinar automatización, validación y conocimiento del negocio para avanzar en una modernización controlada.
Modernizar sistemas core con IA: oportunidades y desafíos para las organizaciones
Según el informe 2025 State of Mainframe Modernization de Kyndryl, elaborado a partir de una encuesta a 500 líderes de tecnología y negocio, el 88 % de las organizaciones consultadas ya implementó o planea implementar inteligencia artificial generativa en sus entornos mainframe. Al mismo tiempo, el 94 % señala que las regulaciones influyen de un modo considerable en sus decisiones de modernización.
Estas cifras reflejan una tensión que las empresas deben gestionar y que consiste en aprovechar las nuevas capacidades tecnológicas, mientras mantienen la estabilidad, la seguridad y el cumplimiento de los sistemas que sostienen su negocio.
En sectores como banca y seguros, donde una modificación puede afectar operaciones financieras, cálculos, transacciones o información sensible, modernizar implica mucho más que transformar código.
Detrás de cada aplicación existen años de decisiones, dependencias, excepciones y reglas de negocio que no siempre están documentadas. Algunas permanecen ocultas en programas COBOL, rutinas assembler o procesos batch que continúan ejecutándose a lo largo de los años e incluso décadas.
La IA generativa puede ayudar a comprender y transformar estos entornos, pero su capacidad para producir código no garantiza que interprete correctamente todas las condiciones que determinan su funcionamiento.
El desafío consiste en establecer una frontera clara entre lo que la IA puede interpretar y proponer, aquello que puede comprobarse mediante mecanismos confiables y las decisiones que necesitan permanecer bajo control humano.
Comprender la función del código en el negocio
Uno de los errores más importantes al incorporar IA en la modernización de sistemas legados consiste en asumir que generar código técnicamente correcto equivale a preservar el comportamiento del sistema original.
Un programa puede compilar en forma correcta, superar determinadas pruebas y producir resultados con aparente consistencia, sin contemplar todas las reglas que el sistema fue incorporando a lo largo de su historia.
Pensemos en una aplicación bancaria desarrollada en COBOL que calcula intereses, aplica condiciones comerciales y procesa determinadas excepciones según el tipo de cliente o producto. Un agente de IA podría analizar ese programa, explicar su lógica y proponer una implementación en otro lenguaje.
Incluso podría generar pruebas que permitan comparar ambos desarrollos, pero ¿qué sucede si existe una condición excepcional incorporada hace 15 años, que solo se ejecuta ante una combinación poco frecuente de variables?
Si esa regla no está documentada, no aparece en los casos de prueba y no fue identificada de forma correcta durante el análisis, la nueva aplicación podría funcionar bien en la mayoría de los escenarios y producir resultados incorrectos cuando se presenta esa excepción.
Entonces, el problema no estaría necesariamente en la calidad del código generado, sino en la comprensión incompleta del comportamiento que debía conservarse.
Es importante tener en cuenta que antes de decidir cómo transformar una aplicación, es preciso reconstruir qué hace, de qué depende, qué reglas implementa y qué consecuencias tendría modificarla. Este análisis adquiere especial importancia en organizaciones donde el conocimiento funcional se encuentra distribuido entre documentación histórica, equipos técnicos y especialistas que conocen determinadas particularidades de la operación.
La IA generativa puede contribuir a recuperar parte de ese conocimiento, pero sus interpretaciones deben tratarse como hipótesis que necesitan contrastarse con información y evidencia del sistema real.
Lo que parece haber dejado de utilizarse puede seguir siendo esencial
En muchos sistemas existen funcionalidades que parecen haber perdido vigencia, aunque siguen vinculadas a procesos necesarios para el funcionamiento del negocio.
Imaginemos un proceso batch que se ejecuta una vez al año para realizar un ajuste contable o generar información vinculada con un cierre regulatorio. Un análisis limitado a las ejecuciones recientes podría sugerir que ese programa prácticamente no se utiliza. Si tampoco aparecen dependencias activas en las herramientas de monitoreo, podría surgir la recomendación de eliminarlo o excluirlo del alcance de modernización.
No obstante, la ausencia de dependencias visibles no constituye evidencia suficiente para concluir que una funcionalidad está en desuso. Una ejecución esporádica puede resultar tan crítica como una operación que procesa miles de transacciones diarias.
Para tomar una decisión confiable es crítico combinar análisis estático, revisión de dependencias, registros de ejecución, conocimiento funcional y validaciones con los responsables del negocio.
La diferencia es significativa, ya que no se trata solo de identificar código que parece innecesario, sino de determinar qué impacto tendría dejar de ejecutarlo.
En IT Patagonia, este enfoque se relaciona con nuestra experiencia en análisis, mantenimiento y evolución de aplicaciones críticas, a partir de la cual abordamos el diagnóstico técnico de programas, compilaciones y versiones, como parte de la definición de estrategias de modernización adaptadas a cada entorno.
El objetivo es construir conocimiento suficiente para tomar decisiones sobre la evolución de los sistemas, en lugar de comenzar por una transformación tecnológica cuyo alcance todavía no se comprende completamente.
IA generativa y procesos determinísticos: cómo distribuir responsabilidades
Una vez comprendido el sistema existente, aparece un segundo desafío, que reside en determinar qué tareas conviene delegar a la IA y cuáles requieren mecanismos de ejecución y validación determinísticos.
La diferencia entre ambos enfoques no es solamente tecnológica:
- La IA generativa trabaja con modelos probabilísticos capaces de interpretar información, reconocer patrones y producir respuestas. Esta característica resulta valiosa para analizar código complejo, explicar funcionalidades, generar documentación o proponer alternativas de transformación.
- Los procesos determinísticos, en cambio, permiten ejecutar reglas explícitas y obtener resultados reproducibles bajo condiciones equivalentes.
En una iniciativa de modernización, ambas capacidades pueden complementarse.
Por ejemplo, un agente podría analizar un conjunto de programas COBOL e identificar posibles relaciones entre componentes. Otro podría proponer una transformación de determinadas funcionalidades. Posteriormente, herramientas de análisis y testing podrían comparar el comportamiento de la versión original con el de la propuesta.
Esta separación permite organizar el proceso alrededor de cuatro responsabilidades:
- Comprender: implica interpretar el código existente, sus relaciones y sus posibles reglas de negocio.
- Proponer: busca generar alternativas de transformación y documentar los cambios sugeridos.
- Comprobar: consiste en ejecutar verificaciones, contrastar resultados y detectar diferencias.
- Autorizar: apunta a determinar si la transformación puede avanzar según el riesgo y la evidencia disponible.
El principio es sencillo: que un agente tenga capacidad técnica para realizar una acción no significa que deba estar autorizado para ejecutarla.
Para aplicarlo a una situación concreta, una herramienta podría generar en forma automática una modificación sobre un programa que interviene en la liquidación de operaciones financieras. Pero eso no significa que deba contar con permisos para incorporar ese cambio directamente al entorno productivo.
La autonomía necesita definirse según la criticidad de la tarea, el impacto potencial de un error y la posibilidad de verificar sus resultados antes de afectar la operación.
Un proceso repetible también puede equivocarse
Aquí aparece una distinción que suele quedar fuera de las conversaciones sobre automatización, teniendo en cuenta que obtener siempre el mismo resultado no significa obtener el resultado correcto.
Pensemos en la migración de un proceso que calcula comisiones bancarias. Un mecanismo determinístico podría comparar miles de operaciones entre la aplicación original y la modernizada, verificando que ambas produzcan exactamente los mismos importes.
Esa comparación constituye una evidencia importante de equivalencia funcional. Pero si la aplicación original contiene una regla desactualizada que ya no responde a las condiciones comerciales vigentes, la nueva solución podría reproducir perfectamente un comportamiento que el negocio necesita corregir.
En ese caso, la automatización habría demostrado consistencia técnica, pero no validez funcional. La validación de una transformación debería contemplar al menos dos dimensiones. Por un lado, comprobar que se preserva el comportamiento esperado y, en paralelo, verificar que ese comportamiento continúa siendo correcto para las necesidades actuales del negocio.
Esta diferencia obliga a incorporar especialistas funcionales y responsables de los procesos críticos dentro de las instancias de evaluación. No alcanza con preguntar si el código funciona como antes, también es necesario determinar si debe seguir funcionando de esa manera.
Orquestar agentes significa diseñar permisos, controles y condiciones de autonomía
La incorporación de agentes inteligentes permite distribuir tareas entre diferentes capacidades especializadas, pero también introduce nuevos riesgos si esa distribución no contempla responsabilidades y límites explícitos.
Un agente dedicado al análisis de código no requiere los mismos permisos que otro encargado de ejecutar pruebas. Del mismo modo, una herramienta que propone modificaciones no debería disponer automáticamente de acceso para implementarlas en producción.
Diseñar una arquitectura de agentes implica establecer qué información puede consultar cada uno, qué herramientas puede utilizar, qué acciones tiene permitido ejecutar y bajo qué condiciones necesita una autorización adicional. Esto resulta especialmente importante cuando los agentes trabajan sobre repositorios, documentación interna, herramientas de desarrollo o entornos que contienen información sensible.
En sistemas core, una forma de organizar esta arquitectura consiste en establecer niveles progresivos de autonomía:
- Autonomía para analizar y proponer. Los agentes pueden interpretar código, identificar relaciones, generar documentación preliminar y sugerir transformaciones dentro de entornos autorizados.
- Ejecución condicionada a una aprobación. Determinadas acciones, como modificar código, aceptar reglas funcionales o implementar cambios en entornos controlados, requieren autorizaciones y verificaciones adicionales.
- Acciones que no deben ejecutarse autónomamente. Las modificaciones sobre datos productivos, la eliminación de controles o la implementación de cambios críticos deben permanecer sujetas a los mecanismos de autorización definidos por la organización.
Este enfoque permite aprovechar la IA en actividades de exploración, análisis y generación, mientras se mantienen controles más estrictos sobre las acciones que pueden comprometer la integridad de los sistemas. Además, evita confundir autonomía con ausencia de supervisión.
Un proceso puede utilizar múltiples agentes y conservar puntos de aprobación humana, verificaciones automáticas y mecanismos de reversión. Lo importante no es maximizar la cantidad de decisiones automatizadas, sino determinar cuáles pueden delegarse de manera responsable.
Evidencia y trazabilidad en la modernización del core
En una modernización asistida por IA, conservar evidencia no debería limitarse a registrar que determinadas pruebas fueron ejecutadas. La organización necesita poder reconstruir qué código se analizó, qué transformación se propuso, qué versiones intervinieron, qué verificaciones se realizaron y quién autorizó avanzar.
Esto adquiere particular importancia en sectores regulados, donde la trazabilidad de las decisiones tecnológicas forma parte de la gestión del riesgo.
En banca, por ejemplo, las exigencias sobre gestión de riesgos tecnológicos, desarrollo y mantenimiento de software hacen necesario establecer controles sobre los cambios que afectan sistemas críticos.
La discusión también se conecta con el gobierno de inteligencia artificial. La trazabilidad, la documentación y la conservación de evidencia permiten responder ante requerimientos regulatorios.
Aunque allí el foco está puesto en los modelos de IA y sus resultados, el principio común reside en que una organización necesita demostrar cómo llegó a una decisión y qué mecanismos utilizó para evaluar y verificar su impacto.
En la modernización core, esta necesidad se extiende al proceso de transformación. Por ejemplo, ante una modificación de una rutina que interviene en el procesamiento de transacciones, debería ser posible identificar:
- La versión original.
- La propuesta de cambio.
- Los resultados de las pruebas comparativas.
- Las diferencias detectadas y las aprobaciones correspondientes.
Esta información permite evaluar el cambio antes de implementarlo y facilita su revisión posterior. La evidencia, por lo tanto, no constituye sólo un requisito documental, es un instrumento para reducir incertidumbre y mejorar la calidad de las decisiones.
Cuándo conviene preservar una funcionalidad
La incorporación de IA puede contribuir a resolver una pregunta que debería formularse antes de cualquier transformación, y que hace foco en si realmente tiene sentido modernizar una funcionalidad específica.
En ocasiones, la disponibilidad de nuevas tecnologías lleva a considerar la modernización como un objetivo en sí mismo. Sin embargo, reemplazar una aplicación no siempre representa la alternativa más conveniente desde el punto de vista económico, operativo o estratégico.
Imaginemos una rutina assembler que realiza una operación específica con un nivel de rendimiento elevado, un comportamiento estable y una integración consolidada con otros componentes del core. Su antigüedad podría convertirla en candidata para una transformación. Pero, si no presenta problemas de mantenimiento, no limita nuevas funcionalidades y su reemplazo introduce costos o riesgos superiores a los beneficios esperados, conservarla podría ser una decisión razonable.
En ese escenario, la IA puede ayudar a documentar su funcionamiento, identificar dependencias y analizar posibles alternativas. Pero el resultado del análisis no necesariamente debería ser una migración. Podría recomendarse mantener la rutina, mejorar su documentación, fortalecer las pruebas o encapsularla para facilitar su integración con nuevas aplicaciones.
En otras palabras, el valor de una estrategia de modernización no debería medirse por cuánto código se transforma, sino por cuánto mejora la capacidad de la organización para operar y evolucionar su negocio.
La decisión puede incluir transformar, optimizar, integrar, reemplazar o preservar determinados componentes. Para elegir entre estas alternativas, el análisis técnico necesita complementarse con criterios de negocio: costos de mantenimiento, criticidad operativa, disponibilidad de conocimiento, capacidad de integración, riesgos y beneficios esperados.
De la experimentación al assessment: cómo incorporar IA en una estrategia de modernización
Una de las principales oportunidades de la inteligencia artificial está en ampliar la capacidad de análisis durante las etapas iniciales de una modernización.
En lugar de comenzar directamente por la conversión de código, las organizaciones pueden utilizar herramientas de IA para acelerar la comprensión de sus aplicaciones, identificar relaciones, generar documentación preliminar y explorar alternativas.
Pero estas capacidades necesitan integrarse en un proceso de evaluación que permita transformar los hallazgos técnicos en decisiones.
Desde nuestra experiencia, el assessment inicial es una etapa determinante para comprender el estado del sistema, establecer prioridades y construir una hoja de ruta de modernización. El conocimiento generado durante las primeras etapas de un proyecto constituye una parte fundamental de su valor, aunque todavía no se traduzca en grandes cambios visibles sobre las aplicaciones.
Incorporar IA a esta instancia permite explorar nuevas formas de acelerar determinadas tareas de análisis, siempre que los resultados sean contrastados mediante verificaciones técnicas y funcionales. La capacidad de una tecnología para ejecutar una tarea no garantiza que sea conveniente delegarle toda la responsabilidad.
La incorporación de agentes requiere distinguir entre interpretar información, proponer transformaciones, comprobar resultados y ejecutar modificaciones. Cada responsabilidad presenta riesgos diferentes y necesita condiciones de autorización acordes con su impacto.
Además, se debe considerar que el grado de autonomía no debería permanecer fijo durante todo el proyecto. Puede evolucionar a medida que se dispone de mayor conocimiento sobre las aplicaciones, se fortalecen las verificaciones y se demuestra que determinadas tareas pueden ejecutarse de manera confiable.
Esto permite avanzar de una manera progresiva, sin convertir la autonomía de los agentes en un objetivo independiente de los resultados del negocio.
Qué debería producir un assessment asistido por IA
Un diagnóstico de modernización que incorpore capacidades de IA podría organizarse alrededor de cuatro resultados principales:
1. Un mapa del sistema y sus dependencias, que permita identificar aplicaciones, componentes, integraciones, procesos batch, reglas conocidas y relaciones que requieren mayor investigación.
2. Una evaluación de criticidad y riesgo, para determinar qué funcionalidades sostienen procesos esenciales, cuáles presentan mayores incertidumbres y qué consecuencias podría tener su transformación.
3. Una propuesta de alternativas de evolución, con el objetivo de comparar opciones de modernización, integración, optimización o preservación según sus costos, beneficios y riesgos.
4. Una hoja de ruta sustentada en evidencia, orientada a priorizar intervenciones, definir verificaciones y establecer qué condiciones deben cumplirse antes de avanzar hacia nuevas etapas.
Estos resultados permiten vincular el análisis tecnológico con decisiones de inversión, continuidad operativa y capacidad de evolución. Además, ofrecen una base para establecer qué actividades pueden acelerarse mediante IA y cuáles requieren intervención de especialistas técnicos, responsables funcionales o equipos de riesgo.
Checklist: 8 criterios para evaluar la autonomía de agentes de IA en sistemas core
Antes de incorporar agentes inteligentes en un proceso de modernización, conviene evaluar qué condiciones existen para delegar responsabilidades.
La siguiente checklist puede utilizarse como punto de partida para una conversación entre equipos de tecnología, arquitectura, negocio, seguridad y compliance.
- ¿Está definido qué tareas puede realizar el agente de forma autónoma, cuáles requieren aprobación y cuáles tiene prohibidas?
- ¿Se conocen las aplicaciones, datos, herramientas y entornos a los que necesita acceder?
- ¿Se identificaron las reglas de negocio y dependencias que podrían verse afectadas por sus acciones?
- ¿Existen mecanismos independientes para verificar los resultados que propone?
- ¿Se dispone de casos de prueba que contemplen excepciones y escenarios poco frecuentes?
- ¿Es posible reconstruir qué analizó, qué propuso, qué ejecutó y quién autorizó cada cambio?
- ¿Se definieron criterios de interrupción, reversión y escalamiento ante resultados inesperados?
- ¿Está demostrado que la incorporación del agente aporta valor frente a una alternativa convencional?
Esta evaluación no pretende establecer un esquema universal de permisos. Cada organización deberá adaptar sus criterios según la arquitectura tecnológica, la sensibilidad de la información, las exigencias regulatorias y el impacto de los procesos involucrados.
Su principal utilidad consiste en transformar una discusión general sobre autonomía en decisiones concretas vinculadas a responsabilidades y controles.
Evolucionar el core sin comprometer su funcionamiento
La inteligencia artificial generativa abre oportunidades para comprender sistemas legados, recuperar conocimiento técnico y acelerar determinadas actividades de modernización. Pero su incorporación también exige reconocer que interpretar correctamente una parte del sistema no equivale a comprender todas las condiciones que determinan su comportamiento.
La modernización asistida por IA necesita combinar capacidades probabilísticas con mecanismos determinísticos, conocimiento del negocio y decisiones sustentadas en evidencia.
El desafío no consiste en elegir entre automatización y control, sino en diseñar una arquitectura donde ambas capacidades puedan complementarse. Esto implica identificar qué puede proponer la IA, qué resultados pueden comprobarse y qué decisiones deben permanecer sujetas a autorizaciones específicas.
Asimismo, requiere reconocer que no todas las funcionalidades necesitan transformarse y que preservar un componente puede ser tan valioso como modernizarlo, cuando esa decisión responde a una evaluación rigurosa.
Desde nuestra perspectiva, la modernización del core es un proceso que comienza mucho antes de modificar una línea de código.
Cómo incorporar IA en la modernización del core
Cómo explicamos previamente, modernizar implica construir las condiciones para que los sistemas que hoy sostienen una empresa puedan seguir evolucionando de manera confiable.
¿Tu organización está evaluando modernizar aplicaciones críticas, identificar dependencias o incorporar agentes de IA en sus procesos de transformación?
Te invitamos a agendar un assessment con nuestro equipo para evaluar las oportunidades de modernización asistida por inteligencia artificial y los mecanismos de validación que necesita tu core. El primer paso es comprender qué conviene transformar, qué debe preservarse y con qué evidencia es posible avanzar.
