Antes de modernizar 6 milhões de linhas de código, a IA precisava descobrir o que elas faziam

O Departamento de Veículos da Califórnia, conhecido como DMV, conduz um programa plurianual chamado Digital eXperience Platform (DXP), cujo objetivo declarado é substituir progressivamente seus sistemas legados e retirar a organização de sua plataforma mainframe.

Esse programa de modernização, porém, acontece por etapas. Enquanto alguns serviços já operam em uma nova plataforma, outros ainda dependem dos sistemas existentes — e uma das maiores dificuldades era compreender as regras de negócio acumuladas em milhões de linhas de código.

Construída a partir do final da década de 1970, a arquitetura central da DMV reúne aproximadamente 6 milhões de linhas de COBOL e Assembler, distribuídas por cerca de 2.500 programas. Segundo a IBM, que integrou uma frente de discovery, uma análise manual das regras incorporadas a esse código poderia levar até cinco anos.

A solução adotada combinou análise estática, inteligência artificial generativa e validação humana. Com isso, a fase de descoberta teria sido concluída em 15 meses.

Não era um sistema experimental

A DMV atende mais de 33 milhões de motoristas e portadores de documentos de identidade, administra quase 35 milhões de registros de veículos e arrecada mais de 14 bilhões de dólares por ano.

Suas aplicações processam registros, habilitações e outros serviços públicos de grande volume. Também aplicam políticas, validações e exigências regulatórias que foram incorporadas ao código durante décadas.

Portanto, não estamos falando de uma experiência de laboratório na qual uma resposta incorreta pode ser simplesmente descartada. Uma regra interpretada de maneira errada pode provocar problemas no atendimento à população, no cumprimento da legislação ou na integração com outros órgãos e sistemas.

É por isso que modernizar uma infraestrutura como essa não pode começar por uma tradução automática de COBOL para outra linguagem.

O verdadeiro problema do legado

Os programas continuam funcionando. O problema era que parte do conhecimento necessário para compreendê-los já não estava disponível.

Ao longo de quase cinquenta anos, novas regras foram adicionadas, programas foram alterados e dependências foram criadas. Parte dessas decisões provavelmente foi documentada. Outra parte permaneceu apenas no código ou na memória dos profissionais que participaram de sua construção.

Com aposentadorias, desligamentos e dificuldade para contratar especialistas em mainframe, a DMV já não podia depender exclusivamente desse conhecimento institucional.

O código havia se transformado na documentação mais completa do próprio sistema. Entretanto, examinar manualmente milhões de linhas de COBOL e Assembler, reconstruindo chamadas, acessos a dados e efeitos sobre processos relacionados, exigiria anos de trabalho.

O que a IA efetivamente fez

O processo não consistiu simplesmente em entregar milhões de linhas de COBOL e Assembler a um modelo de linguagem.

O projeto, primeiro, utilizou o IBM Analysis and Renovation Catalyst (ARC) para realizar uma análise estruturada do código, identificando programas, variáveis, condicionais, chamadas e dependências. A partir daí, produziu pseudocódigo e outros artefatos técnicos. Um LLM executado no watsonx.ai recebeu essa representação intermediária e a transformou em explicações das regras de negócio em linguagem compreensível.

Em termos simplificados, o ARC procurava reconstruir a estrutura do sistema; o modelo de linguagem procurava explicá-la.

Nos primeiros 12 meses, quase 5 milhões de linhas teriam sido analisadas. A fase completa de descoberta terminou em 15 meses.

O que a IA não fez

A IA não substituiu automaticamente os sistemas da DMV. Também não converteu, sozinha, 6 milhões de linhas de COBOL e Assembler em uma nova aplicação pronta para entrar em produção.

Os resultados não eram aceitos sem revisão. Especialistas em mainframe verificavam se a sintaxe e a lógica dos programas haviam sido interpretadas corretamente. Profissionais da DMV validavam se as descrições correspondiam às políticas e regulamentações aplicadas pelo órgão. O feedback dessas pessoas era então utilizado para ajustar o processo e melhorar as iterações seguintes.

O papel do profissional COBOL

O caso demonstra que a IA não tornou desnecessário conhecer COBOL. Demonstra que ela reduziu o trabalho mecânico necessário para localizar, organizar e explicar partes do sistema.

Alguém ainda precisava reconhecer uma interpretação incorreta, compreender dependências entre programas, identificar os efeitos de um processamento batch e verificar se uma regra aparentemente plausível correspondia ao comportamento real da aplicação.

A IA acelerou a leitura. O conhecimento técnico e o conhecimento do negócio deram confiabilidade ao resultado.

O profissional experiente deixa de dedicar todo o seu tempo à investigação manual e passa a atuar também como validador, orientador e responsável por separar uma explicação convincente de uma interpretação tecnicamente correta.

E como está o projeto agora?

O programa DXP, iniciado formalmente em 2021, é muito mais amplo e continua em andamento. Algumas funções já foram transferidas gradualmente para a nova plataforma, mas a modernização do registro de veículos, uma das partes mais complexas do programa, enfrentou atrasos e mudanças na condução do projeto.

A DMV encerrou, no final de 2025, o contrato com a integradora dessa fase e assumiu a continuidade do trabalho. Em 2026, o California Department of Technology (CDT) classificou sua gestão da qualidade como vermelha, indicando risco significativo e necessidade de ação corretiva imediata. Depois de sucessivos adiamentos, o “go-live” do novo sistema de registro de veículos foi reprogramado para 19 de janeiro de 2027. Depois disso virão a estabilização desse sistema, início da modernização dos sistemas de habilitação e identificação e substituição de outros componentes que permanecem no ambiente legado.

O portal do CDT indica que a nova data aprovada para conclusão do programa DXP, neste momento, é 30 de março de 2029, com um custo total estimado de US$ 767 milhões.

Isso ajuda a colocar o anúncio da IBM em perspectiva. A IA acelerou a compreensão do código legado, mas não eliminou as dificuldades de projetar, desenvolver, integrar, testar e implantar o sistema que deverá substituí-lo.

O que isso nos ensina?

Muitas organizações começam uma modernização discutindo cloud, microsserviços, APIs ou a linguagem que substituirá o COBOL. O caso da California DMV sugere que existe uma pergunta anterior a todas essas decisões:

A empresa sabe exatamente o que o sistema atual faz?

Antes de migrar, reescrever ou decompor um monolito, precisamos recuperar as regras, as dependências e o conhecimento acumulado ao longo de décadas. A inteligência artificial pode reduzir consideravelmente esse esforço, mas não transforma uma modernização complexa em um processo automático.

Na minha opinião, sua contribuição mais importante talvez não seja eliminar o legado, mas ajudar as organizações e seus profissionais a voltar a compreendê-lo.