La migración de sistemas y pruebas de software se ha presentado durante años como una tarea titánica, costosa y prolongada, que muchas empresas preferían posponer. Sin embargo, la llegada de la inteligencia artificial (IA) ha comenzado a cambiar profundamente esta realidad. Casos recientes como los de Asana y Airbnb evidencian que lo que antes podía suponer años de trabajo y millones de dólares, ahora es posible resolver en cuestión de semanas y con una inversión económica mucho menor.
Un ejemplo paradigmático fue presentado por OpenAI, que destacó en un caso de estudio cómo Asana consiguió reemplazar su sistema de pruebas Enzyme por React Testing Library (RTL) en solo dos semanas, por un coste aproximado de 12.000 dólares. Según OpenAI, dicha migración habría requerido inicialmente un equipo de cuatro ingenieros trabajando durante cinco años —con un coste estimado en torno a los 6 millones de dólares— si se hubiera realizado a la manera tradicional.
La migración no fue sencilla, ya que Enzyme y React Testing Library tienen enfoques radicalmente distintos. Enzyme se centra en probar componentes individualmente, mientras que React Testing Library trabaja sobre el modelo de objetos del documento (DOM), simulando la interacción con la interfaz tal como la percibe el usuario. Esta diferencia implica que la reescritura de pruebas resulte en un código completamente diferente, no solo en sintaxis, sino en filosofía y metodología.
Para ilustrar esta disparidad, si comparamos un test sencillo de un botón que incrementa un contador, podemos ver que aunque funcionalmente ambos test verifican lo mismo, la forma en que se implementa es muy distinta. Esto requiere reescribir manualmente o con asistencia automatizada miles de pruebas para adaptarlas a la nueva biblioteca.
Migraciones masivas con IA: el ejemplo de Airbnb
El caso de Airbnb sirve como referencia para entender el impacto de la automatización apoyada en inteligencia artificial. En 2025, la compañía completó la migración de 3.500 archivos de pruebas de Enzyme en un plazo de seis semanas utilizando modelos de lenguaje grandes (LLMs, por sus siglas en inglés). El cálculo previo a la automatización estimaba que esta tarea llevaría el equivalente a un año y medio de trabajo de ingeniería si se hiciera manualmente.
More Read
El proceso de Airbnb dividió la migración en cinco fases para cada archivo, desde una conversión inicial simple hasta pasos corrección más complejos. Gracias a bucles de retroalimentación automática y una pipeline de refactorización sofisticada, pudieron migrar el 75% de los archivos en un solo día y casi el 97% en poco más de cuatro días. Solo un 3% requirió intervención manual puntual con soporte de IA durante una semana adicional.
Este trabajo se realizó con modelos de IA de la generación 2025, como Claude 3.7 Sonnet, mientras que hoy contamos con soluciones mucho más potentes y económicas, como GPT-5.6 Sol o Claude Fable 5, que prometen acelerar aún más estos procesos.
Impacto económico y eficiencia de las migraciones asistidas
El caso de Asana ha generado debates en torno a la estimación inicial de 6 millones de dólares para la migración manual, que parece claramente inflada. Según reveló Dan Ubilla, responsable del grupo Developer Productivity en Asana, esta cifra fue un cálculo orientativo que multiplicaba el tiempo necesario para migrar un solo archivo por el número total pendientes, y después por el coste medio por ingeniero.
More Read
La realidad es que los ingenieros se vuelven más eficientes conforme avanzan en la migración y, con las herramientas de IA, la velocidad se incrementa exponencialmente. Por ejemplo, en lugar de diez archivos migrados en diez veces más tiempo, los modelos pueden abordar centenares simultáneamente y adaptarse a distintas variantes de código, reduciendo tiempos y costes.
Además, Asana comenzó esta migración en 2024, priorizando los archivos con mayor impacto —los de más fácil migración o los que se actualizaban con frecuencia— que representaron alrededor del 25% del total. El resto fue clasificado como baja prioridad y se pospuso.
La adopción de IA demostró que proyectos clásicos, muy costosos y largos, pueden no solo realizarse más rápido, sino también con mayor calidad, lo que invita a replantear el diseño y agenda de migraciones en muchas empresas de software. El ahorro potencial en tiempo de desarrollo, reducción de deuda técnica y mejora continua es altamente atractivo.
Migraciones históricas y nuevas perspectivas
Antes de que la IA llegara a estas áreas, las migraciones prolongadas pero necesarias eran comunes. Por ejemplo, en 2021, Sentry dedicó un año y medio y un equipo de aproximadamente diez ingenieros para convertir su código frontend de JavaScript a TypeScript, migrando unos 95.000 archivos y más de 1 millón de líneas de código. Los costes se estimaron en varios millones de dólares.
Sin embargo, casos recientes muestran cómo la IA puede convertir un proceso tradicionalmente tedioso y costoso en algo viable para la mayoría de empresas, con una relación coste-beneficio mucho más favorable. Uber, por ejemplo, completó la migración de 600.000 pruebas unitarias (de JUnit 4 a JUnit 5) en cuatro meses con solo dos ingenieros y el apoyo de IA, modificando más de 1,2 millones de líneas de código, algo que antes resultaba prácticamente imposible en tan corto plazo.
El futuro de las migraciones en la ingeniería de software
Una de las mayores ventajas de las migraciones sostenidas por IA es la posibilidad de reducir los tiempos en los que es necesario mantener simultáneamente dos tecnologías: la antigua y la nueva. Al acortar esa ventana, se disminuye la complejidad y el coste total de la transición.
More Read
Ahora los equipos de ingeniería pueden planificar, diseñar y ejecutar migraciones extensas sin verse abrumados por la tarea. Además, la asistencia de IA permite automatizar tareas repetitivas, detectar errores y validar la integridad del código migrado en tiempo real, garantizando la calidad y reduciendo los riesgos.
En definitiva, estas innovaciones están propiciando que muchas migraciones largamente postergadas por falta de recursos o riesgos sean finalmente abordables, cambiando la manera en que las organizaciones gestionan sus infraestructuras de software y su evolución tecnológica.
