Résumé exécutif
Les organisations possédant d’importants patrimoines COBOL font face à une pression croissante de modernisation en raison de l’augmentation des coûts des plateformes, d’un bassin de talents mainframe en diminution et de la complexité des applications interdépendantes. Ce blogue présente une approche pragmatique en deux étapes pour moderniser les systèmes COBOL vers un Java idiomatique à l’aide de l’outil interne d’analyse et de découverte basé sur l’IA de HCLTech, appelé iLIT-AI, enrichi par le contexte applicatif déterministe issu du graphe de connaissance de CAST intégré via le Model Context Protocol (MCP). Un projet pilote a évalué un sous-ensemble représentatif d’un environnement de production. Les résultats indiquent des gains matériels d’efficacité dans l’extraction de l’analyse/spécifications et la traduction automatisée du code, avec des améliorations additionnelles de la précision lorsque le contexte CAST est incorporé.
Le défi : Pris dans une infrastructure héritée
Pendant des décennies, une logique d’affaires essentielle a été intégrée dans des programmes COBOL fonctionnant sur des systèmes mainframe. Mais ces systèmes présentent d’importants inconvénients : une main-d’œuvre en diminution et des coûts élevés de licence et d’infrastructure. Les organisations reconnaissent la nécessité de la modernisation, mais la complexité écrasante des bases de code héritées — des millions de lignes couvrant des programmes, copybooks et travaux batch — rend les efforts de modernisation traditionnels lents, coûteux et sujets à l’échec. Les programmes de modernisation traditionnels s’étendent souvent sur plusieurs années et luttent contre l’ampleur et la complexité des portefeuilles hérités. Les récents progrès en IA et LLM offrent une accélération, mais la précision peut se dégrader à mesure que la complexité du système augmente. Une approche équilibrée s’impose — combinant l’IA avec un contexte déterministe à l’échelle du système et la supervision des experts.
IA agentique propose désormais une avenue prometteuse, mais apporte sa propre contrainte : à mesure que la complexité s’accroît, la précision et la fiabilité se détériorent.
HCLTech a proposé d’évaluer l’impact d’un contexte IA amélioré en intégrant le graphe de connaissance déterministe de CAST dans la plateforme iLIT-AI de HCLTech pour la découverte et l’analyse afin de générer des spécifications fonctionnelles, y compris les flux d’appels et les règles d’affaires. Cette approche combinée a été validée par une expérimentation pilote réalisée en mars 2026.
L’approche de modernisation en deux étapes
Le projet pilote a porté sur un sous-ensemble représentatif d’un environnement mainframe de production : un ensemble de programmes COBOL ainsi que leurs copybooks, travaux JCL batch, schémas DB2 et procédures stockées connexes. L’objectif était de quantifier les gains de rapidité, de précision/efficacité et d’exhaustivité que cette approche combinée pouvait offrir. Une grande application mainframe de neuf millions de lignes de code a été sélectionnée pour cet exercice.
Étape 1 — Analyse et extraction des spécifications
Avant toute traduction du code, le système patrimonial doit d’abord être compris en profondeur. L’objectif n’est pas une traduction ligne par ligne produisant un « Jobol » — une logique COBOL transposée maladroitement en Java — mais bien une reconstruction authentique de la logique d’affaires dans un Java moderne et idiomatique.
Acquérir cette compréhension approfondie des systèmes patrimoniaux complexes est précisément là où la plupart des programmes de modernisation achoppent. En pratique, une découverte purement manuelle n’est pas viable à grande échelle. Des outils automatisés sont essentiels, bien que chaque solution apporte son propre profil de précision, d’exhaustivité et d’efficacité. Un certain raffinement manuel pour le « dernier mille » restera toujours nécessaire.
Dans ce projet pilote, trois parcours ont été évalués :
- Plateforme HCLTech iLIT-AI effectuant sa propre analyse contextuelle
- La même plateforme augmentée par le graphe de connaissances CAST, intégré via MCP
- La troisième voie consistait à créer une base de référence avec un effort manuel
Cas d’utilisation envisagés pour l’étape 1
- Documentation alimentée par l’IA
- Découverte approfondie pour exécuter divers cas d’utilisation comme l’ajout de fonctionnalités avec analyse d’impact, l’investigation du graphe d’appels de données, etc.
- Détection et correction de la dette technique
- Analyse alimentée par l’IA des objets et des dépendances
Débloquer des gains supplémentaires à grande échelle
Au-delà de la portée du projet pilote, des améliorations additionnelles seraient possibles lors du traitement de bases de code plus volumineuses. En fait, l’analyse structurelle CAST peut identifier le code mort et les logiques dupliquées ou copiées-collées avant le début de la conversion — permettant ainsi aux équipes d’éliminer d’emblée le volume superflu. Dans les grands patrimoines COBOL, le code mort à lui seul peut représenter jusqu’à 25 % de la base de code totale. Retirer cela avant la modernisation réduit considérablement l’effort, les coûts et la complexité à venir.
Étape 2 — Génération automatique de code en Java
Avec des spécifications de meilleure qualité en main, la plateforme HCLTech a converti les exigences en code Java fonctionnel. Les résultats générés ont été vérifiés : linting, compilation et tests fonctionnels selon des scénarios dérivés directement des spécifications.
La tendance était claire : une documentation d’entrée plus robuste produisait un code de sortie supérieur, et l’avantage cumulatif sur les deux phases a été démontré.
Des tests plus intelligents à grande échelle :
Pour les grandes bases de code dépassant la portée du pilote, le graphe de connaissances CAST offre un avantage supplémentaire lors de la vérification. En cartographiant les dépendances et en comprenant l’impact de chaque modification, les équipes peuvent cibler précisément les tests sur les points finaux affectés à chaque itération — plutôt que d’exécuter des suites de régression complètes ou de geler l’ensemble du code COBOL pendant la transformation. Le résultat accélérerait considérablement les cycles de validation à mesure que la transformation progresse. De plus, à la fin de la transformation ou de chaque itération, l’intégrité structurelle du Java généré peut être vérifiée selon la norme ISO 5055 afin de rassurer le client sur l’intégrité du code généré par IA.
Résultats
Ce projet pilote a confirmé une constatation clé : un graphe de connaissances déterministe pour l’application complète améliore considérablement le contexte pour la transformation pilotée par l’IA :
Pour l’étape 1
- Des gains d'efficacité de plus de 61 % apportés par la plateforme HCLTech iLIT-AI par rapport aux approches de transformation traditionnelles (manuelles sans IA) et
- En moyenne, une efficacité supplémentaire de 23 % a été observée lorsque le graphe de connaissances CAST est couplé à la plateforme HCLTech via MCP.
- En moyenne, la précision a augmenté de 15 % lorsque le graphe de connaissances CAST est couplé à la plateforme HCLTech via MCP.
Pour l’étape 2
- Des gains d'efficacité de plus de 51 % apportés par les spécifications générées par HCLTech iLIT-AI, comparativement à la création de code manuelle sans IA ni automatisation.
- En moyenne, une efficacité supplémentaire de 20 % a été observée lorsque le graphe de connaissances CAST est jumelé à l’outil d’analyse et de découverte HCLTech par le biais de MCP.
- En moyenne, la précision a augmenté de 15 % lorsque le graphe de connaissances CAST est jumelé à la plateforme HCLTech par le biais de MCP.
Remarque : L’efficacité est obtenue grâce aux facteurs pondérés de la qualité et de l’exhaustivité des résultats, combinés à la réduction de l’effort.
Regard vers l’avenir : Transformation accélérée par un facteur en pourcentage à deux chiffres
Pour les transformations à grande échelle, on peut raisonnablement s’attendre à un gain d’efficacité en pourcentage à deux chiffres en combinant le contexte déterministe avec une approche d’IA agentique; ensemble, nous avons atteint une augmentation de la précision globale de plus de 90 % et une efficacité de modernisation se situant entre 71 % et 84 %.
Générer des cahiers des charges suffisamment précis pour alimenter la modernisation automatisée des applications demeure un défi aujourd’hui. Mais tirer parti de l’IA et du contexte déterministe permet une transformation à un seuil de coût/qualité auparavant inatteignable. La dernière étape nécessitera toujours la présence d’un praticien dans la boucle, au moins pour valider.
Pour les entreprises qui gèrent des portefeuilles mainframe couvrant des millions de lignes de COBOL, ce niveau d’accélération change fondamentalement la donne — en réduisant non seulement les coûts mais aussi les risques et en permettant d’envisager un calendrier de sortie réaliste.
