Usar IA para leer código heredado: mapas, documentación y reglas de negocio

Toda modernización empieza con la misma pregunta: ¿qué hace realmente este sistema? Las respuestas viven en código escrito hace años, muchas veces por personas que ya no están, en un lenguaje o framework que el equipo actual casi no usa, con documentación que dejó de coincidir con el código hace mucho. La IA puede hacer buena parte de la primera pasada en días. Lo que no cambia es quién responde por las respuestas.

En resumen: la IA escribe el primer borrador de la comprensión; los ingenieros lo convierten en conocimiento.

Lo que la IA hace bien con código viejo

• Resumir módulos. Dale a un modelo un archivo o una carpeta y pregúntale para qué sirve, qué lee, qué escribe y quién lo llama.
• Mapear dependencias. Qué módulos llaman a cuáles, qué tablas lee y escribe cada uno, con qué servicios externos habla. Junto con las herramientas de análisis estático, la IA puede bosquejar el mapa y explicarlo.
• Seguir flujos de datos. Sigue un dato, como un pedido o una factura, desde la pantalla donde se ingresa hasta cada lugar donde se guarda, se modifica o se envía.
• Redactar documentación. Explicaciones de instalación, configuración, tareas programadas y pasos de despliegue que hoy existen solo en la memoria de alguien o en un script que nadie abre.
• Listar reglas de negocio. Las condiciones enterradas en el código: descuentos que aplican solo ciertos días, estados que bloquean una acción, redondeos que cambian según el producto. En una lista sencilla, el negocio puede confirmarlas o corregirlas.
• Explicar lenguajes y frameworks desconocidos. Un ingeniero puede preguntar qué significa una construcción antigua o una línea de configuración críptica, y tener una respuesta útil en segundos.

Dónde se equivoca

• Errores dichos con seguridad. Un modelo puede describir lo que una función “probablemente” hace a partir de su nombre, y afirmarlo como un hecho. En código heredado, los nombres mienten seguido: una función llamada “validar” también puede guardar, mandar un correo o cambiar un estado.
• Contexto que falta. El modelo ve lo que le das. El comportamiento que depende de triggers en la base de datos, de configuración en el servidor, de una tarea programada en otro repositorio o de datos que solo existen en producción le resulta invisible, a menos que alguien lo traiga.
• Código muerto que parece vivo. Los sistemas viejos cargan código que no se ejecuta hace años. Un resumen del código no es un resumen del comportamiento.
• Suavizar las rarezas. El caso especial extraño suele ser la regla de negocio más importante. Un resumen que lo ordena y lo hace desaparecer pierde justo lo que la reescritura tiene que conservar.

Verifica cada afirmación contra el código y el comportamiento

Cada afirmación que produce la IA debería quedar marcada como no verificada hasta que un ingeniero la revise. Revisar significa dos cosas:

1. Contra el código. Abre las líneas que la sustentan. Una buena práctica es pedirle al modelo que cite archivo y línea para cada afirmación; la que no puede señalar es una suposición.
2. Contra el comportamiento. Corre el sistema, lee los registros, consulta una copia de los datos. Si la lista de reglas dice que los pedidos sobre cierto monto requieren aprobación, busca un pedido que lo haya superado y mira qué pasó.

Las reglas de negocio piden una revisión más: la de las personas que operan el proceso. Algunas reglas del código son deliberadas, otras son errores viejos que todos ya esquivan, y solo el negocio puede decir cuál es cuál.

Las reglas revisadas se convierten luego en pruebas. Una prueba que describe lo que hace el sistema viejo, escrita antes de reemplazar nada, es lo más valioso que produce esta lectura: le dice al sistema nuevo exactamente qué tiene que seguir haciendo.

Guarda los resultados en el repositorio

Los mapas, resúmenes y listas de reglas valen la pena solo si se quedan junto al código. Guárdalos en el repositorio como archivos de texto plano, revisa sus cambios como si fueran código y anota en cada uno si ya se verificó, quién lo hizo y cuándo.

Una regla práctica antes de empezar: comparte el código solo con herramientas de IA que tu empresa aprobó para eso, con condiciones que lo dejen fuera del entrenamiento de modelos. El código viejo suele traer credenciales, datos de clientes en datos de prueba y direcciones internas; límpialos primero.

Nuestro chequeo de modernización es una forma rápida de ver qué tan listo está tu sistema.