Veel bedrijfskritische systemen draaien al tientallen jaren betrouwbaar door, terwijl de kennis over de werking ervan langzaam is verdwenen. Documentatie is verouderd of ontbreekt, de oorspronkelijke ontwikkelaars zijn vertrokken en aanpassingen zijn door de jaren heen laag op laag toegevoegd. Het gevolg is een applicatielandschap waarvan niemand meer precies weet hoe het werkt of welke impact een wijziging heeft.
Dat zorgt niet alleen voor technische schuld, maar vooral voor onzekerheid. Organisaties stellen modernisering uit omdat de risico's moeilijk zijn in te schatten.
Dat werd ook duidelijk in een recente praktijkcase. Op papier leek het om een overzichtelijk systeem te gaan met een helder bedrijfsdoel. In de praktijk bleek het applicatielandschap veel groter en complexer dan verwacht. Door jaren van uitbreidingen, patches en integraties was een netwerk ontstaan van onderlinge afhankelijkheden dat nauwelijks was gedocumenteerd.
De uitdaging was dan ook niet om het systeem opnieuw te bouwen, maar om eerst te begrijpen hoe het daadwerkelijk functioneerde. Pas als dat inzicht er is, kun je onderbouwde keuzes maken over modernisering.
AI wordt vaak gepresenteerd als dé oplossing voor legacy-modernisering. Snellere analyses, automatische documentatie en versnelde migraties klinken aantrekkelijk, maar de praktijk is genuanceerder.
AI begrijpt een applicatie niet vanzelf. De kwaliteit van de uitkomst hangt af van de context die je meegeeft én van de mensen die de analyse begeleiden.
In deze praktijkcase werd AI ingezet om broncode te analyseren, datastromen in kaart te brengen, afhankelijkheden te identificeren en stap voor stap documentatie op te bouwen. Dat leverde uiteindelijk veel tijdswinst op, maar pas nadat de analyses meerdere keren waren gevalideerd en verrijkt.
Een belangrijke les was dat AI overtuigende antwoorden kan geven die toch onjuist zijn. Zonder voldoende context vult het ontbrekende informatie aan met aannames die logisch lijken, maar niet altijd kloppen. Juist daarom blijven validatie en menselijke expertise essentieel.
Legacy-applicaties bestaan zelden uit één technologie. In deze omgeving werkten COBOL-programma's samen met shellscripts, Perl-code, SQL-procedures, batchprocessen en VB6-componenten. Samen vormden ze één keten waarin data voortdurend werd verwerkt en doorgegeven.
Om zo'n landschap te begrijpen is het niet voldoende om alleen de broncode te analyseren. Je moet de volledige procesketen kunnen volgen, onderscheid maken tussen de kernlogica en uitzonderingen en vaststellen welke onderdelen nog actief worden gebruikt.
AI hielp om processtromen sneller te analyseren, ongebruikte componenten te herkennen en consistente documentatie op te bouwen. De grootste winst zat echter niet in snelheid, maar in het creëren van overzicht.
Deze case leverde een aantal belangrijke inzichten op voor organisaties die met legacy-modernisering aan de slag gaan.
Begin bij het kernproces. Door eerst de belangrijkste bedrijfsprocessen in kaart te brengen, wordt duidelijk welke uitzonderingen in de loop der jaren zijn toegevoegd. Dat maakt documentatie overzichtelijker en helpt om modernisering gericht aan te pakken.
Maak aannames expliciet. AI vult ontbrekende informatie gemakkelijk zelf in. Door duidelijk vast te leggen wat zeker is, wat is afgeleid en wat nog moet worden gevalideerd, ontstaat betrouwbare documentatie.
Reken op een leerfase. AI levert niet vanaf dag één maximale efficiëntie op. De eerste analyses vragen om experimenteren, bijsturen en controleren. Pas daarna ontstaat een werkwijze die snel én reproduceerbaar is.
Menselijke expertise blijft onmisbaar. AI kan code analyseren en patronen herkennen, maar begrijpt geen bedrijfsprocessen of organisatiedoelen. Die context blijft nodig om uitkomsten te beoordelen en de juiste keuzes te maken.
Voor organisaties is de grootste waarde van deze aanpak niet dat documentatie sneller beschikbaar komt. De echte winst is dat besluitvorming beter wordt onderbouwd.
Nog voordat een migratie start, ontstaat inzicht in de werking van het systeem, de onderlinge afhankelijkheden en de werkelijke complexiteit. Daarmee wordt legacy-modernisering geen sprong in het diepe, maar een beheersbaar traject waarin risico's en inspanning beter zijn te voorspellen.
AI kan dat proces aanzienlijk versnellen, mits het onderdeel is van een gestructureerde aanpak waarin technologie, architectuurkennis en menselijke expertise samenkomen. Niet het herschrijven van code vormt de eerste stap, maar het begrijpen van het systeem.