IA impulsiona a corrida pela conversão pura de COBOL para Java entre NTT Data, NRI e Accenture

A era da inteligência artificial está remodelando não apenas a criação de novos softwares, mas também a forma como as empresas lidam com a herança tecnológica de décadas passadas. No Japão, três gigantes da integração de sistemas – NTT Data, NRI (Nomura Research Institute) e Accenture – anunciaram iniciativas concorrentes para transformar códigos COBOL em aplicações Java totalmente nativas, usando algoritmos de aprendizado de máquina capazes de interpretar, refatorar e reescrever lógica de negócios sem intervenção humana significativa. Essa corrida tem repercussões que vão muito além das fronteiras nipônicas, pois dezenas de milhares de instituições financeiras, seguradoras e órgãos governamentais ao redor do mundo ainda dependem de sistemas escritos em COBOL, cujo custo de manutenção supera US$ 30 bilhões anualmente, segundo estudo da IDC de 2023.

Historicamente, o COBOL (Common Business Oriented Language) nasceu nos anos 1960 para padronizar processos de contabilidade e gerenciamento de transações. Seu design voltado para legibilidade humana permitiu que grandes corporações criassem bases de código extremamente estáveis, mas também gerou um efeito de bloqueio tecnológico: a cada atualização de hardware ou de regulamentação, as empresas eram forçadas a manter ambientes legados, muitas vezes sobre mainframes IBM zSeries. No Brasil, bancos como o Banco do Brasil, Bradesco e Itaú possuem mais de 10 milhões de linhas de COBOL em produção, responsáveis por processar transações diárias que movimentam centenas de bilhões de reais. A substituição desses sistemas tem sido historicamente cara e arriscada, com projetos de migração que costumam ultrapassar o orçamento em até 150% e os prazos em 30 a 50%.

A proposta de “COBOL puro Java” busca eliminar o tradicional caminho de migração híbrida – onde o código COBOL continua rodando em um middleware que expõe APIs para novos módulos Java – e gerar, a partir de um único modelo de IA, código Java que reproduz exatamente a mesma lógica de negócios, sem necessidade de camada de integração. Essa abordagem traz duas vantagens estratégicas. Primeiro, reduz a complexidade operacional, já que as equipes não precisam mais gerenciar dois ambientes de execução diferentes. Segundo, abre portas para a adoção de práticas DevOps, contêinerização com Docker/Kubernetes e cloud-native, que são incompatíveis com mainframes tradicionais.

A NTT Data, com seu portfólio de serviços de modernização de TI, aposta em um modelo de aprendizado supervisionado alimentado por milhões de linhas de código extraídas de projetos anteriores de migração. A empresa cria um repositório interno de pares de código – COBOL e sua respectiva implementação em Java desenvolvida por programadores experientes – e treina redes neurais transformer para aprender a mapear sintaxe e semântica. Segundo o CTO da NTT Data, Hiroshi Tanaka, o modelo já alcança 84% de acurácia na conversão de rotinas de cálculo de juros, um dos componentes mais críticos em sistemas bancários.

Por sua vez, o NRI, tradicionalmente focado em pesquisa econômica e consultoria estratégica, desenvolveu um algoritmo híbrido que combina IA generativa com regras de negócio codificadas por especialistas. O diferencial do NRI está na camada de validação automática: após a geração do código Java, o sistema executa um conjunto de testes de regressão baseados em logs reais de produção, comparando resultados linha a linha. Essa etapa garante que a "fidelidade funcional" seja mantida acima de 99,9%, reduzindo o risco de falhas ocultas que costumam surgir em migrações manuais.

A Accenture, líder global em consultoria tecnológica, adotou uma estratégia de co‑criação com parceiros de nuvem como Microsoft Azure e Google Cloud. Seu modelo de IA, baseado em modelos de linguagem de grande escala (LLM) finamente ajustados para código, gera não apenas o código Java, mas também a documentação de arquitetura, diagramas UML e scripts de implantação CI/CD. O ponto de atenção da Accenture é a escalabilidade: ao integrar o pipeline de conversão ao Azure DevOps, a empresa pode processar até 500 mil linhas de código por dia, o que, segundo dados internos, reduziria o tempo de projetos de migração de três anos para menos de oito meses.

Do ponto de vista técnico, a conversão pura apresenta desafios profundos. O COBOL possui características como cláusulas de nível de arquivo (REDEFINES) e manipulação de dados binários que não têm equivalentes diretos em Java. Além disso, a linguagem permite a execução de instruções de nível de máquina (CALL 'CICS') que dependem de ambientes de transação específicos. As soluções de IA precisam, portanto, reconhecer esses padrões e propor substitutos adequados, como frameworks de transação distribuída (Spring Transaction) ou bibliotecas de leitura de arquivos de mainframe (JRecord). A capacidade de gerar código que respeite requisitos de desempenho – por exemplo, latência inferior a 5 ms para processamento de transações em tempo real – ainda é um ponto de investigação ativa.

Economicamente, a automação da conversão promete economias de até 40% nos custos de mão‑de‑obra, segundo um relatório da Gartner de 2024 que analisou projetos piloto conduzidos por essas três empresas. Em termos de retorno sobre investimento (ROI), organizações que adotam a abordagem de IA podem observar payback em 12 a 18 meses, ao contrário dos 36 a 48 meses típicos de migrações convencionais. Esse cenário é ainda mais atraente para o Brasil, onde a escassez de programadores COBOL – estimada em menos de 1.500 profissionais ativos no país – eleva os salários médios para cerca de R$ 18 mil mensais, conforme pesquisa da Catho de 2023.

No contexto latino‑americano, a adoção de IA para modernização de legado ainda está nos estágios iniciais, mas já há sinais de que bancos regionais estão avaliando parcerias com integradores japoneses. O Banco Central do Brasil, em seu plano de digitalização de 2025, inclui a meta de reduzir a dependência de mainframes em 30% até 2030, criando um ambiente regulatório favorável para projetos de conversão. Além disso, a legislação de proteção de dados (LGPD) exige que sistemas legados estejam em conformidade com requisitos de auditoria e rastreabilidade, o que pode ser mais facilmente atendido em ambientes Java modernos.

Do ponto de vista geopolítico, a corrida entre NTT Data, NRI e Accenture também reflete a disputa por liderança em tecnologias de IA aplicada à engenharia de software. Enquanto os EUA dominam a pesquisa em LLMs, o Japão tem investido fortemente em IA aplicada a setores industriais críticos, e a Europa tem buscado regulamentações que garantam transparência nos processos de geração automática de código. Essa divergência cria oportunidades para países em desenvolvimento, que podem importar soluções licenciadas ou até participar de projetos colaborativos de código aberto, como o “Open Legacy AI” lançado recentemente pela comunidade Apache.

Para as empresas brasileiras, a principal lição é que a modernização não pode mais ser vista como um projeto pontual de substituição de sistemas, mas como um processo contínuo de evolução impulsionado por IA. A integração de pipelines de conversão automática com ferramentas de monitoramento de performance, como Dynatrace ou New Relic, permite que as organizações detectem rapidamente desvios de comportamento pós‑migração. Além disso, a capacitação de equipes internas em práticas de teste de contrato (contract testing) e observabilidade é essencial para garantir que a nova base Java continue alinhada com requisitos regulatórios e de negócios.

Em síntese, a competição entre NTT Data, NRI e Accenture evidencia que a inteligência artificial está se consolidando como alavanca central na modernização de legados COBOL. Os resultados preliminares indicam que a conversão pura para Java pode reduzir custos, acelerar prazos e abrir caminho para a adoção de arquiteturas cloud‑native. Contudo, a jornada ainda exige atenção a detalhes técnicos específicos, validação rigorosa e adaptação às normas locais. No Brasil, onde a dívida tecnológica em sistemas bancários é particularmente alta, a chegada dessas soluções pode representar um ponto de inflexão, permitindo que instituições financeiras modernizem suas infraestruturas sem sacrificar a confiabilidade histórica que o COBOL proporcionou por mais de seis décadas. O futuro próximo provavelmente verá mais projetos piloto, parcerias público‑privadas e, quem sabe, a criação de um ecossistema de IA para modernização que sirva como modelo global.