Hoe je legacy-software in een AI-SDLC brengt

Elk gesprek over AI-assisted development stuit uiteindelijk op dezelfde muur: "prima voor nieuwe apps, maar ons bedrijf draait op een twaalf jaar oude Rails-monoliet en een Java-facturatiesysteem dat niemand volledig begrijpt." De muur is echt, de meeste AI-ontwikkeltooling veronderstelt een greenfield, maar de conclusie die teams eruit trekken, dat legacy-systemen op een rewrite moeten wachten voordat AI kan helpen, is precies verkeerd om. Legacy-systemen zijn waar AI-assisted engineering het meest oplevert, want daar wonen de onderhoudslast, het kennisrisico en de backlog daadwerkelijk.

Een legacy-systeem in een AI-SDLC brengen betekent niet een model vragen het opnieuw te genereren. Het betekent de bestaande code dezelfde delivery loop geven die een nieuwe AI-gebouwde app geniet: een omgeving waarin het systeem reproduceerbaar draait zodat agents er veilig aan kunnen werken; een kaart van welke code bij welke bedrijfsfunctie hoort; beleid dat de gevaarlijke zones beschermt; een baseline van geautomatiseerde tests rond gedrag dat niet mag veranderen; en een gecontroleerd pad van wijziging naar deployment. Zodra die loop bestaat, kunnen AI-agents het werk dragen waar mensen tegen opzien, dependency-upgrades, bugbacklogs, kleine features, documentatie, onder governance, terwijl het systeem productie blijft bedienen.

De strategische herframing: modernisering houdt op een bestemming te zijn (de grote rewrite, eeuwig achttien maanden verderop) en wordt een eigenschap van hoe het systeem vanaf nu wordt onderhouden. Systemen in de loop worden met elke beheerde wijziging incrementeel gezonder. Systemen erbuiten vervallen volgens schema.

Een nuttig mentaal model: behandel het legacy-systeem als een patiënt die wordt opgenomen, niet als een gebouw dat wordt gesloopt. Opname betekent eerst observatie, reproduceer het, koppel het, baseline zijn gedrag, dan behandeling in oplopende doses naarmate het bewijs zich opstapelt. Niets aan opname vereist geloven dat het systeem goed is; het vereist alleen dat het systeem dragend is, en precies daarom verdient het machinerie in plaats van heldendaden. De fasen hieronder zijn dat opnameproces, op volgorde, met het risico naar voren geladen op omkeerbare stappen.

De pijn is structureel, niet toevallig. De engineers die het systeem begrepen zijn vertrokken of doorgeschoven, dus elke wijziging begint met archeologie. Testdekking is dun of ritueel, dus elke deploy is een kleine daad van moed, dus deploys zijn zeldzaam, dus wijzigingen stapelen op, dus deploys worden riskanter. De klassieke vicieuze cirkel. Ondertussen groeit de backlog van businessverzoeken, en de mensen die het systeem kunnen aanraken besteden hun capaciteit aan het in leven houden in plaats van het verbeteren. Dit is bij uitstek een capaciteitsprobleem, en dat is bij uitstek wat AI-assisted engineering adresseert. Mits de veiligheidsmachinerie bestaat waarbinnen agents kunnen werken.

Het traditionele ontsnappingsluik, de big-bang rewrite, heeft een faalhistorie die elke CIO kent: meerjarige tijdlijnen, het oude systeem dat onder het nieuwe door evolueert, de laatste 20% van het gedrag, ongedocumenteerd, dragend, die het grootste deel van het budget opslokt. Rewrites falen omdat ze eisen dat de organisatie het hele systeem in één keer begrijpt, en dat is precies de kennis die verloren ging. Incrementele benaderingen slagen omdat ze slechts één wijziging tegelijk vereisen te begrijpen, en één wijziging tegelijk is exact de granulariteit die AI-agents plus governance goed aankunnen.

Er is ook een talentwerkelijkheid. Niemand wil de onderhoudsstoel op een legacy-systeem, en ervoor werven wordt elk jaar moeilijker. Het systeem verpakken in een AI-SDLC verandert die stoel van fulltime archeologie in richting en review. Een rol die senior mensen wél aannemen.

De backlog zelf vertelt je hoeveel waarde er vastzit. De meeste verouderende systemen dragen jaren aan uitgestelde verzoeken, kleine features, integratievragen, rapportwijzigingen, die individueel nooit het deployrisico waard waren. Dat is de wrede rekenkunde van de vicieuze cirkel: hoe riskanter deploys worden, hoe hoger de lat om er één te wagen, hoe langer de rij groeit. Doorbreek de cirkel, goedkope, veilige, beheerde wijzigingen, en de rij verandert van een verplichtingenlijst in een waardepipeline, en daarom is backlog-afbouw de meest overtuigende vroege metric voor deze programma's.

Deze oprit is een eersteklas pad op Ciao, geen aanpassing. Custom sandbox images verpakken AI-assisted engineering rond Rails, Java, Go, Python, Node en multi-process backends. Fase twee van het framework als platformcapaciteit. Guardrails doet vervolgens het koppelen en beschermen: het koppelt code aan bedrijfsdomeinen, detecteert risicovolle wijzigingen, past plain-English-beleid toe, legt menselijke review vast en laat een audit trail achter elke merge. Exact de governance-first-houding die legacy-systemen eisen. QA bouwt en draait de baseline. Deterministische browserreplays, self-healing tests, smoke gates vóór publicatie, productiechecks erna, en Doctor onderzoekt de live app, DNS en CDN om de hoofdoorzaak te diagnosticeren wanneer iets zich misdraagt.

Voor portfolio's in plaats van losse systemen geeft Conductor één scherm voor honderden, soms duizenden, projecten met live gezondheid en zichtbaarheid van beschermde zones, wat een doorlopend moderniseringsprogramma daadwerkelijk nodig heeft om door een klein team beheerd te worden. Deployment kan blijven waar compliance het vereist: je eigen AWS-, Azure- of GCP-account, private VPC, of on-prem onder aparte voorwaarden. Serieuze ontwikkelprogramma's beginnen bij USD 10.000 per jaar. Het gesprek met sales is concreet: breng één verouderend systeem en zijn backlog mee, en baken af hoe fase één er daarvoor uitziet.

Stel verwachtingen eerlijk binnen je organisatie: de eerste weken produceren infrastructuur, geen features. Een reproduceerbare omgeving, een bedrijfsdomeinenkaart, een testbaseline, en dat kan traag ogen voor stakeholders aan wie AI-snelheid was beloofd. Het samengestelde effect begint daarna: elke volgende wijziging rijdt over dezelfde rails, en de honderdste beheerde wijziging kost een fractie van de eerste. Programma's die deze vorm vooraf communiceren, behouden hun sponsors; programma's die instantsnelheid beloven op een twaalf jaar oude codebase, besteden maand drie aan excuses.