Les opérations de Mainframe dépassent désormais l’époque où les équipes attendaient une alerte, diagnostiquaient le problème puis agissaient. AIOps aide de plus en plus les organisations à détecter les anomalies, à corréler les événements, à anticiper les problèmes de capacité et à identifier les causes probables avant que les services d’affaires ne soient affectés.
Les mainframes continuent de soutenir des opérations critiques, donc une automatisation accrue doit être introduite avec prudence. Les avancées dépendent de la capacité à fournir à AI suffisamment de contexte opérationnel pour agir de façon fiable, tout en conservant les contrôles appropriés sur les décisions pouvant affecter la résilience, la sécurité ou la continuité des opérations.
D’opérations réactives à une plus grande autonomie
Cette progression peut être comprise en quatre étapes.
- Les opérations réactives interviennent après qu’un incident s’est produit
- Les opérations prédictives utilisent les données pour anticiper ce qui pourrait arriver
- Les opérations proactives interviennent pour prévenir les perturbations
- Les opérations autonomes vont plus loin en exécutant indépendamment des actions approuvées
Les organisations avancent déjà sur cette trajectoire. Un défi de longue date a été de rendre la télémétrie des mainframes, y compris les System Management Facilities (SMF), Resource Measurement Facility (RMF) et les journaux, accessible aux plateformes d’observabilité courantes. Les progrès dans le streaming de données permettent maintenant de transformer ces informations en formats compatibles OpenTelemetry, élargissant la gamme de plateformes indépendantes du fournisseur pouvant les analyser.
Cela favorise une automatisation de plus en plus mature des vérifications de santé de routine, de la corrélation des alertes, de l’équilibrage des charges de travail, de la priorisation des incidents et des flux de travail de remédiation prédéfinis. Notre travail sur la modernisation du mainframe propulsée par l’AI reflète cette même progression vers des opérations assistées par l’AI.
Le risque détermine jusqu’où l’automatisation doit s’étendre. Le redémarrage de services, l’équilibrage des charges de travail ou la résolution de problèmes connus conviennent à l’automatisation lorsque l’action est bien comprise et réversible. Mais les changements touchant les environnements de production, les politiques de sécurité, les données sensibles ou la conformité réglementaire devraient rester soumis à l’approbation humaine.
L’automatisation de confiance se développe progressivement, l’AI assumant davantage de tâches opérationnelles courantes tandis que les ingénieurs expérimentés demeurent responsables des décisions à fort impact.
Des recommandations à l’orchestration
L’AI évolue aussi d’un simple rôle de conseil vers une capacité d’orchestration. Au lieu de simplement 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 des configurations à l’environnement mainframe, alors que Terraform prend en charge le provisionnement automatisé de l’infrastructure. Combinées à l’Agentic AI, ces capacités élargissent l’éventail d’activités pouvant être coordonnées avec moins d’intervention manuelle.
Une autonomie élargie exige une observabilité fiable, des données opérationnelles de qualité, une AI explicable, une gouvernance basée sur des politiques et des tests rigoureux en conditions réelles de production. Des seuils clairs de confiance sont également essentiels—les équipes doivent savoir quelles actions l’AI peut exécuter de façon indépendante et lesquelles requièrent une validation humaine.
La confiance s’accroît par une performance constante, la transparence et la mesure des résultats opérationnels.
Rendre le savoir institutionnel accessible
Les opérations des mainframes reposent également sur des décennies de connaissances institutionnelles spécialisées, détenues en grande partie par des professionnels expérimentés.
L’AI rend cette expertise plus accessible. Un assistant de génération augmentée par récupération (RAG) formé à partir de IBM Redbooks pertinents et enrichi de connaissances propres à l’organisation offre aux ingénieurs un accès en langage naturel à des conseils opérationnels. L’intégration de l’assistant aux dossiers de gestion des services TI facilite aussi la récupération des incidents et des solutions antérieures.
Les ingénieurs moins expérimentés peuvent accéder plus rapidement à l’information pertinente, tandis que les professionnels chevronnés peuvent utiliser des recommandations contextuelles pour réduire le temps passé à chercher dans la documentation et les archives.
L’expertise humaine demeure essentielle. Les ingénieurs doivent toujours valider les recommandations, gérer les situations exceptionnelles et raffiner les pratiques opérationnelles à mesure que les environnements évoluent. Utilisée ainsi, l’AI favorise le transfert des connaissances institutionnelles, sans affaiblir le jugement professionnel.
Intégrer la gouvernance à l’autonomie
À mesure que l’AI commence à prendre des mesures correctives, la gouvernance s’intègre à l’architecture opérationnelle.
Les entreprises peuvent commencer par des activités à faible risque ou en mode consultation seulement, comme l’émission de commandes d’affichage ou l’exécution d’opérations batch en lecture seule. Ces actions autonomes devraient respecter des seuils de confiance définis, produire des pistes d’audit détaillées et permettre le retour arrière si nécessaire. Les modifications à l’environnement de production devraient également rester attribuables à un utilisateur ou à un rôle identifié.
Les actions à fort impact devraient continuer d’exiger une approbation humaine, tandis que les activités de routine devraient progressivement être confiées à une exécution autonome à mesure que les preuves opérationnelles renforcent la confiance.
Cela crée un modèle où l’AI assume une part croissante des activités courantes tandis que les équipes expérimentées continuent d’assurer la gouvernance de la résilience, de la sécurité et de la continuité des opérations.
L’autonomie du mainframe progressera grâce à cette combinaison d’intelligence et de contrôle. Les systèmes gagnent en capacité au fur et à mesure que les organisations acquièrent une plus grande confiance dans les données, les garde-fous et la gouvernance qui encadrent leurs actions.
