La modernizzazione dei sistemi legacy, e in particolare delle complesse architetture mainframe su cui operano ancora oggi molte banche, assicurazioni e Pubblica Amministrazione, nonché molte piccole e medie imprese, è una delle decisioni più rilevanti sui tavoli delle direzioni IT. 

La disponibilità di strumenti di AI Generativa ha contribuito ad incrementare il carattere di urgenza della questione, in quanto ha reso plausibile un’ipotesi che, fino a pochi anni fa, non lo era: quella di affrontare la migrazione o l’integrazione di sistemi imponenti senza sostenere i costi di una riscrittura o sostituzione interamente manuale.

Le possibili vie di risoluzione, per una questione sempre più urgente, sono definite:

• Refactoring e traduzione assistita: l’adeguamento del codice storico (come il COBOL) verso linguaggi moderni (come Java, C# o Python).
• Reverse engineering: i modelli vengono impiegati per analizzare i processi mainframe esistenti, spiegarli in linguaggio naturale, mappare le intricate dipendenze tra database e applicativi, e ricostruire una documentazione che in molti casi non esiste più.
• Manutenzione assistita: gli assistenti di sviluppo fungono da ponte per i profili più giovani chiamati a operare su architetture hardware e logiche di sistema che non hanno mai studiato o incontrato nella propria carriera professionale.

Si tratta di tre scenari reali e percorribili, che tuttavia presentano dei rischi riconducibili ad un unico punto di caduta: l’assenza di figure specializzate, in grado di capire cosa lo strumento stia effettivamente traducendo o analizzando.

Sistemi mainframe: il cuore pulsante e nascosto dell’IT aziendale

Il primo passo per impostare correttamente un progetto di modernizzazione è smettere di considerare il mainframe come un problema ereditato.

Fin dalla loro introduzione su larga scala, i sistemi mainframe sono diventati lo standard di fatto per l’automazione aziendale complessa. Nei decenni successivi, banche, assicurazioni, enti pubblici e operatori dei trasporti vi hanno affidato i processi più critici: gestione dei conti, calcolo delle polizze, sinistri, pagamenti, adempimenti fiscali.

Quei sistemi non sono mai stati spenti. Gran parte dei prelievi ATM, delle transazioni con carta di credito e delle operazioni di core banking in tutto il mondo dipendono ancora dall’infrastruttura mainframe e dal codice storicamente scritto per essa, come il COBOL.

Interpretare questa longevità come semplice inerzia sarebbe un errore di valutazione. I mainframe restano imbattibili nell’elaborazione simultanea di enormi volumi transazionali, garantendo un livello di sicurezza, affidabilità (la cosiddetta High Availability) e precisione di calcolo che in ambito finanziario non è negoziabile. In sessant’anni, queste architetture si sono adattate al passaggio dal batch all’online, ai database relazionali e ai modelli client-server.

Tuttavia, gran parte delle logiche applicative che girano su queste macchine è stata scritta prima che esistessero strumenti di documentazione digitale. Nel frattempo, i sistemi hanno accumulato patch, personalizzazioni e adeguamenti successivi fino a diventare difficili da interpretare.

Per anni questa complessità è stata governata da professionisti (sistemisti e sviluppatori) che conoscevano le architetture dall’interno: oggigiorno, quella generazione sta uscendo dal mercato del lavoro e, con essa, la capacità di spiegare perché una determinata routine si comporta in un certo modo o quale vincolo normativo si nasconda dietro un processo.

A questo contesto già problematico si aggiunge la pressione verso il cloud e la difficile convivenza con esso: le architetture monolitiche tipiche del mondo mainframe, che mantengono lo stato delle elaborazioni, si adattano male a infrastrutture cloud pensate per microservizi e componenti indipendenti.

La combinazione che ne risulta è delicata. Sistemi critici che non possono essere interrotti, una base di conoscenza che si assottiglia e l’esigenza di modernizzare l’infrastruttura senza compromettere la continuità operativa.

I limiti dell’AI Generativa sui sistemi legacy

In questo scenario l’AI viene spesso presentata come la soluzione tout-court per sbloccare la modernizzazione; tuttavia, risulta opportuno valutarne i limiti, con la stessa lucidità con cui se ne riconoscono le capacità.

• Contesto: i grandi sistemi bancari e assicurativi non sono mai stati resi pubblici. I modelli conoscono le architetture standard dei manuali, non le topologie stratificate delle singole istituzioni, con i database personalizzati e le integrazioni che ciascuna organizzazione ha sviluppato nel tempo.
• Paradigma: la logica procedurale storica, l’uso della memoria nei mainframe e le transazioni batch sono profondamente diversi dai moderni paradigmi a oggetti e cloud-native. Le analisi o traduzioni automatiche producono esiti che richiedono verifica puntuale.
• Rischio: in contesti dove un’interruzione di servizio o un errore di calcolo può avere conseguenze sistemiche, un processo in cui l’AI analizza, modifica o migra processi di business critici senza supervisione non è oggi praticabile.

Da queste considerazioni è naturale adottare un approccio che prediliga il principio “Human on the Loop”, che rappresenta oggi il pilastro dei progetti di modernizzazione IT.

Mentre l’AI mappa le dipendenze o genera nuovo codice, l’esperto definisce i confini del sistema mainframe, esamina la logica estratta alla ricerca di falle, certifica che le nuove interfacce o il sistema migrato restituiscano esattamente gli stessi risultati e le stesse performance della macchina originale. Così facendo, il professionista IT cessa di essere un mero esecutore e diventa garante dell’architettura e della logica di business.

È un cambiamento di ruolo che richiede una combinazione di competenze ben precise: skill tecnica sull’ambiente mainframe/legacy, conoscenza del dominio aziendale e capacità di orchestrare strumenti di AI enterprise. Il mercato del lavoro, su questo, è diviso in due: da un lato gli specialisti storici, prossimi al pensionamento, dall’altro sviluppatori cloud/AI che non conoscono né le dinamiche dei mainframe né le logiche finanziarie. Chi si colloca tra i due mondi è oggi una delle risorse più preziose per le aziende.

La soluzione di ProActivity: task force di transizione on-demand

La modernizzazione di un ecosistema mainframe/legacy presenta una caratteristica che ne condiziona l’organizzazione: un fabbisogno intenso ma circoscritto nel tempo, che difficilmente giustifica nuove assunzioni a tempo indeterminato. All’estremo opposto, esternalizzare integralmente un progetto di questa delicatezza significa rinunciare al controllo sull’infrastruttura, sui processi e sulla conoscenza che ne deriva.

ProActivity, con la propria proposta in ambito smart team augmentation, si colloca tra queste due opzioni: mette a disposizione task force di professionisti freelance senior che si integrano direttamente nei team interni del cliente, con un modello di servizio che possiamo sintetizzare come presidio umano sull’AI. I professionisti inseriti interpretano la logica di business intrappolata nel mainframe e ne certificano l’affidabilità durante le fasi di modernizzazione.

La differenza rispetto all’approccio dei grandi System Integrator è di impostazione: invece di team estesi composti in prevalenza da profili junior, proponiamo singoli professionisti senior esattamente nei punti in cui la competenza tecnica sull’architettura e la conoscenza funzionale sono determinanti. L’esperienza di queste figure, amplificata dagli strumenti di AI, riduce i tempi di mappatura, migrazione e validazione, con un effetto diretto sul costo complessivo del progetto.

Il perimetro, peraltro, non si esaurisce ai classici mainframe IBM o al COBOL. Le tecnologie che le aziende stanno oggi modernizzando comprendono sistemi AS/400 (oggi IBM i), linguaggi come RPG, PL/I, Fortran, database gerarchici e reticolari. 

Qualunque sia l’architettura di partenza, i limiti dell’AI nel refactoring aziendale restano gli stessi: l’estrazione delle logiche di business richiede un esperto di dominio che validi se un processo abbia ancora senso o se fosse un workaround per un limite hardware dell’epoca; la rimodellazione richiede un architetto che usi l’AI per scomporre in sicurezza i monoliti storici; i test di non regressione richiedono qualcuno che sappia esattamente cosa verificare nel confronto tra vecchio e nuovo ambiente.

Conclusioni

I progetti di modernizzazione dei sistemi mainframe non si decidono sulla scelta del singolo strumento di AI. Si decidono sulla disponibilità di risorse in grado di usarlo sapendo cosa stanno guardando: professionisti che sanno leggere i complessi intrecci dell’architettura legacy come un processo di business, che riconoscono quando un’impostazione apparentemente anomala risponde in realtà a un vincolo normativo di decenni fa, e che sanno fornire all’AI il contesto necessario per produrre risultati affidabili.

Un fabbisogno intenso, circoscritto nel tempo e difficilmente copribile con le assunzioni ordinarie. Il modello che ProActivity propone risponde esattamente a questa configurazione: competenze senior verticali, inserite nel team interno per la durata del progetto, con il controllo sui processi e sulla conoscenza che resta saldamente all’azienda.

Per valutare come applicare questa metodologia al tuo ambiente mainframe o a un caso di business concreto, approfondisci il nostro approccio oppure parlane direttamente con noi.