Les opérations Mainframe vont au-delà de l’époque où les équipes attendaient une alerte, diagnostiquaient le problème, puis agissaient. De plus en plus, AIOps aide les organisations à détecter les anomalies, à corréler les événements, à anticiper les enjeux de capacité et à identifier les causes probables avant que les services d’affaires ne soient touchés.
Les mainframes continuent de soutenir les opérations critiques, d’où l’importance d’introduire une plus grande automatisation avec précaution. Le progrès dépend du fait de donner à AI suffisamment de contexte opérationnel pour agir de manière fiable tout en gardant des contrôles appropriés sur les décisions pouvant affecter la résilience, la sécurité ou la continuité des activités.
Des opérations réactives vers une plus grande autonomie
L’évolution peut être comprise en quatre étapes.
- Les opérations réactives interviennent après la survenue d’un incident
- Les opérations prédictives utilisent les données pour anticiper ce qui pourrait arriver
- Les opérations proactives interviennent afin de prévenir les perturbations
- Les opérations autonomes vont plus loin en exécutant des actions approuvées de façon indépendante
Les organisations avancent déjà sur cette voie. Un défi de longue date a été de rendre la télémétrie du mainframe — y compris System Management Facilities (SMF), Resource Measurement Facility (RMF) et les données de journaux — accessible aux plateformes d’observabilité généralistes. Les progrès en transmission de données transforment désormais ces informations en formats compatibles avec OpenTelemetry, élargissant la gamme de plateformes indépendantes pouvant les consommer.
Cela favorise l’automatisation de plus en plus avancée dans l’exécution des vérifications de santé de routine, la corrélation d’alertes, l’équilibrage des charges, la priorisation des incidents et les flux de remédiation prédéfinis. Nos travaux sur la modernisation du mainframe avec l’AI suivent cette même progression vers des opérations assistées par l’AI.
Le risque détermine l’étendue d’une telle automatisation. Redémarrer des services, équilibrer des charges de travail ou résoudre des problèmes connus peuvent être automatisés lorsque l’action est bien comprise et réversible. Toutefois, les modifications affectant les environnements de production, les politiques de sécurité, les données sensibles ou la conformité réglementaire devraient demeurer soumises à une approbation humaine.
L’automatisation de confiance se développe graduellement : l’AI prend en charge de plus en plus de tâches opérationnelles courantes tandis que les ingénieurs expérimentés demeurent responsables des décisions à fort impact.
Des recommandations à l’orchestration
L’AI évolue également d’une couche de conseil vers des capacités d’orchestration. Plutôt que de seulement identifier un problème probable, elle peut de plus en plus coordonner des actions à travers les applications, l’infrastructure et les outils opérationnels.
Des technologies comme Ansible étendent l’automatisation de la gestion de configuration vers l’environnement mainframe, tandis que Terraform soutient l’approvisionnement automatisé de l’infrastructure. Combinées à l’AI agentique, ces capacités élargissent la gamme d’activités pouvant être coordonnées avec moins d’interventions manuelles.
Une autonomie élargie nécessite une observabilité fiable, des données opérationnelles de qualité, une AI explicable, une gouvernance guidée par les politiques et des tests rigoureux dans des conditions réelles de production. Des seuils de confiance clairement établis sont tout aussi importants — les équipes doivent savoir quelles actions l’AI peut exécuter de manière autonome et lesquelles exigent une validation humaine.
La confiance s’installe par la performance constante, la transparence et des résultats opérationnels mesurables.
Rendre le savoir organisationnel accessible
Les opérations mainframe s’appuient également sur des décennies de savoir institutionnel spécialisé, souvent détenu par des professionnels expérimentés.
L’AI rend cette expertise plus accessible. Un assistant de génération augmentée par récupération (RAG) entraîné sur les IBM Redbooks pertinents et enrichi avec les connaissances propres à l’organisation offre aux ingénieurs un accès en langage naturel aux guides opérationnels. L’intégration de l’assistant aux enregistrements de gestion des services TI facilite également la récupération des incidents et résolutions antérieures.
Les ingénieurs nouvellement arrivés peuvent accéder plus rapidement au savoir pertinent, tandis que les experts s’appuient sur des recommandations contextuelles pour réduire le temps de recherche dans la documentation et les dossiers historiques.
L’expertise humaine reste cruciale. Les ingénieurs doivent encore valider les recommandations, traiter les cas exceptionnels et peaufiner les pratiques opérationnelles à mesure que les environnements évoluent. Utilisée ainsi, l’AI consolide la transmission du savoir organisationnel sans affaiblir le jugement professionnel.
Intégrer la gouvernance à l’autonomie
À mesure que l’AI commence à prendre des mesures correctives, la gouvernance devient une composante de l’architecture opérationnelle.
Les entreprises peuvent d’abord opter pour des activités à faible risque ou en lecture seule, comme l’émission de commandes d’affichage ou l’exécution de traitements batch en lecture seule. Ces actions autonomes doivent s’effectuer dans des seuils de confiance prédéfinis, produire des pistes d’audit détaillées et permettre le retour arrière lorsque requis. Les modifications dans les environnements de production devraient aussi rester attribuables à un utilisateur ou un rôle clairement identifié.
Les actions à fort impact doivent continuer d’exiger une approbation humaine, mais les activités courantes devraient être progressivement confiées à l’exécution autonome dès lors que des données opérationnelles appuient une confiance accrue.
Cela crée un modèle où l’AI prend une part croissante des tâches routinières alors que les équipes expérimentées conservent la gouvernance de la résilience, de la sécurité et de la continuité d’affaires.
L’autonomie du mainframe se développera grâce à cette combinaison d’intelligence et de contrôle. Les systèmes deviennent plus performants à mesure que les entreprises gagnent en confiance dans les données, les mécanismes de protection et la gouvernance qui encadrent leurs actions.





