IA Generativa e a modernização dos mainframes e sistemas legados

Por Gerhardt Scriven, Anil Kumar Mallanna e Sanjay Rao

Em uma era em que os mainframes continuam a ser a espinha dorsal de muitas empresas globais, os desafios para manter, otimizar e modernizar sistemas legados desatualizados tornaram-se prioridade. Esses sistemas, muitas vezes sobrecarregados com fragilidades técnicas por anos de correções, não são apenas caros de manter, mas também dificultam a agilidade dos negócios. 

O cenário é ainda mais complicado pela aposentadoria iminente de uma parcela significativa da mão de obra qualificada que tem o conhecimento para manter esses sistemas, bem como a documentação técnica, muitas vezes inadequada, que torna a transferência de conhecimento cara e ineficiente.

Dessa forma, a demanda por modernização de mainframes está crescendo, impulsionada pela necessidade de aplicações simplificadas que aumentem a agilidade e mitiguem os riscos de continuidade. No entanto, esses projetos são notoriamente complexos, com uma taxa de falha de 74% entre as organizações que se propõem a realizá-los. Felizmente, avanços recentes em tecnologia, parcerias com Cloud Service Providers, uso de ambientes de nuvem híbrida, bem como estratégias incrementais de modernização, oferecem caminhos mais viáveis e menos arriscados para a modernização.

Apesar disso, a modernização do COBOL continua a representar desafios significativos. Décadas de lógica de negócios codificada nesta linguagem dificultam a extração, documentação e tradução para linguagens mais modernas. A conversão automatizada de código geralmente produz Java corretamente, mas ainda existe uma dificuldade de manter e escalar, prejudicando o uso de práticas de programação modernas. Além disso, as ferramentas tradicionais one-size-fits-all não contemplam totalmente as nuances de diferentes sistemas legados, exigindo um grande esforço manual na depuração, teste e reestruturação. 

Vale destacar: há um reconhecimento crescente do potencial da IA para enfrentar esses desafios, oferecendo soluções promissoras para conversão automatizada de código, retro documentação e processos de teste na modernização de mainframe.

A Inteligência Artificial e a IA Generativa podem enfrentar os desafios?

A IA generativa (GenAI) representa um salto além da tecnologia tradicional de mainframe e das aplicações de IA. Não é apenas transformar a resolução de problemas de negócios com novos conteúdos human-like, mas de fato acelerar a modernização do mainframe. A profunda compreensão da GenAI da semântica de código legado, bem como a interpretação heurística dos padrões de engenharia corporativa, permite uma captura mais eficaz da lógica e da intenção de negócios, permitindo a transformação precisa do código e o encapsulamento do conhecimento.

Várias empresas de consultoria, serviços de TI e provedores de serviços em nuvem estão explorando aplicações de IA para refatoração de código, gerando recursos visuais para desmistificar sistemas complexos e melhorando a migração de dados. Essas inovações visam fazer a ponte entre sistemas legados e tecnologias modernas, embora muitas ainda estejam em desenvolvimento.

No centro dessa visão está a sinergia da gestão do conhecimento (um dos mais importantes riscos críticos de negócios e de continuidade para empresas dos mais diversos setores), a otimização de código COBOL existente e a transformação de aplicações legadas em sistemas modernos e sustentáveis. 

Isso não quer dizer que estamos defendendo a saída do mainframe usando o GenAI: em vez disso, ao aproveitar a GenAI para um processo de modernização mais sistemático e controlado, simplificamos sistemas em termos de flexibilidade, desempenho e capacidade de manutenção. 

Aceleradores são capazes de criar réplicas virtuais de aplicações legadas, analisando milhões de linhas de código legado. Alimentar extrações GenAI dessas réplicas virtuais permite acelerar os resultados de modernização em gerenciamento de conhecimento e otimização de código, modernização de aplicações e testes e manutenção de aplicativos e suporte. 

Não se trata de promover um LLM (Large Language Model) em detrimento de outro. Os modelos de IA generativa estão se tornando mais sofisticados em um ritmo sem precedentes, e muitos dos modelos proprietários, bem como de código aberto, têm um desempenho excepcionalmente bom para os propósitos de modernização de mainframe. Veja a seguir alguns exemplos. 

1. Gestão do Conhecimento e Otimização de Código

• Para conteúdo estático, recomenda-se desenvolver portais de conhecimento específicos do domínio que são adaptados para tipos diferentes de usuários e cenários de uso. Isso elimina uma tonelada de relatórios técnicos pesados que normalmente são criados por ferramentas de mercado atuais, e que muitas vezes sequer são utilizados.
• Além disso, recursos de chatbot “Ask AI Anything” permite que os usuários extraiam respostas perspicazes e significativas da GenAI para consultas técnicas complexas, incluindo lógica de negócios e extração de regras de negócios, copiloto para COBOL ou recomendações de refatoração de sistema inteligente para simplificar e otimizar o código legado existente.
• Recursos de análise de código também podem ser usados para realizar análises semânticas profundas para descobrir vulnerabilidades de segurança, padrões ou gargalos de desempenho no código-fonte. Ao contrário das ferramentas tradicionais, a GenAI pode entender o contexto do código, tornando-o melhor em detectar vulnerabilidades complexas e sugerir soluções com mais nuances.

2. Modernização de aplicativos e testes

• Recursos de gerenciamento de conhecimento são ideais para fazer engenharia reversa de código-fonte legado para histórias de usuários e critérios de aceitação e, em seguida, criar casos de teste funcionais com base nesses critérios. Isso, juntamente com o conhecimento detalhado sobre como os dados existem no sistema legado, permite criar dados sintéticos.
• Devem-se empregar técnicas clássicas de Machine Learning (ML) para projetar serviços sustentáveis e isolados para melhorar o desempenho do sistema alvo e reduzir custos, além de garantir que o sistema modernizado seja robusto e sustentável.
• Além disso, aproveitando a GenAI, garante-se que o código final esteja totalmente em conformidade com os padrões de qualidade e segurança da engenharia corporativa, automatizando a criação da documentação do sistema de destino, bem como os Testes Unitários.

3. Manutenção de Aplicações e Suporte

• Não se pode esquecer do Gerenciamento de Incidentes: a GenAI também pode ser usada para Análise de Causa Raiz, identificando problemas subjacentes no código-fonte e, em seguida, sugerindo soluções com base na resolução de incidentes passados ou gerando novas soluções por meio da compreensão contextual da base de código do aplicativo da IA. Como uma extensão, pode-se atualizar automaticamente a base de conhecimento documentando tais incidentes e a Análise e Resolução de Causa Raiz correspondentes.
• Varreduras de código também podem se transformar em modo preditivo com base nas tendências e anomalias encontradas no código que está sendo digitalizado e comparando-o com a Análise de Causa Raiz de incidentes passados. Essas oportunidades de gerenciamento de incidentes podem ser documentadas automaticamente na ferramenta escolhida, registrando, rastreando e auditando automaticamente sem qualquer intervenção manual, enquanto as aprovações do fluxo de trabalho são direcionadas à autoridade responsável.
• Também pode-se aproveitar a GenAI para melhorar a produtividade do desenvolvedor em tarefas de desenvolvimento e manutenção de aplicativos, identificando oportunidades para melhorar os problemas existentes no código-fonte ou até mesmo as melhores práticas de codificação, facilitando a manutenção. Por exemplo, um grande escopo de análise de padrões específicos na base de código do aplicativo e aplicação de correção para padrões semelhantes é um bom exemplo de POC para um caso de uso do cliente.

Em um nível mais amplo, a implementação da GenAI permite gerenciar dependências complexas em sistemas legados, garantindo que as atualizações ou migrações não interrompam a funcionalidade e, ao mesmo tempo, reduzindo os problemas de integração no processo. Além disso, atualizações dinâmicas de conhecimento garantem que a documentação do sistema permaneça atualizada com o código de produção.

À medida que abraçamos uma nova era de otimização e modernização de mainframe aprimorada pela GenAI, é hora de ir além dos modos de trabalho obsoletos para prosperar em um cenário digital moderno. É preciso transformar os sistemas legados e impulsionar a sua empresa para a vanguarda da agilidade e inovação. 

Sobre os autores

Anil Kumar Mallanna – Managing Partner, Legacy Application Modernization and Platform Services (LAMPS) Wipro FullStride Cloud Services

Anil traz 25+ anos de experiência em TI com amplo conhecimento de negócios de aplicativos em toda a empresa e experiência em projetar e implementar aplicativos de missão crítica. Ele é responsável pela carta de modernização do legado das Américas da Wipro e liderou organizações bem-sucedidas de vendas, pré-vendas, consultoria e entrega de TI que atendem líderes globais em grandes indústrias de serviços financeiros.

Sanjay Rao – Diretor de Legacy Application Modernization and Platform Services (LAMPS) Wipro FullStride Cloud Services

Sanjay é consultor de modernização legado e arquiteto de nuvem com 25 anos de experiência em simplificação, aumento, migração e modernização de aplicações de mainframe. Ele lidera pré-vendas, consultoria e entrega para as Américas 1 da Wipro, que inclui os setores de saúde, ciências da vida, comunicação, varejo e Brasil.

Gerhardt Scriven – Diretor Executivo, CAPCO

Gerhardt Scriven tem mais de 20 anos de experiência em TI, com foco na eliminação de riscos e na solução de problemas complexos na entrega de projetos de missão crítica, particularmente por meio da descoberta e mitigação antecipada de riscos. Ele é especialista em Otimização e Modernização de Aplicações Legadas.