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.
O equívoco mais comum: IA como substituição
Quando empresas pensam em “implementar IA”, muitas imaginam que precisarão substituir ou reestruturar os sistemas existentes. Isso cria um medo proporcional ao tamanho e complexidade do legado.
Mas a forma mais eficaz — e mais comum — de integrar IA com sistemas existentes é através de uma camada de integração que fica entre a IA e os sistemas:
[Usuário / IA] ↔ [Camada de Integração] ↔ [Sistemas Legados]O sistema legado continua funcionando exatamente como sempre funcionou. A IA interage com ele através de interfaces que você já tem ou que você constrói de forma não-invasiva.
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:
- Faça um mapeamento funcional: quais operações o sistema precisa fazer? Não documente o código — documente as operações de negócio.
- Para cada operação, identifique como ela é feita hoje (qual tela, qual endpoint, qual tabela).
- 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:
- Liste os sistemas que a IA precisaria consultar ou agir sobre
- Para cada sistema, identifique: tem API? tem acesso ao banco? alguém ainda entende como funciona?
- 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.