Legacy Modernization : trois agents IA qui font le travail de trente devs.

Vous avez 1.2 million de lignes de Java 6 qui font tourner votre coeur métier. Le tech lead qui a écrit l'architecture est parti en 2017. La doc est dans des wikis Confluence morts. Et votre board vient de demander une migration cloud-native en douze mois. Soyons clairs : avec une équipe humaine seule, ce n'est pas faisable.

Chez Abbeal, nous avons construit trois agents IA spécialisés qui collaborent pour faire ce travail 60 % plus vite que la réécriture manuelle. Pas pour remplacer les ingés, pour démultiplier ce qu'ils peuvent attaquer.

Agent 1 : The Archaeologist

Sa mission : cartographier la logique métier enfouie. Il ingère le code legacy, les schémas DB, les logs de production, les tickets Jira historiques. Il produit un graphe orienté des fonctions critiques, des règles métier implicites, et des chemins d'exécution réels (pas théoriques).

Sur un client retail européen, l'Archaeologist a identifié en quatre semaines 73 règles métier non documentées, dont 11 contradictoires entre modules. Une équipe humaine aurait mis huit mois pour le même résultat, en lisant le code à la main.

Agent 2 : The Architect

Il prend le graphe métier produit par l'Archaeologist et propose une architecture cible cloud-native : découpage en services, choix de stack (Kotlin + Postgres + Kafka, ou Go + DynamoDB selon le contexte), patterns d'intégration, stratégie de migration incrémentale.

L'Architect ne décide pas seul. Il génère trois scénarios chiffrés (effort, risque, time-to-market), avec ADR (Architecture Decision Records) détaillés. Le tech lead humain arbitre. L'agent fait gagner trois à cinq semaines de design qui auraient été passées en ateliers whiteboard.

Agent 3 : The Cleaner

Le refactor automatisé sécurisé. Le Cleaner prend les décisions de l'Architect et génère le code cible, accompagné de tests d'équivalence comportementale. Il refactorise par petits incréments, jamais plus de 500 lignes par PR, et passe une suite de régression complète à chaque étape.

python
# Workflow Cleaner, simplifié
class CleanerAgent:
    def refactor_module(self, legacy_path: str, target_arch: dict):
        old_behavior = self.capture_behavior(legacy_path)
        new_code = self.generate_target(legacy_path, target_arch)
        new_behavior = self.execute(new_code)
        
        if not self.behaviors_equivalent(old_behavior, new_behavior):
            return self.escalate_to_human(legacy_path, diff=...)
        
        return self.create_pr(new_code, tests=self.generate_tests(...))

Pourquoi multi-agents et pas un gros LLM ?

Un seul agent généraliste hallucine, perd le contexte au bout de 30 fichiers, et n'a aucune mémoire structurelle. Trois agents spécialisés avec des rôles, des outils et des évals propres tiennent la durée d'un projet de migration de neuf mois. Chaque agent a son propre dataset d'éval, ses propres garde-fous, son propre owner humain.

Les chiffres sur 40 clients

• Réduction du temps de migration : 58 % en moyenne, jusqu'à 73 % sur les monolithes Java.
• Couverture des tests d'équivalence : 94 % du comportement legacy capturé automatiquement.
• Bugs en production post-migration : -41 % vs. réécriture manuelle équivalente.
• Time-to-first-PR : trois semaines au lieu de trois mois.

Cette approche n'est pas un produit SaaS qu'on déploie le lundi. C'est une méthodologie, une stack et une équipe d'ingés seniors qui pilotent les agents. Si votre legacy vous coûte plus cher chaque trimestre que ce que vous investissez en innovation, c'est probablement le moment d'en parler.