Resumo Executivo

Marwin de Souza Bravin; Dário Henrique Alliprandini

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Um sistema legado consiste em estruturas projetadas em tecnologias ou arquiteturas já consideradas obsoletas, mas que ainda sustentam operações críticas em diversas organizações contemporâneas. Esses sistemas apresentam elevada complexidade, resultante de anos de modificações sucessivas, falta de documentação técnica adequada e alta rotatividade das equipes de desenvolvimento (Parnas, 1994; Birchall, 2015). Apesar dos elevados custos de manutenção, muitas empresas permanecem dependentes dessas estruturas, alocando parcelas significativas de seus orçamentos de tecnologia da informação para a sustentação de códigos antigos. A complexidade inerente a esses ambientes é intensificada pela evolução tecnológica acelerada, o que torna necessária a integração de novas ferramentas a sistemas que originalmente não foram concebidos para suportá-las (Pigoski, 1996). Nesse cenário desafiador, a inteligência artificial surge como uma ferramenta com potencial de transformar a gestão desses projetos, contribuindo diretamente para a análise de código, a geração de documentação automática e a promoção de uma modernização sustentável (Brown, 2020; Goodfellow, 2016; Ha, 2018).

As estruturas legadas são frequentemente entregues com bases em linguagens de programação ou arquiteturas desatualizadas (Parnas, 1994). Tais projetos costumam carregar uma longa história de ajustes feitos por times diferentes e com objetivos distintos, o que resulta em uma base de código confusa e de difícil manutenção. Um sinal característico de um projeto legado é sua natureza fundante para o funcionamento da organização, mesmo que sua forma não siga as práticas tecnológicas atuais. A substituição integral desses sistemas muitas vezes torna-se inviável devido ao custo elevado, ao tempo necessário para a transição e aos riscos operacionais envolvidos (Birchall, 2015). Projetos dessa natureza demandam esforços constantes de atualização para que operem de forma segura e eficiente. Com o passar do tempo, a complexidade aumenta devido às inúmeras alterações feitas para atender a novas demandas de mercado. No início, o projeto pode ter apresentado uma estrutura clara, mas a urgência por novas funcionalidades frequentemente leva a modificações rápidas sem a devida revisão, gerando inconsistências e soluções improvisadas (Warren, 1999).

A mudança constante nas necessidades da gerência e a falta de governança agravam o problema da entropia do software. O conceito de entropia, conforme elaborado por Ivar Jacobson, refere-se ao aumento da desorganização e degradação do código à medida que ele sofre modificações contínuas sem uma estrutura de manutenção adequada. Um estudo focado em projetos Java e Android analisou 427 casos e verificou que a refatoração realizada sem a devida orientação pode aumentar a complexidade do código em vez de reduzi-la (Oliveira, 2020). Novos integrantes das equipes podem não compreender o contexto das decisões técnicas tomadas anteriormente, resultando em implementações que fogem dos padrões originais. Além disso, a evolução das ferramentas, bibliotecas e frameworks impacta diretamente esses projetos, exigindo integrações com soluções modernas que complicam ainda mais o sistema e elevam os riscos de erros e os custos de suporte (Pigoski, 1997).

Considerando a evolução das inteligências artificiais generativas pré-treinadas (Brown, 2020), observa-se um potencial significativo para simplificar o gerenciamento de sistemas legados. A análise automatizada de código é uma das principais contribuições, permitindo que algoritmos inteligentes identifiquem padrões, inconsistências e trechos problemáticos (Goodfellow, 2016). Isso facilita o entendimento da estrutura do sistema e permite que a equipe aponte áreas que precisam de refatoração ou otimização, tornando a manutenção mais ágil. A inteligência artificial também auxilia na geração e atualização da documentação técnica, descrevendo funcionalidades, fluxos de trabalho e dependências que antes eram desconhecidos. Esse recurso acelera a integração de novos membros e preserva o conhecimento acumulado, mitigando os efeitos da rotatividade. Na modernização, a tecnologia sugere integrações com sistemas atuais ou aponta partes do código que devem ser migradas para arquiteturas de microsserviços, permitindo um controle mais granular do que ferramentas tradicionais de análise (Ha, 2018).

A metodologia aplicada para investigar essa integração possui natureza mista, combinando métodos quantitativos e qualitativos em cenários reais de projetos de código aberto. O processo foi estruturado em cinco etapas fundamentais para garantir o detalhamento operacional. A primeira etapa consistiu no mapeamento de ferramentas de inteligência artificial generativa, selecionando aquelas com maior aderência ao gerenciamento de projetos e uso comprovado em grandes corporações. Foram avaliadas ferramentas como Gemini Pro 2.5, GitHub Copilot, DeepSeek e modelos da série GPT. A segunda etapa envolveu a definição de projetos de código aberto vigentes, como TEAMMATES, MediaWiki, StoryBook e Apache Maven. Esses projetos foram escolhidos por possuírem um histórico robusto de alterações aceitas, permitindo uma base de comparação real entre as decisões humanas e as sugestões da tecnologia.

A terceira etapa metodológica focou na criação de prompts de análise utilizando o framework CLEAR (Lo, 2023). Este framework orienta a construção de comandos que sejam concisos, lógicos, explícitos, adaptativos e reflexivos. Os prompts foram desenhados para verificar a capacidade de análise das ferramentas em relação a pontos de melhoria já implementados nos projetos originais. Utilizou-se uma branch anterior à de produção para garantir que a inteligência artificial não tivesse acesso direto à solução final já aplicada, permitindo uma análise cega da capacidade de sugestão. A quarta etapa consistiu na análise de impacto, separando os resultados em positivos, onde a sugestão era pertinente e contribuía para a melhoria, e falsos positivos, caracterizados por sugestões irrelevantes ou tecnicamente incorretas. Os dados foram tabulados para detalhar o percentual de instruções úteis geradas por cada ferramenta.

A quinta e última etapa da metodologia envolveu a estimativa do esforço necessário para que uma equipe de desenvolvimento implementasse as alterações sugeridas. Essa fase incluiu uma revisão crítica de processos operacionais, buscando identificar quais etapas poderiam ser otimizadas com base nos dados obtidos. As práticas de gestão adotadas como referência foram pautadas na gestão adaptativa e em metodologias ágeis como Lean Six Sigma e Scrum (Ellis, 2019). É importante ressaltar que, embora a inteligência artificial seja poderosa, ela possui limitações intrínsecas quanto à geração de informações baseadas em pesos de distribuição probabilística, o que pode resultar em alucinações ou dados errôneos (Davenport, 2024). Por isso, a abordagem metodológica incluiu a verificação rigorosa de falsos positivos em comparação com as implementações reais feitas pelos mantenedores dos projetos.

Os critérios de seleção para os projetos de código aberto exigiram que as alterações elegíveis tivessem um escopo fechado e entregassem melhorias mensuráveis, como aumento na velocidade de execução de rotinas, criação de novas funcionalidades ou redução de custo computacional. Melhorias tangíveis, mas não mensuráveis, como segurança e correção de bugs, foram consideradas, porém não priorizadas. Alterações intangíveis relacionadas a regras de negócio específicas não foram incluídas no estudo para evitar subjetividade. No mapeamento das ferramentas, o Gemini Pro 2.5 foi aprovado por sua capacidade de integração com ecossistemas de produtividade e análise de conteúdo técnico. O GitHub Copilot também recebeu aprovação devido à sua eficiência em autocompletar código e gerar documentação em tempo real. Ferramentas como DeepSeek e modelos GPT foram validados por seu desempenho em raciocínio lógico e tarefas multimodais. Por outro lado, ferramentas voltadas exclusivamente para design ou apresentações foram descartadas por estarem fora do escopo de gestão técnica de sistemas legados.

Na análise qualitativa dos resultados, observou-se que a inteligência artificial foi capaz de identificar pontos críticos de melhoria no código-fonte e sugerir refatorações alinhadas às melhores práticas de desenvolvimento. No projeto TEAMMATES, por exemplo, a ferramenta sugeriu a inclusão de testes de controle de acesso seguindo os padrões existentes no repositório. No MediaWiki, as sugestões focaram na organização do conhecimento e otimização de rotinas. Para o StoryBook, as recomendações envolveram a otimização de componentes de interface e sugestão de novas funcionalidades para a equipe de implementação. Já no Apache Maven, o foco foi a otimização do modelo de objeto de projeto para melhorar a compilação e documentação. Essas sugestões foram validadas em relação ao esforço e recursos necessários para implementação em sprints ágeis, demonstrando que a tecnologia pode atuar como um braço de apoio à gestão de projetos de tecnologia da informação.

A análise quantitativa revelou uma taxa relevante de propostas úteis, embora a ocorrência de falsos positivos tenha reforçado a necessidade indispensável de supervisão humana qualificada (Davenport, 2024). A capacidade de gerar documentação técnica de forma automática apresentou um impacto direto na eficiência da gestão, reduzindo custos e riscos associados à manutenção de sistemas legados. A sistematização da qualidade das sugestões permitiu consolidar um procedimento de documentação de boas práticas e lições aprendidas. Verificou-se que a inteligência artificial é capaz de produzir uma quantidade de sugestões de melhoria igual ou superior àquela implementada manualmente pelos desenvolvedores, desde que os prompts sejam estruturados de forma adequada. A avaliação qualitativa confirmou que as sugestões trazem benefícios reais em relação aos padrões de desenvolvimento atuais, facilitando a modernização gradual de sistemas que, de outra forma, permaneceriam estagnados.

A discussão dos resultados aponta que a aplicação de inteligência artificial apoia práticas de modernização gradual com menor risco e custo. Ao recomendar a substituição de bibliotecas obsoletas e a modularização por microsserviços, a tecnologia alinha-se com estratégias de escalabilidade necessárias para a sobrevivência de sistemas legados no mercado atual. A redução da complexidade é alcançada não apenas pela limpeza do código, mas pela clareza que a documentação automatizada traz para a equipe. Isso mitiga o problema da perda de conhecimento técnico causada pela saída de colaboradores antigos. O uso de ferramentas baseadas em inteligência artificial permite um controle mais granular do código do que o oferecido por ferramentas tradicionais de análise estática, como o Lint, que foca apenas em erros de estilo e bugs óbvios. A inteligência artificial vai além, sugerindo mudanças estruturais que melhoram a legibilidade e a eficiência a longo prazo.

A integração da tecnologia no contexto da gestão adaptativa potencializa os resultados ao permitir que o gestor tome decisões baseadas em dados técnicos precisos e sugestões de melhoria contínua. O estudo evidenciou que, em ambientes onde os sistemas exigem constantes adaptações, a inteligência artificial não apenas suporta decisões gerenciais, mas gera valor por meio da agilidade e sustentabilidade dos projetos. A identificação de pontos de melhoria e a redução da complexidade contribuem significativamente para a otimização do processo de gestão, promovendo maior eficiência no uso dos recursos financeiros e humanos envolvidos. A aplicação dessas soluções apresenta-se como uma estratégia viável para a governança e a evolução tecnológica, garantindo que sistemas críticos continuem operando de forma segura enquanto são modernizados.

As limitações encontradas, como a geração de sugestões tecnicamente inviáveis em certos contextos, indicam que a tecnologia deve ser utilizada como um assistente e não como um substituto para o julgamento humano. A necessidade de validar cada instrução gerada pela inteligência artificial é um passo crítico no fluxo de trabalho de gerenciamento de projetos legados. No entanto, o ganho de produtividade na análise inicial e na redação de documentação técnica compensa o esforço de revisão. A pesquisa demonstrou que a utilização de prompts estruturados pelo framework CLEAR aumenta significativamente a precisão das respostas, reduzindo a incidência de erros grosseiros. A comparação entre as sugestões da inteligência artificial e as implementações reais nos projetos de código aberto validou a eficácia da ferramenta como um motor de inovação dentro de estruturas tecnológicas antigas.

A discussão também ressalta que a modernização de sistemas legados não deve ser vista apenas como um desafio técnico, mas como um imperativo estratégico para as organizações. A dependência de tecnologias obsoletas cria gargalos que impedem a inovação e aumentam a vulnerabilidade a falhas de segurança. A inteligência artificial facilita a transição para arquiteturas modernas de forma menos traumática, permitindo refatorações incrementais que não interrompem a operação do negócio. O estudo confirmou que a tecnologia é capaz de identificar “code smells” e sugerir padrões de projeto que tornam o sistema mais robusto. Essa abordagem de modernização sustentável é essencial para empresas que possuem grandes investimentos em sistemas legados e não podem arcar com os riscos de uma substituição completa e imediata.

Conclui-se que o objetivo foi atingido, pois a utilização da inteligência artificial no gerenciamento de projetos de sistemas legados mostrou-se eficaz para reduzir a complexidade, otimizar processos e apoiar a modernização tecnológica. Apesar das limitações, como a geração de falsos positivos, a inteligência artificial apresentou-se como uma aliada valiosa à gestão adaptativa, trazendo benefícios claros em eficiência, redução de custos e sustentabilidade dos projetos de tecnologia da informação. Como contribuição adicional, destacou-se o potencial da tecnologia em gerar documentação automatizada e apoiar a integração de novos profissionais, favorecendo a continuidade e a evolução dos sistemas. O estudo confirmou a hipótese de que a integração da inteligência artificial no contexto da gestão, alinhada a práticas ágeis e híbridas, potencializa os resultados e se apresenta como uma estratégia viável para a governança e a evolução tecnológica no mercado atual.

Referências Bibliográficas:

BIRCHALL, Chris. Re-engineering legacy software. Simon and Schuster, 2016.

BROWN, Tom B. et al. Language Models are Few-Shot Learners. arXiv:2005.14165v4 2020.

DAVENPORT, Thomas et MITTAL, Nittin Indo Além com IA. Alta Books 2024.

ELLIS, R. K. Field Guide to Learning Management Systems. Learning Circuits 2019.

GOODFELLOW et al. Deep Learning. MIT Press 2016.

HA David, SCHMIDHUBER Jürgen. World Models. arXiv:1803.10122v4 2018.

LO, L. S. (2023). CLEARer Dialogues with AI: Unpacking Prompt Engineering for Librarians [YouTube Video]. In CHOICE Media Channel. Disponível em: https://www.youtube.com/watch?v=3pvmMEnJhCs acesso 28/08/2025.

OLIVEIRA, E. R. B. Relação entre refatorações e code smells na evolução de projetos de software e seu reflexo em medidas de software. 2020. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de Pernambuco, Recife, 2020.

PARNAS, David Lorge. Software aging. In: Proceedings of 16th International Conference on Software Engineering. IEEE, 1994. p. 279-287.

PIGOSKI, Thomas M. Practical Software Maintenance: Best Practices for Managing Your Software Investment. John Wiley & Sons. 1996.

PIGOSKI, Thomas M. Practical Software Maintenance: Best Practices for Managing Your Software Investment. John Wiley & Sons. 1996.

WARREN et al. Legacy Systems: Coping with Success. IEEE Software. 1999.

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy