Mistral migra 40.000 líneas de Fortran a C++ con agentes de IA

Por qué migrar código legacy con IA ya no es ciencia ficción

En las últimas semanas, Mistral AI publicó un caso técnico que vale como manual de campo para cualquier founder que lidie con software heredado. El equipo Applied AI de Mistral ayudó a un operador energético europeo a migrar 40.000 líneas de Fortran 77 a C++ dentro de un simulador de yacimientos físicos intensivos, sin suite de pruebas y con documentación dispersa en PDFs antiguos. Lo hicieron con agentes de IA, pero no a lo loco: con un flujo estructurado, una “cabecera de paridad numérica” y revisión humana en cada módulo. La primera sprint cubrió 40.000 de 300.000 líneas, y dejó tres lecciones que cualquier equipo técnico debería copiar.

El problema real no es traducir sintaxis

Como explica el equipo de Mistral, traducir sintaxis entre lenguajes está prácticamente resuelto: cualquier modelo reciente convierte un snippet de Fortran a C++ en pocas iteraciones. El verdadero reto aparece cuando se migra un sistema completo de un lenguaje procedural a uno orientado a objetos, porque ahí entran refactors arquitectónicos. Fortran 77, estandarizado en 1977, impone restricciones muy duras: sin módulos, sin namespaces, sin tipos estructurados, variables con máximo 6 caracteres y tipado implícito por la primera letra (un error ortográfico crea silenciosamente una variable nueva, sin warning). Para un founder que mantiene código heredado, eso significa que un agente “rápido y suelto” puede generar código que compila pero rompe la física.

Cabecera de paridad numérica: el primer paso que casi nadie hace

La decisión más interesante del caso fue construir antes de migrar una “cabecera de paridad”: rutinas para volcar el estado del código Fortran, un framework de pruebas en C++ que carga esos checkpoints, y archivos Skill.md que guían a los agentes en su uso correcto. La idea es simple y brutal: si el módulo migrado reproduce el mismo número (con tolerancia) que el Fortran original, está validado. Según Mistral, este fue el primer paso del proyecto y consideran que debería ser el primer paso en cualquier compromiso de modernización. Para un founder, esto resuelve la pregunta más incómoda frente a un cliente o un comité de riesgo: ¿cómo demuestras que el nuevo código hace lo mismo que el viejo?

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Documentar antes de modernizar: el “side-win” más grande

El segundo movimiento fue reconstruir la documentación. El código procedural de Fortran se pudo dibujar como un único árbol caller-callee, y el equipo usó Vibe CLI para lanzar más de cien agentes en paralelo, cada uno documentando un nodo. Los agentes tiraban de PDFs y de Mistral OCR para extraer contexto, abrían PRs al repositorio original, y un agente revisor en loop con cron los validaba. Cada PR aprobado se convierte en documentación que vive junto al código, lista para que el siguiente sprint de migración no dependa de un consultor senior que se jubila en dos años.

El flujo que funcionó: ni autonomía total, ni manual puro

El caso documenta tres iteraciones del flujo de trabajo con agentes:

Autonomía total: un agente por subrutina, durante una semana. Resultado: código funcional, pero “Fortran reescrito en sintaxis C++” — los COMMON blocks se mapearon 1:1 a structs globales y los GOTOs sobrevivieron. No era modernización, era traducción con cosméticos.
Estructura sin humano: planner + coder + tester + revisor de calidad trabajando juntos. La calidad subió, pero la complejidad los dejó atascados sin nadie que los desbloqueara.
El punto medio ganador: humano operando un workflow de agentes coder, tester y revisor, módulo por módulo. El humano revisa los PR resultantes y pide cambios hasta que se puedan fusionar.

Cada módulo corrió por un pipeline idéntico: generar arquitectura C++ objetivo → revisar con un ingeniero de yacimientos del cliente → aprobar → dividir en cola de tareas → por cada tarea, sub-flujo plan–implementa–testea–repite → PR revisado por humano. Es la versión operativa de lo que muchos llamamos “humano en el loop”, aplicado a migraciones de gran escala.

Qué significa esto para tu startup

Si tu producto depende de código legacy (mainframes, COBOL, Fortran, SQL heredado), el caso de Mistral confirma una tesis que el mercado ya está validando: los agentes de IA funcionan para modernización, pero solo con tres condiciones: paridad verificable, documentación viva y humano en el loop. Tres acciones concretas que podés implementar hoy:

Empezá por la cabecera de paridad, no por el código. Aunque sea un script en Python que volca inputs/outputs críticos del sistema viejo, te va a ahorrar semanas de debugging cuando los agentes empiecen a entregar módulos. Sin paridad, estás modernizando a ciegas.
Construí un árbol de dependencias antes de tocar nada. Aunque sea en una hoja de cálculo, dibujar qué llama a qué te permite partir el monolito en módulos de menos de 10.000 líneas (el umbral empírico que Mistral encontró). Los agentes funcionan bien en piezas chicas y mal en piezas grandes.
Diseñá el workflow antes de comprar el modelo. El caso demuestra que el “qué hace cada agente y cuándo interviene el humano” importa más que el modelo subyacente. Invertir una semana en definir roles (planner, coder, tester, revisor, humano) suele rendir más que cambiar de proveedor.

El contexto importa: no estás solo en esto

El caso Mistral se publica en un momento en que la modernización asistida por IA se está consolidando como categoría de producto. Solo en las últimas semanas se vieron movimientos relevantes:

Databricks lanzó un conversor de código agentic dentro de su toolkit Lakebridge, pensado para migrar SQL desde Teradata, Snowflake, Redshift y SQL Server a Databricks SQL, usando subagentes que analizan, traducen, validan y refinan en paralelo (según Infoworld).
Meta presentó Muse Code, su agente de terminal para “tareas completas de ingeniería de software en repos grandes”, con capacidad de lanzar sub-agentes en paralelo en worktrees aislados, buscando competir con Codex y Claude Code (según TechCrunch).
Fujitsu e IBM Japón anunciaron en junio de 2026 una colaboración para combinar Fujitsu PROGRESSION (que convierte COBOL de mainframe a Java) con IBM Bob, su plataforma de desarrollo basada en agentes de IA, dentro de su roadmap de fin de soporte de mainframes y servidores UNIX hacia 2030-2035.

Y el propio Mistral está en su mejor momento financiero: el 8 de septiembre de 2026 cerró una Serie D de €3.000 millones liderada por Samsung Electronics, con valoración post-money de más de €21.000 millones, la mayor ronda de capital de una tecnológica europea según HPCwire. Opera en 20 países, sirve a más de 125 empresas globales (incluidas Airbus, ASML y HSBC según el comunicado), y apunta a un ARR superior a los USD 400 millones a inicios de 2026 con meta de USD 1.000 millones a fin de año, según Crypto Briefing. La asociación con Cloudera anunciada el mismo día del caso (SiliconANGLE) refuerza el ángulo de soberanía de datos que Mistral vende a clientes europeos.