Hay mucho entusiasmo en este momento acerca de que la IA permita la modernización de las aplicaciones de mainframe. Las juntas están prestando atención. A los CIO se les pide un plan. La IA es un acelerador genuino para la modernización de COBOL, pero para obtener resultados, la IA necesita un contexto adicional que el código fuente por sí solo no puede proporcionar. Esto es lo que hemos aprendido al trabajar con más de 400 clientes empresariales: la modernización del mainframe tiene dos mitades muy diferentes. La primera mitad es ingeniería inversa, comprendiendo qué hacen realmente sus sistemas existentes. La segunda mitad es ingeniería avanzada, creación de nuevas aplicaciones.
La primera mitad es donde los proyectos de mainframe viven o mueren. Sin embargo, los asistentes de codificación son realmente buenos sólo en la segunda mitad. Bríndeles unas especificaciones claras y validadas y crearán aplicaciones modernas rápidamente.
Hemos aprendido que lograr una modernización COBOL exitosa requiere una solución que pueda realizar ingeniería inversa de manera determinista, producir especificaciones validadas y rastreables, y ayudar a que esas especificaciones fluyan hacia cualquier asistente de codificación impulsado por IA para la ingeniería avanzada. Una modernización exitosa requiere tanto ingeniería inversa como ingeniería avanzada.
Lo que requiere una modernización exitosa del mainframe
Contexto completo y delimitado
Las aplicaciones de mainframe son grandes. Realmente grande. Un solo programa puede ejecutar decenas de miles de líneas, extrayendo definiciones de datos compartidos de todo el sistema, llamando a otros programas, orquestados a través de JCL que abarca todo el panorama. Hoy en día, la IA sólo puede procesar una cantidad limitada de código a la vez. Aliméntelo con un programa y no podrá ver los libros de copias, las subrutinas llamadas, los archivos compartidos o el JCL que une todo. Producirá un resultado que parece razonable para el código que puede ver, pero omitirá dependencias que nunca se mostraron. Al trabajar con los clientes, solucionamos esto extrayendo primero todas las dependencias implícitas de manera determinista y luego alimentando unidades completas y limitadas por IA con todo lo que necesita ya resuelto. De esa manera, la IA se centra en aquello en lo que es excelente (comprender la lógica empresarial, generar especificaciones) en lugar de adivinar conexiones que no puede ver.
Contexto consciente de la plataforma
Aquí hay algo que sorprende a la gente: el mismo código fuente COBOL se comporta de manera diferente según el compilador y el tiempo de ejecución. Cómo se redondean los números, cómo se almacenan los datos en la memoria, cómo se comunican los programas con el middleware. Estos no están en el código fuente. Están determinados por el compilador específico y el entorno de ejecución para el que se creó el código. Décadas de integración de hardware y software no se pueden replicar simplemente moviendo código. Descubrimos que la IA funciona mejor cuando el comportamiento específico de la plataforma ya se ha resuelto. Alimente a la IA con información clara y consciente de la plataforma, y la entregará. Aliméntelo con código fuente sin formato y generará un resultado que se verá bien pero se comportará de manera diferente al original. En los sistemas financieros, una diferencia de redondeo no es una cuestión cosmética. Es un error material.
Una base rastreable
Si trabaja en banca, seguros o gobierno, sus reguladores le harán una pregunta: ¿puede demostrar que no se perdió nada? La IA por sí sola no es suficiente para extraer la lógica empresarial y generar documentación que los reguladores acepten. El cumplimiento normativo requiere que cada salida tenga una conexión formal y auditable con el sistema original. Aprendimos pronto que la trazabilidad no proviene de la lectura del código fuente por parte de la IA. Proviene de estructurar el código en unidades precisas y delimitadas para que sepamos exactamente qué entra en la IA y podamos rastrear cada salida hasta su fuente. Para los clientes de industrias reguladas, esta suele ser la diferencia entre un proyecto que avanza y uno que se estanca.
Cómo configuramos la IA para el éxito en AWS Transform
Creamos AWS Transform para modernizar las aplicaciones de mainframe a escala. La idea es sencilla: darle a la IA la base adecuada y los clientes obtendrán resultados rastreables, correctos y completos que pueden llevar a producción. AWS Transform comienza por crear un modelo determinista completo de la aplicación. Los agentes especializados extraen la estructura del código, el comportamiento del tiempo de ejecución y las relaciones de los datos en todo el sistema, no un programa a la vez, sino todo el panorama. Esto produce un gráfico de dependencia alineado con la semántica real del compilador, capturando dependencias entre programas, interacciones de middleware y comportamiento específico de la plataforma antes de que la IA intervenga. A partir de ahí, los programas grandes se descomponen en unidades limitadas y procesables. El comportamiento específico de la plataforma se resuelve de forma determinista. Las unidades están dimensionadas para que la IA las procese de forma eficaz. Luego, la IA extrae la lógica empresarial en lenguaje natural y cada resultado se valida con la evidencia determinista que ya hemos extraído. Las especificaciones se remontan al código original. Cuando un regulador pregunta “¿se perdió algo?”, hay una respuesta verificable. Lo que distingue a esto es que la IA nunca opera en la oscuridad. Cada unidad que procesa tiene entradas conocidas y salidas esperadas, por lo que podemos validar lo que regresa. Ningún otro enfoque en el mercado cierra ese círculo. Lo que surge es un conjunto de especificaciones técnicas validadas y rastreables que se conectan a cualquier entorno de desarrollo moderno. La parte difícil de la modernización es comprender lo que existe hoy. Una vez que haya capturado eso en especificaciones precisas, los IDE con tecnología de inteligencia artificial pueden crear la nueva aplicación con confianza.
Una plataforma de extremo a extremo para la transformación empresarial
Nadie moderniza una aplicación. Nuestros clientes están mirando carteras de cientos o miles de aplicaciones interconectadas y necesitan mucho más que ayuda con el análisis. AWS Transform automatiza todo el ciclo de vida: análisis, planificación de pruebas, refactorización y reimaginación. Todo el asunto. Y dentro de eso, diferentes aplicaciones necesitan diferentes caminos. Algunos se reinventan desde cero. Algunos sólo necesitan una conversión limpia y determinista a Java. Algunos necesitan salir primero del centro de datos y modernizarse después. Algunos permanecerán en la computadora central. Aprendimos por las malas que tratarlos a todos por igual es la forma en que los proyectos explotan. La decisión de la cartera (qué aplicación, qué ruta, qué orden) importa tanto como la tecnología. Según nuestra experiencia, esta es la única forma en que realmente finaliza la modernización empresarial. Los enfoques únicos son la razón por la que estos proyectos fracasan. Una cosa más que se pasa por alto constantemente: los datos de prueba. No se puede demostrar que la aplicación modernizada funciona sin datos de producción reales y escenarios reales. Hemos visto equipos completar la conversión de código y luego detenerse porque nadie planeó la captura de datos. Por eso, incorporamos la planificación de pruebas y la captura de datos local en la plataforma desde el primer día. Al final no es un ejercicio de limpieza. Así es como se ve realmente cuando funciona. Automatización de un extremo a otro, el camino correcto para cada aplicación, validación integrada.
Cómo hacer esto bien
La pregunta no es “¿deberíamos utilizar IA para la modernización de COBOL?” Por supuesto que deberías. La pregunta es cómo configurar la IA para que funcione: trazabilidad para los reguladores, comportamiento específico de la plataforma manejado correctamente, coherencia en toda su cartera de aplicaciones y la capacidad de escalar a cientos de programas interconectados. Eso es lo que descubrimos al crear AWS Transform. El análisis determinista como base. La IA como acelerador. Un servicio de AWS que cubre toda la gama de patrones de modernización.
Y está funcionando.
BMW Group redujo el tiempo de prueba en un 75 % y aumentó la cobertura de las pruebas en un 60 %, lo que redujo significativamente el riesgo y aceleró los plazos de modernización.
Fiserv completó un proyecto de modernización de mainframe que habría llevado más de 29 meses en solo 17 meses.
Itaú redujo el tiempo de descubrimiento de aplicaciones de mainframe y el tiempo de prueba en más de un 90 %, lo que permitió a los equipos modernizar las aplicaciones un 75 % más rápido que con esfuerzos manuales anteriores.