Migreren in een AI-wereld: het model leest de code, u doet de migratie

Een leverancier zet een generatief model op een stuk COBOL van dertig jaar oud en laat het live uitleggen wat de code doet. In de zaal knikt iedereen. Wat blijft hangen is een gevoel: de migratie die u al jaren uitstelt lijkt plots een kwestie van maanden. Daar begint het mis te lopen.

Het model deed niets verkeerd. Het las de code sneller dan een mens en vatte ze redelijk samen. Het probleem zit in de sprong die de zaal maakt, van 'AI begrijpt de code' naar 'AI doet de migratie'. Die twee liggen ver uit elkaar, en in die afstand sneuvelen de meeste projecten.

Wat AI in een migratie echt doet

Begin bij wat klopt. Een oud systeem migreren betekent eerst begrijpen wat er staat, en dat is vaak het lastigste deel. De mensen die de code schreven zijn met pensioen, de documentatie is een map met screenshots, en de businessregels zitten verstopt in een procedure die niemand nog durft aan te raken. Een model dat die code doorleest en er leesbare uitleg van maakt, wint u weken. Dat is werk dat vandaag al loont.

Er zijn meer plekken waar het helpt. Het brengt een datamodel in kaart en vergelijkt velden tussen het oude en het nieuwe systeem. Het schrijft tests die aantonen dat een nieuwe module hetzelfde antwoord geeft als de oude. Taken waar AI het trage werk versnelt en een mens op koers houdt. Gebruik ze, ze verdienen zichzelf terug.

Let op wat die taken gemeen hebben. Ze helpen u de code doorgronden en de uitkomst verifiëren. De keuze welke businessregel u schrapt en het oordeel of u vandaag mag overschakelen, dat blijft aan een mens. Dat onderscheid lijkt klein en het bepaalt of uw migratie slaagt.

Waar de belofte kantelt

Gartner keek naar de projecten die het verst gaan, bedrijven die hun mainframe helemaal willen verlaten. De voorspelling van juni 2026 is scherp. Meer dan 70% van de mainframe-exitprojecten die in 2026 starten, haalt de beoogde voordelen niet, en de reden die Gartner noemt is een overschatting van wat generatieve AI kan. De techniek doet vaak wat ze belooft. De aanname eronder wringt, dat een model het zware werk overneemt.

Waarom loopt het zo? Een model dat code omzet, levert iets op wat er goed uitziet en meestal werkt. Meestal. De uitzonderingen zitten in de randgevallen die uw bedrijf uniek maken: de klant met een afwijkend contract, de boeking die over twee boekjaren loopt, de korting die maar één keer per jaar mag. Daar geeft de gegenereerde code een plausibel antwoord dat net verkeerd is, en niemand merkt het tot een klant belt. Wie de migratie aan het model overlaat, verliest precies de kennis die het verschil maakt.

Het risico daalt door de methode, niet door het model

Wat een migratie wel veilig maakt, is niet nieuw en niet spannend. U knipt het werk in stukken en zet achter elk stuk een go of no-go. Werkt de eerste module in het echt, met echte data en echte gebruikers, dan bouwt u de volgende. Werkt ze niet, dan stopt u voor u dieper in de put zit. Zo bouwen wij in golven met een beslissing per stap, en die beslissing is mensenwerk. Een model kan de opties op tafel leggen, tekenen doet u zelf.

Daar hoort een tweede regel bij. Het oude systeem blijft draaien tot het nieuwe zich bewijst. Geen vrijdag waarop u de stekker uit het oude trekt en op maandag hoopt dat het nieuwe het houdt. U draait een tijd parallel, legt de uitkomsten van beide naast elkaar, en schakelt pas over als de cijfers kloppen. Die parallelle run is traag en saai, en hij is de reden dat u 's nachts doorslaapt.

Big-bang blijft de duurste weg

De cijfers over grote projecten zijn er niet mooier op geworden. McKinsey onderzocht samen met de Universiteit van Oxford IT-projecten van meer dan 15 miljoen dollar. Gemiddeld liepen die 45% over budget en leverden ze 56% minder waarde dan beloofd. Bij 17% ging het zo mis dat het voortbestaan van de onderneming in het gedrang kwam. Dat onderzoek dateert van 2012, ruim voor de huidige AI-golf, en juist dat maakt het bruikbaar. Het toont het grondrisico van een migratie zonder dat een model de cijfers kleurt.

AI verandert die kansen niet in uw voordeel zolang u de aanpak niet verandert. Een big-bang met een taalmodel eronder blijft een big-bang. Sneller code genereren die u in één keer live zet, betekent vooral dat u sneller bij de rand van de klif staat. Een model dat de code schrijft, laat de 17% uit het onderzoek grotendeels staan. Ze verschuift hooguit naar een ander soort fout, eentje die u pas ziet als het nieuwe systeem al draait.

Eigen code en open standaarden maken elke stap controleerbaar

Een go of no-go per stap kunt u alleen nemen als u ziet wat er gebeurt. Dat vraagt twee dingen. De code staat vanaf dag één in uw eigen repository, zodat u en uw team elke wijziging kunnen lezen en niet alleen de leverancier. En de stack draait op open standaarden, zodat u de data en de systemen kunt inspecteren zonder toestemming te vragen. Ons platform is daarop gebouwd: uw code, uw data, een standaardstack die u zelf draait en kunt overdragen. Zonder dat eigenaarschap is elke controle een kwestie van vertrouwen in wat de leverancier u vertelt.

Overstappen is intussen ook makkelijker dan drie jaar geleden. De EU Data Act, Verordening (EU) 2023/2854, verplicht cloudaanbieders sinds 12 september 2025 tot overstapmogelijkheden en het afbouwen van overstapkosten. In 2024 schrapten Google Cloud en daarna AWS de egresskosten voor wie de cloud verlaat, mede onder druk van diezelfde wet. De prijs om weg te gaan bij een systeem dat u niet bevalt, zakt. Wie zijn migratie in stukken plant, gebruikt die lagere drempel in plaats van hem te negeren.

Eerst het proces in kaart, dan het gereedschap

Voor u een model op uw legacy loslaat, ligt er een stap die geen AI voor u doet: uitzoeken wat het huidige systeem echt moet blijven kunnen, en wat er weg mag. Een audit legt dat vast, met de businessregels en de datastromen erbij, voordat er één module wordt gebouwd. Pas daarna komt de vraag welk gereedschap u inzet, en dan is AI een van de handigste die u hebt.

De komende jaren wordt AI beter in het lezen van oude code en het schrijven van tests, en dat is goed nieuws voor iedereen die iets moet migreren. Waar het risico zit, verandert niet: in de overschakeling zelf, in de randgevallen, in het moment waarop u het oude durft uit te zetten. Dat blijft mensenwerk, in stukken, met een uitweg op elke stap. Gebruik AI voor het werk dat ze aankan, en laat de beslissing bij de mensen die de gevolgen dragen.