Em fevereiro de 2026, um único post de blog da Anthropic sobre COBOL derrubou as ações da IBM em 13,2%, a pior queda diária desde outubro de 2000. Quatro meses depois, em junho, a Gartner publicou a previsão oposta: mais de 70% dos projetos de saída de mainframe iniciados em 2026 fracassarão justamente por causa de expectativas excessivas em IA generativa. Entre uma reação de mercado e uma previsão de fracasso existe a mesma pergunta: a IA realmente muda a economia da modernização de sistemas legados, ou muda apenas o discurso que a vende?
O que está em jogo economicamente
O parque legado não é pequeno. Uma estimativa citada pela PYMNTS atribui a sistemas em COBOL cerca de 95% das transações de caixas eletrônicos nos Estados Unidos, com centenas de bilhões de linhas do código ainda em produção em bancos, companhias aéreas e órgãos governamentais. O custo de manter esse patrimônio não está só no código: está na aposentadoria progressiva das pessoas que o entendem. A Gartner chama atenção para a combinação de pressão de investidores sobre vendors, perda acelerada de talento experiente e a natureza "grande demais para falhar" das aplicações mission-critical de mainframe. Para líderes de infraestrutura e operações, o quadro foi descrito pelo vice-analista Alessandro Galimberti como uma "tempestade perfeita de risco".
Aqui convém um detalhe que muda a interpretação: segundo a própria IBM, cerca de 40% do COBOL em uso não roda em mainframe, mas em Windows, Linux e outras plataformas distribuídas. O problema de legado não é, portanto, sinônimo de mainframe. É um problema de código e conhecimento envelhecidos que atravessa plataformas. Quem trata modernização como sinônimo de "sair do mainframe" confunde duas decisões econômicas diferentes.
Traduzir código não é modernizar plataforma
A resposta da IBM à aposta da Anthropic (abre em nova aba) veio em texto assinado por Rob Thomas, vice-presidente sênior de software e diretor comercial da companhia, com uma distinção que resume o debate: traduzir código é uma coisa; modernizar uma plataforma é outra inteiramente diferente. O argumento, publicado no blog da IBM (abre em nova aba), é que o valor do mainframe não depende do COBOL, e sim de uma pilha verticalmente integrada: z/OS, CICS, IMS, Db2, RACF, MQ, Parallel Sysplex e storage DS8K. A empresa atribui a essa arquitetura números como 25 bilhões de transações criptografadas por dia em um único sistema, 450 bilhões de inferências de IA por dia com latência de 1 milissegundo, disponibilidade de até "oito noves" e utilização sustentada de 100% sem violar SLAs.
Esses números são alegações da própria IBM, não medição independente, e cumprem uma função retórica clara: deslocar a discussão da linguagem para a plataforma. A decisão econômica não seria "trocar COBOL por Java", e sim avaliar se uma infraestrutura reescrita em nuvem consegue reproduzir garantias transacionais, de segurança e de disponibilidade que a pilha original entrega há décadas. É uma pergunta honesta, e é também um defesa de negócio. As duas coisas não se excluem.
O mercado, no curto prazo, apostou contra. A queda de 13,2% das ações da IBM em 24 de fevereiro de 2026, com queda acumulada de 27% no mês, segundo dados da CNBC e da Bloomberg citados pela PYMNTS, ocorreu apesar de um trimestre forte: receita de US$ 19,7 bilhões no quarto trimestre de 2025, crescimento de 21% em infraestrutura e alta de 67% ano a ano na linha IBM Z. O mote de negócios em IA generativa da empresa passava de US$ 12,5 bilhões. Ou seja, a punição de mercado não refletiu resultados ruins; refletiu a crença de que a Anthropic havia reduzido o custo de destravar o legado que sustenta a receita de mainframe. Crença, é bom sublinhar, não demonstração.
Onde a IA realmente entrega, segundo os casos
A observação mais confiável do ciclo de 2026 não vem do marketing, vem dos casos públicos com métricas declaradas. Eles têm um padrão em comum: os ganhos maiores estão na análise, não na tradução.
| Cliente | Uso da IA | Resultado declarado |
|---|---|---|
| Royal Bank of Canada | watsonx Code Assistant for Z para mapear dependências e fluxos de dados | Identificação de dependências e fluxos de dados |
| National Organization for Social Insurance | watsonx Code Assistant for Z para análise de código | Redução de até 94% no tempo de localizar COBOL supérfluo (de ~8 horas para ~30 minutos) |
| ANZ Bank | DevOps moderno assistido por IA | Redução de 60% em operações manuais |
A National Organization for Social Insurance é o caso que melhor expõe a economia real: ir de 8 horas para 30 minutos em uma atividade de análise multiplica a produtividade do especialista escasso, que é o gargalo real do projeto. O ganho não vem de gerar Java a partir de COBOL; vem de reduzir o custo de entender o que existe antes de mexer nele. A ferramenta da IBM usa um modelo de 20 bilhões de parâmetros para tradução de COBOL para Java, e a empresa afirma que sua iniciativa interna, o Project Bob, elevou a produtividade de desenvolvedores em 45%. Atribuições de vendor, mas atribuições específicas e verificáveis como alegação.
Outros nomes grandes seguiram o mesmo caminho. O JPMorgan Chase usou IA generativa para acelerar sua modernização de mainframe, e o Morgan Stanley construiu uma ferramenta interna, a DevGen.AI, que já atualizou milhões de linhas de código legado. Note o verbo: atualizou, não migrou. A distinção reaparece em todos os casos sérios.
A voz do ceticismo: a previsão da Gartner
O pronunciamento de junho de 2026 dá nome ao risco. Segundo o comunicado da Gartner (abre em nova aba), mais de 70% dos projetos de saída de mainframe iniciados em 2026 não produzirão os benefícios pretendidos por superestimarem as capacidades da IA generativa. As consequências apontadas são estouro de custos, dívida técnica nova e falhas críticas. E a firma vai além do cliente: projeta que até 2030 cerca de 75% dos vendors do mercado de saída de mainframe ajustarão seus modelos de negócio ou encerrarão a operação, conforme a demanda por soluções de migração padronizadas encolher.
A frase de Galimberti condensa o diagnóstico: "há uma lacuna crescente entre a promessa de marketing da GenAI e sua capacidade real de transformar e migrar código legado complexo", combinada à pressão de investidores que leva fornecedores a embutir IA em seus produtos "independentemente de isso melhorar significativamente os resultados". A recomendação prática é equilibrista: otimizar os investimentos existentes em mainframe e limitar saídas completas de plataforma a cenários avaliados caso a caso. Em muitos clientes, segundo ele, a IA generativa é mais eficaz para modernizar no próprio mainframe do que para acelerar a saída dele.
O contraexemplo otimista
Há uma visão oposta, e ela merece ser apresentada sem caricatura. Muamer Cisija, cofundador da Symphony, escreveu na Forbes (abre em nova aba) que vê consistentemente, entre indústrias, gastos de US$ 1 milhão a US$ 3 milhões, prazos de 12 a 18 meses e chance de fracasso entre 50% e 75% na modernização tradicional. Afirmou que ferramentas de IA maduras aceleram o trabalho em 40% a 50% ou mais, e relatou casos de private equity com prazos comprimidos em 75% e custos reduzidos proporcionalmente, incluindo uma plataforma SaaS que saiu de 18 meses para quatro a cinco.
A alegação mais interessante do texto é estrutural: cerca de 80% do código legado consistiria em operações CRUD simples que a IA transpilha de forma confiável, restando 20% de trabalho guiado por humanos. E um caso de cobertura de testes que saiu de 0% para 96% em quatro horas com geração assistida. Esses números são relatos de um operador com interesse comercial no modelo, mas o argumento de cabeça de custo é plausível: se o hold period médio de private equity fica em torno de 6 anos, cada mês a menos de modernização tem valor financeiro direto.
O problema é que 20% difícil é justamente onde mora o risco. Em sistema bancário de missão crítica, os casos que falham não são as telas CRUD; são a semântica transacional do CICS, a concorrência no Db2, os anos de correções condicionais acumuladas. Uma tradução que acerta 80% e erra os 20% críticos não é 80% de sucesso: pode ser 100% de falha em produção. As duas leituras continuam plausíveis em paralelo: a IA pode ter mudado a economia do trabalho repetitivo sem ter mudado a economia da migração de plataforma. A Gartner aposta na segunda parte; a Symphony, na primeira.
Revisão da hipótese
Se a economia mudou, mudou de forma assimétrica. O custo de analisar, documentar, mapear dependências e gerar testes caiu de forma mensurável, e isso já justifica adoção. O custo de sair do mainframe, não: permanece dominado por reescrita crítica, garantias transacionais e validação de paridade, que são caras por natureza, não por falta de ferramenta. Projetos que tratam a segunda como se fosse a primeira empilham dívida técnica nova sobre a velha, exatamente o cenário que a previsão de mais de 70% de fracasso antecipa.
Perguntas frequentes
A IA generativa consegue traduzir COBOL para Java automaticamente?
Ferramentas como o watsonx Code Assistant for Z, que usa um modelo de 20 bilhões de parâmetros, já oferecem tradução assistida, e relatos do setor indicam transpilação confiável em código simples como operações CRUD. Tradutores, porém, não resolvem semântica transacional, paridade de comportamento e validação de plataforma, que exigem revisão humana especializada.
O que a Gartner prevê para os projetos de saída de mainframe iniciados em 2026?
A Gartner prevê que mais de 70% deles fracassarão em entregar os benefícios pretendidos, por superestimarem as capacidades da IA generativa, com risco de estouro de custos, dívida técnica e falhas críticas. A firma também projeta que cerca de 75% dos vendors desse mercado mudarão de modelo ou fecharão até 2030.
A IA reduz o custo da modernização de sistemas legados?
Sim, de forma mensurável, nas etapas de análise e compreensão do código: casos públicos relatam até 94% de redução no tempo de análise de COBOL e geração de cobertura de testes em horas. Relatos de mercado falam em aceleração de 40% a 75% nos prazos, números que são alegações de operadores e ainda não contam com validação independente na mesma escala.
Vale mais a pena sair do mainframe ou modernizar no próprio sistema?
Depende do caso, mas a recomendação da Gartner é equilibrar as duas: usar IA para modernizar dentro da própria plataforma na maioria dos cenários e reservar saídas completas de mainframe para casos individuais bem justificados, pois a reescrita de cargas mission-critical carrega o maior custo e risco do processo.