Modernizzare il software legacy nell'era degli agenti AI

Alcuni istituti bancari nati recentemente sono partiti ex novo con tecnologie moderne; altri, più storici, portano con sé questo debito tecnico, che non limita il business esistente ma frena la crescita, la digitalizzazione dei servizi e la sicurezza dell’immediato futuro. Possiamo mappare tre macro-aree di criticità:

1. Il primo ostacolo è l'assenza di conoscenza di ciò che si deve migrare. Il codice legacy raramente è documentato correttamente. Lo step 1 di ogni progetto di modernizzazione è stato tradizionalmente il reverse engineering manuale: un'attività estremamente time-consuming su migliaia di applicativi e milioni di righe di codice.
2. Il secondo ostacolo sono le interdipendenze tra programmi. Non si tratta mai di un singolo applicativo isolato, ma di un ecosistema di applicazioni interlacciate e interdipendenti. Per migrare un componente, bisogna prima migrarne un altro, e prima ancora un altro. Senza una mappa completa delle dependencies, si rischiano problemi di stabilità, performance degradate e blocchi operativi.
3. Il terzo ostacolo è garantire l'equivalenza funzionale. L'applicazione modernizzata deve comportarsi esattamente come quella precedente, a meno che non ci sia anche un'evoluzione di business, rispettando le stesse logiche, gli stessi output e, cruciale, le stesse performance. I sistemi legacy tendono ad essere iper-ottimizzati: bisogna fare attenzione  che le performance restino alte anche nel nuovo formato.

Nel 2026, l'intelligenza artificiale agentica ha cambiato i termini del problema. Comprendere e convertire milioni di righe di codice non è più il collo di bottiglia. L'AI è in grado di documentare codice scritto in qualsiasi linguaggio, di mappare dipendenze e di accelerare in maniera consistente il recupero della conoscenza.

Il vero collo di bottiglia, oggi, è definire un processo che funzioni su scala enterprise, con vincoli di compliance, continuità operativa e zero tolleranza agli errori.

L'Agentic AI cambia il paradigma perché permette di scomporre il processo logico di modernizzazione in fasi, ciascuna delegata a un agente specializzato. Ogni agente è un insieme di istruzioni, skill, prompt e guardrail, cui viene assegnato un task specifico da portare a termine autonomamente. Il risultato? Abbattimento dei tempi, maggiore precisione e potenza computazionale scalabile.

Con la completa preservazione del concetto di human in the loop: i tecnici “umani” orchestrano gli agenti e ne validano l'operato.

Ma non è solo automazione. A differenza delle vecchie soluzioni di conversione automatica di codice, che producevano “traduzioni” meccaniche, replicando la struttura vecchia in un linguaggio nuovo, l'approccio agentico permette una vera riprogettazione: da monolite a microservizi, da architetture obsolete a pattern Cloud-native.

GFT ha sviluppato Wynxx, una soluzione di AI generativa applicata allo sviluppo software, dopo oltre due anni di esperienza sul campo in progetti reali di modernizzazione. Parte delle lezioni che abbiamo imparato su noi stessi e sul campo è stata messa a sistema proprio per creare questo prodotto, perché la tecnologia da sola non basta: servono metodologia ed esperienze concrete di test & learn.

Serve capire le relazioni tra i programmi, mappare le dipendenze, gestire i formati del dato, creare un framework tecnico-architetturale per spacchettare la complessità e farla risolvere agli agenti. Da questo nasce una delle componenti chiave di Wynxx, ossia il Legacy Transformer, costruito direttamente sull'esperienza maturata in progetti di modernizzazione manuale e semi-automatica.

Ma la modernizzazione non riguarda solo il passaggio da COBOL a Java: riguarda anche l'obsolescenza tecnologica di software già moderno che va comunque evoluto con nuovi aggiornamenti, release, patch di sicurezza. Senza un aggiornamento progressivo e costante, si accumula debito tecnico fatto di versioni obsolete e vulnerabilità. Per questo Wynxx include anche il componente Uplift, che mette insieme competenze e "ricette" per semplificare e standardizzare i processi di upgrade meccanico, seguendo una sequenza di best practice pronte da lanciare, personalizzabili con gli standard e le convenzioni del cliente.

Attività che prima erano manuali, ripetitive e costose, ora possono essere automatizzate con agenti AI, mantenendo il controllo su orchestrazione e validazione finale. L'approccio e la conoscenza restano umani: fare analisi, progettare l'integrazione, risolvere contesti complessi è il core di GFT.

La tecnologia è il fattore abilitante, ma senza metodo non c'è industrializzazione possibile.