Según un reportaje publicado por el medio contxto.com el 8 de octubre de 2026, los sistemas heredados, conocidos en el sector como «legacy», se perfilan como uno de los principales obstáculos para que las empresas incorporen la inteligencia artificial (IA) en sus procesos cotidianos. El planteamiento pone el foco en una brecha cada vez más visible: la distancia entre el interés por esta tecnología y la capacidad real de las organizaciones para integrarla en su infraestructura actual.
Se denomina sistema legacy a aquel software o infraestructura que, pese a su antigüedad, sigue en uso porque cumple funciones esenciales: contabilidad, nóminas, inventarios, gestión de clientes o procesamiento de pagos. Suelen haberse desarrollado con lenguajes y arquitecturas anteriores a la computación en la nube, y su sustitución conlleva costes elevados, riesgos de interrupción del servicio y una dependencia de profesionales con conocimientos cada vez más escasos.
La fricción con la IA se explica, en términos generales, por las exigencias de esta tecnología. Los modelos de aprendizaje automático y la IA generativa necesitan acceso fluido a datos abundantes, ordenados y fiables, así como interfaces que permitan conectarlos con las aplicaciones corporativas. En numerosas organizaciones, la información permanece fragmentada en silos, almacenada en formatos propietarios o carente de documentación, lo que complica tanto el entrenamiento y la alimentación de los modelos como la posterior verificación de sus resultados.
El fenómeno no es nuevo. Sectores como la banca, los seguros, las aerolíneas y la administración pública mantienen desde hace décadas sistemas centrales basados en ordenadores de gran capacidad (mainframes) y en lenguajes como COBOL, diseñados en una época en que la prioridad era la estabilidad y no la interoperabilidad. La fragilidad de ese modelo quedó expuesta en 2020, cuando el gobernador de Nueva Jersey pidió públicamente voluntarios con conocimientos de COBOL para ayudar a mantener los sistemas de prestaciones por desempleo, sometidos a una demanda extraordinaria durante la pandemia.
Frente a este panorama, las estrategias de modernización más habituales apuestan por la gradualidad. Entre ellas figuran la migración progresiva a entornos en la nube, la creación de capas de integración mediante interfaces de programación (API) que «envuelven» el sistema antiguo sin sustituirlo, la adopción de arquitecturas modulares y la consolidación de los datos en plataformas unificadas. Este enfoque incremental suele preferirse al reemplazo total y simultáneo, que históricamente ha presentado mayores riesgos operativos y presupuestarios.
A ello se suman otros factores que condicionan cualquier proyecto de IA: la gobernanza de los datos, la ciberseguridad y el cumplimiento normativo. Marcos regulatorios como el Reglamento de Inteligencia Artificial de la Unión Europea, en vigor desde 2024 y de aplicación escalonada, exigen trazabilidad y control sobre los sistemas automatizados, requisitos que resultan más difíciles de satisfacer cuando la información reside en plataformas opacas o sin mantenimiento adecuado.
Para la comunidad venezolana y latina en Estados Unidos, la cuestión tiene una dimensión práctica. Los latinos tienen una presencia notable en el tejido de pequeñas y medianas empresas del país, donde es frecuente convivir con herramientas dispares y programas de gestión heredados de etapas anteriores del negocio. Para estos emprendedores, la preparación de los datos y la elección de soluciones compatibles pueden marcar la diferencia a la hora de aprovechar asistentes, analítica o automatización. Asimismo, la modernización tecnológica genera demanda de perfiles en ingeniería, análisis de datos y ciberseguridad, un ámbito en el que profesionales hispanos, incluidos los recién llegados, pueden encontrar oportunidades de formación y empleo.
De acuerdo con lo recogido por contxto.com, el reto para las empresas consiste ahora en identificar qué parte de su infraestructura limita la adopción de la IA y en definir prioridades de actualización. Las organizaciones suelen comenzar con un inventario de sus sistemas y sus fuentes de datos, seguido de proyectos piloto acotados antes de ampliar su alcance. Los detalles concretos del análisis, así como las cifras y los casos que lo sustentan, corresponden a la publicación original, que es la responsable de la información citada en este artículo.
Fuente: Contxto
