Legacy Systems vs AI: Przepis na porażkę

Masz świetny pomysł na AI. Zespół jest zmotywowany. Budżet zatwierdzony. A potem odkrywasz, że Twój główny system ma API z 2008 roku i zwraca dane w formacie, którego nikt już nie pamięta.

Gartner przewiduje, że ponad 40% projektów agentic AI upadnie do końca 2027 roku. Powód? Koszty rosną, a nowe systemy nie pasują do tego, co firma już ma. Większość traktuje to jak problem techniczny. Tak naprawdę jest strategiczny.

Dlaczego legacy zabija AI?

AI potrzebuje trzech rzeczy: danych, szybkości i elastyczności. Legacy systems oferują przeciwieństwo każdej z nich.

TYPOWE PROBLEMY Z LEGACY

Dane w silosach: ERP nie rozmawia z CRM, CRM nie rozmawia z WMS
Brak real-time: Batch processing raz dziennie, a AI potrzebuje danych już teraz
Przestarzałe API: SOAP, FTP, albo, co gorsza, żadnego API
Brak dokumentacji: Jedyna osoba, która rozumiała system, odeszła na emeryturę

3 strategie integracji

1. Warstwa abstrakcji (Data Mesh)

Zamiast ruszać legacy, buduj warstwę pośrednią. API Gateway, który tłumaczy stare formaty na nowe. Data Lake, który zbiera dane z różnych źródeł. Zhamak Dehghani nazwała to Data Mesh: każdy zestaw danych ma konkretnego właściciela, a Ty traktujesz go jak produkt.

Plusy: Nie ruszasz legacy. Minusy: Dodatkowa warstwa do utrzymania i koszty.

2. Strangler Fig Pattern

Martin Fowler opisał ten wzorzec: po kawałku zastępujesz funkcje legacy nowymi mikroserwisami. AI działa na nowych serwisach, stare powoli zamierają. Nazwa pochodzi od figowca dusiciela, który z czasem obrasta i zastępuje swojego gospodarza.

Plusy: Mniejsze ryzyko. Minusy: Wolno. Lata, nie miesiące.

3. RPA + AI Bridge

Używasz RPA do "scrapowania" danych z legacy UI, AI przetwarza, RPA wpisuje wyniki z powrotem. Brzmi brzydko, ale działa.

Plusy: Szybko. Minusy: Kruche, wymaga maintenance.

"Złe pytanie brzmi: 'jak zintegrować AI z całym systemem legacy'. Lepsze: 'jaki minimalny dostęp do danych wystarczy, żeby AI ruszyło'. Zwykle potrzeba go znacznie mniej, niż zakładasz."

WSPÓŁPRACA

To robię na co dzień: doradzam przy strategii AI i buduję agentów, którzy przeżywają demo.

Doradztwo AI Wdrożenia AI

Audit przed startem

Poniższa checklista domyka pytanie o dane z listy pięciu pytań przed wdrożeniem.

Zanim zaczniesz projekt AI, odpowiedz na te pytania:

LEGACY READINESS CHECKLIST

□ Czy dane które potrzebuję są dostępne przez API?
□ Jaka jest latencja dostępu do danych?
□ Czy mogę zapisywać wyniki AI z powrotem do systemu?
□ Kto jest właścicielem technicznym legacy systemu?
□ Jakie są okna maintenance i downtime?
□ Czy jest dokumentacja integracji?

Case study: Klient z ERP sprzed 15 lat

Firma produkcyjna chciała wdrożyć AI do predykcji popytu. Problem: ich ERP nie miał API, tylko eksport do CSV raz dziennie.

Rozwiązanie:

• Skrypt, który automatycznie pobiera CSV o 6 rano
• ETL do Data Lake (PostgreSQL)
• Model AI trenowany na wczorajszych danych
• Predykcje wysyłane mailem do planistów

Nie jest to architektura z podręcznika. Ale działa i dostarcza wartość.

Osiem miesięcy, do −23% kosztów. Pełny przebieg takiego wdrożenia znajdziesz w case study z logistyki.

Twój pierwszy ruch

Wybierz jeden proces, który realnie boli. Sprawdź, czy z legacy da się wyciągnąć choćby dzienny eksport do CSV. Jeśli tak, masz dość, żeby w dwa tygodnie postawić pierwszy model i pokazać liczby. Wielkie przepisywanie architektury poczeka.