Modernización de sistemas legacy con inteligencia artificial generativa: evaluación de la transformación de especificaciones funcionales en servicios
DOI:
https://doi.org/10.47212/rtcAlinin.4.226.10Palabras clave:
especificaciones funcionales, inteligencia artificial generativa, modernización, servicios, sistemas legacyResumen
Este estudio evalúa un enfoque basado en inteligencia artificial generativa para transformar especificaciones funcionales de un sistema legacy en servicios de software, y determinar su cumplimiento funcional, utilidad arquitectónica, incidencias y productividad estimada frente al desarrollo tradicional. Se realizó un estudio de caso empírico observacional sobre un sistema legacy real, cuya población fue de 1.280 servicios generados con el modelo Claude Opus 4.6 a partir de especificaciones estructuradas. Mediante muestreo intencional por complejidad se seleccionaron los 500 servicios con tres o más Story Points. Los datos se recolectaron con pruebas automatizadas, revisión manual, la herramienta de incidencias del proyecto y una rúbrica de cinco criterios para valorar la utilidad, aplicada por el arquitecto líder y cerrada por consenso de tres arquitectos, sin cálculo de concordancia entre evaluadores. Los tiempos se estimaron a partir de la velocidad histórica del equipo. De los 500 servicios, 425 (85 %) cumplieron las especificaciones sin ajustes y 75 requirieron iteración; se identificaron 85 incidencias, con predominio de las arquitectónicas (41 %), y 430 servicios (86 %) se clasificaron como útiles. El tiempo estimado por componente fue de 4 días con el enfoque generativo y de 10 días con el tradicional. Se concluye que la inteligencia artificial generativa puede acelerar la transformación de sistemas legacy y producir servicios que cumplen las especificaciones y resultan útiles, siempre que se integre con validación técnica, evaluación arquitectónica, iteración y supervisión humana especializada. Al tratarse de un único sistema y de tiempos estimados, los resultados deben interpretarse con cautela.
Descargas
Citas
Bakar, H. K. A., Razali, R. and Jambari, D. I. (2019). Implementation phases in modernisation of legacy systems. 2019 6th International Conference on Research and Innovation in Information Systems (ICRIIS), 1–6. https://doi.org/10.1109/ICRIIS48246.2019.9073628
Chen, M., Tworek, J., Jun, H., Yuan, Q., Ponde de Oliveira Pinto, H., Kaplan, J., Edwards, H., Burda, Y., Joseph, N., Brockman, G., Ray, A., Puri, R., Krueger, G., Petrov, M., Khlaaf, H., Sastry, G., Mishkin, P., Chan, B., Gray, S. (…) Zaremba, W. (2021). Evaluating large language models trained on code. arXiv. https://doi.org/10.48550/arXiv.2107.03374
Crotty, J. and Horrocks, I. (2017). Managing legacy system costs: A case study of a meta-assessment model to identify solutions in a large financial services company. Applied Computing and Informatics, 13(2), 175–183. https://doi.org/10.1016/j.aci.2016.12.001
Diggs, C., Doyle, M., Madan, A., Scott, S., Escamilla, E., Zimmer, J., Rothermel, K. J., Sanchez, D., Robinson, S., Zwyssig, T. and Thaker, S. (2024). Leveraging LLMs for legacy code modernization: Challenges and opportunities for LLM-generated documentation. arXiv. https://doi.org/10.48550/arXiv.2411.14971
Duarte, D. y Chacón, O. (2022). Inteligencia artificial: retos y desafíos de la ética laboral en la sociedad tecnológica, Mundo Fesc, vol 12 no. S3 pp. 265-280 de 2022
Esposito, M., Li, X., Moreschini, S., Ahmad, N., Cerny, T., Vaidhyanathan, K., Lenarduzzi, V. and Taibi, D. (2026). Generative AI for software architecture. Applications, challenges, and future directions. Journal of Systems and Software, 231, 112607. https://doi.org/10.1016/j.jss.2025.112607
Etikan, I., Musa, S. A. and Alkassim, R. S. (2016). Comparison of convenience sampling and purposive sampling. American Journal of Theoretical and Applied Statistics, 5(1), 1–4. https://doi.org/10.11648/j.ajtas.20160501.11
Fávero, L. F., de Almeida, N. R. and Affonso, F. J. (2025). A systematic mapping study on the modernization of legacy systems to microservice architecture. Applied System Innovation, 8(4), 86. https://doi.org/10.3390/asi8040086
Gandhi, S., Patwardhan, M., Khatri, J., Vig, L. and Medicherla, R. K. (2024). Translation of low-resource COBOL to logically correct and readable Java leveraging high-resource Java refinement. Proceedings of the 1st International Workshop on Large Language Models for Code, 46–53. https://dl.acm.org/doi/10.1145/3643795.3648388
Gholami, M. F., Daneshgar, F., Beydoun, G. and Rabhi, F. (2017). Challenges in migrating legacy software systems to the cloud — an empirical study. Information Systems, 67, 100–113. https://doi.org/10.1016/j.is.2017.03.008
Hadjichristofi, C., Tsilimigkounakis, M., Sotiropoulos, G. and Vescoukis, V. (2026). An empirical evaluation of large language models applying software architectural patterns. AI, 7(6), 195. https://doi.org/10.3390/ai7060195
Hasan, M. H., Osman, M. H., Admodisastro, N. I. and Muhammad, M. S. (2023). Legacy systems to cloud migration: A review from the architectural perspective. Journal of Systems and Software, 202, 111702. https://doi.org/10.1016/j.jss.2023.111702
Hou, X., Zhao, Y., Liu, Y., Yang, Z., Wang, K., Li, L., Luo, X., Lo, D., Grundy, J. and Wang, H. (2024). Large language models for software engineering: A systematic literature review. ACM Transactions on Software Engineering and Methodology, 33(8), 220. https://doi.org/10.1145/3695988
Irani, Z., Abril, R. M., Weerakkody, V., Omar, A. and Sivarajah, U. (2023). The impact of legacy systems on digital transformation in European public administration: Lesson learned from a multi case analysis. Government Information Quarterly, 40(1), 101784. https://doi.org/10.1016/j.giq.2022.101784
Kavitha, V., Gowri Laksshmi, K. S., Hemashree, P. and Shobana, R. (2025). Empowering software engineering automation through explainable AI. En Advances in Computers. Elsevier. https://doi.org/10.1016/bs.adcom.2025.07.009
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., Riedel, S. and Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33. https://doi.org/10.48550/arXiv.2005.11401
Margara, A. and Salvaneschi, G. (2018). On the semantics of distributed reactive programming: The cost of consistency. IEEE Transactions on Software Engineering, 44(7), 689–711. https://doi.org/10.1109/TSE.2018.2833109
Nguyen-Duc, A., Cabrero-Daniel, B., Przybylek, A., Arora, C., Khanna, D., Herda, T., Rafiq, U., Melegati, J., Guerra, E., Kemell, K.-K., Saari, M., Zhang, Z., Le, H., Quan, T. and Abrahamsson, P. (2023). Generative artificial intelligence for software engineering – A research agenda. arXiv. https://doi.org/10.48550/arXiv.2310.18648
Peng, S., Kalliamvakou, E., Cihon, P. and Demirer, M. (2023). The impact of AI on developer productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/pdf/2302.06590
Pérez-Castillo, R., De Guzmán, I. G.-R. and Piattini, M. (2011). Knowledge discovery metamodel-ISO/IEC 19506: A standard to modernize legacy systems. Computer Standards & Interfaces, 33(6), 519–532. https://doi.org/10.1016/j.csi.2011.02.007
Ramírez, A. (2025). Globalization, interconnection or sustainability. Revista Temario Científico, 5(1), 1–3. https://doi.org/10.47212/rtcAlinin.3.125.1
Runeson, P. and Höst, M. (2009). Guidelines for conducting and reporting case study research in software engineering. Empirical Software Engineering, 14(2), 131–164. https://doi.org/10.1007/s10664-008-9102-8
Sandborn, P. A. and Prabhakar, V. J. (2015). The forecasting and impact of the loss of critical human skills necessary for supporting legacy systems. IEEE Transactions on Engineering Management, 62(3), 361–371. https://doi.org/10.1109/TEM.2015.2438820
Sergeyuk, A., Golubev, Y., Bryksin, T. and Ahmed, I. (2025). Using AI-based coding assistants in practice: State of affairs, perceptions, and ways forward. Information and Software Technology, 178, 107610. https://doi.org/10.1016/j.infsof.2024.107610
Tawosi, V., Moussa, R. and Sarro, F. (2022). On the relationship between story points and development effort in agile open-source software. Proceedings of the 16th ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM '22). https://doi.org/10.1145/3544902.3546238
Tawosi, V., Moussa, R. and Sarro, F. (2023). Agile effort estimation: Have we solved the problem yet? Insights from a replication study. IEEE Transactions on Software Engineering, 49(4), 2677–2697. https://doi.org/10.1109/TSE.2022.3228739
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Yeismer Cornelio Espejo Bohorquez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
