O elefante na sala das médias empresas brasileiras
Existe uma realidade que raramente aparece nas apresentações de eventos de tecnologia, mas que a maioria dos gestores de TI conhece muito bem: a maior parte das médias empresas brasileiras opera com sistemas críticos que têm entre 10 e 25 anos de idade. ERPs implantados na era do Windows XP, bancos de dados que nunca foram migrados, planilhas Excel que acumularam décadas de regras de negócio não documentadas — esse é o cenário real de empresas que faturam entre R$ 20 e R$ 500 milhões por ano.
Quando essas empresas decidem adotar inteligência artificial, o caminho parece bloqueado. Como conectar algoritmos de ML modernos a um sistema AS/400 dos anos 1990? Como alimentar um modelo preditivo com dados presos em planilhas descoordenadas? Como justificar para o board um projeto de IA quando a infraestrutura de dados é, na melhor das hipóteses, caótica?
A boa notícia é que existe um caminho. A Trilion desenvolveu metodologias específicas para integrar IA em ambientes com sistemas legados sem exigir a substituição completa e arriscada de toda a infraestrutura — o chamado big bang migration, que é, como veremos, uma aposta muito arriscada.
Por que o big bang migration é tão arriscado
A tentação de substituir tudo de uma vez é compreensível. A promessa de uma infraestrutura moderna, limpa e totalmente integrada em um único projeto parece muito mais elegante do que a abordagem incremental. O problema é que a realidade raramente coopera com essa elegância.
Projetos de substituição total de sistemas legados (os chamados forklift upgrades ou big bang migrations) têm uma taxa de falha alarmante. Estudos do Gartner e do Standish Group consistentemente mostram que mais de 70% desses projetos excedem o orçamento, o prazo ou ambos — e uma parcela significativa é cancelada no meio, deixando a empresa em uma situação pior do que a inicial.
Os riscos são concretos: perda de regras de negócio não documentadas que vivem apenas no sistema legado, interrupção de operações críticas durante a migração, resistência dos usuários a mudanças radicais, e descoberta tardia de dependências ocultas que multiplicam o escopo do projeto.
A abordagem da Trilion parte de um princípio diferente: o sistema legado não é o inimigo. É uma infraestrutura que funciona, que os usuários conhecem e que acumulou valor ao longo de anos. O objetivo é adicionar inteligência por cima dessa infraestrutura existente, de forma gradual e com risco controlado.
Estratégia 1: APIs como camada intermediária
A abordagem mais elegante e escalável para integrar IA com sistemas legados é a criação de uma camada de API intermediária — também chamada de middleware layer ou API gateway. A ideia é simples: em vez de conectar diretamente o sistema de IA ao banco de dados legado (o que frequentemente é impossível ou extremamente arriscado), você cria uma camada de serviços que faz a mediação entre os dois mundos.
Essa camada de API tem três funções principais: extrair dados do sistema legado de forma controlada, transformar esses dados no formato esperado pelos modelos de IA, e devolver os resultados da IA de volta para o sistema legado (ou para uma interface paralela).
Como implementar na prática
O processo começa com um mapeamento detalhado das fontes de dados no sistema legado. Onde estão os dados relevantes? Em quais tabelas? Com qual frequência são atualizados? A partir daí, a equipe técnica desenvolve conectores específicos — geralmente via JDBC/ODBC para bancos de dados relacionais antigos, ou via leitura de logs para sistemas que não permitem conexões diretas.
Esses conectores alimentam um data lake ou data warehouse intermediário, de onde os modelos de IA consomem os dados. Os resultados — previsões, classificações, recomendações — são disponibilizados via API para que o sistema legado (ou aplicações paralelas) possa consumi-los.
Uma empresa de distribuição com um ERP de 2003 pode, por exemplo, manter o ERP rodando normalmente para faturamento e controle de estoque, enquanto uma camada de API extrai dados de vendas diariamente para alimentar um modelo preditivo de demanda. O modelo gera recomendações de compra que chegam ao comprador via uma interface simples no navegador — sem tocar no ERP original.
Estratégia 2: RPA IA como bridge inteligente
Quando o sistema legado não oferece nenhuma forma de integração via API — o que é comum em sistemas muito antigos ou proprietários fechados — a combinação de RPA (Robotic Process Automation) com IA se torna uma alternativa poderosa.
O RPA atua como um usuário virtual que navega pela interface do sistema legado exatamente como um humano faria: clica em botões, preenche formulários, extrai dados de telas. Ferramentas como UiPath, Automation Anywhere e Power Automate permitem criar esses robôs sem modificar o sistema legado.
Quando combinado com IA, o RPA evolui de simples automação de tarefas repetitivas para um agente inteligente capaz de tomar decisões. Por exemplo: um robô RPA extrai dados de pedidos de um sistema legado de vendas. Um modelo de IA analisa esses dados e classifica os pedidos por probabilidade de churn ou necessidade de ação imediata. Os resultados são injetados de volta no sistema via RPA, ou enviados para o time comercial via CRM ou e-mail.
Vantagens e limitações do RPA IA
A grande vantagem é a velocidade de implementação e a ausência de necessidade de modificar o sistema legado. Um projeto de RPA IA pode ser implementado em 4 a 8 semanas, gerando valor rapidamente. A limitação principal é a fragilidade: qualquer mudança na interface do sistema legado pode quebrar os robôs, exigindo manutenção constante. Por isso, o RPA IA é frequentemente usado como solução de curto a médio prazo, enquanto uma integração mais robusta via API é desenvolvida em paralelo.
'O RPA não é a solução definitiva, mas é frequentemente a solução correta para gerar resultados rápidos enquanto a integração definitiva é construída. Em nossos projetos, combinamos os dois horizontes de forma deliberada.' — Trilion
Estratégia 3: replicação de dados para ambiente de IA
Uma das abordagens mais robustas e escaláveis para empresas com sistemas legados é a criação de um ambiente de dados paralelo e dedicado à IA. Em vez de tentar fazer o sistema legado se comunicar diretamente com os modelos de IA, você replica os dados relevantes para um repositório moderno — um data lake, um data warehouse em nuvem ou um banco de dados otimizado para analytics.
Esse ambiente de dados paralelo recebe atualizações do sistema legado em intervalos regulares (batch processing) ou em tempo real (change data capture — CDC). A partir daí, todos os pipelines de IA e analytics são construídos sobre esse repositório moderno, sem nunca tocar no sistema legado em produção.
Ferramentas para replicação de dados
- Change Data Capture (CDC): ferramentas como Debezium, AWS DMS e Fivetran capturam alterações no banco de dados legado em tempo real e as replicam para o destino.
- ETL/ELT em batch: para sistemas que não suportam CDC, pipelines de extração periódica com ferramentas como Apache Airflow, dbt e Azure Data Factory são uma alternativa confiável.
- Cloud data warehouses: Snowflake, BigQuery e Redshift oferecem ambientes modernos onde os dados replicados podem ser transformados e consumidos por modelos de IA com alta performance.
Essa estratégia é especialmente eficaz para casos de uso de BI preditivo, detecção de anomalias e modelos de recomendação, onde a latência de horas ou dias é aceitável e o volume de dados históricos é o principal insumo do modelo.
Lidando com as planilhas críticas
Há um sistema legado que muitas empresas não reconhecem como tal: as planilhas Excel. Em dezenas de empresas que a Trilion assessorou, encontramos planilhas que controlavam processos críticos de negócio — precificação, comissões, planejamento financeiro — que haviam crescido ao longo de anos e se tornado incompreensíveis para qualquer pessoa além do seu criador original.
Integrar IA com esses ativos requer uma abordagem específica. O primeiro passo é sempre a documentação e formalização das regras de negócio que vivem nessas planilhas. Depois, essas regras são migradas para um sistema estruturado — pode ser um banco de dados simples, uma ferramenta de BI ou um sistema de regras de negócio (BRMS). Só então os modelos de IA são construídos sobre uma base de dados confiável.
Ignorar as planilhas críticas em um projeto de integração de IA é um erro que vemos frequentemente — e que invariavelmente resulta em modelos treinados com dados inconsistentes.
Governança de dados no contexto de sistemas legados
Um dos maiores desafios técnicos da integração de IA com sistemas legados não é a tecnologia em si — é a qualidade e a governança dos dados. Sistemas legados frequentemente acumulam décadas de inconsistências: campos sem padrão, registros duplicados, dados faltantes, codificações diferentes para o mesmo conceito.
Antes de qualquer iniciativa de IA, é necessário investir em um processo de data quality assessment que identifique as principais fontes de sujeira dos dados e estabeleça pipelines de limpeza e padronização. Esse processo, embora trabalhoso, é não negociável. Um modelo de IA treinado com dados inconsistentes não apenas performa mal — ele pode gerar resultados que prejudicam ativamente o negócio.
'Dados sujos são o maior inimigo de projetos de IA em empresas com sistemas legados. Na nossa metodologia, investimos entre 30% e 40% do tempo de projeto em preparação e governança de dados antes de escrever a primeira linha de código de ML.' — Equipe de dados Trilion
O roadmap de modernização gradual
A integração de IA com sistemas legados é melhor tratada como um programa de transformação gradual, não como um projeto único. Na metodologia da Trilion, estruturamos esse programa em três horizontes:
Horizonte 1 (0-6 meses): conectividade e quick wins
Foco em criar a camada de conectividade (APIs ou RPA) e identificar 2 a 3 casos de uso de IA de alto impacto e baixa complexidade que possam gerar resultados rápidos e visíveis. O objetivo é demonstrar valor antes de solicitar investimentos maiores.
Horizonte 2 (6-18 meses): plataforma de dados
Construção do ambiente de dados paralelo (data lake ou data warehouse), implementação de pipelines de replicação e qualidade de dados, e desenvolvimento dos modelos de IA prioritários com foco em escalabilidade.
Horizonte 3 (18-36 meses): modernização seletiva
Com os resultados dos horizontes anteriores comprovados, é possível fazer um business case sólido para a substituição seletiva de componentes do sistema legado — priorizando os módulos que mais limitam a evolução da IA ou que representam maior risco operacional.
Como a Trilion pode ajudar
A integração de IA com sistemas legados é uma das especialidades centrais da Trilion. Nossa abordagem combina análise técnica profunda (mapeamento de sistemas, avaliação de dados, identificação de dependências) com gestão de mudança organizacional — porque nenhuma integração técnica funciona se as pessoas não adotam os novos processos.
Se a sua empresa possui sistemas legados e quer começar a extrair valor da IA sem o risco de uma substituição total, entre em contato com a Trilion para uma avaliação inicial. Temos metodologia, ferramentas e experiência prática para ajudá-lo a traçar o caminho certo.
Conclusão: legado não é sinônimo de limitação
Sistemas legados são uma realidade nas médias empresas brasileiras — e não são um obstáculo intransponível para a adoção de IA. Com as estratégias certas (APIs como camada intermediária, RPA IA como bridge, replicação de dados para ambiente dedicado) e um roadmap de modernização gradual, é possível começar a colher os benefícios da inteligência artificial sem colocar em risco a continuidade operacional.
A chave está em não tentar resolver tudo de uma vez. Cada passo do roadmap deve gerar valor mensurável, construir a confiança da organização no processo e preparar o terreno para o próximo passo. Essa abordagem incremental e orientada a resultados é o que diferencia projetos de modernização bem-sucedidos dos que fracassam.
