Gartner avverte: l'AI per le migrazioni mainframe è una bolla

L'entusiasmo per l'applicazione dell'intelligenza artificiale ai complessi processi di migrazione dei mainframe potrebbe essere destinato a sgonfiarsi. Secondo l'analista Gartner, l'uso dell'AI per facilitare il passaggio di codice legacy da queste piattaforme a sistemi alternativi è una vera e propria bolla, destinata a scoppiare con conseguenze significative per le aziende e i fornitori.

La previsione di Gartner è netta: un impressionante 70% dei progetti che si affidano all'AI per le migrazioni mainframe è destinato al fallimento. Non solo, ma il 75% dei fornitori che operano in questo specifico segmento di mercato potrebbe cessare le attività. Questo scenario dipinge un framework di profonda delusione per la maggior parte degli utenti mainframe che ripongono le proprie speranze nell'AI come soluzione rapida per modernizzare le proprie infrastrutture.

Le complessità della migrazione legacy e il ruolo dell'AI

Le migrazioni da mainframe rappresentano da sempre una delle sfide più ardue nel panorama IT aziendale. Si tratta di sistemi robusti, spesso sviluppati con linguaggi proprietari e architetture monolitiche, che gestiscono carichi di lavoro critici e dati sensibili. Il codice legacy, accumulato in decenni, è intriso di logiche di business complesse e interdipendenze difficili da districare.

L'attrattiva dell'AI, in particolare dei Large Language Models (LLM), risiede nella promessa di automatizzare l'analisi, la traduzione o la riscrittura di questo codice. Tuttavia, la capacità di un LLM di comprendere appieno il contesto semantico e le implicazioni funzionali di un'applicazione mainframe, spesso priva di documentazione aggiornata, è ancora limitata. La semplice traduzione sintattica non garantisce la fedeltà funzionale né la performance desiderata su nuove piattaforme, siano esse on-premise o cloud. La gestione della sovranità dei dati e della compliance, cruciale per le aziende che operano con mainframe, aggiunge un ulteriore strato di complessità che l'AI da sola non può risolvere magicamente.

Implicazioni per il TCO e le strategie di Deployment

I fallimenti previsti da Gartner avranno un impatto diretto e significativo sul Total Cost of Ownership (TCO) per le aziende. Progetti di migrazione che non raggiungono gli obiettivi si traducono in costi aggiuntivi per la correzione, la riprogettazione o, nel peggiore dei casi, il ritorno alla soluzione originale. Questo vanifica gli investimenti iniziali in strumenti AI e servizi di consulenza, aumentando l'esposizione al rischio finanziario.

Per le organizzazioni che valutano strategie di deployment on-premise o ibride, l'integrazione di soluzioni AI per la migrazione mainframe presenta ulteriori sfide. Spesso, gli strumenti AI richiedono infrastrutture hardware specifiche, come GPU ad alte prestazioni, che potrebbero non essere immediatamente disponibili o facilmente integrabili negli ambienti mainframe esistenti. Questo richiede investimenti significativi in nuove infrastrutture, con un impatto sul CapEx e sull'OpEx, e la necessità di gestire nuove pipeline di sviluppo e testing. La scelta tra un deployment self-hosted per mantenere il controllo sui dati e l'affidamento a servizi cloud per la potenza di calcolo diventa un trade-off critico, specialmente quando la promessa dell'AI non si concretizza.

Prospettive future e cautela necessaria

Le previsioni di Gartner sottolineano la necessità di un approccio estremamente cauto all'adozione dell'AI per la migrazione dei mainframe. Le aziende dovrebbero condurre una due diligence approfondita sui fornitori, valutando non solo le capacità tecniche delle loro soluzioni AI, ma anche la loro esperienza comprovata in progetti di migrazione complessi. È fondamentale comprendere i limiti attuali della tecnicia e non cadere nella trappola di aspettative irrealistiche.

Invece di considerare l'AI come una bacchetta magica, le organizzazioni dovrebbero vederla come uno strumento di supporto, parte di una strategia di modernizzazione più ampia e ben pianificata. Per chi valuta deployment on-premise per carichi di lavoro AI/LLM, AI-RADAR offre framework analitici su /llm-onpremise per valutare i trade-off tra controllo, sicurezza e costi. La cautela, la pianificazione strategica e una chiara comprensione delle capacità e dei limiti dell'AI saranno determinanti per evitare di finire tra il 70% dei progetti destinati al fallimento.