Pendant des années, les programmes de modernisation ont souvent supposé que les applications et les données s’éloigneraient progressivement du mainframe au profit du cloud. Cette hypothèse laisse aujourd’hui la place à une approche plus sélective de l’emplacement des charges de travail.

Selon une recherche de l’IBM Institute for Business Value, près des trois quarts des cadres dirigeants s’éloignent du mode « cloud first » au profit d’un placement des charges de travail axé sur les résultats. Cette même recherche a révélé que 72 % des organisations ont constaté des coûts du cloud supérieurs aux attentes une fois les applications en production.

Ces constats appuient l’adoption d’une approche plus réfléchie de la modernisation, où l’emplacement des charges de travail est déterminé selon la performance, la résilience, la sécurité, la conformité, les coûts et l’agilité d’affaires.

Positionner les charges de travail selon les besoins d’affaires

Les charges transactionnelles critiques à haut volume demeurent souvent mieux adaptées au mainframe lorsque l’accessibilité, la latence, la sécurité, la conformité et l’intégrité transactionnelle sont prioritaires. Les plateformes cloud viennent renforcer ces avantages en procurant l’agilité nécessaire pour les services numériques, les applications évolutives et l’innovation.

La modernisation dépend de plus en plus de la capacité des entreprises à combiner efficacement ces forces.

La modernisation in situ rend les capacités du mainframe plus accessibles grâce à des technologies telles que z/OSMF, Zowe et z/OS Connect, tout en intégrant le stockage basé sur le cloud et en rapprochant GenAI et l’AI agentique du cœur de l’entreprise.

Les architectes devraient évaluer chaque capacité par rapport à ses exigences d’affaires et techniques, et ne déplacer les charges de travail que là où la migration procure des gains mesurables d’agilité, d’évolutivité ou de coût. Lorsque ces avantages sont limités, une intégration sécurisée peut offrir plus de valeur tout en préservant les forces de l’environnement existant.

Cette approche sélective permet de conserver des décennies de logique d’affaires éprouvée tout en la rendant accessible aux nouveaux services numériques et aux capacités AI.

Rapprocher l’AI des données d’entreprise

AI ajoute une nouvelle dimension au placement des charges de travail.

Le déplacement de gros volumes de données transactionnelles sensibles augmente la latence, les coûts et la complexité de la gouvernance. Traiter l’AI plus près du mainframe permet des analyses en temps réel tout en maintenant les données centrales sous les contrôles établis de sécurité et de conformité.

Des technologies telles que IBM Telum II et le Spyre Accelerator appuient cette approche.

Les bénéfices sont particulièrement pertinents dans des domaines comme la détection de fraude, le traitement des paiements, le service à la clientèle, la gestion du risque et l’optimisation opérationnelle, où les décisions dépendent fortement du contexte et du moment.

Les travaux d’IBM avec z17 témoignent de la convergence croissante entre le traitement transactionnel et l’AI.

À mesure que l’intelligence s’intègre au flux transactionnel, les architectes disposent de plus de flexibilité quant à l’emplacement du traitement et à la quantité de données devant migrer d’un environnement à l’autre.

Connecter le noyau de l’entreprise

Les API, l’intégration axée sur les événements et une gouvernance commune forment la base d’un écosystème hybride élargi :

• Les API exposent des services mainframe de confiance sans nécessiter de changements à la logique d’affaires sous-jacente
• Les architectures événementielles permettent aux mainframes, au cloud, à l’AI et aux systèmes d’entreprise d’échanger des informations en temps réel
• Une gouvernance commune assure une approche uniforme en matière de sécurité, conformité, observabilité et qualité des données à travers les environnements

L’observabilité devient elle aussi plus cohérente entre les plateformes. La télémétrie du mainframe peut être convertie en formats compatibles avec OpenTelemetry et intégrée à des plateformes telles que Splunk, Datadog et Dynatrace.

Cela offre aux équipes opérationnelles une vision plus unifiée de l’ensemble des environnements mainframe et distribués, contribuant à combler l’écart historique de visibilité dans les architectures hybrides.

Grâce à ces capacités, le mainframe devient une partie plus active de l’écosystème technologique d’entreprise, avec données, services et signaux opérationnels accessibles dans tous les systèmes connectés. 

Passer de la connectivité à l’orchestration

Au cours des trois à cinq prochaines années, les architectures hybrides intelligentes évolueront d’une logique de connexion des systèmes à une coordination décisionnelle entre eux.

L’AI analysera de façon continue les données opérationnelles, recommandera des actions et automatisera des processus courants dans des cadres de gouvernance définis. Au fur et à mesure que les données, les applications et l’AI s’intègreront davantage, les décisions circuleront plus efficacement à travers l’entreprise et plus près du point d’action.

Les entreprises devraient progresser vers cet objectif de manière incrémentielle, en commençant par des capacités d’affaires à haute valeur ajoutée. À partir de là, les équipes pourront exposer des services via API, renforcer l’observabilité et élargir l’automatisation à mesure que la confiance opérationnelle grandit. Cette approche par étapes réduit les risques tout en générant une valeur mesurable sans perturber les systèmes critiques sur lesquels l’entreprise s’appuie.

L’efficacité d’une architecture hybride dépendra de plus en plus de la façon dont ses environnements collaborent. La résilience du mainframe, l’agilité du cloud et l’intelligence pilotée par l’AI offrent chacune des forces distinctes : l’architecture doit les aligner selon les exigences d’affaires.

Un noyau d’entreprise intelligent rassemble ces éléments par une gestion réfléchie de l’emplacement des charges de travail, des services fiables opérant sur plusieurs environnements ainsi qu’une AI positionnée près des données et processus là où elle génère le plus de valeur.