AI modernization: come intervenire sul software legacy per progettare il patrimonio applicativo del futuro

L’AI modernization — tema approfondito da GFT in un white paper dedicato, disponibile per il download a questa pagina — consiste nell’utilizzare l’intelligenza artificiale per analizzare applicazioni legacy, ricostruirne le dipendenze, rendere esplicita la conoscenza incorporata nel codice e guidarne l’evoluzione verso architetture moderne, senza compromettere la continuità operativa. Un tema centrale per molte organizzazioni, nelle quali patrimoni applicativi con una storia pluridecennale continuano a governare processi core e attività mission critical..

Il punto è che, nel corso del tempo, la stratificazione di interventi evolutivi, personalizzazioni e nuove esigenze di business hanno reso quasi indecifrabile la code base dei software legacy. Non solo molte librerie non sono più supportate ma, nel progredire degli interventi, non sono più state aggiornate. Il risultato è un software sempre più opaco, sul quale ogni intervento diventa più complesso, rischioso e costoso, creando una rigidità operativa onerosa.

«La perdita della conoscenza è solo una delle voci di costo del software legacy – spiega Davide Coccia, CTO di GFT Italia, società di ingegneria digitale specializzata nello sviluppo di soluzioni software e nei percorsi di modernizzazione dei sistemi enterprise -. Ne esistono altre che spesso le organizzazioni non considerano quando valutano la modernizzazione. Mantenere i sistemi legacy così come sono non costa soltanto in termini di infrastruttura e di assistenza. Se per introdurre un nuovo prodotto o una nuova soluzione devo continuamente trovare workaround per far convivere il nuovo con il vecchio, il legacy diventa un freno all’innovazione, rallenta il business e genera una mancata opportunità che quasi nessuno misura. C’è poi il rischio operativo: un sistema può sembrare stabile per anni, ma stabilità non è sinonimo di resilienza. Quando si verifica un incidente, se nessuno conosce davvero quel software diventa difficile ripristinarlo mentre il disservizio produce effetti sul business e sulla reputazione dell’azienda. C’è poi un altro aspetto che definisco distorsione organizzativa: invece di progettare nuove soluzioni, si finisce per adattare continuamente prodotti e processi ai limiti e ai vincoli imposti da un software obsoleto, riducendo la portata dell’innovazione».

Perché modernizzare il software legacy è così difficile

Il primo step di qualsiasi intervento di modernizzazione del legacy è far riemergere la conoscenza della code base. Occorre comprendere quali componenti possono essere mantenuti, quali devono essere riscritti, quali dipendenze non possono essere spezzate e quali funzionalità sono ormai diventate ridondanti. Per uno sviluppatore la sfida è ricostruire ciò che quel software fa realmente, individuando il punto corretto in cui intervenire senza compromettere il funzionamento dell’intero sistema. È questa fase preliminare di analisi a rappresentare oggi uno dei principali colli di bottiglia dei programmi di modernizzazione che rappresenta un tempo invisibile che alimenta quello che, in ingegneria del software, viene definito debito tecnico.

«La conseguenza di scelte progettuali che consentono di ottenere un risultato nel breve periodo è un debito tecnico che si accumula – fa notare Coccia -. Gli interessi sono il tempo e i costi aggiuntivi che ogni nuova modifica richiede rispetto a un sistema ben progettato. Quando un intervento richiede due o tre settimane soltanto per capire dove mettere mano al codice ha davvero senso lavorare di patching? Perché è vero che il legacy continua a funzionare e per questo sembra più comodo continuare a manutenerlo ma in questo modo non viene mai realmente ripensato e modernizzato. Non si tratta di tradurre il software da un linguaggio vecchio a uno più nuovo, perché così si rischia di automatizzare il passato, senza cogliere l’opportunità di progettare un patrimonio applicativo capace di adattarsi ai cambiamenti del business e dell’innovazione da qui ai prossimi anni».

AI modernization che cos’è

Modernizzare un’applicazione significa scegliere la strategia di trasformazione più adatta: migrare il software su una nuova piattaforma, rifattorizzarlo, riprogettarne l’architettura, riscriverlo o sostituirlo con una nuova soluzione. Il successo del progetto dipende dalla capacità di individuare il percorso tecnico più efficace, riducendo rischi, tempi e impatti sulla continuità operativa. L’AI ha modificato l’equazione costo/tempo/valore della modernizzazione, ridefinendo il modo stesso di affrontare la trasformazione dei sistemi legacy.

«Fino a poco tempo fa l’AI veniva utilizzata soprattutto come acceleratore delle attività di sviluppo: gli LLM suggerivano codice e supportavano gli sviluppatori nelle diverse fasi del lavoro – ha osservato il manager -. Oggi, con l’Agentic AI, il paradigma è profondamente cambiato. Non utilizziamo più un modello in modo interattivo. Possiamo creare agenti specializzati che, una volta definiti obiettivi e istruzioni, sono in grado di eseguire autonomamente compiti specifici all’interno del processo di modernizzazione. Più questi agenti sono specializzati, più sono efficaci, riducendo il rischio di allucinazioni. Questo cambia il perimetro di governo dell’intelligenza artificiale: la tecnologia esegue, ma non decide. Le decisioni, gli obiettivi e la responsabilità del risultato rimangono in capo alle persone. È proprio questa evoluzione che oggi ci permette di progettare agenti AI che comprendono il contesto, ricostruiscono la conoscenza incorporata nelle applicazioni, producono la documentazione necessaria e creano le condizioni di un’AI modernization veloce e altamente funzionale».

L’AI modernization non automatizza la modernizzazione. La rende governabile

Il passaggio dall’AI generativa alla AI agentica segna la transizione da una logica di Human in the Loop a una di Human on the Loop. Sono le persone, in quanto professionisti esperti, a definire il perimetro di azione, presidiare il comportamento, supervisionare i risultati e mantenere la responsabilità delle decisioni. Con un punto di attenzione: quando si parla di AI modernization, la metodologia è importante tanto quanto la tecnologia.

«In GFT partiamo sempre dall’assessment del patrimonio applicativo – aggiunge Coccia -. Dobbiamo capire com’è composto, individuare cosa deve essere modernizzato e definire correttamente il perimetro dell’intervento. Da qui nasce la progettazione della transizione, cioè il modo in cui accompagniamo il passaggio dal vecchio al nuovo. Non esiste un approccio one size fits all: tempi, modalità e strategie cambiano in funzione delle caratteristiche delle applicazioni e del loro livello di integrazione con il resto del sistema informativo. Nell’affrontare questi progetti procediamo in modo incrementale, costruendo roadmap progressive che consentono di modernizzare sistemi, dati e applicazioni garantendo al tempo stesso la continuità operativa del business. È preferibile iniziare con progetti pilota, verificare sul campo i risultati e ampliare progressivamente il perimetro della trasformazione. Il motivo è semplice: piattaforme, modelli di AI e metodologie stanno evolvendo a una velocità tale che anche il modo di governare questi programmi è in evoluzione costante. Non cambiano soltanto gli strumenti AI: cambiano anche le competenze necessarie per utilizzarli e supervisionarli».

Come Wynxx industrializza l’AI modernization

Da quasi quarant’anni GFT progetta, sviluppa e modernizza sistemi software enterprise per organizzazioni che operano in contesti ad alta complessità. È proprio da questa esperienza che nasce Wynxx, una piattaforma proprietaria per l’enterprise software delivery basata su AI, progettata per industrializzare l’intero ciclo di vita dello sviluppo software (Software Development Life Cycle – SDLC), dalla pianificazione alla documentazione, dai test fino ai programmi di AI modernization e trasformazione dei sistemi legacy.

«Il vero valore della piattaforma è trasformare il codice legacy in conoscenza strutturata – racconta Coccia -. Workflow, flussi applicativi, dipendenze, trigger, precondizioni e requisiti diventano patrimonio esplicito dell’organizzazione, consentendo di progettare software realmente moderno invece di limitarsi a tradurre un linguaggio di programmazione in un altro. Le aziende possono affidare a GFT un programma completo di AI modernization, esternalizzando la complessità del progetto ma mantenendo la piena proprietà della documentazione, dei deliverable e delle conoscenze prodotte durante la trasformazione, senza creare dipendenze dalla piattaforma. In alternativa, le organizzazioni che dispongono delle competenze necessarie possono implementare Wynxx come piattaforma enterprise all’interno dei propri processi di sviluppo. In questo caso il nostro ruolo non si limita a fornire la tecnologia: accompagniamo le organizzazioni nello sviluppo delle competenze necessarie per utilizzare efficacemente la piattaforma e per adottare un nuovo approccio alla progettazione e alla modernizzazione del software».

Un caso concreto di Ai modernization nel settore bancario

Un grande gruppo internazionale del settore finanziario ha avviato un programma di modernizzazione del core banking costituito da 80 milioni di righe di codice Cobol.

La sfida

La crescita dei servizi digitali, l’aumento dei volumi transazionali e il crescente ruolo delle interazioni guidate dall’intelligenza artificiale richiedevano di ripensare l’infrastruttura tecnologica per sostenere nuovi modelli operativi. L’obiettivo non era soltanto migrare il patrimonio applicativo verso un’architettura cloud-ready, ma costruire un modello replicabile per l’evoluzione progressiva dei sistemi legacy. Per affrontare un progetto di questa scala, la banca ha scelto GFT Technologies introducendo l’AI generativa fin dall’inizio del programma di modernizzazione.

L’approccio

GFT e la banca hanno adottato un modello strutturato che combina conversione deterministica del codice e accelerazione tramite AI generativa attraverso la piattaforma Wynxx. Dopo un’attività iniziale di discovery per analizzare dipendenze e complessità del software, il codice Cobol è stato convertito in Java mantenendone la logica di business e ponendo le basi per una nuova architettura distribuita e cloud-native. L’intelligenza della piattaforma ha automatizzato attività come la documentazione del software legacy, la generazione degli scenari di test, il refactoring del codice e il miglioramento della leggibilità delle applicazioni convertite, accelerando l’intero processo di modernizzazione.

I risultati

Wynxx ha contribuito a ridurre tempi e rischi del progetto. La nuova architettura cloud-native ha migliorato gli ambienti di esecuzione, l’accesso ai dati, la gestione delle code e i componenti runtime, rendendo il core banking più scalabile, resiliente ed efficiente. Il modello sviluppato da GFT è inoltre diventato replicabile su altri programmi di trasformazione, consentendo all’istituto di estendere progressivamente la modernizzazione del patrimonio applicativo e di ridurre il time-to-market delle future evoluzioni.

Come evolverà l’AI modernization

L’AI modernization rappresenta soltanto uno dei primi ambiti nei quali gli agenti AI stanno trasformando il software engineering. Secondo GFT, l’evoluzione dei modelli porterà progressivamente a una ridefinizione dell’intero ciclo di sviluppo.

«Quello che facevamo sei mesi fa oggi è già diverso – conclude Coccia -. La velocità tecnologica ci obbliga a ripensare continuamente anche il modo con cui affrontiamo i programmi di AI modernization. Gli agenti diventeranno sempre più performanti e la scrittura del codice sarà sempre meno il centro del valore. La differenza la faranno la capacità di definire le specifiche, progettare i processi e orchestrare il lavoro delle intelligenze agentiche e delle intelligenze umane. È un’evoluzione che riguarda anche il nostro ruolo, come partner chiamati a trasferire metodo, competenze e capacità progettuale alle organizzazioni».