Da Cobol a Java con l'ausilio della GenAI

Modernizzare applicazioni legacy con l’AI Generativa: la nostra sperimentazione

La trasformazione delle applicazioni legacy, specialmente quelle basate su tecnologie mainframe come il Cobol o il PL/I, rappresenta una delle sfide più complesse nel panorama IT attuale. Questi ambienti, ancora vitali per molte infrastrutture strategiche, richiedono interventi di modernizzazione delicati, spesso lunghi e costosi.

Per affrontare questo scenario critico, il nostro team di Ricerca e Sviluppo ha sviluppato una Proof of Concept innovativa, sperimentando l’integrazione della Generative AI in un processo di migrazione dal Cobol al Java.

L’approccio: test-driven development e AI generativa

Uno dei pilastri della sperimentazione è stato l’utilizzo di metodologie test-driven, che anticipano la fase di validazione del codice per identificare eventuali problematiche già nelle prime fasi dello sviluppo. Questo approccio si è rivelato particolarmente adatto all’integrazione con strumenti basati su intelligenza artificiale generativa per diverse ragioni:

• Definizione chiara delle specifiche: la creazione dei test prima dello sviluppo aiuta a stabilire con precisione il comportamento atteso del software, elemento fondamentale per guidare efficacemente l’AI.

• Riduzione del rischio di regressioni: i test ben strutturati garantiscono la conservazione delle funzionalità esistenti anche in presenza di modifiche automatiche al codice.

• Validazione del codice generato: grazie alla suite di test, è possibile valutare l’accuratezza del lavoro dell’AI, ricevendo feedback immediato sugli eventuali errori e le aree da correggere.

Questa impostazione ha permesso di creare un ambiente controllato in cui la generazione automatica di codice può avvenire in sicurezza, senza compromettere la stabilità complessiva del progetto.

Il progetto: una Proof of Concept applicata al Cobol

Per la PoC è stato selezionato un contesto particolarmente sfidante: la riscrittura in Java (Spring Boot) di programmi legacy scritti in Cobol. La scelta è ricaduta su questo linguaggio per tre motivi principali:

1. La complessità intrinseca del Cobol;

2. La sua ampia diffusione in ambiti mission-critical;

3. L’urgenza di modernizzazione per ridurre i rischi legati a tecnologie obsolete.

La sperimentazione si è articolata in tre fasi:

1. Analisi del codice legacy;

2. Definizione degli unit test e delle entità di dominio;

3. Creazione delle API ed esecuzione degli integration test.

I risultati ottenuti

Dall’analisi dei workflow sperimentati, sono emersi risultati estremamente incoraggianti:

• L’AI è in grado di generare codice coerente con le best practice e di qualità mediamente superiore rispetto a quello sviluppato manualmente.

• Si va oltre l’automazione di task ripetitivi: l’AI può supportare attività avanzate come refactoring, bug fixing, generazione di test e redazione di documentazione tecnica.

• Gli strumenti di AI integrati negli IDE (come i code copilot) offrono un supporto continuo agli sviluppatori, migliorando efficienza e produttività.

• Viene ridotto l’impatto di fattori umani come stress o stanchezza.

Limiti e considerazioni strategiche

Tuttavia, l’applicazione della Generative AI presenta anche dei limiti. Se l’AI eccelle in contesti ben strutturati e ripetitivi, mostra ancora difficoltà nei casi che richiedono interpretazione strategica o comprensione di contesti innovativi, dove la creatività e il giudizio umano rimangono insostituibili.

Inoltre, l’AI tende a riprodurre soluzioni già viste nei dataset su cui è addestrata, risultando meno efficace in scenari dove si cerca di rompere gli schemi consolidati.

Conclusioni

L’integrazione della Generative AI nel processo di modernizzazione software rappresenta una concreta opportunità per le aziende che desiderano innovare riducendo tempi, costi e rischi. Il modello sperimentato da Omnia dimostra come sia possibile automatizzare in modo efficace le fasi più operative dello sviluppo, liberando risorse per concentrarsi sulle decisioni più critiche e strategiche.

Un approccio integrato tra intelligenza artificiale e competenza umana può davvero fare la differenza nel costruire un futuro digitale più sostenibile, sicuro e performante.