Migración de software con IA: Akka portó 65 proyectos en 99,3 horas y el modelo más barato ganó

Reescribir un sistema completo suele ser el proyecto que ningún CTO quiere aprobar. Akka decidió probar si una IA podía hacerlo sola. Reescribió 65 proyectos open source en 99,3 horas y consumió 9.410 millones de tokens. En 57 de los 65 casos el resultado mejoró en líneas de código o en rendimiento. Es uno de los experimentos más grandes publicados hasta ahora sobre migración de software con IA, y su hallazgo más incómodo es que el modelo más barato y rápido no salió perdiendo.

Qué hizo Akka: un arnés de entrega guiado por especificaciones

El experimento, publicado por el equipo de Akka en septiembre de 2026 y recogido por InfoQ en octubre, se hizo en dos tandas. En la primera, llamada «span», analizaron los 65 proyectos. Para cada uno generaron una especificación completa e implementaron hasta el 10% de su superficie funcional. Incluyeron a propósito proyectos poco adecuados para su plataforma, como librerías en Go o módulos en Rust. En la segunda, de «inmersión profunda», eligieron 10 proyectos para portarlos por completo. Los criterios fueron backend en Python, persistencia limitada, orquestación o streaming, un alcance viable y una línea base medible.

Cada port pasaba por un ciclo de descubrimiento, especificación, portado, benchmark y mejora. Claude, junto con la herramienta Akka Specify, se encargaba de implementar, probar y revisar. La validación usaba los tests unitarios y de integración originales. Además, auditores automáticos revisaban serialización, seguridad, manejo de errores, datos personales (PII), idempotencia y límites arquitectónicos.

Los números más llamativos tienen matices. Sonnet tardó en promedio 61 minutos por port frente a 120 de Opus, aunque Opus usó cerca de un 40% menos de tokens. Los ajustes de «esfuerzo» alto subieron el consumo sin mejorar la eficiencia de forma consistente. El rendimiento dependió del tipo de software. Aplicaciones, frameworks y librerías mejoraron en general, mientras que infraestructura y herramientas mostraron una degradación mediana. Dify llegó a una mejora de 143.333 veces, pero Akka reconoce que las cargas comparadas eran distintas. Netflix Metaflow, por su parte, quedó unas 100 veces más lento.

Hay que leerlo con cautela: Akka vende el SDK sobre el que corrió la prueba, y su SDK impone «una sola forma de hacer cada cosa», lo que facilita el trabajo a la IA. Aun así, la propia empresa concluye que el arnés y su estructura pesaron más en la consistencia que la capacidad del modelo.

Cómo aplicar la migración de software con IA en tu empresa

La primera lección es que el desarrollo basado en especificaciones funciona mejor que pedirle a un modelo que «reescriba esto». Según Akka, las especificaciones estructuradas, con afirmaciones, evidencia y comportamiento tipado, mejoraron las primeras implementaciones. Las carencias aparecieron en las decisiones que cruzan varios componentes. En la discusión en LinkedIn, el comentarista Aaditya apuntó que un modelo pequeño tiende a seguir la especificación, mientras que uno grande puede improvisar. Su pregunta sigue abierta: si la reducción de código vino de eliminar código muerto o del cambio de lenguaje.

Si estás evaluando un proyecto de modernización, esto es lo que puedes llevarte:

Empieza con un piloto acotado. Imita el enfoque «span»: especifica todo el sistema, pero implementa solo un 10% antes de comprometer presupuesto.

Selecciona bien los candidatos. Elige sistemas con una línea base medible y pruebas automatizadas existentes. Sin tests originales no hay manera objetiva de validar la migración.

Prueba primero el modelo más económico. Con especificaciones claras, un modelo más pequeño puede ser más rápido y suficiente. Mide el tiempo y los costos de tokens de cada configuración antes de escalar.

No subas el «esfuerzo» por defecto. Más razonamiento no garantizó mejores resultados y sí más consumo.

Añade guardrails de forma incremental. Akka incorporó controles a medida que los fallos revelaban problemas, pero más condiciones de salida encarecieron cada port. Define qué es innegociable (seguridad, PII, idempotencia) y qué es opcional.

Espera resultados desiguales. Las aplicaciones y las librerías se beneficiaron más que la infraestructura y las herramientas. No prometas a tu comité una mejora uniforme de rendimiento.

Este enfoque también se parece al de otras empresas que apuestan por la supervisión estructurada. Es el caso de cómo Thoughtworks desarrolla con IA supervisada y reduce los fallos, donde el método pesa tanto como el modelo. Conviene además tener presente la advertencia de John Carmack sobre el código generado con IA que requiere refactorización en pocos meses. Que un port pase los tests no sustituye la revisión humana de la arquitectura. Y si te preocupa el gasto en tokens, mira cómo Shopify gestiona un presupuesto ilimitado de tokens con sistemas internos para ver otra forma de controlarlo.

Cuándo tiene sentido dar el paso

El experimento sugiere que el momento llega cuando tienes tres cosas: una suite de pruebas fiable, un sistema bien delimitado y una especificación que puedas auditar. Si falta alguna, la IA solo acelerará la reproducción de tus defectos. Akka cuenta además que en sus casos de cliente una migración de Kalix a Akka se resolvió en horas. También cuenta que un sistema RAG heredado de 200.000 líneas, con un 64% de precisión en evaluación, se reimplementó en 48 horas con 9.000 líneas y un 95% de precisión. Son cifras autorreportadas, así que conviene validarlas en tu propio contexto antes de proyectarlas.

La pregunta para tu próxima reunión de arquitectura no es si la IA puede reescribir tu legado, sino cuál de tus sistemas tiene hoy las pruebas y las especificaciones para probarlo. ¿Cuál sería tu primer candidato para un piloto de migración de software con IA de dos semanas?