O primeiro artigo mostrou que o hardware é o limite físico. Agora entramos na camada lógica: por que a IA, que parece tão inteligente em demos, se comporta como estagiário confuso ao olhar para o seu sistema legado?

Se você já tentou usar IA para modernizar código com procedures internas, regras tributárias obscuras e bancos sem documentação, conhece a sensação: a ferramenta patina, inventa soluções que não compilam e ignora a exceção que só dispara uma vez por ano. Não é incompetência sua — é choque de civilizações.

Determinismo versus probabilidade

Sistemas legados — Java 8, COBOL, Delphi, procedures SQL — foram construídos sobre determinismo. Se a entrada é A, a saída precisa ser B. Regras tributárias de 1998, validações de integridade e nuances de negócio foram escritas em pedra porque o erro custa processo, multa ou cliente.

A IA generativa (LLMs) é probabilística. Ela não "lê" código; prevê qual seria o próximo caractere mais provável com base no que viu na internet. Quando você joga um sistema complexo para análise, ocorre curto-circuito conceitual:

• A IA ignora a exceção da regra: o legado é 10% fluxo principal e 90% exceções tratadas a duras penas.
• Alucinação técnica: se uma biblioteca Java de 2012 sumiu do Maven Central, ela inventa substituto que parece correto mas nunca compila.
• Perda de arquitetura: ela analisa o pedaço com perfeição e falha no sistema inteiro.

A janela de contexto: olhar de lince numa floresta

A retórica diz que a IA pode "ler todo o seu repositório". Mentira prática. Toda LLM tem janela de contexto — limite de memória de curto prazo. Imagine seu legado como livro de 2.000 páginas; a IA lê 50 por vez.

Se a regra da página 10 depende de variável global definida na página 1.500, ela perde o fio. Vê a árvore; ignora que a floresta está pegando fogo. Esse é o motivo pelo qual projetos de "IA que reescreve legado" falham: não falta inteligência; falta continuidade de contexto e conhecimento histórico que nunca foi documentado.

O caso das procedures e do banco caixa-preta

SQL de vinte anos atrás não é armazenamento — é lógica pura embutida no banco. Triggers, packages, regras de JGB (Juntas de Gestão de Business), validações cruzadas entre tabelas que ninguém mapeou desde o outsourcing de 2005.

Para a IA, o banco é caixa preta. Sem evidências de como os dados se transformam lá dentro, ela supõe. E suposição em sistema fiscal ou financeiro é risco jurídico, não ganho de produtividade.

Você mencionou ter patinado num projeto real: a IA não conseguia ler o legado por nuances, procedures e regras internas impossíveis. Isso é padrão, não exceção. A abordagem correta não é substituição; é mapeamento e reengenharia com etapas manuais para extrair regras de negócio antes de qualquer automação.

O outsourcing de 20 anos atrás, repetido

Lembra quando mandaram desenvolvimento para longe para cortar custo? O código voltou funcionando, mas ninguém sabia o porquê. Perdeu-se conhecimento intelectual.

Estamos repetindo o erro com IA. Confiar que ela reescreverá legado sem humano entender regras internas é caminho rápido para criar "Legado de IA": código que ninguém mantém, que consome mais RAM que o original e que alucina em produção.

Agentes não substituem arqueologia

Em 2026, agentes encadeiam tarefas: ler planilha, gerar gráfico, consolidar apresentação. Funciona quando o domínio é bem definido e os dados estão mastigados. Falha quando o domínio é o seu ERP de 1995 com dez camadas de patch.

O orquestrador (agente central) delega para especialistas — dados, análise, consolidação. Belo na teoria. Na prática, cada delegação consome janela de contexto e tokens; cada especialista ignora o que o outro viu se o estado não for modelado com rigor. Sistemas monolíticos não morrem; arquiteturas agênticas exigem modularidade que legado raramente tem.

Integração gradual, não revolução

A convivência com legado — modernização gradual, Padrão Estrangulador, core estável — está desenvolvida no episódio 4 do Horizonte do Essencial. Aqui importa o recorte IA: o legado gera relatório bruto em TXT; a IA lê esse TXT e produz insight para o gerente. O core permanece determinístico; a LLM opera na borda, onde probabilidade é aceitável.

Conclusão

O legado não é entulho — é espinha dorsal de ferro da economia real. A IA patina porque falta contexto histórico e precisão absoluta que negócios exigem. Mudar legado não é copiar e colar no ChatGPT; é arqueologia digital que a tecnologia atual ainda não automatiza com segurança.

No próximo artigo, descemos ao armazenamento: onde a "nova inteligência" guarda o que aprende — bancos vetoriais, embeddings e o custo de RAM que a retórica esconde.

---

Nota: Segundo artigo da série O Mito da Eficiência; continuidade com o artigo 3 em 05/01/2027.