Como integrar IA com sistemas legados sem refatorar tudo do zero

Essa é uma das preocupações que mais aparecem nas conversas iniciais com gestores de TI e diretores de operações:

“Nosso sistema tem 12 anos. Foi desenvolvido internamente. Não tem documentação. A API é uma bagunça. Como vamos colocar IA nisso?”

A resposta honesta é: você provavelmente não precisa mexer no sistema legado para começar a usar IA.

A IA não precisa viver dentro do seu sistema. Ela precisa conseguir falar com ele.

Por que a integração com legados assusta tanto?

O medo vem de experiências anteriores frustradas. A maioria das empresas já tentou modernizar sistemas legados e conhece bem o resultado:

• Projetos que duraram anos e custaram milhões sem entregar valor
• Migrações que quebraram processos críticos e precisaram ser revertidas às pressas
• Consultores que prometeram substituir tudo e desapareceram após os primeiros meses
• Big bangs que falharam porque subestimaram a complexidade oculta do legado

A resistência é legítima. Mas existe uma diferença fundamental entre substituir sistemas legados e integrar IA com eles.

Substituição exige entender todo o sistema, recriar toda a lógica, migrar todos os dados, retreinar todos os usuários. É um projeto de anos com risco altíssimo.

Integração de IA exige entender apenas as operações específicas que a IA vai executar. O sistema continua funcionando exatamente como sempre funcionou. A IA simplesmente conversa com ele através das interfaces que já existem — ou através de interfaces mínimas que você constrói de forma não-invasiva.

A mudança de paradigma: IA como camada de orquestração

Durante décadas, a arquitetura corporativa foi assim:

[Interface] → [Lógica de Negócio] → [Banco de Dados]

Tudo concentrado em um monólito. Para fazer qualquer automação, você precisava mexer no núcleo do sistema.

Com IA generativa e agentes, a arquitetura muda para:

[Interface Natural / IA] ↔ [Camada de Orquestração] ↔ [Múltiplos Sistemas]

A IA se torna a camada de orquestração que entende intenções em linguagem natural, decide quais sistemas precisa consultar, executa as operações necessárias, e retorna a resposta consolidada.

Os sistemas legados continuam existindo. Eles são fontes de dados e executores de ações. Mas não precisam mais ter interfaces complexas para usuários — a interface é a conversação com a IA.

O que é possível fazer sem tocar no código legado

Antes de falar de estratégias de integração, vale entender o que já é possível fazer hoje, sem modificar uma linha de código dos seus sistemas legados:

Automação de consultas complexas

Um usuário pergunta: “Quais pedidos do cliente Acme Corp estão atrasados e por quê?”

A IA:

1. Consulta o CRM para pegar o ID do cliente
2. Consulta o ERP para listar pedidos em aberto desse cliente
3. Cruza com datas previstas e identifica atrasos
4. Consulta o sistema de logística para entender motivos (problemas de estoque, transporte, etc)
5. Retorna uma resposta consolidada em linguagem natural

Tudo isso sem que o usuário precise abrir 4 sistemas diferentes, fazer 4 consultas manuais, e consolidar manualmente os dados.

Geração de relatórios inteligentes

“Me dá um resumo do desempenho de vendas do último trimestre, destacando produtos com margem em queda e clientes que reduziram pedidos.”

A IA extrai dados do ERP, aplica análise, identifica padrões, e gera um relatório narrativo com insights acionáveis.

Assistentes especializados por área

Cada departamento pode ter seu agente:

• Financeiro: consulta inadimplências, analisa fluxo de caixa, compara despesas
• Operações: monitora SLAs, identifica gargalos, sugere realocação de recursos
• Comercial: analisa pipeline, identifica oportunidades de upsell, prepara propostas
• Suporte: consulta histórico de clientes, identifica problemas recorrentes, sugere soluções

Todos conectados aos mesmos sistemas legados, mas com contexto e ferramentas específicas para cada função.

Automação de workflows entre sistemas

“Quando um pedido for aprovado no CRM, cria automaticamente no ERP, notifica o time de operações no Slack, e adiciona uma task no Asana.”

A IA detecta o evento em um sistema e aciona ações em múltiplos outros. É RPA, mas orquestrado por linguagem natural e com inteligência para lidar com exceções.

Tradução de dados entre sistemas incompatíveis

Sistemas legados muitas vezes falam “linguagens diferentes” — códigos de produto diferentes, formatos de data diferentes, estruturas de endereço diferentes.

A IA pode atuar como tradutor: recebe dados de um sistema em um formato, interpreta, e envia para outro sistema no formato esperado. Sem necessidade de middleware complexo ou ETLs gigantes.

Caso real: indústria farmacêutica em São Paulo

Vamos falar de um caso concreto que implementamos em 2024.

O contexto

Indústria farmacêutica de médio porte em São Paulo. 280 funcionários, R$ 120 milhões de faturamento anual. Linha de 47 produtos entre medicamentos genéricos e suplementos.

O sistema legado: ERP desenvolvido internamente em Delphi no início dos anos 2010. Banco de dados SQL Server 2012. Zero documentação técnica. O desenvolvedor original não trabalha mais na empresa há 6 anos.

O problema: O time comercial perdia horas por dia em tarefas manuais — consultar status de pedidos, verificar estoque disponível, gerar relatórios de vendas, calcular comissões. Tudo exigia abrir o sistema desktop, navegar por telas complexas, exportar para Excel, manipular planilhas.

A diretoria queria modernizar, mas o orçamento estimado para refazer o ERP era de R$ 2,5 milhões com prazo de 18 meses. Risco altíssimo. Decisão: manter o ERP, mas criar uma camada de IA para automatizar as operações mais frequentes.

O que foi implementado

Fase 1 (8 semanas): Assistente comercial com acesso read-only

Identificamos as 12 operações mais frequentes do time comercial:

• Consultar status de pedido
• Verificar estoque disponível por produto
• Listar pedidos por cliente
• Calcular prazo de entrega estimado
• Consultar histórico de compras de um cliente
• Verificar títulos em aberto (financeiro)
• Consultar tabela de preços vigente
• Listar produtos por categoria
• Verificar meta vs. realizado do vendedor
• Consultar margem de contribuição por produto
• Listar pedidos pendentes de aprovação
• Gerar resumo de vendas por período

Estratégia de integração:

• Read-only no banco SQL Server para consultas (80% das operações)
• API REST mínima criada para 3 operações que exigiam lógica complexa já existente no ERP
• Cache em Redis para consultas frequentes (estoque, tabela de preços)

O assistente foi disponibilizado via WhatsApp Business API. Vendedores externos podiam consultar qualquer informação sem precisar ligar para o escritório ou abrir VPN + sistema desktop.

Fase 2 (6 semanas): Automação de workflows críticos

Adicionamos capacidade de ação (não só consulta):

• Criar pedido de venda (com validações e limites de alçada)
• Solicitar aprovação de desconto especial
• Gerar proposta comercial automaticamente
• Registrar ocorrência de cliente
• Atualizar previsão de vendas

Estratégia de integração:

• API REST mínima expandida com 5 endpoints de escrita
• Sistema de aprovações implementado fora do ERP (em Postgres separado)
• Logs de auditoria completos de toda ação executada pela IA

Fase 3 (4 semanas): Insights e análise preditiva

Implementamos análise de dados históricos:

• Previsão de demanda por produto
• Identificação de clientes em risco de churn
• Sugestão de produtos para cross-sell
• Alertas de ruptura de estoque iminente
• Análise de padrões de sazonalidade

Estratégia de integração:

• Pipeline de sincronização diária do SQL Server para um data warehouse em PostgreSQL
• IA opera sobre o warehouse, não sobre o banco de produção
• Embeddings de histórico de interações com clientes para personalização

Resultados medidos após 6 meses

Métrica	Antes	Depois	Melhoria
Tempo médio para consultar status de pedido	8 min	30 seg	-94%
Tempo médio para gerar proposta comercial	45 min	3 min	-93%
Consultas ao suporte interno (TI + Administrativo)	340/mês	85/mês	-75%
Taxa de erro em pedidos (dados incorretos)	4,2%	0,8%	-81%
Tempo médio de resposta a cliente	4,3 horas	18 min	-93%
Pedidos criados por vendedor/dia	3,2	5,7	+78%
Satisfação do time comercial (NPS)	12	67	+455%
Custo de implementação total	-	R$ 187k	-
Economia mensal (horas produtivas)	-	R$ 94k	ROI: 2 meses

Lições aprendidas

O que funcionou bem:

1. Começar só com leitura. Dar acesso de consulta primeiro gerou confiança antes de permitir ações.

2. Integração progressiva. Não tentamos integrar tudo de uma vez. Começamos com as 3 operações mais críticas, medimos impacto, depois expandimos.

3. Cache agressivo. Estoque muda a cada hora, não a cada segundo. Cachear por 15 minutos reduziu carga no banco legado em 87%.

4. Logs detalhados desde o dia 1. Salvaram o projeto quando surgiram comportamentos inesperados — conseguimos rastrear exatamente o que aconteceu.

5. Treinamento com casos reais. Não fizemos “treinamento de sistema”. Pegamos 20 situações reais que acontecem todo dia e ensinamos o time a resolver com a IA.

O que foi mais difícil que esperávamos:

1. Dados sujos. O campo “observações” no ERP era usado para tudo — desde informações de entrega até piadas internas. Precisamos de lógica extra para interpretar.

2. Códigos sem padrão. Códigos de produto seguiam 4 convenções diferentes ao longo dos anos. A IA precisou aprender a interpretar todos.

3. Resistência cultural inicial. Vendedores mais antigos resistiram nas primeiras 2 semanas. Mudou quando viram colegas economizando 2 horas por dia.

4. Expectativas irreais. Nos primeiros dias, usuários perguntavam coisas impossíveis (“por que o cliente X não comprou esse mês?”). Precisamos educar sobre o que a IA pode e não pode inferir.

O que não fizemos (e por quê):

❌ Não refatoramos o ERP. Continua exatamente como estava. Zero risco.

❌ Não migramos dados. O banco de produção continua sendo o SQL Server de 2012. A IA consulta os dados onde eles estão.

❌ Não criamos uma nova interface para substituir o sistema desktop. O ERP ainda é usado para operações complexas e configurações. A IA atende 80% dos casos de uso, não 100%.

❌ Não tentamos integrar tudo no primeiro dia. Priorizamos ruthlessly. Algumas funcionalidades do ERP simplesmente não foram integradas porque eram usadas 2x por mês.

Investimento detalhado

Desenvolvimento (12 semanas de projeto):

• 1 engenheiro sênior full-time: R$ 72.000
• 1 engenheiro mid-level part-time (50%): R$ 27.000
• Revisão de arquitetura (4 sessões): R$ 8.000
• Subtotal: R$ 107.000

Infraestrutura (6 primeiros meses):

• Custos de LLM (API Claude/OpenAI): R$ 2.800/mês
• Infra cloud (compute, banco, cache): R$ 1.200/mês
• WhatsApp Business API: R$ 680/mês
• Monitoramento e observabilidade: R$ 420/mês
• Subtotal: R$ 30.600

Outros custos:

• Licenças de ferramentas (dev + produção): R$ 8.400
• Testes e homologação: R$ 12.000
• Documentação e treinamento: R$ 9.000
• Contingência (15%): R$ 20.000
• Subtotal: R$ 49.400

Total investido: R$ 187.000

ROI calculado:

• Economia mensal: R$ 94.000 (tempo produtivo recuperado)
• Payback: 2,0 meses
• ROI 12 meses: 501%

Esses números são reais. Não incluem ganhos secundários (menos erros, clientes mais satisfeitos, vendedores menos estressados) que são difíceis de quantificar mas impactam o negócio.

As cinco estratégias de integração

Estratégia 1: Integração via API existente

Se o sistema legado já tem uma API (mesmo que antiga, mal documentada, ou com endpoints limitados), esse é o caminho mais simples.

Você cria um conjunto de “ferramentas” para o agente de IA — cada ferramenta é um wrapper sobre um endpoint da API existente.

# Exemplo simplificado
def buscar_pedido(numero_pedido: str) -> dict:
    """Busca informações de um pedido no sistema legado."""
    response = requests.get(
        f"{LEGACY_API_URL}/pedidos/{numero_pedido}",
        headers={"Authorization": f"Bearer {TOKEN}"}
    )
    return response.json()

O agente de IA chama essa ferramenta quando precisa de informações de pedidos. O sistema legado nunca sabe que tem uma IA consultando — recebe uma chamada de API como qualquer outra.

Quando usar: Sistema tem API funcional, mesmo que básica.

Complexidade: Baixa.

Estratégia 2: Integração via banco de dados (read-only)

Se o sistema não tem API mas você tem acesso ao banco de dados, um agente pode consultar o banco diretamente para leitura.

Isso funciona bem para casos onde a IA precisa buscar informações (status de pedido, histórico de cliente, estoque) mas não precisa gravar dados no sistema legado.

-- O agente formula e executa queries como esta:
SELECT p.numero, p.status, p.data_entrega_prevista, c.nome
FROM pedidos p
JOIN clientes c ON p.cliente_id = c.id
WHERE p.numero = '14532'

Atenção: Dê à IA acesso read-only com um usuário de banco com permissões mínimas. Nunca acesso de escrita sem controles rigorosos.

Quando usar: Sem API, mas com acesso ao banco. Operações de leitura.

Complexidade: Baixa a média.

Estratégia 3: Integração via RPA (Robotic Process Automation)

Para sistemas que não têm API e que você não quer (ou não pode) acessar diretamente no banco, RPA é a alternativa.

RPA simula ações de usuário na interface do sistema: abre o sistema, navega até a tela certa, lê ou insere dados, fecha. Ferramentas como Playwright, UiPath, ou Automation Anywhere fazem isso.

Você cria ferramentas de RPA e as disponibiliza para o agente de IA como se fossem APIs normais.

Quando usar: Sistema totalmente fechado, sem API, sem acesso ao banco.

Limitação: Mais frágil — qualquer mudança de interface quebra o RPA. Mais lento que chamadas de API diretas.

Complexidade: Média a alta.

Estratégia 4: Event streaming / integração assíncrona

Em vez de a IA consultar o sistema legado sob demanda, o sistema legado publica eventos em tempo real (novo pedido, mudança de status, atualização de cliente) e a IA reage a esses eventos.

Ferramentas como Apache Kafka, RabbitMQ, ou AWS EventBridge permitem essa arquitetura.

Exemplo: Toda vez que um pedido muda de status no ERP legado, um evento é publicado. Um agente de IA que escuta esse evento verifica se o cliente tem alguma comunicação pendente e dispara a notificação automática.

Quando usar: Processos orientados a eventos. Sistemas que já publicam ou podem publicar eventos.

Complexidade: Média. Requer alguma modificação no sistema legado para publicar eventos — mas é uma modificação pequena e não invasiva.

Estratégia 5: Data warehouse como camada intermediária

Para casos de análise e inteligência (não de ação), você pode ter um pipeline de dados que sincroniza os dados do sistema legado para um data warehouse ou data lake moderno.

A IA opera sobre os dados no warehouse — que tem estrutura limpa, documentação, e APIs modernas — sem nunca tocar no legado.

Quando usar: Casos de BI, análise, relatórios, insights. Não para ações em tempo real.

Complexidade: Média. Requer construir o pipeline de sincronização.

O padrão de integração mais comum na prática

Na maioria dos projetos reais, usamos uma combinação das estratégias acima:

[Interface do usuário / Agente IA]
          ↓
[Camada de Ferramentas]
  ├── API do CRM (Estratégia 1)
  ├── Query read-only no ERP (Estratégia 2)
  ├── RPA para sistema financeiro legado (Estratégia 3)
  └── RAG na base de conhecimento interna
          ↓
[Sistemas existentes - sem modificação]

Cada “ferramenta” é uma abstração que esconde a complexidade da integração específica. O agente de IA não sabe (e não precisa saber) se está consultando uma API REST, um banco de dados PostgreSQL, ou um sistema via RPA. Ele só sabe que pode chamar buscar_pedido(), consultar_estoque(), registrar_ocorrencia().

Lidando com as situações mais difíceis

Sistema sem documentação

Realidade comum em sistemas desenvolvidos internamente ao longo de anos. Abordagem:

1. Faça um mapeamento funcional: quais operações o sistema precisa fazer? Não documente o código — documente as operações de negócio.
2. Para cada operação, identifique como ela é feita hoje (qual tela, qual endpoint, qual tabela).
3. Construa wrappers sobre essas operações, documentando o comportamento esperado.

Você não precisa documentar todo o sistema — só as operações que a IA vai usar.

Dados em formato não-estruturado ou bagunçado

ERPs antigos frequentemente têm campos usados de forma criativa: texto livre em campo de observação, códigos internos sem dicionário, datas em formatos inconsistentes.

A IA pode ajudar aqui também: use um LLM para “limpar” e interpretar esses dados antes de processá-los. Um campo de observação cheio de texto livre pode ser estruturado pelo LLM antes de ser analisado.

Latência alta nas APIs legadas

Sistemas antigos às vezes são lentos. Para agentes interativos, isso é um problema de experiência.

Solução: implementar cache para consultas frequentes. Status de pedido de 2 horas atrás provavelmente ainda é válido — você não precisa consultar o sistema legado toda vez.

Autenticação complexa ou obsoleta

Alguns sistemas legados usam mecanismos de autenticação antigos (SOAP com WS-Security, certificados específicos, VPN obrigatória). A camada de integração resolve isso centralizando a autenticação — o agente de IA nunca lida com essas complexidades diretamente.

Segurança: o que não abrir mão

Princípio do menor privilégio

O agente de IA deve ter acesso apenas ao que precisa para as tarefas que executa. Um agente de suporte ao cliente não precisa de acesso ao módulo financeiro. Um agente de relatórios não precisa de acesso de escrita.

Configure permissões granulares e revisite periodicamente.

Logs de auditoria completos

Toda ação do agente deve ser registrada: quando foi executada, por que foi executada (o contexto da conversa), o que foi lido, o que foi modificado. Isso é essencial para debug, compliance, e para identificar comportamentos inesperados.

Sandbox para desenvolvimento e testes

Nunca desenvolva e teste conectado ao sistema de produção. Tenha um ambiente de homologação que espelha o legado para desenvolvimento.

Aprovação humana para ações críticas

Defina explicitamente quais ações requerem aprovação humana antes de serem executadas — deletar registros, modificar dados financeiros, enviar comunicações em massa. Esses guardrails devem ser codificados, não apenas instruídos ao LLM.

Quanto tempo leva uma integração típica?

Sistema com API funcional documentada: 2-4 semanas para MVP.

Sistema com API não-documentada: 3-6 semanas (incluindo engenharia reversa das APIs).

Sistema sem API, integração via banco de dados: 4-6 semanas.

Sistema sem API, sem acesso ao banco (RPA): 6-10 semanas.

Múltiplos sistemas legados com integrações mistas: 2-4 meses para cobrir as operações principais.

Esses números assumem um escopo bem definido. Projetos com escopo vago levam mais tempo — não por complexidade técnica, mas por falta de clareza sobre o que precisa ser feito.

O primeiro passo prático

Se você quer avaliar a integração de IA com seus sistemas, faça um inventário rápido:

1. Liste os sistemas que a IA precisaria consultar ou agir sobre
2. Para cada sistema, identifique: tem API? tem acesso ao banco? alguém ainda entende como funciona?
3. Para cada operação necessária: é leitura ou escrita? qual é a frequência esperada? qual o impacto de um erro?

Com esse inventário, fica claro quais integrações são simples (semanas), quais são complexas (meses), e quais podem ser evitadas na primeira versão.

Converse com a gente para revisar esse inventário. Com experiência em dezenas de integrações, conseguimos identificar rapidamente os caminhos mais eficientes para o seu contexto específico — sem promessas de que vai ser simples quando não vai.

Sistemas legados são ativos, não obstáculos. Eles acumulam anos de regras de negócio e dados históricos que nenhum sistema novo tem. A IA não precisa substituí-los — precisa trabalhar com eles. E isso, na maioria dos casos, é mais simples do que parece.