Reducción de tiempos de migración:
El uso de IA para analizar el core legacy del módulo de Cobranzas llevó solo 3 semanas, cuando normalmente hubiera llevado meses.


Der zeitnahe Zugriff auf wichtige Patientendaten, deren Erstellung und Speicherung stellen erhebliche Herausforderungen dar. Diese Schwierigkeiten stören nicht nur die Arbeitsabläufe, sondern erhöhen auch das Risiko, die Patientenversorgung zu beeinträchtigen. Während ein Blatt Papier für den unmittelbaren Bedarf sofort verfügbar ist, führt das Hochladen und Abrufen von Daten aus einem Computer oder System oft zu erheblichen Verzögerungen, was den Prozess weiter verkompliziert und die Gesamteffizienz beeinträchtigt.
Banco del Sol ya había iniciado la migración, pero entender el comportamiento de cada módulo requería semanas de análisis manual. intive propuso aplicar herramientas de Inteligencia Artificial (IA) para mejorar la calidad y los plazos del proceso, tomando como punto de partida un segmento del módulo de Cobranzas. Si la Prueba de Concepto (PoC) funcionaba, la metodología se extendería al resto del módulo de Cobranzas y los módulos restantes.

Para resolver un sistema sin documentación, la única fuente
de verdad era el código mismo. Los expertos de intive comenzaron con un Discovery en el que usaron LLMs para extraer la lógica de negocio directamente de ese código y reorganizarla en un documento técnico estructurado.
Sobre esa base, construyeron una arquitectura de prompts para que la IA generara el código del nuevo frontend, alineado al entorno específico del banco.
En tres semanas, intive procesó el código fuente de cada ventana del módulo de Cobranzas con LLMs, desarrollando un proceso iterativo para extraer la lógica de negocio subyacente: validaciones, mensajes de error, fórmulas de cálculo y reglas de flujo. Ese trabajo requirió tomar decisiones metodológicas sobre cómo interrogar a la IA según el tipo de análisis, las cuales se documentaron en una guía de buenas prácticas de prompting: un activo reutilizable para abordar los módulos restantes del banco.


CliniCode, entwickelt von STACKIT und intive, bietet eine innovative Lösung für die Herausforderungen bei der Dokumentation. Die Kernfunktionalität des Systems basiert auf einem optimierten Prozess zur Verarbeitung handschriftlicher Notizen im klinischen Kontext. Am Anfang steht ein Eingabemechanismus, mit dem Benutzer Scans von handschriftlichen Notizen hochladen können. Sobald die Notizen sicher hochgeladen sind, beginnt die Verarbeitungsphase in einer datengeschützten und souveränen Cloud-Umgebung, in der eine fortschrittliche OCR-Engine (Optical Character Recognition) die gescannten Bilder in bearbeitbaren Text umwandelt.
Con el documento técnico validado, intive desarrolló el frontend en React usando IA como motor principal de generación de código. El desafío era lograr que la IA generara código coherente con el entorno específico de Banco del Sol, sin romper su arquitectura ni su identidad visual.

intive construyó un sistema estructurado de instrucciones y contexto que incluía el Design System del banco, screenshots de diseños en Figma, patrones tomados de interfaces ya migradas y las convenciones de arquitectura del proyecto. Esta arquitectura le daba a la IA acceso al conocimiento local del cliente como única referencia. Como resultado, Banco del Sol recibió un catálogo de conocimiento reutilizable que cualquier desarrollador que se incorporara al proyecto iba a poder usar para generar interfaces con consistencia y velocidad desde el primer día.
Se logró un proceso simple y preciso: el desarrollador definía qué pantalla o funcionalidad construir, la IA generaba código alineado al sistema de diseño respetando componentes, nomenclaturas y patrones existentes, y un revisor validaba el output. Cualquier ajuste se canalizaba a través de la IA. El código generado cumplió todos los estándares de calidad del banco, sin que los desarrolladores escribieran una línea de forma manual.
Reducción de tiempos de migración:
El uso de IA para analizar el core legacy del módulo de Cobranzas llevó solo 3 semanas, cuando normalmente hubiera llevado meses.
Reducción del riesgo de migración:
La lógica de negocio documentada y validada antes del desarrollo eliminó el riesgo de replicar comportamientos malinterpretados.
Curva de aprendizaje acelerada:
El uso estratégico de la IA permitió que dos desarrolladores sin involucramiento previo en el dominio llevaran adelante la migración al mismo nivel que perfiles con amplio conocimiento.
Reducción de la dependencia del experto legacy:
La metodología comprimió esa dependencia a una sola instancia de validación al cierre del análisis, liberando al referente técnico para otras responsabilidades críticas.
Reducción de la dependencia del experto legacy:
La metodología comprimió esa dependencia a una sola instancia de validación al cierre del análisis, liberando al referente técnico para otras responsabilidades críticas.
Código generado por IA, validado por humanos:
Las interfaces construidas por la IA, validadas por los desarrolladores, cumplieron todos los estándares de calidad del banco.
Mejora de experiencia de usuario:
Las interfaces migradas se llevaron a producción, reemplazando las ventanas del sistema anterior y permitiendo al equipo técnico mantener y evolucionar el producto sin depender de tecnología obsoleta.