Copilotos de desarrollo y RAG sobre el código

Contexto

Bantotal es una de las soluciones de banca digital líderes en América Latina, con impacto en más de 35 millones de personas, con sede en Uruguay y en operación desde 1991. Su sistema core bancario está compuesto por cientos de miles de programas, construidos durante más de tres décadas en entornos multi-proveedor, cubriendo productos como core bancario, procesos de negocio, microfinanzas, banca móvil, comercio exterior, banca por internet y tesorería.

El reto

La complejidad y evolución de Bantotal generaba obstáculos para mantener documentación actualizada y lograr un entendimiento completo del sistema — algo crítico para el desarrollo eficiente y la resolución de problemas. Testers, analistas y desarrolladores dependían fuertemente del equipo de desarrollo original para entender qué tablas, programas y servicios web intervenían en cada proceso, lo que generaba cuellos de botella y dependencia excesiva de un grupo reducido de expertos del sistema.

La solución: Bantotal Copilot

El equipo de I+D de Abstracta desarrolló el "Bantotal Copilot" en colaboración con el equipo de I+D de Bantotal y el laboratorio de IA de Microsoft (Microsoft AI Co-Innovation Lab, con sede en Uruguay — el primero de su tipo en América Latina).

• Traducción de trazas del sistema a lenguaje natural: el copiloto usa GenAI para transformar las trazas que genera Bantotal en lenguaje natural, permitiendo al usuario interactuar con esa información en vez de leer logs técnicos crudos.
• Activación manual o automática mediante una extensión de código abierto para Chrome y Edge (Browser Copilot), sin requerir que el usuario cambie de herramienta de trabajo.
• Resumen por cada acción: ante cada requerimiento, entrega un resumen conciso basado en tablas, programas y servicios web involucrados, con un árbol de ejecución que ofrece una vista profunda de los flujos operativos.
• Observabilidad en vivo: permite saber qué está ocurriendo en el sistema en tiempo real, no solo documentación estática.
• Prompts personalizables y compartibles: quienes usan el copiloto pueden crear y guardar prompts personalizados y dejarlos disponibles para el resto del equipo, capitalizando el conocimiento tácito de cada persona.
• Despliegue incremental: se lanzó primero en un ambiente de preproducción, validando su adaptabilidad antes de extenderlo a más equipos operativos.

Resultados reportados

Según Abstracta, la implementación produjo mejoras tangibles en todos los equipos que usan Bantotal:

• Mejor comprensión del sistema, habilitando procesos de verificación más precisos.
• Mayor eficiencia al detectar y resolver anomalías en bases de datos y transacciones más rápido.
• Los equipos de análisis ganaron autonomía para navegar modificaciones del sistema con mayor precisión y menor dependencia del equipo de desarrollo.
• Se optimizó el proceso de traducción de requisitos de negocio a especificaciones técnicas.
• Se redujo el tiempo dedicado a descifrar las funcionalidades del complejo sistema Bantotal, logrando ciclos de desarrollo más rápidos y efectivos.

Nota de transparencia: Abstracta no publicó un porcentaje específico de reducción de tiempo para este proyecto en particular. Los resultados de Bantotal están descritos de forma cualitativa en la fuente oficial.

Factores clave de éxito

• RAG/GenAI aplicado a trazas reales del sistema en producción, no solo a documentación estática que se desactualiza.
• Integrado al flujo de trabajo existente (extensión de navegador) en vez de ser una herramienta aparte que el equipo tiene que recordar abrir.
• Prompts compartibles entre el equipo — el conocimiento que un analista descubre queda disponible para el resto, no se pierde.
• Despliegue gradual, validado primero en preproducción antes de escalar a más equipos.
• Colaboración directa con el equipo dueño del sistema (Bantotal R&D), asegurando que el copiloto reflejara el comportamiento real, no solo lo documentado.

Lección para replicar

El mayor valor no vino de "un chatbot sobre el código", sino de conectar la IA a las trazas y el comportamiento real en ejecución del sistema, no solo al código fuente o a documentación que casi siempre está desactualizada en sistemas legacy de décadas — reduciendo la dependencia de un grupo reducido de personas que "conocen el sistema de memoria".