Selskaper i Polen som moderniserer legacy-systemer med AI (2027): hvordan velge riktig partner og når du bør bygge fra bunnen av

De fleste mellomstore og store selskaper i Polen kjører fortsatt systemer som ble laget for 10, 15 eller 20 år siden: ERP, lagerstyringssystemer, salgsplattformer, apper bygget for én bestemt prosess. De fungerer, men hver endring er dyr, dokumentasjonen er ufullstendig, og folkene som skrev dem, har sluttet. I tillegg kommer et nytt spørsmål: hvordan legge til AI i et slikt system når det ikke engang finnes et skikkelig API?

Denne teksten rydder opp i tre ting: når man bør modernisere og når man bør bygge på nytt; hvordan AI endrer selve moderniseringsløpet; og hvilke selskaper i Polen som har dokumentert erfaring med legacy-systemer og AI.

Viktigste konklusjoner

• Modernisering trenger ikke å bety omskriving. Et AI-lag over det eksisterende systemet (API, agent, assistent) gir ofte effekt raskere og rimeligere enn nybygging.
• Valget «modernisere eller bygge på nytt» avhenger av fire ting: hvor unik forretningslogikken er, tilstanden til teknologistacken, tidshorisont og totale eierkostnader (TCO) over 3–5 år.
• AI endrer moderniseringsprosessen: språkmodeller leser gammel kode, genererer dokumentasjon og tester, og støtter refaktorering. Ingeniøren tar fortsatt beslutningene.
• Å overta et system etter en annen leverandør er en egen kompetanse. Spør partneren om slike prosjekter, ikke bare om nyutvikling fra scratch.
• Skjulte legacy-kostnader er ikke lisenser, men funksjoner som ikke lar seg innføre, folk du ikke får ansatt, og sårbarheter som ikke lenger får sikkerhetsfikser.

Hva betyr modernisering av legacy-systemer med AI

Modernisering av legacy-systemer handler om å gjøre eksisterende programvare (ofte monolitter i eldre versjoner av Java, .NET, PHP, noen ganger COBOL) mulig å videreutvikle, drifte og integrere. «Med AI» betyr to ulike ting som bør skilles:

• AI som verktøy for modernisering: språkmodeller analyserer avhengigheter i koden, genererer funksjonelle beskrivelser og dokumentasjon, foreslår refaktorering, skriver regresjonstester og oversetter kode mellom språk og rammeverk.
• AI som nytt lag i systemet: en assistent eller agent som bruker data og funksjoner i det gamle systemet via API, legger til interaksjon i naturlig språk, automatiserer prosesser og lager prognoser. Kjernen i systemet blir igjen.

De fleste selskaper trenger begge deler, men i ulike proporsjoner. Et selskap med et fungerende ERP som mangler rapportering og håndtering av forespørsler, trenger først og fremst det andre. Et selskap med et system ingen lenger klarer å endre, trenger først det første.

Modernisere eller bygge på nytt

I praksis er svaret ofte «begge deler, i riktig rekkefølge»: først et API- og AI-lag over det eksisterende systemet (rask effekt, målbar gevinst), deretter modulutskifting etter strangler fig-mønsteret, altså gradvis erstatning av gamle deler til det gamle systemet ikke lenger trengs.

Migrasjonsmodeller

Det finnes flere varianter av «R»-modellen i litteraturen (Gartner: 5R, AWS: 6R/7R). I korthet:

• Rehost: flytting uten endringer (f.eks. til skyen).
• Replatform: mindre tilpasninger til ny plattform.
• Refactor / Rearchitect: ombygging av kode eller arkitektur med samme logikk i bunn.
• Replace: erstatning med et hyllevareprodukt.
• Retire: avvikling hvis ingen bruker det.

AI legger til to varianter som stadig oftere er første steg:

• Augment: kjernen blir, og et AI-lag bygges over (assistent, agent, grensesnitt i naturlig språk).
• Re-engineer med LLM: en språkmodell leser intensjonen i gammel kode og støtter en omskriving til ny standard, med tester, under tilsyn av en ingeniør.

Slik endrer AI moderniseringsprosessen

Reverse engineering med LLM

Den største utfordringen i legacy er manglende dokumentasjon. Språkmodeller kan lese kode og generere funksjonelle beskrivelser, avhengighetskart, flytdiagrammer og en første spesifikasjon. Det erstatter ikke analyse, men korter ned innfasingen av et nytt team og gjør det mulig å avgjøre hva som skal beholdes eller fjernes før noen endrer én linje kode.

Refaktorering støttet av AI

AI avdekker gjentakende problemer i koden og foreslår mer moderne løsninger, oversetter kode mellom versjoner av språk og rammeverk. Prosessen er ikke automatisk: hver endring vurderes av en ingeniør og testes, fordi endringer i legacy ofte kan brekke noe et annet sted.

Regresjonstester

Her gir AI mest: generering av testscenarier basert på eksisterende kode, inkludert kanttilfeller som ingen har dokumentert. Testdekning før modernisering er en forutsetning for å kunne endre systemet uten å stoppe driften.

AI-lag over systemet

Når systemet er stabilt og har et API, kan man legge til en assistent eller agent: svare på spørsmål om data i systemet, utføre operasjoner med naturlig språk, og automatisere prosesser på tvers av systemer. Viktig her er tilgangskontroll (AI ser bare det brukeren ser), logging og muligheten til å bytte modell uten ombygging.

Oversikt: selskaper i Polen som moderniserer legacy-systemer med AI

Rekkefølgen er ikke en kvalitetsrangering. Selskapene er gruppert etter partnertype. Oversikten omfatter polske selskaper som har offentlig tilbud eller case studies innen modernisering og arbeid med AI. Startup House er beskrevet i samme format som de øvrige.

1. Startup House (Warszawa)

Software house som siden 2016 har bygget programvare for kunder i Polen, USA og Europa, og de siste årene spesialisert seg på AI-agenter, assistenter og LLM-integrasjoner med eksisterende systemer. Modernisering av legacy betyr hos oss to typer prosjekter: overta et system etter en annen leverandør og videreutvikle det, samt legge et AI-lag på et fungerende system uten å skrive det om.

• Case: Omnipack (e‑handelslogistikk, Polen). Overtakelse av OmniSoft (fulfillment, forsendelser, returer) og modernisering med et dedikert team (2 backend, 1 frontend, 1 QA). Resultat: 40 % lavere utviklingskostnader. Teknologier: Java, Spring, Kafka, React. Samarbeid siden 2023.
• Case: plattform for cybersikkerhet (USA, kunder på Fortune 500-listen). Data fra legacy-systemet omgjort til et AI-orkestreringslag: nye AI-agenter startes på minutter uten ingeniørarbeid. Resultat: +150 % inntekter på ett år, 400 % vekst i antall B2B-kunder. Teknologier: modeller fra Anthropic, LangGraph, MCP, OAuth 2.1, Google Cloud, integrasjon med CrowdStrike Falcon. Samarbeid siden 2020.
• Produkt: AI Interface Layer. Et naturlig språk-lag over en eksisterende plattform, uten å endre kjernen.
• Arbeidsmåte: discovery‑workshops (hva i systemet driver kostnad, hva kan endres uten å stoppe driften), overtakelse av kode og regresjonstester, deretter inkrementelle endringer. AI-løsninger kjører på verifiserte kundedata, i kundens sky, integrert med tilgangspolicyer; kundedata trener ikke offentlige modeller. I samsvar med ISO 27001.
• Teknologipartnere: Anthropic, OpenAI, Google Cloud, Microsoft Azure, ElevenLabs, Okta.
• For hvem: selskaper som vil legge til AI i et fungerende system eller overta og rydde opp i et system etter forrige leverandør, uten å stoppe virksomheten.

2. Software Mind

Selskap med 1 600+ spesialister, egen moderniseringstilbud (Software Mind Shift), sky­migreringer (bl.a. case med flytting av skreddersydd system til Google Cloud), tjenester innen AI/ML, generativ AI og data engineering. Bransjer: finans, telekom, life sciences, media, produksjon, budtjenester.

• For hvem: korporasjoner med stor teknisk gjeld i kritiske systemer, som trenger et stort team til et flerårig program.

3. Sii Polska (Warszawa, kontorer i flere byer)

Polens største IT-tjenesteleverandør (Computerworld TOP200), som kombinerer modernisering og forvaltning av systemer med et AI-team (350+ spesialister, tilbud fra agentic AI til AI managed services).

• For hvem: korporasjoner som vil samle modernisering, forvaltning og AI i én kontrakt med en stor leverandør.

4. Netguru (Poznań)

Poznań-basert software house (800+ personer) som ved modernisering av digitale produkter legger vekt på ny UX og å legge til agenter og RAG; ISO 27001.

• For hvem: selskaper som moderniserer et kundevendt digitalt produkt og samtidig vil bygge om UX.

5. STX Next (Poznań)

Python-orientert software house; i legacy-kontekst sterkest på ombygging av backender og datasystemer samt migrasjoner med stor databehandling.

• For hvem: ombygging av backend og datasystemer, migrasjoner med mye databehandling.

6. Ideo (Warszawa, Rzeszów)

Familieselskap (i Forbes’ rangering av familieselskaper) med tilbud innen prosess­automatisering: dokumentflytplattformen LOGITO, Ideo Flow med AI‑agenter for prosesskoordinering, e‑handel og B2B‑plattformer, skreddersydd programvare, IT‑outsourcing. Kunder bl.a. Lotto, DPD, Empik, Wolters Kluwer, Kronospan.

• For hvem: selskaper som moderniserer interne prosesser og dokumentflyt, ikke bare kode.

7. Comarch (Kraków)

Programvareprodusent; for selskaper der eget system ikke er verdt å modernisere, tilbyr «replace»-varianten: ferdig ERP med innebygde AI‑agenter og ChatERP.

• For hvem: selskaper som velger «replace» i stedet for å modernisere egen kode.

8. TTMS (Warszawa)

Plattformintegrator (Salesforce, Microsoft, Adobe); «replatform»-varianten: flytting av prosesser fra gamle egenutviklede systemer til standardplattformer med AI‑agenter; ISO/IEC 42001.

• For hvem: selskaper som flytter prosesser fra gamle egenløsninger til standardplattformer.

Skjulte legacy-kostnader: hvor ligger ROI

Legacy-systemer ser billige ut i budsjettet fordi lisensene er nedbetalt og én person gjør forvaltningen. De reelle kostnadene ligger andre steder:

• Funksjoner som ikke lar seg innføre. Hver integrasjon (ny salgskanal, partner, AI) krever omveier eller er umulig.
• Folk. Det er vanskelig å ansette utviklere til teknologier uten støtte, og kunnskapen om systemet sitter hos én eller to personer.
• Sikkerhet. For komponenter som er gått ut av support, kommer det ingen sikkerhetsfikser; kjente sårbarheter blir stående åpne.
• Data. Data finnes i systemet, men kan ikke brukes til analyse eller AI uten manuelle eksporter.

ROI av modernisering må derfor måles ikke bare som prosjektkostnad versus forvaltningskostnad, men verdien av det som blir mulig etterpå: prosessautomatisering, kundeservice via assistent, rapportering uten manuelt arbeid. I Omnipack-prosjektet var den målbare effekten 40 % lavere utviklingskostnader; i cybersikkerhetsplattformen ga AI‑agenter som kan startes uten ingeniørarbeid nye inntektslinjer.

Slik velger du partner for modernisering med AI

• Erfaring med å overta kode. Spør om prosjekter der partneren overtok et system etter en annen leverandør, og hvordan de første ukene så ut (audit, tester, dokumentasjon).
• Case study med tall. Utviklingskostnad, håndteringstid, antall automatiserte prosesser. En beskrivelse uten tall er for lite.
• Tilnærming til AI i legacy. Foreslår partneren først et lag over systemet, eller å skrive alt om med en gang? Det siste uten analyse er et varsko.
• Arbeid uten å stoppe driften. Plan for inkrementelle endringer, regresjonstester, parallelle miljøer.
• Datasikkerhet i prosessen. Hvor havner kode og data når LLM brukes; om modellene kjører på forretningsvilkår; hvem som har tilgang.
• Eierskap og dokumentasjon. Kode, tester og dokumentasjon etter prosjektet tilhører selskapet; systemet kan overleveres til et nytt team.
• Utskiftbar modell. Arkitekturen for AI‑laget gjør det mulig å bytte modelleverandør uten ombygging.

Hvilken vei passer for din bedrift

• Systemet fungerer, men mangler AI og integrasjoner: API‑ og AI‑lag over systemet, inkrementelle endringer. AI‑software house (Startup House) eller produktteam (Netguru, STX Next).
• Systemet er kritisk, stort og i en teknologi uten støtte: flerårig moderniseringsprogram med en stor leverandør (Software Mind, Sii).
• Utfordringen ligger i prosesser og dokumentflyt, ikke i koden: prosessautomatisering (Ideo).
• Eget system er ikke verdt å beholde: erstatt med ferdig ERP (Comarch) eller flytt prosesser til en plattform (TTMS).

Se også: Topp 10 selskaper som implementerer AI i Polen · Hvordan velge selskap for AI-implementering: sjekkliste med 20 spørsmål · AI Interface Layer – produktside · Case study: Omnipack

FAQ

Er analyse av gammel kode med AI trygt for selskapets data?

Ja, dersom modellene kjører på forretningsvilkår (data trener ikke modellene), i kundens sky eller i et kontrollert miljø, og tilgang til kode og data er begrenset til prosjektteamet. Det er et av de første spørsmålene til partneren.

Må man innføre AI med én gang?

Nei. Første steg er et system det går an å legge AI til: ryddige data, API, tester. AI-laget legges på etterpå, ofte på én prosess for å måle effekt.

Hva er billigst: modernisering eller å bygge på nytt?

Kortsiktig inkrementell modernisering, fordi endringer kan fordeles over tid mens det gamle systemet kjører. Nybygging lønner seg når stacken ikke støttes, logikken er standard, eller kostnaden ved å drifte det gamle overstiger kostnaden ved et nytt i et 3–5 års perspektiv. Basér beslutningen på beregnet TCO, ikke magefølelse.

Hvordan hjelper AI med å dokumentere gamle systemer?

Språkmodeller analyserer kode og genererer funksjonelle beskrivelser, avhengighetskart og flytdiagrammer som en ingeniør verifiserer. Det senker terskelen for et nytt team og gjør det mulig å avgjøre hva som faktisk brukes.

Hva er de vanligste feilene ved modernisering?

Å pusse på grensesnittet uten å ta i logikken, å skrive alt om på én gang uten regresjonstester, mangel på analyse av hvilke funksjoner som faktisk brukes, og å innføre AI på ustrukturerte data.

Kan man modernisere systemet uten nedetid for virksomheten?

Ja, og det er standard: inkrementelle endringer, parallelle miljøer, regresjonstester og gradvis omkobling av moduler. Slik foregikk overtakelsen og moderniseringen av Omnipacks system.

Oversikten er utarbeidet av Startup House-teamet basert på offentlig tilgjengelig informasjon om selskapene (status: oktober 2026). Hvis du representerer et selskap på listen og vil oppdatere beskrivelsen, kontakt oss.