Van SSIS naar Databricks: kan AI het zware werk overnemen?

Veel bedrijven draaien hun datapipelines nog steeds op SSIS. Het werkt, maar het platform raakt stilaan verouderd. De overstap naar een modern platform zoals Databricks is dan ook een logische volgende stap. Alleen kost zo’n migratie vaak veel tijd, mensen en geduld.

Daarom stelden we ons een eenvoudige vraag: wat als AI het saaie en repetitieve deel van die migratie zou kunnen overnemen?

We bouwden een proof of concept om dat te testen. Dit is wat we ontdekten.

Het idee: stap voor stap vertalen

Een SSIS-package is in essentie een verzameling instructies die in een bestand zijn opgeslagen. Onze Een SSIS-package is eigenlijk niets meer dan een verzameling instructies die in een bestand zijn opgeslagen. Onze accelerator leest dat bestand uit en bouwt het opnieuw op voor Databricks. Het proces ziet er als volgt uit:

• Lees het package in. We analyseren het SSIS-bestand en halen alle componenten eruit.
• Splits het op. Elke component wordt een afzonderlijk, klein onderdeel.
• Vertaal. AI zet elk onderdeel om naar Databricks-code.
• Voeg alles opnieuw samen. Alle onderdelen worden gecombineerd tot één overzichtelijke notebook.

De echte kracht zit in die tweede stap. In plaats van een volledig package in één keer te laten vertalen, geven we AI telkens één kleine component. Zo krijgt elk onderdeel een eigen controlepunt. Dat zorgt voor consistente output en maakt het eindresultaat veel overzichtelijker.

Meer dan alleen een vertaling: een ingebouwd rapport

De accelerator levert niet alleen code op. Tegelijk wordt ook een rapport gegenereerd dat extra inzicht geeft in De accelerator levert niet alleen code op, maar genereert ook automatisch een rapport.

Dat rapport:

• Brengt het package in kaart. Je ziet alle componenten en hoe ze met elkaar verbonden zijn.
• Beoordeelt de complexiteit. Elk onderdeel krijgt een label, van eenvoudig tot complex of buiten scope.
• Signaleert risico’s. Waar de logica extra controle vraagt, wordt dat duidelijk aangegeven.

Er is bovendien een interessante extra. Het model kan onderweg ook suggesties doen om de logica te verbeteren. Dat staat nog in de kinderschoenen, maar we zien hier veel potentieel voor toekomstige versies

Het gekozen AI-model maakt een groot verschil

Niet elk AI-model blijkt geschikt voor dit type werk. We testten verschillende modellen:

• Claude Sonnet 4.6 leverde de beste resultaten op. De gegenereerde code was betrouwbaar, consistent en overzichtelijk.
• GPT-4o was bruikbaar, maar vroeg meer controle en debugging achteraf.
• GPT-5.4-mini bleek minder geschikt voor dit soort complexe vertaaltaken.

De conclusie is duidelijk: de keuze van het model heeft een directe impact op de kwaliteit en de uiteindelijke meerwaarde van de oplossing.

Wat AI goed aankon – en wat niet

• Wat goed werkte: joins en lookups werden zonder problemen omgezet. De relationele logica bleef correct behouden en de vertaling was stabiel.
• Wat extra controle vraagt: scripts en aangepaste logica werden doorgaans correct vertaald, maar vragen wel een grondige validatie door een data engineer. Zeker wanneer er afhankelijkheden of externe referenties aanwezig zijn.
• Buiten de scope van deze POC: zeer complexe of sterk dynamische datapijplijnen maakten geen deel uit van deze eerste testfase. Die willen we in een volgende iteratie verder onderzoeken.

De mens blijft een essentiële schakel

De gegenereerde code had verrassend weinig debugging nodig. De aanpassingen die we uiteindelijk uitvoerden, hadden vooral betrekking op omgevingsspecifieke configuraties, zoals een serverless setup of een bepDe gegenereerde code had nauwelijks debugging nodig. De beperkte aanpassingen die we deden, hadden vooral te maken met de doelomgeving en niet met fouten van AI. Denk bijvoorbeeld aan een serverless-configuratie of een kleine aanpassing van een datatype.

De rol van de engineer verschuift daardoor. Niet langer het handmatig herschrijven van code staat centraal, maar het valideren van de logica, het configureren van de omgeving en het bewaken van de kwaliteit.

AI doet het zware werk. De engineer zorgt ervoor dat alles correct landt.

Wanneer werkt het goed, en wanneer minder?

Niet elke migratie is dezelfde. Een aantal factoren beïnvloeden het resultaat.

Ook de kost speelt een rol. Grotere packages vereisen meer tokens en brengen dus hogere AI-kosten met zich mee. Daarnaast moeten organisaties aandacht besteden aan privacy en compliance, aangezien de gebruikte modellen niet in Europa gehost worden.

• Een goede match: packages met duidelijke, gestandaardiseerde logica zijn ideaal voor deze aanpak. Hier behaalt de accelerator de grootste efficiëntiewinst.
• Minder geschikt: sterk dynamische processen of gevoelige workloads vereisen een grondigere analyse vooraf en meer menselijke betrokkenheid tijdens de migratie.

De belangrijkste conclusie

Deze proof of concept toont aan dat een tijdrovende migratie een stuk sneller en overzichtelijker kan verlopen. Het is geen vervanging van een engineer, maar een accelerator die repetitief werk uit handen neemt.

De technologie werkt. Mits de juiste begeleiding levert ze een duidelijke meerwaarde op.

AI verzorgt de vertaling. Mensen nemen de beslissingen. Precies in die samenwerking zit de echte kracht.