Legacy nie przewraca firmy. Po cichu ją spowalnia
Dyrektorzy techniczni rzadko trafiają na zarząd z komunikatem, że system przestał działać. Znacznie częściej problem wygląda inaczej: funkcja, która kiedyś zajmowała dwa tygodnie, dziś zajmuje sześć. Każdy nowy programista potrzebuje kwartału, zanim zacznie pracować samodzielnie. Kolejne integracje z partnerami stają się coraz trudniejsze, a rozmowy z klientami korporacyjnymi rozbijają się o wymagania bezpieczeństwa, których architektura nie udźwignie.
Żadne z tych zjawisk nie pojawia się w raporcie przychodów jako osobna pozycja. Dług technologiczny działa właśnie tak: nie widać go w liczbach, dopóki nie zacznie ograniczać wzrostu, a wtedy jest już kosztem, który firma ponosi każdego dnia. W jednym z systemów ocenianych przez Altimi, platformie do zarządzania jakością opartej na technologiach z 2016 roku, koszt dostarczenia pojedynczej funkcji wzrósł pięciokrotnie, a zaplanowane na 2027 rok wygaszenie wspieranej wersji bazy danych zamieniło modernizację z opcji w konieczność z twardym terminem.
Modernizacja bywa mimo to odkładana i zwykle z jednego powodu. W wyobraźni zarządu oznacza wielki projekt przepisania systemu od zera, wstrzymanie rozwoju produktu na wiele miesięcy i realne ryzyko, że nowy system okaże się gorszy od starego. To słuszna obawa wobec podejścia typu big bang, ale modernizacja nie musi tak wyglądać.
Krok pierwszy: ustalić, co i w jakiej kolejności modernizować
Najdroższym błędem modernizacji nie jest zła technologia, lecz zła kolejność. Zespoły, które zaczynają od łatwych, mało ryzykownych fragmentów, wytwarzają wczesne poczucie postępu, a na naprawdę trudną część trafiają późno, gdy budżet i cierpliwość są już na wyczerpaniu. Dlatego pierwszym krokiem nie powinno być pisanie kodu, lecz rzetelna ocena systemu na rzeczywistym kodzie produkcyjnym.
Tę rolę pełni AI Refactoring Assessment - czterotygodniowa ocena w stałej cenie 10 000 euro, prowadzona w dwóch powiązanych strumieniach. Pierwszy to ocena architektury i długu technologicznego: wskazanie, które części systemu blokują wzrost i skalowalność, ze skwantyfikowanym długiem, oceną gotowości do zastosowania AI i przeglądem ryzyk infrastrukturalnych. Drugi to technical spike, czyli praktyczna walidacja najbardziej ryzykownego modułu na żywym kodzie, która daje twarde dane o ryzyku migracji i o tym, gdzie narzędzia AI faktycznie przyspieszą prace, zanim zwiąże się budżet.
Rezultatem jest pakiet decyzyjny przygotowany pod poziom zarządu: streszczenie wykonawcze, mapa ryzyka, roadmapa modernizacji z wykorzystaniem AI, priorytetyzowany backlog długu technologicznego, wnioski ze spike'u oraz zasady nadzoru nad wykorzystaniem AI. Całość zostaje przekazana na warsztacie podsumowującym, więc zarząd może dopytać osoby, które prowadziły analizę, zamiast czytać raport bez kontekstu. Kluczowa jest przy tym jedna cecha tej roadmapy: wskazuje ona nie tylko co zmodernizować, ale w jakiej kolejności, tak aby najbardziej ryzykowny element rozstrzygnąć jako pierwszy, a resztę prowadzić już przewidywalnie.
Sama ocena nie wymaga zamrażania rozwoju. Prowadzona jest w trybie tylko do odczytu, z dwiema lub trzema sesjami tygodniowo z architektami lub liderami technicznymi, więc zespół dostarcza dalej, podczas gdy powstaje plan. Altimi ma na koncie ponad sto pięćdziesiąt ocenionych systemów legacy w segmentach SaaS, FinTech, EdTech i cyberbezpieczeństwa, od monolitów zbudowanych przez założycieli po skalujące się platformy średniej wielkości działające pod presją dostarczania.
Modernizacja przyrostowa zamiast przepisania od zera
Wynikiem oceny nie jest rekomendacja wielkiego przepisania. Przepisanie od zera opiera się na trzech założeniach, które w praktyce zwykle okazują się fałszywe: że zespół rozumie stary system na tyle dobrze, by go odtworzyć, że wymagania nie zmienią się przez wiele kwartałów i że w odrzucanym kodzie nie kryje się nic ważnego. Modernizacja przyrostowa omija wszystkie trzy, bo nigdy nie wymaga zrozumienia i wymiany całego systemu naraz. Zamiast tego nowe komponenty zastępują stare kawałek po kawałku, a stary system działa, dopóki każdy zamiennik nie zostanie sprawdzony.
W tym podejściu sztuczna inteligencja realnie zmienia ekonomikę. Narzędzia AI przyspieszają najbardziej pracochłonne części modernizacji, czyli rozumienie nieznanego kodu, mapowanie zależności i generowanie testów, przy odpowiednio dobranych zadaniach obniżając nakład o 50 do 80 procent. Osąd, co zmienić i czy zamiennik jest naprawdę równoważny, pozostaje po stronie doświadczonych inżynierów. To rozdzielenie ról pozwala modernizować szybciej, nie tracąc kontroli nad jakością.
Krok drugi: utrzymać szybkie tempo po modernizacji
Zmodernizowany system rozwiązuje problem z przeszłości, ale nie gwarantuje, że dostarczanie pozostanie szybkie. Tu zaczyna się drugi etap, patrzący w przód. Wiele zespołów sięga w tym momencie po asystenta kodowania i oczekuje, że dostawa przyspieszy. Zwykle się rozczarowuje, bo asystent przyspiesza jedynie pisanie kodu, podczas gdy wąskie gardło przenosi się dalej, do przeglądu i testów. Kod powstaje szybciej, ale zespół wdraża mniej więcej tyle samo, a nierecenzowany kod z AI potrafi wręcz zwiększać dług i liczbę podatności.
AI SDLC Enablement odpowiada na to, wpinając AI nie w jeden etap, lecz w cały cykl wytwarzania oprogramowania, od wymagań przez przegląd kodu i testy po zarządzanie wydaniami. Podejście pozostaje wspierane przez AI, lecz prowadzone przez człowieka: każda decyzja architektoniczna i każda bramka przeglądu należą do doświadczonych inżynierów. Efekt mierzy się nie odczuciem szybkości, lecz konkretnymi metrykami dostarczania, w tym metrykami DORA, tak aby dało się odróżnić realny zysk od jego pozorów.
Usługa jest zbudowana wokół zasady „najpierw udowodnij, potem skaluj". Pilotaż startuje od stałej ceny 7 200 euro, trwa około dwóch tygodni i obejmuje jeden zespół do około pięciu programistów oraz jeden obszar pipeline'u. W tym czasie zespół otrzymuje pełny audyt SDLC, narzędzia AI zintegrowane z jednym etapem, praktyczny enablement oraz linię bazową szybkości dostarczania, czyli gotowy dla zarządu dowód przed decyzją o rozszerzeniu. Dalej większe pakiety rozciągają AI na kolejne obszary i zespoły, aż po wdrożenie w wielu zespołach z prywatnym wdrożeniem i dedykowanym nadzorem, zawsze według tego samego modelu o ustalonym zakresie i stałej cenie.
Wyniki widać w tych samych metrykach, na których zależy zarządom. W europejskim scale-upie SaaS podejście skróciło średni czas przeglądu pull requestów o około 20 do 25 procent, podniosło pokrycie testami automatycznymi o kilkanaście punktów procentowych i uwolniło około 15 procent mocy inżynierskiej na nowe funkcje. W fintechu z regionu Europy Środkowo-Wschodniej przyniosło rzędu 10 do 15 procent zysku efektywności netto przy zachowaniu pełnej ścieżki audytowej i stuprocentowej akceptacji zgodności dla zmian wspieranych przez AI.
Dlaczego te dwa etapy stanowią jedną całość
Refactoring Assessment i SDLC Enablement odpowiadają na dwie różne strony tego samego problemu. Pierwszy patrzy wstecz i rozstrzyga, co w istniejącym systemie hamuje firmę oraz w jakiej kolejności to naprawić. Drugi patrzy w przód i pilnuje, aby po modernizacji tempo dostarczania nie osunęło się z powrotem. Razem tworzą spójną drogę: od diagnozy długu technologicznego, przez przyrostową modernizację wspieraną przez AI, po proces wytwarzania, w którym AI jest wpięta świadomie i pod kontrolą inżynierów.
Wspólny jest też sposób pracy, który obniża próg wejścia dla zarządu. Oba etapy mają ustalony z góry zakres i stałą cenę, oba prowadzone są przyrostowo i bez zamrażania rozwoju, i oba kończą się rezultatem gotowym do przedstawienia zarządowi, a nie samym raportem. Dzięki temu decyzja o modernizacji przestaje być zakładem o duży, wieloletni budżet, a staje się serią kroków o ograniczonym ryzyku, z których każdy dostarcza wartość i dowód przed podjęciem następnego.
Dla firm działających w Polsce, regionie Europy Środkowo-Wschodniej i na rynkach niemieckojęzycznych znaczenie ma również to, gdzie przetwarzany jest kod źródłowy podczas oceny i integracji wspieranej przez AI. Jako organizacja z siedzibą w Unii Europejskiej, posiadająca certyfikat ISO 27001 i pracująca na podstawie umowy o poufności, Altimi utrzymuje wrażliwy kod w europejskim obszarze ochrony danych i dokumentuje zasady wykorzystania AI, co bywa istotne przy audytach i w rozmowach z klientami korporacyjnymi.
O Altimi
Altimi to partner technologiczny z ponad dwudziestoletnim doświadczeniem i zespołem liczącym ponad 250 specjalistów, wspierający firmy technologiczne oraz fundusze private equity i venture capital w Europie. W obszarze modernizacji Altimi ocenia i unowocześnia systemy legacy oraz wpina sztuczną inteligencję w cały cykl wytwarzania oprogramowania, mając na koncie ponad sto pięćdziesiąt ocenionych systemów w segmentach SaaS, FinTech, EdTech i cyberbezpieczeństwa. Działalność firmy obejmuje także Technology Due Diligence dla inwestorów, Product i Application Engineering, DevOps, Cloud Security i Managed Services oraz AI i Data Enablement. Jako organizacja z siedzibą w Unii Europejskiej, posiadająca certyfikat ISO 27001, Altimi realizuje projekty zgodnie z europejskimi wymaganiami dotyczącymi bezpieczeństwa i ochrony danych. Szczegółowe informacje o usługach AI Refactoring Assessment oraz AI SDLC Enablement dostępne są na stronie internetowej firmy.
