Software nati sul campo.

OptiMIPS analizza i dati storici e in tempo reale generati dal mainframe per individuare quali applicazioni, catene e singoli job utilizzano le risorse e in quale misura. Evidenzia anomalie e inefficienze, aiutando a capire dove intervenire per ottimizzare i consumi.

Le anomalie possono essere individuate in pochi minuti e ogni intervento viene misurato confrontando i consumi prima e dopo l’ottimizzazione, job per job. L’obiettivo è utilizzare al meglio la capacità disponibile, mantenendo gli stessi livelli di servizio (SLA).

Quando si verifica un terremoto o un’alluvione, Calamìta analizza in tempo reale i dati relativi all’evento, provenienti dall’INGV per quanto riguarda l’attività sismica e dalle fonti idrogeologiche e meteorologiche, incrociandoli con il portafoglio polizze georeferenziato.

In pochi secondi individua le polizze potenzialmente coinvolte, quantifica le riserve esposte e mostra le aree con la maggiore concentrazione di rischio. Così le compagnie assicurative possono valutare rapidamente l’impatto dell’evento sul proprio portafoglio.

Per chi si occupa di risk management e di sinistri.

Modelli di AI generativa e machine learning leggono notizie, eventi e report e ne ricavano una stima direzionale — crescita, calo, stabilità — su prezzo e disponibilità delle materie prime.

La stima non arriva agli acquisti da sola: l’analista la valida e la governa. Il tempo fra segnale di mercato e decisione d’acquisto si accorcia.

Le applicazioni core, sviluppate in COBOL su mainframe, Java di vecchia generazione, Delphi o altri linguaggi di nicchia, supportano processi di business consolidati da anni. La loro evoluzione può però diventare complessa e costosa, anche per la crescita dei costi di infrastruttura e licenza, la dipendenza da competenze difficili da reperire e la difficoltà di documentare il funzionamento dei sistemi in ottica di audit e compliance.

L2M utilizza gli agenti AI all’interno di un processo di modernizzazione governato. L’obiettivo non è tradurre il codice riga per riga, ma ricostruire la conoscenza incorporata nelle applicazioni, sottoporla alla validazione degli esperti e supportare la migrazione verso tecnologie come Java o .NET. Il processo può integrarsi con gli strumenti AI enterprise già adottati dall’azienda.

La verifica dell’equivalenza funzionale è parte integrante del percorso di modernizzazione. Per i processi batch, il comportamento della nuova applicazione viene confrontato con quello del programma originale, analizzando gli output record per record. Per le applicazioni online, la verifica si basa su test case derivati dall’analisi funzionale e sulle attività di UAT condivise con il cliente.