Il problema

Mantenere le applicazioni legacy ha costi e rischi crescenti.

Molte applicazioni core, sviluppate in COBOL su mainframe, in Java di vecchia generazione, in Delphi o in linguaggi poco diffusi, supportano il business da decenni. Mantenerle invariate comporta costi crescenti e un rischio operativo maggiore.

01

Costi in aumento — consumi MIPS, licenze e supporto di piattaforme a fine vita

02

Competenze difficili da sostituire — le regole di business sono note a un numero limitato di specialisti

03

Tempi di evoluzione lunghi — integrare API, canali digitali e servizi cloud richiede interventi complessi

04

Requisiti di conformità — rischio operativo, tracciabilità e audit richiedono sistemi documentati

Per molte banche la questione non è se modernizzare, ma come farlo senza interrompere l’operatività, mentre i costi di mantenimento continuano a crescere.

Dove si complicano i progetti

La conversione del codice è solo una parte del progetto.

Le stime di riduzione dell’effort si riferiscono spesso alla sola scrittura del codice, non all’intero progetto. Le complessità principali della modernizzazione emergono in genere in altre fasi.

Ambito	Criticità
Documentazione non aggiornata	Il comportamento effettivo del sistema è descritto solo nel codice
Regole di business stratificate	Logiche aggiunte nel tempo, codice non più utilizzato e duplicazioni
Interfacce e dipendenze	Host, CALL dinamiche, catene batch notturne e integrazione con i partitari
Test e verifica dell’equivalenza	Verificare che la nuova applicazione produca gli stessi risultati di quella esistente

Per questo servono metodo, governance, coinvolgimento degli stakeholder e un piano strutturato di test e rilascio. Gli agenti AI accelerano le attività; il controllo del risultato resta al progetto.

Come funziona

Ricostruire la conoscenza del sistema prima di riscriverlo.

L2M utilizza agenti AI all’interno di un progetto governato. Invece di tradurre il codice riga per riga, ne ricostruisce le regole di business, le sottopone alla validazione degli esperti del cliente e sviluppa una nuova applicazione in Java o .NET, coerente con gli standard della banca.

Agenti AI e specialistigli agenti AI analizzano, riscrivono e testano il codice; gli specialisti validano i passaggi critici

Verifica dell’equivalenzabatch o online, i risultati della nuova applicazione sono confrontati con quelli esistenti sugli stessi dati

Compatibilità con gli strumenti AIil processo funziona con i principali strumenti AI enterprise, compresi quelli già adottati

Metodo di progettogovernance, rischi e rilasci gestiti con un metodo sviluppato in trent’anni di progetti

Il percorso

Le fasi del progetto, dall’analisi al rilascio.

Il percorso copre l’intero ciclo di modernizzazione, non solo la conversione del codice: parte da un assessment dell’applicazione esistente e si conclude con la dismissione controllata del sistema legacy.

01

Assessment — inventario di programmi, JCL, copybook e interfacce; matrice 6R; complessità di ogni programma verificata da un secondo agente AI; stima di massima con un intervallo minimo e massimo. Decisione go/no-go: la scelta avviene prima di impegnare il budget di progetto.

02

Analisi, progettazione e predisposizione — regole di business ricostruite dal codice e validate dagli esperti del cliente, mappa dei contesti applicativi, individuazione dei dati personali ai fini GDPR. Architettura target, requisiti non funzionali, piano dei rilasci, ambienti, CI/CD e quality gate.

03

Modernizzazione con agenti AI — una prima funzione, migrata manualmente, definisce architettura e standard. Poi, funzione per funzione, gli agenti AI analizzano, generano e testano il codice, lo confrontano con il programma originale e lo correggono fino all’equivalenza; quality gate e validazione degli specialisti precedono il merge. L’estensione procede per lotti.

04

Test, certificazione e migrazione dei dati — test di regressione end-to-end, prestazioni nelle finestre batch, test di sicurezza, parallel run e UAT con approvazione formale del business. Migrazione dei dati con mapping campo per campo, ETL, bonifica e riconciliazione tramite checksum e quadrature.

05

Rilascio e dismissione — passaggio in produzione con criteri go/no-go, smoke test e presidio delle prime elaborazioni. Dismissione controllata del sistema legacy, archiviazione a norma, consuntivo dei risparmi, supporto post-rilascio e trasferimento delle conoscenze.

In ogni fase la decisione finale spetta agli specialisti: gli agenti AI aumentano la produttività, il controllo umano limita il rischio di risultati non previsti.

La verifica

L’equivalenza si verifica confrontando i risultati.

La nuova applicazione viene confrontata con il sistema originale: a parità di dati in ingresso, i risultati devono corrispondere.

Batch · record per record

Il programma COBOL originale come termine di confronto

Il programma originale viene eseguito su GnuCOBOL, fuori dall’ambiente della banca, con gli stessi file e le stesse tabelle in ingresso. I risultati vengono confrontati record per record.

L’ambiente di confronto viene predisposto una sola volta e riutilizzato per ogni programma.

Online · transazione per transazione

Le schermate diventano API e form web

Campi, controlli, messaggi e navigazione di ogni schermata vengono riportati in API e form web. L’equivalenza si verifica sulla transazione di business: stessi dati visualizzati, stessi messaggi e stesse scritture sulla base dati.

Seguono i test end-to-end e l’UAT con approvazione formale del business.

Test di confrontoper ogni funzione migrata

Criteri di verifica definitiper tipo di intervento

Test di regressione e parallel runsull’intero sistema

Progetti realizzati

Il metodo applicato in progetti bancari.

Il metodo è stato applicato in progetti bancari tuttora in corso: due casi diversi per tecnologia e perimetro, gestiti con lo stesso approccio.

Gruppo bancario · core batch su mainframe

Migrazione di 202 batch COBOL su DB2

Catene critiche e interfaccia 3270 migrate verso Java, Oracle e Angular. Il perimetro è stato razionalizzato con business e IT; un programma migrato manualmente ha fatto da riferimento e il COBOL eseguito su GnuCOBOL da termine di confronto indipendente, poi l’estensione è proseguita per lotti.

50 → 36funzioni di front-end dopo la revisione del perimetro

−50%di effort nel progetto, rispetto alla metodologia tradizionale

Cliente bancario · procedura incasso assegni

Da Delphi a Java, con la documentazione ricostruita

Le conoscenze non più disponibili sono state ricostruite dal codice in una documentazione funzionale e tecnica, certificata dal cliente. Su questa base gli agenti AI hanno riscritto il back-end in Java ed è stato realizzato un nuovo front-end web.

90%di copertura dei test, nessuna vulnerabilità rilevata

In anticiporispetto al piano, con interventi manuali limitati

Domande frequenti

Le domande più frequenti
su L2M.

Avete altre domande?

No. Il processo è compatibile con i principali strumenti AI enterprise, compresi quelli già adottati dalla banca. Il contributo di Add Value è il metodo che ne governa l’utilizzo all’interno del progetto.

Attraverso l’assessment: inventario, matrice 6R, complessità di ogni programma e stima di massima con un intervallo minimo e massimo. L’assessment si chiude con una decisione go/no-go, prima di impegnare il budget di progetto.

Il coinvolgimento dipende dal progetto. Nel caso del core batch su mainframe, l’ambiente della banca è stato coinvolto solo per installazione e accettazione, perché il programma originale usato come confronto è stato eseguito esternamente su GnuCOBOL.

Gli esperti del cliente. Gli agenti AI ricostruiscono le regole dal codice e producono la documentazione, ma la certificazione spetta al cliente ed è il presupposto delle fasi successive.

Continua a esplorare

Scopri le altre soluzioni Add Value

Intelligence · Mainframe

OptiMIPS

Analizza i consumi del mainframe, li attribuisce alle singole applicazioni e individua le opportunità per ottimizzare l’utilizzo delle risorse.

Intelligence · Procurement

TSV

Classifica la spesa indiretta con l’AI e rende consultabili i dati per categoria e fornitore.

Intelligence · Assicurazioni

Calamìta

Incrocia i dati sismici, meteorologici e idrogeologici con le polizze georeferenziate per analizzare l’esposizione NatCat del portafoglio assicurativo.

Intelligence · Banche

Tequery

Permette di interrogare i database aziendali in linguaggio naturale e verificare la query generata per ogni risposta.

Intelligence · Materie prime

PriceSense

Analizza notizie, eventi e dati di mercato per elaborare stime sull’andamento dei prezzi e sulla disponibilità delle materie prime, sottoposte alla validazione dell’analista.

Intelligence · Adozione dell’AI

Officina AI

Individuare dove l’intelligenza artificiale può generare valore nei processi aziendali.

Modernizzare il sistema core verificando i risultati.

Parliamone La practice Software

L2M