Può l’intelligenza artificiale può aiutare il refactoring dei sistemi obsoleti

La gestione di molte banche, istituzioni finanziarie e amministrazioni pubbliche è affidata, ancora oggi, a piattaforme informative costruite con il codice COBOL (COmmon Business-Oriented Language), un linguaggio di programmazione che dimostra tutti i suoi anni (lo inventarono negli Stati Uniti negli anni ‘50): rigidità e costi di manutenzione elevati.

Smontare questo sistema di gestione non è facile, ma è necessario: se non si cambia, è impossibile innovare l’offerta, portare la qualità dei servizi al livello che l’utenza oggi si aspetta e, in definitiva, restare competitivi. Il problema è che smontare è operazione costosa e complessa, quindi lunga: un sistema, in genere, governa nello stesso tempo molti servizi di un’organizzazione e non si può fare tutto nello stesso tempo. In più, per cambiare, almeno fino a ora, servivano professionisti con la conoscenza di tutt’e due i linguaggi, il vecchio e il nuovo. È come se per la traduzione di un testo si cercasse un bi-madrelingua: ci sono, ma sono pochi.

Le banche, negli anni recenti, hanno fatto passi avanti significativi nel cambiamento e non devono quindi innovare in tutte le aree di servizio, ma in alcune sì, anche strategiche, per esempio i pagamenti, una di quelle sulle quali è l’attenzione dell’utenza è più alta e ci si gioca la fedeltà del cliente, soprattutto dei più giovani.

L’IA generativa può contribuire a evolvere verso i sistemi informativi più efficienti e a compiere la migrazione verso il cloud. Può, per dirla in gergo informatico, facilitare il refactoring dei sistemi legacy (cioè obsoleti). Il passaggio dal vecchio linguaggio di programmazione è stato fin qui realizzato in modo quasi manuale, implicando la richiamata necessità di conoscere i due linguaggi. Con l’IA generativa, invece, si può fare con i compilatori da sorgente a sorgente (source-to-source), che permettono l’esame di milioni di righe di codice in tempi ridotti, grazie alla traduzione automatica del testo da una lingua a un’altra (Machine Translation) e alle reti neurali che la abilitano (Neural Machine Translation).

L’innovazione tecnologica, tuttavia, non è neutrale: non la si può, cioè, introdurre lasciando tutto come prima. Occorre, prima, capire come l’organizzazione utilizza i dati e come questi sono condivisi dalle diverse funzioni. Bisogna, quindi, rivedere le politiche di gestione e sviluppo del business assicurandosi che i sistemi siano sempre scalabili, sicuri e flessibili e che la migrazione verso il cloud non comporti costi eccessivi.