Pendant des décennies, le mainframe a été défini par les transactions et les données que les entreprises lui confient à traiter. AI étend ce rôle.

Des recherches de l’IBM Institute for Business Value ont révélé que 75 % des cadres s’attendent à ce que les applications basées sur le mainframe demeurent au cœur de la transformation numérique, tandis que 60 % estiment que les plateformes mainframe sont essentielles pour permettre l’innovation en AI.

Le mainframe prend de plus en plus en charge l’intelligence intégrée au flux opérationnel, combinant données d’entreprise, logique métier intégrée et AI tout en préservant la résilience, la sécurité et l’évolutivité sur lesquelles les organisations comptent déjà.

Intégrer l’intelligence dans la transaction

Parmi les meilleures occasions pour l’AI, plusieurs se situent à proximité des données et de la logique métier déjà opérationnelles sur le mainframe.

Des décennies d’historique transactionnel fournissent un contexte pour la détection des fraudes, l’évaluation des risques, l’optimisation opérationnelle, l’expérience personnalisée et les recommandations d’action suivante. Rapprocher l’intelligence de ces données réduit la latence et limite le déplacement inutile d’informations sensibles entre plateformes.

Des technologies de traitement spécialisées comme les accélérateurs IBM Telum II et Spyre prennent en charge les charges de travail AI plus près des transactions principales sans dépendre des capacités de traitement classiques de la même façon.

L’AI s’intègre également plus profondément dans les logiciels système des mainframes. La gestion des performances et de la capacité, la corrélation des événements et la gestion de la charge de travail reposent de plus en plus sur l’analyse pilotée par l’AI.

AIOps pousse cette visibilité plus loin. Les dirigeants peuvent utiliser l’intelligence opérationnelle pour comprendre des domaines comme la performance du système, la capacité, le coût total et l’imputation interne. L’intelligence peut alors commencer à façonner à la fois les transactions d’affaires et l’exploitation même de la plateforme.

Moderniser en fonction des capacités d’affaires

L’AI modifie aussi la façon dont les entreprises peuvent aborder la modernisation.

GenAI accélère l’analyse des applications existantes, aidant à découvrir les règles d’affaires et à documenter les dépendances qui nécessitaient auparavant un effort manuel considérable pour être comprises. Les équipes peuvent ainsi mieux saisir ce que fait une application avant de décider de son évolution.

Notre travail sur la modernisation mainframe pilotée par l’AI s’inscrit dans cette approche axée sur les affaires.

Les dirigeants devraient orienter les décisions de modernisation sur les capacités générant le plus de valeur. D’autres peuvent contenir une logique d’affaires qui demeure très précieuse et devrait être préservée, alors que l’architecture environnante évolue.

Cette approche sélective accélère l’innovation tout en réduisant les perturbations inutiles des processus essentiels à la mission.

Intégrer l’intelligence sans affaiblir la résilience

L’AI intégrée aux processus principaux exige la même discipline opérationnelle que celle appliquée aux autres systèmes critiques.

Les organisations devraient commencer par des cas d’utilisation clairement définis dans lesquels l’AI appuie la prise de décision, puis élargir l’automatisation au fur et à mesure que les preuves et la confiance augmentent. L’observabilité, les contrôles de sécurité, l’auditabilité, les mécanismes de retour en arrière et les garde-fous fondés sur des politiques devraient être intégrés à la mise en œuvre.

Les premières automatisations devraient privilégier les activités en lecture seule, comme l’affichage de commandes et les opérations par lots en lecture seule. Tout changement aux systèmes de production doit rester attribuable à un utilisateur ou un rôle identifié, tandis que les actions à fort impact doivent continuer d’exiger une autorisation humaine.

Garder l’AI près des données d’entreprise de confiance peut aussi aider lorsque la latence, la confidentialité ou les exigences de conformité rendent indésirable le déplacement des données.

Ces contrôles permettent d’augmenter la rapidité des décisions et l’automatisation tout en préservant la fiabilité et la sécurité associées au mainframe.

Mesurer un noyau intelligent

Les mesures technologiques ne brossent qu’un tableau partiel.

Les dirigeants devraient également évaluer la rapidité de la prise de décision, l’expérience client, le risque opérationnel, la résilience et le temps nécessaire pour lancer de nouveaux produits ou services. Ces mesures montrent si l’intelligence intégrée au cœur de l’organisation transforme la performance commerciale.

Des exemples pratiques incluent l’utilisation d’Agentic AI avec des playbooks Ansible pour résoudre des problématiques récurrentes, ou l’application d’AIOps pour identifier des configurations sous-optimales avant qu’elles n’impactent la performance.

Un noyau d’entreprise intelligent relie les données de confiance, la logique d’affaires et l’AI directement aux décisions opérationnelles. Sa valeur devient visible lorsque l’organisation peut agir plus rapidement, répondre au changement avec une plus grande confiance, et générer de meilleurs résultats à partir des systèmes déjà au centre de ses activités.

La modernisation devient alors un processus continu d’augmentation de l’intelligence et de la valeur d’affaires du noyau.