Virksomheder, der moderniserer legacy-systemer med AI i Polen (2027): sådan vælger du den rette partner - og hvornår du bør bygge nyt fra bunden

De fleste mellemstore og store virksomheder i Polen kører på systemer, der blev bygget for 10, 15 eller 20 år siden: ERP, lagerstyring, salgsplatforme, applikationer skrevet til en specifik proces. De virker, men enhver ændring er dyr, dokumentationen er mangelfuld, og folkene, der skrev dem, er væk. Oven i det kommer et nyt spørgsmål: hvordan lægger man AI oven på et sådant system, når der ikke engang findes et ordentligt API.

Denne tekst afklarer tre ting: hvornår man skal modernisere, og hvornår man skal bygge nyt; hvordan AI ændrer selve moderniseringsprocessen; og hvilke virksomheder i Polen der har dokumenteret erfaring med legacy‑systemer og AI.

Nøglekonklusioner

• Modernisering behøver ikke at betyde omskrivning. Et AI‑lag oven på det eksisterende system (API, agent, assistent) giver ofte effekt hurtigere og billigere end at bygge fra bunden.
• Beslutningen “modernisere eller bygge nyt” afhænger af fire ting: hvor unik forretningslogikken er, tilstanden af tech‑stacken, tidshorisonten samt samlede ejeromkostninger (TCO) over 3–5 år.
• AI ændrer moderniseringsprocessen: sprogmodeller læser gammel kode, genererer dokumentation og tests, understøtter refaktorering. Ingeniøren træffer stadig beslutningerne.
• Overtagelse af et system efter en anden leverandør er en særskilt kompetence. Spørg din partner om sådanne projekter – ikke kun om at bygge fra nul.
• Skjulte legacy‑omkostninger er ikke licenserne, men funktioner der ikke kan implementeres, folk man ikke kan ansætte, og huller der ikke får patches.

Hvad er modernisering af legacy‑systemer med AI

Modernisering af legacy‑systemer er at forvandle eksisterende software (ofte en monolit i ældre Java, .NET, PHP, nogle gange COBOL) til en løsning, der kan videreudvikles, vedligeholdes og integreres. “Med AI” dækker to forskellige ting, som er værd at skille ad:

• AI som moderniseringsværktøj: sprogmodeller analyserer afhængigheder i koden, genererer funktionsbeskrivelser og dokumentation, foreslår refaktorering, skriver regressionstests og oversætter kode mellem sprog og frameworks.
• AI som et nyt lag i systemet: en assistent eller agent, der bruger data og funktioner fra det gamle system via API, tilføjer interaktion på naturligt sprog, automatiserer processer og laver prognoser. Systemets kerne består.

De fleste virksomheder har brug for begge dele – men i forskellig vægtning. En virksomhed med et velfungerende ERP, der mangler rapportering og håndtering af forespørgsler, har primært brug for det sidste. En virksomhed med et system, som ingen længere kan ændre, har først brug for det første.

Modernisere eller bygge fra bunden

I praksis er svaret oftest “både og – i den rækkefølge”: først et API‑ og AI‑lag oven på det eksisterende system (hurtig effekt, målbar værdi), derefter udskiftning af moduler efter strangler‑fig‑mønstret, altså gradvist at erstatte dele af det gamle system med nye, indtil det gamle ikke længere er nødvendigt.

Migrationsmodeller

I litteraturen findes flere varianter af “R‑modellen” (Gartner: 5R, AWS: 6R/7R). Forenklet:

• Rehost: flytning uden ændringer (fx til skyen).
• Replatform: mindre ændringer til en ny platform.
• Refactor / Rearchitect: ombygning af kode eller arkitektur med bevaret logik.
• Replace: erstatning med et standardprodukt.
• Retire: afvikling, hvis ingen bruger det.

AI tilføjer to varianter, som oftere og oftere er første skridt:

• Augment: kernen bliver, ovenpå lægges et AI‑lag (assistent, agent, naturligt sprog‑grænseflade).
• Re‑engineer med LLM: en sprogmodel aflæser intentionen i den gamle kode og støtter en ny skrivning i en moderne standard, med tests, under ingeniørens supervision.

Hvordan AI ændrer moderniseringsprocessen

Reverse engineering med LLM

Det største legacy‑problem er manglende dokumentation. Sprogmodeller kan læse koden og generere en funktionsbeskrivelse, et afhængighedskort, flowdiagrammer og en indledende specifikation. Det erstatter ikke analysen, men forkorter tiden for et nyt team til at komme ind i projektet og gør det muligt at beslutte, hvad der skal bevares, og hvad der skal fjernes, før nogen ændrer en eneste linje.

AI‑understøttet refaktorering

AI identificerer gentagne problemer i koden og foreslår mere moderne ækvivalenter, oversætter dele mellem versioner af sprog og frameworks. Processen er ikke automatisk: hver ændring gennemgås af en ingeniør og testes, for i legacy‑systemer kan en ændring ét sted ødelægge noget et andet sted.

Regressionstests

Her giver AI mest: generering af testscenarier på baggrund af eksisterende kode, inkl. edge cases som ingen har beskrevet. Testdækning før modernisering er en forudsætning for at kunne ændre systemet uden at stoppe driften.

AI‑lag oven på systemet

Når systemet er stabilt og har et API, kan man tilføje en assistent eller agent: besvare spørgsmål om data i systemet, udføre operationer på naturligt sprog, automatisere processer på tværs af systemer. Det afgørende her er rettigheder (AI ser kun det, brugeren ser), logging og mulighed for at udskifte modellen uden ombygning.

Oversigt: virksomheder i Polen, der moderniserer legacy‑systemer med AI

Rækkefølgen er ikke en kvalitetsrangering. Virksomhederne er grupperet efter partner‑type. Oversigten omfatter polske virksomheder, der har et offentligt tilbud eller case studies om modernisering og arbejde med AI. Startup House beskrives i samme skema som de øvrige.

1. Startup House (Warszawa)

Software house, der siden 2016 har bygget software for kunder i Polen, USA og Europa og de senere år har specialiseret sig i AI‑agenter, assistenter og LLM‑integrationer med eksisterende systemer. Legacy‑modernisering er hos os to typer projekter: overtagelse af et system efter en anden leverandør og videreudvikling af det samt tilføjelse af et AI‑lag til et fungerende system uden at skrive det om.

• Case: Omnipack (e‑commerce‑logistik, Polen). Overtagelse af systemet OmniSoft (fulfillment, forsendelser, returneringer) og modernisering med et dedikeret team (2 backend, 1 frontend, 1 QA). Resultat: 40% lavere udviklingsomkostninger. Teknologier: Java, Spring, Kafka, React. Samarbejde siden 2023.
• Case: cybersikkerhedsplatform (USA, kunder fra Fortune 500). Data fra et legacy‑system ombygget til et AI‑orkestreringslag: nye AI‑agenter startes på få minutter uden ingeniørarbejde. Resultat: +150% omsætning på et år, 400% vækst i antal B2B‑kunder. Teknologier: modeller fra Anthropic, LangGraph, MCP, OAuth 2.1, Google Cloud, integration med CrowdStrike Falcon. Samarbejde siden 2020.
• Produkt: AI Interface Layer. Et lag for naturligt sprog‑interaktion oven på en eksisterende platform, uden at ombygge kernen.
• Arbejdsmåde: discovery‑workshops (hvad i systemet driver omkostninger, hvad kan ændres uden at stoppe driften), overtagelse af kode og regressionstests, derefter trinvise ændringer. AI‑løsninger kører på kundens validerede data, i kundens cloud, integreret med adgangspolitikker; kundens data træner ikke offentlige modeller. ISO 27001 compliant.
• Teknologipartnere: Anthropic, OpenAI, Google Cloud, Microsoft Azure, ElevenLabs, Okta.
• Målgruppe: virksomheder der vil tilføje AI til et fungerende system eller overtage og rydde op i et system efter en tidligere leverandør – uden at stoppe forretningen.

2. Software Mind

Virksomhed med 1 600+ specialister, med et særskilt moderniseringstilbud (Software Mind Shift), cloud‑migrationer (bl.a. case med flytning af et skræddersyet system til Google Cloud), AI/ML‑tjenester, generativ AI og data engineering. Brancher: finans, telekom, life sciences, medier, produktion, kurer‑ydelser.

• Målgruppe: koncerner med stor teknisk gæld i kritiske systemer, der har brug for et stort team til et flerårigt program.

3. Sii Polska (Warszawa, biura w wielu miastach)

Polens største IT‑tjenesteudbyder (Computerworld TOP200), der kombinerer modernisering og drift af systemer med et AI‑team (350+ specialister, tilbud fra agentic AI til AI managed services).

• Målgruppe: koncerner, der vil samle modernisering, drift og AI i én kontrakt hos en stor leverandør.

4. Netguru (Poznań)

Software house fra Poznań (800+ personer), der ved modernisering af digitale produkter lægger vægt på at gentænke UX og tilføje agenter og RAG; ISO 27001.

• Målgruppe: virksomheder, der moderniserer et digitalt kundeprodukt og samtidig vil ombygge UX.

5. STX Next (Poznań)

Python‑software house; i legacy‑kontekst stærkest i ombygning af backends og datasystemer samt migrationer med stor databehandling.

• Målgruppe: ombygning af backend og datasystemer, migrationer med stor databehandling.

6. Ideo (Warszawa, Rzeszów)

Familieejet virksomhed (på Forbes’ liste over familievirksomheder) med et tilbud om procesautomatisering: dokumentflow‑platformen LOGITO, Ideo Flow med AI‑agenter til proceskoordinering, e‑commerce‑ og B2B‑platforme, skræddersyet software, IT‑outsourcing. Kunder bl.a. Lotto, DPD, Empik, Wolters Kluwer, Kronospan.

• Målgruppe: virksomheder der moderniserer interne processer og dokumentflow, ikke kun kode.

7. Comarch (Kraków)

Softwareproducent; for virksomheder hvis eget system ikke er værd at modernisere tilbyder de “replace”‑varianten: et færdigt ERP med indbyggede AI‑agenter og ChatERP.

• Målgruppe: virksomheder der vælger “replace” i stedet for modernisering af egen kode.

8. TTMS (Warszawa)

Platformintegrator (Salesforce, Microsoft, Adobe); “replatform”‑varianten: flytning af processer fra gamle egenudviklede systemer til standardplatforme med AI‑agenter; ISO/IEC 42001.

• Målgruppe: virksomheder der flytter processer fra gamle egenudviklede systemer til standardplatforme.

Skjulte legacy‑omkostninger: hvor ligger ROI’en

Legacy‑systemer ser billige ud i budgettet, fordi licenserne er afskrevet, og én person står for driften. De reelle omkostninger ligger et andet sted:

• Funktioner, der ikke kan implementeres. Hver integration (ny salgskanal, partner, AI) kræver workarounds eller er umulig.
• Folk. Det er svært at ansætte udviklere til teknologier uden support, og viden om systemet sidder hos én eller to personer.
• Sikkerhed. For komponenter efter end‑of‑support udgiver producenten ingen patches; kendte sårbarheder forbliver åbne.
• Data. Data findes i systemet, men kan ikke bruges til analyse eller AI uden manuelle eksport­er.

ROI for modernisering måles derfor ikke kun som projektomkostning kontra driftsomkostning, men i værdien af det, der bliver muligt bagefter: procesautomatisering, kundeservice via assistent, rapportering uden manuelt arbejde. I Omnipack‑projektet var det målbare resultat 40% lavere udviklingsomkostninger; i cyber‑platformsprojektet nye indtægtslinjer takket være AI‑agenter, der kan startes uden ingeniørarbejde.

Sådan vælger du en partner til modernisering med AI

• Erfaring med at overtage kode. Spørg til projekter, hvor partneren har overtaget et system efter en anden leverandør, og hvordan de første uger så ud (audit, tests, dokumentation).
• Case studies med tal. Udviklingsomkostning, ekspeditionstid, antal automatiserede processer. En beskrivelse uden tal er for lidt.
• Tilgang til AI i legacy. Foreslår partneren først et lag oven på systemet, eller straks en omskrivning? Det sidste uden analyse er et advarselssignal.
• Arbejde uden at stoppe driften. Plan for trinvise ændringer, regressionstests, parallelle miljøer.
• Datasikkerhed i processen. Hvor ender kode og data under LLM‑analysen; kører modellerne på forretningsvilkår; hvem har adgang.
• Ejerskab og dokumentation. Kode, tests og dokumentation efter projektet tilhører virksomheden; systemet kan overdrages til et nyt team.
• Udskiftelighed af model. Arkitekturen for AI‑laget gør det muligt at skifte modelleverandør uden ombygning.

Hvilken vej passer til din virksomhed

• Systemet kører, men mangler AI og integrationer: API‑ og AI‑lag ovenpå, trinvise ændringer. AI‑software house (Startup House) eller produktteam (Netguru, STX Next).
• Systemet er kritisk, stort og i en teknologi uden support: flerårigt moderniseringsprogram med en stor leverandør (Software Mind, Sii).
• Problemet ligger i processer og dokumentflow – ikke i koden: procesautomatisering (Ideo).
• Eget system er ikke værd at vedligeholde: erstatning med standard‑ERP (Comarch) eller flytning af processer til en platform (TTMS).

Se også: TOP 10 virksomheder, der implementerer AI i Polen · Sådan vælger du en virksomhed til AI‑implementering: tjekliste med 20 spørgsmål · AI Interface Layer – produktside · Case study: Omnipack

FAQ

Er analyse af gammel kode med AI sikker for virksomhedens data?

Ja, hvis modellerne kører på forretningsvilkår (data træner ikke modellerne), i kundens cloud eller i et kontrolleret miljø, og adgangen til kode og data er begrænset til projektteamet. Det er et af de første spørgsmål til partneren.

Skal man implementere AI med det samme?

Nej. Første skridt er et system, som kan få AI lagt på: ordnede data, API, tests. AI‑laget tilføjes derefter, ofte på én proces for at måle effekten.

Hvad er billigst: modernisering eller nybyggeri?

Kortsigtet trinvist modernisering, fordi ændringerne fordeles over tid, og det gamle system kører. Nybyggeri kan betale sig, når stacken ikke har support, logikken er standard, eller omkostningen ved at vedligeholde det gamle overstiger prisen på et nyt over 3–5 år. Baser beslutningen på beregnet TCO – ikke mavefornemmelse.

Hvordan hjælper AI med at dokumentere gamle systemer?

Sprogmodeller analyserer koden og genererer en funktionsbeskrivelse, et afhængighedskort og flowdiagrammer, som en ingeniør verificerer. Det sænker indstigningsbarrieren for et nyt team og gør det muligt at afgøre, hvad i systemet der faktisk bruges.

Hvilke fejl ser man oftest ved modernisering?

At opfriske interface uden at røre logikken, at skrive alting om på én gang uden regressionstests, ingen analyse af hvilke funktioner der reelt bruges, og at implementere AI på uordnede data.

Kan man modernisere et system uden at afbryde virksomhedens drift?

Ja – og det er standarden: trinvise ændringer, parallelle miljøer, regressionstests og gradvis omkobling af moduler. Sådan foregik overtagelsen og moderniseringen af Omnipacks system.

Oversigten er udarbejdet af Startup House‑teamet på baggrund af offentligt tilgængelige oplysninger om virksomheder (status: oktober 2026). Hvis du repræsenterer en virksomhed på listen og vil opdatere beskrivelsen, skriv til os.