Per molte aziende, modernizzare i sistemi legacy non è una scelta rinviabile. Alla pressione competitiva, che richiede velocità e capacità di innovazione, si aggiungono obblighi imposti da un quadro normativo sempre più articolato e in evoluzione, soprattutto in settori chiave come la sanità e la finanza.
Non è un problema nuovo, perché la modernizzazione del software è sempre stata un’impresa complessa, costosa e carica di rischi, a maggior ragione quando si applica a sistemi core che continuano a svolgere i propri compiti senza interruzioni. Non sorprende quindi che molti programmi siano stati rimandati per anni, fino a quando costi, rischi di sicurezza e requisiti normativi non hanno più lasciato alternative.
L’AI può contribuire a cambiare questo scenario purché venga correttamente integrata e se ne comprendano le potenzialità, discostandosi dall’hype del momento. In questo articolo analizzeremo quindi il contributo concreto dell’AI alla modernizzazione dei sistemi legacy: le attività nelle quali genera valore, i benefici realistici e le condizioni per adottarla senza trasformarla in un pericoloso autopilota.
Key Points
- Modernizzare non è più rinviabile. Per molte aziende, rinnovare i sistemi legacy è una condizione necessaria per ridurre rischi e costi e sostenere l’innovazione.
- Prima di trasformare, bisogna comprendere. La difficoltà non consiste soltanto nel riscrivere il codice, ma nel ricostruire il funzionamento di sistemi evoluti per decenni.
- L’AI è un supporto chiave, ma non sostituisce l’esperienza. Può far emergere conoscenza e automatizzare attività, ma non può governare autonomamente la modernizzazione.
Legacy modernization: il problema n.1 è capire il software
I programmi di modernizzazione del legacy vengono spesso descritti come progetti di trasformazione tecnologica: prima di scrivere tonnellate di codice, bisogna rivedere le logiche di funzionamento del software e adattarle ad architetture moderne, che integrano nativamente servizi e infrastrutture cloud e adottano nuovi linguaggi, interfacce e modalità operative.
L’AI ci viene proposta come uno straordinario sviluppatore di codice, ma a prescindere dalla veridicità o meno di questa affermazione, il problema da cui partire è un altro: bisogna comprendere il funzionamento di un sistema nato molto tempo fa, tema tutt’altro che banale e causa primaria di interruzione dei progetti.
Le sfide della legacy modernization dei sistemi core
Perché è così complesso entrare nelle logiche di un software datato? I motivi sono noti: un’applicazione con decenni di vita non è composta solo da codice scritto con linguaggi obsoleti, ma è il risultato di migliaia di modifiche e adattamenti introdotti per rispondere a esigenze puntuali e a normative e policy introdotte nel tempo. Oggi, un project manager si trova di fronte a:
- Documentazione incompleta, non aggiornata o descrittiva del progetto originario, non di quello effettivamente in produzione;
- Regole di business difficili da ricostruire perché incorporate nel codice, nei database e nelle procedure operative;
- Dipendenze non mappate tra applicazioni, interfacce e flussi di dati;
- Componenti, librerie e piattaforme obsolete o fuori supporto, delle quali è difficile valutare vulnerabilità, possibilità di aggiornamento e impatto sulle applicazioni;
- Controlli di sicurezza stratificati e poco documentati, come autorizzazioni, cifratura, gestione delle identità e misure compensative;
- Impossibilità di contattare gli specialisti responsabili delle scelte architetturali e operative, in quanto ormai fuori dall’organizzazione.
Il vero ostacolo, quindi, non è soltanto produrre nuovo codice o rivedere l’architettura del sistema. È piuttosto scavare e recuperare la conoscenza sepolta nel software esistente, trasformandola in una base affidabile per decidere cosa mantenere, riscrivere, sostituire o dismettere.
L’AI ricostruisce il contesto, l’esperienza gli dà valore
È proprio nella comprensione del software esistente che l’AI può offrire uno dei contributi più importanti alla legacy modernization. Applicata a grandi codebase sviluppate, per esempio, in COBOL e modificate poco per volta per decenni, può interpretare il codice e ricomporre informazioni fino a oggi frammentate.
Agenti AI specializzati sono in grado di:
- Acquisire enormi quantità di dati contestuali e mettere in relazione moduli, chiamate, dati, dipendenze e flussi applicativi;
- Spiegare porzioni di codice poco accessibili;
- Individuare ricorrenze ed eccezioni;
- Far emergere regole di business e generare una rappresentazione coerente del sistema;
- Confrontare il codice con la documentazione disponibile, segnalare disallineamenti e restituire agli specialisti una base conoscitiva interrogabile in linguaggio naturale.
Questo cambia il punto di partenza del progetto: grazie alla capacità dell’AI di esplorare il patrimonio applicativo, formulare ipotesi e individuare le aree su cui concentrare le verifiche, diventa possibile affrontare il debito tecnico in modo più sicuro e sistematico.
Un team di agenti a supporto della modernizzazione: pro e sfide
Il contributo dell’AI in questi progetti può assumere diverse forme, la più trendy delle quali è quella degli agenti specializzati, ognuno dei quali incaricato di osservare il sistema da una prospettiva diversa. Un agente analista può ricostruire i processi e le regole di business, un altro analizzare dipendenze e flussi di dati, mentre altri ancora possono esaminare l’architettura, individuare criticità di sicurezza o proporre test case.
Questa collaborazione permette di far emergere incoerenze che un’analisi lineare potrebbe non rilevare, ma non equivale a disporre di un gruppo autonomo di specialisti. È fondamentale che la legacy modernization venga approcciata con questo concetto come linea guida primaria.
Gli agenti elaborano le evidenze disponibili, ma non possiedono una conoscenza diretta dell’organizzazione, del mercato, delle policy normative o delle ragioni che negli anni hanno prodotto determinate scelte.
L’esperienza di dominio resta insostituibile
In un progetto ben strutturato di legacy modernization, il professionista non interviene semplicemente per acquisire le informazioni prodotte e validare le eventuali proposte dell’AI. È il perno del processo di ricostruzione: formula i quesiti, riconosce quali evidenze siano attendibili, sviluppa i test e individua le anomalie.
Facciamo qualche esempio. Il suo contributo è decisivo quando occorre:
- distinguere una regola di business ancora valida da una soluzione temporanea sopravvissuta per anni nel codice;
- comprendere se un’eccezione risponda a un requisito normativo, a una policy interna o alle esigenze di uno specifico cliente;
- stabilire se due procedure apparentemente duplicate siano davvero ridondanti oppure gestiscano casistiche differenti;
- valutare se un controllo possa essere trasferito as-is nella nuova architettura o debba essere riprogettato;
- verificare che la migrazione dei dati mantenga significato, qualità, riconciliazione e tracciabilità, non soltanto la corrispondenza dei campi;
- interpretare e implementare requisiti non funzionali, come continuità operativa, prestazioni e sicurezza, che il codice non rende espliciti.
Un esperto del settore finanziario, per esempio, può riconoscere dietro una condizione apparentemente marginale un controllo antiriciclaggio, una regola di rendicontazione o una misura di gestione del rischio. Senza questa conoscenza, l’AI potrebbe documentare correttamente il comportamento tecnico senza comprenderne la rilevanza, oppure suggerirne una semplificazione ad altissimo rischio. Mai come in questo caso, il concetto di supervisione umana è essenziale.
Dalla comprensione all’esecuzione: l’AI lungo il ciclo di modernizzazione
Il contributo dell’AI non si esaurisce nella ricostruzione della conoscenza sedimentata nel sistema. Una volta compresi il funzionamento dell’applicazione, le dipendenze e i comportamenti, un sistema esperto può supportare anche le fasi esecutive del progetto: tradurre o effettuare il refactoring di porzioni di codice, generare API, adattare componenti alle nuove architetture e automatizzare attività ripetitive. Può inoltre contribuire alla produzione dei test, al confronto tra vecchio e nuovo sistema e alla documentazione.
Anche in questa fase, però, quantità e velocità non vanno confuse con qualità. Affidare all’AI la generazione indiscriminata di grandi volumi di codice rischia di creare nuovo debito tecnico, più rapidamente e in forme non sempre semplici da riconoscere. È quindi preferibile procedere per interventi circoscritti e verificabili: l’AI supporta nella produzione, mentre gli specialisti definiscono l’architettura, stabiliscono i vincoli e verificano che ogni risultato rispetti le logiche applicative, i requisiti normativi e il comportamento atteso. È in questo equilibrio che l’AI diventa un acceleratore concreto, senza assumere il ruolo di un improbabile (almeno per ora) e pericoloso autopilota.
Kirey: la modernizzazione parte dalle fondamenta
In molti casi, la trasformazione parte dalla ricostruzione delle fondamenta digitali con tecniche contemporanee, in grado di accompagnare l’impresa nei decenni a venire.
In molte organizzazioni, questo significa intervenire sui sistemi core attraverso un percorso di modernizzazione complesso ma al tempo stesso indispensabile per costruire servizi, processi e modelli operativi adeguati alle esigenze attuali.
In Kirey affianchiamo le imprese dalla ricostruzione del funzionamento dei sistemi esistenti fino alla progettazione e realizzazione della nuova architettura. Questo significa individuare dipendenze e regole di business, definire cosa mantenere, riscrivere o dismettere, migrare applicazioni e dati, verificare la conformità normativa e garantire la continuità dei processi core durante il passaggio.
Contattaci per scoprire come avviare insieme questo percorso.
