En los primeros dos artículos de esta serie, analizamos por qué la migración legacy tradicional llegó a un punto límite para los bancos y fintechs, y cómo una metodología AI-native e iterativa puede transformar una modernización de alto riesgo en un proceso confiable y repetible.
Este tercer artículo trata sobre lo que vemos repetidamente en la práctica: los obstáculos que frenan o descarrilan los programas de modernización del core, y cómo un enfoque AI-native aborda cada uno de ellos de manera concreta.
Desafío #1: Migrar un sistema que nadie termina de entender del todo
Los cores legacy acumulan décadas de lógica de negocio sin documentar, que existe sólo en el código y, a veces, en la memoria de un grupo cada vez más reducido de ingenieros que todavía conocen el sistema.
Los agentes de IA pueden reconstruir ese mapa –reglas de negocio, interdependencias, código muerto– reduciendo la carga sobre las pocas personas que aún dominan el sistema y comprimiendo tiempos de análisis que de otro modo se extenderían por meses.
Hacer visibles las interdependencias del sistema es especialmente valioso: documentar conexiones complejas suele ser lo que le da a los equipos la confianza para avanzar.
Lo que hace que esa recuperación sea confiable y transferible a todo el equipo es una arquitectura de prompts consistente. El output tiene que validarse contra el conocimiento del dominio: hemos visto cómo la lógica reconstruida afloraba cosas que incluso los expertos restantes habían olvidado, lo que hace que esa triangulación sea tan valiosa como el análisis en sí.
Desafío #2: No tener un proceso estructurado para escalar la migración
Los grandes programas de modernización históricamente tuvieron dificultades para sostener la velocidad. Sin una metodología repetible, cada nuevo módulo arranca desde cero –y el programa frena exactamente cuando más necesita acelerar.
Lo que aprendimos es que resolver esto requiere un enfoque iterativo AI-native construido sobre tres pasos concretos:
- Trabajar un módulo de negocio por vez mantiene la modernización en etapas manejables y de menor riesgo.
- Los agentes de IA proponen la arquitectura de destino basándose en la lógica descubierta, mientras que los expertos humanos validan la visión arquitectónica, asegurando que cada paso esté alineado con los requisitos actuales del negocio.
- Cada iteración finaliza con una verificación automatizada antes de pasar al siguiente módulo, manteniendo la estabilidad operativa durante todo el proceso.
El loop sólo se sostiene cuando están presentes los pilares organizacionales: las herramientas de IA adecuadas para cada práctica; equipos entrenados para una adopción efectiva; y una base de conocimiento reutilizable que mejora con cada ciclo, haciendo que cada iteración sea más rápida y menos dependiente del expertise de cualquier individuo en particular.
Desafío #3: No tener victorias tempranas para mantener el apoyo de los stakeholders
Cuando un programa no puede demostrar avances en sus primeras fases, pierde la confianza organizacional que necesita para llegar a completarse.
El enfoque modular responde directamente a esto. Cada módulo completado es un entregable verificable: una pieza del sistema funcionando en producción. Combinado con el análisis acelerado por IA y una base de conocimiento reutilizable, el programa construye un historial de entregas que sostiene la confianza de los stakeholders a lo largo del tiempo.
Hay un prerrequisito que es fácil subestimar: antes de que empiece cualquier migración, la organización necesita tener claridad sobre qué está tratando de lograr –escalabilidad, compatibilidad cloud, mejora de UX, o simplemente un stack más fácil de mantener. La IA acelera la ejecución, pero no reemplaza ese alineamiento estratégico. Sin él, hasta la mejor metodología corre el riesgo de construir lo incorrecto más rápido.
Desafío #4: Un backlog de requerimientos que el core legacy no puede atender
La mayoría de los cores bancarios acumulan no sólo deuda técnica, sino también deuda de negocio: requerimientos que se registraron porque la arquitectura legacy no podía soportarlos. Para cuando comienza el proceso de modernización, ese backlog representa tanto una oportunidad como un verdadero desafío de análisis.
Al combinar el conocimiento de la nueva arquitectura con el backlog acumulado de requerimientos, los agentes de IA pueden evaluar sistemáticamente cuáles solicitudes son ahora viables, cuáles siguen fuera de scope y qué cambios arquitectónicos harían falta para desbloquear las que todavía no lo son. Ese análisis, que de forma manual llevaría semanas o meses, se convierte en un input estructurado y accionable para el roadmap de modernización.
Desafío #5: Experiencia de cliente inconsistente entre canales
En banca y fintech, los clientes interactúan a través de múltiples canales y esperan una experiencia consistente en todos ellos. Cuando los backends se modernizan sin una estrategia de frontend paralela, esa consistencia se rompe. El proceso tradicional de traducir diseños a código es manual, lento y propenso a errores –y al ritmo que exige una migración, los estándares del design system son lo primero que se sacrifica.
El enfoque AI-native automatiza ese puente. Los agentes analizan el design system del cliente, detectan componentes de UI a partir de los diseños en Figma y generan documentación que alimenta directamente el desarrollo de nuevas pantallas, garantizando consistencia y accesibilidad.
El resultado es un catálogo de prompts reutilizable que codifica el contexto arquitectónico y permite a los desarrolladores generar nuevas interfaces siguiendo los mismos estándares.
Qué tienen en común estos obstáculos
Ninguno es un problema puramente técnico. Cada uno refleja una brecha organizacional que precede a la IA, y que la IA sola no puede cerrar. Lo que marca la diferencia es la claridad sobre qué busca lograr la migración, combinada con la infraestructura construida alrededor de la IA: las herramientas correctas, equipos entrenados, un proceso iterativo estructurado y una base de conocimiento que se potencia con cada ciclo.
La mayoría de las organizaciones que adoptan IA se detienen en las ganancias de productividad individual. Las que logran superar estos obstáculos son las que transforman esas ganancias en eficiencia a nivel de programa: donde cada ciclo construye sobre el anterior, y la migración se convierte en algo que la organización puede sostener y completar.
Para conocer de cerca cómo intive aplica este enfoque en la práctica, los invito a explorar nuestro framework AI-native de migración legacy.
.png)
.png)
.png)
.png)
.png)
.png)