המחבר של פלטפורמת ביטוח בת 20 שנה הריץ 108 כרטיסי תמיכה דרך pipeline של סוכן AI מותאם אישית, והתוצאה היא תהליך עבודה שהופך משימה של מפתח בכיר שנמשכת שעות רבות למספר דקות בודדות – שינוי שעשוי לעצב מחדש את האופן שבו ארגונים שומרים על קוד legacy חי.
למה מערכות legacy חשובות יותר מקוד חדש
אפליקציית הביטוח המדוברת היא מונוליט של 2.3 מיליון שורות קוד וכ-1,000 חבילות (packages) של PL/SQL. הגודל שלה לבדו הופך אותה לבלתי אפשרית עבור אדם בודד להכיר את כל בסיס הקוד. הוסיפו לכך מבוך של פרמטרי קונפיגורציה ספציפיים ללקוחות, תיעוד מפוזר וארכיון כרטיסים שמתפרש לאחור עד שנת 2017, והצוואר בקבוק האמיתי הופך להיות "מציאת ההקשר", ולא כתיבת הקוד.
ההייפ המודרני סביב AI מתמקד בדרך כלל ביצירת קוד חדש עבור פרויקטים של greenfield. במקרה הזה, החלק הקשה אינו התחביר של PL/SQL, אלא איתור החלק המדויק בלוגיקה, הקונפיגורציה הרלוונטית והכרטיס ההיסטורי שתיאר לראשונה את הבעיה. מפתח מנוסה יכול לבלות שעות בחיבור רמזים מ-GitLab, SVN, wikis וכרטיסי תמיכה ישנים. סוכן ה-AI עושה את אותה עבודה בדקות.
תהליך העבודה בפועל
כאשר כרטיס חדש מגיע, המחבר מריץ פקודה אחת. לאחר מכן הסוכן:
- שואב את טקסט הכרטיס וכל הקבצים המצורפים דרך ה-API של מערכת הכרטיסים.
- מבצע חיפוש מילות מפתח וחיפוש וקטורי לאורך כל ארכיון הכרטיסים כדי להציף מקרים דומים מהעבר.
- מבצע שאילתות בספרייה אישית של סקריפטים של SQL לשימוש חוזר.
- בודק את היסטוריית הקוד במערכות בקרת הגרסאות (GitLab או SVN).
כל הממצאים מרוכזים בקובץ אחד שמציע גם את הצעד הבא – בדרך כלל תיקון קוד, טיוטת תשובה ללקוח או בקשה לאבחון נוסף.
יכולות מובנות
המחבר הגדיר 24 "מיומנויות" (skills) עבור הסוכן, המחולקות לארבע קטגוריות:
- גישה להקשר (Context access) – קריאת APIs, מדריכים ובסיסי נתונים כדי לשלוף עובדות רלוונטיות.
- ידע בתחום (Domain knowledge) – פרשנות של כללי חשבונאות ביטוח וארכיטקטורת המערכת.
- כתיבה (Writing) – יצירת קטעי PL/SQL ואריזתם לפריסה (deployment).
- מטא (Meta) – זיהוי תבניות ויצירה אוטומטית של מיומנויות חדשות בעת הצורך.
מיומנויות אלו מאפשרות לסוכן לפעול כמתכנת ג'וניור שלעולם לא ישן, תוך הצפת שורת הקוד או הקונפיגורציה המדויקת שאליה מתייחס הכרטיס.
רשתות ביטחון המובנות בלולאה
אוטומציה בסביבת ייצור דורשת אמצעי הגנה. המחבר פועל לפי שני כללים פשוטים:
- ולידציה סטטית – כל סקריפט שנוצר מורץ דרך
EXPLAIN PLANמול הסכימה החיה. זה בודק שגיאות תחביר או שגיאות לוגיות מבלי להריץ בפועל את הקוד. - אישור באמצעות מודל כפול – סוכן AI שני ועצמאי בוחן כל שינוי שנחשב למסוכן. אם שני המודלים מגיעים לאותה מסקנה, המחבר ממשיך; אחרת, הכרטיס מועבר לבדיקה ידנית.
בדיקות אלו מונעות מהתהליך להפוך ל"קופסה שחורה" שעלולה לשבש בטעות עסקה ביטוחית קריטית.
יתרונות מצטברים
הפלט של כל כרטיס מחובר בחזרה לרשומה של הכרטיס, מה שיוצר בסיס ידע חי. כאשר בעיה דומה צצה שוב חודשים או שנים מאוחר יותר, הסוכן יכול לקרוא לא רק את הפתרון הקודם אלא גם את ההיגיון שהוביל אליו. למעשה, כל כרטיס שנסגר הופך לנתוני אימון עבור כרטיסים עתידיים, מה שמאיץ את המחזור עוד יותר.
מגבלות כנות
- בדיקות ידניות נותרות – המחבר עדיין מאמת שינויים בסביבת בדיקות לפני קידומם (promotion).
- אין מדדים מוחלטים – למרות שהזמן שנחסך מרגיש משמעותי, המחבר לא כימת את הירידה המדויקת בשעות.
- הגדרה אישית – המימוש הנוכחי רץ על תחנת עבודה בודדת; הרחבתו על פני צוות תדרוש הנדסה נוספת.
מגבלות אלו מונעות מהגישה להפוך למוצר turnkey, אך הן אינן מפחיתות מהתובנה המרכזית: AI יכול לצמצם את איסוף ההקשר משעות לדקות.
מה לצפות בהמשך
הניסוי של המחבר הוא הוכחת היתכנות (proof-of-concept) ולא הצעה מסחרית. הצעדים הלוגיים הבאים כוללים:
- Formalizing metrics – tracking ticket resolution time before and after the AI pipeline to build a business case.
- Team deployment – packaging the agent as a shared service so that multiple engineers can benefit from the same knowledge base.
- Integration with CI/CD – feeding validated scripts directly into a continuous-integration pipeline could close the loop from ticket to production without manual hand-off.
If these extensions succeed, the model could become a template for other enterprises wrestling with massive, entrenched codebases.
Takeaway
The real value of AI in legacy environments is not in auto-writing new code but in instantly surfacing the right context. By turning a senior developer’s hours of detective work into a few minutes, an AI-agent workflow can keep aging systems functional, reduce support costs, and gradually build a self-reinforcing knowledge repository. The experiment shows that, for legacy software, the biggest productivity boost comes from collapsing the search for answers, not from generating fresh code.