Il costo nascosto dell’inazione

• A livello globale, le istituzioni finanziarie continuano a destinare la maggior parte dei propri budget IT alla manutenzione dei sistemi legacy, invece che all’innovazione.
• Il costo reale delle architetture legacy va oltre l’infrastruttura e si estende a inefficienza operativa, scarsità di competenze, esposizione normativa e rallentamento del time-to-market.
• L’adozione dell’AI sta accelerando nel banking e nell’insurance, ma gli ambienti legacy spesso impediscono alle organizzazioni di scalare efficacemente le iniziative AI.
• I framework regolatori in Europa, Nord America, America Latina e APAC stanno aumentando la pressione su resilienza operativa, osservabilità e cyber governance.
• La modernizzazione non è più soltanto un’iniziativa tecnologica. Sta diventando un prerequisito per agilità, resilienza e AI readiness.
• Gli approcci di modernizzazione assistiti dall’AI possono ridurre in modo significativo l’effort di delivery, accelerare documentazione e testing e aumentare la velocità della modernizzazione su larga scala.

Tra il 52% e il 70% dei budget IT delle istituzioni finanziarie è ancora assorbito dalla manutenzione dei sistemi esistenti. Non dal loro miglioramento. Non dall’abilitazione di nuovi prodotti o funzionalità guidate dall’AI. Semplicemente dal mantenimento dell’operatività critica.

Per anni, la modernizzazione è stata considerata un’iniziativa futura: qualcosa da riprendere dopo il prossimo programma regolatorio, la prossima migrazione cloud o il prossimo ciclo di ottimizzazione dei costi. Ma nel 2026, questo rinvio ha un prezzo sempre più alto.

Il costo dell’inazione non è più teorico. In tutto il mondo, le istituzioni finanziarie stanno raggiungendo lo stesso punto di svolta: le architetture legacy non sono più soltanto costose da mantenere, ma limitano sempre di più la capacità di competere in un mercato guidato dall’AI.

Il costo dei sistemi legacy va ben oltre l’infrastruttura e i contratti di manutenzione. L’impatto più profondo è strutturale e riguarda il modo in cui le istituzioni operano, innovano e rispondono al cambiamento.

La maggior parte delle organizzazioni misura ancora i costi legacy in modo limitato:

• Infrastruttura
• Licenze
• Contratti di supporto
• Costi dei contractor

Ma i principali driver di costo sono spesso incorporati nel modello operativo stesso.

Strutture di costo che crescono senza efficienza: gli ambienti mainframe e legacy si basano spesso su modelli di pricing a consumo, legati alla crescita delle transazioni e ai volumi di elaborazione. Con l’aumento dell’attività digitale, i costi operativi continuano a crescere indipendentemente dal fatto che il valore di business cresca allo stesso ritmo.

Il risultato è una base di costi tecnologici che continua ad aumentare, diventando al tempo stesso sempre più difficile da modernizzare.

Scarsità di talenti e rischio di conoscenza: la disponibilità sempre più ridotta di competenze su COBOL, VB6 e piattaforme legacy sta già incidendo sulla resilienza operativa.

Man mano che gli ingegneri più esperti vanno in pensione, le istituzioni rischiano di perdere decenni di logica di business non documentata, incorporata in codice, workflow e processi batch. I sistemi diventano sempre più opachi per i team che devono mantenerli, rendendo ogni cambiamento più lento, rischioso e costoso.

Il costo competitivo della lentezza: gli ambienti legacy sono generalmente ottimizzati per la stabilità, non per l’adattabilità.

Il lancio di nuovi prodotti richiede mesi invece che settimane. Le integrazioni diventano progetti da più trimestri. L’accesso ai dati per analytics e iniziative AI richiede spesso una preparazione e riconciliazione manuale estesa.

Nel frattempo, le organizzazioni che operano su architetture moderne e componibili possono iterare più rapidamente, effettuare deploy continui e scalare nuove funzionalità con una frizione operativa decisamente inferiore.

Questo divario competitivo si accumula nel tempo, anche quando non compare direttamente in bilancio.

Il rischio dell’inazione sui sistemi legacy raramente si manifesta come un singolo fallimento catastrofico. Piuttosto, si accumula gradualmente in tutta l’organizzazione.

L’effort di manutenzione cresce man mano che gli ambienti diventano più complessi. I cicli di rilascio si allungano con l’aumentare del rischio legato al cambiamento. Il debito tecnico cresce più rapidamente di quanto i team riescano a gestirlo. Le iniziative AI vengono approvate, finanziate e poi rallentate quando architetture dati frammentate non sono in grado di supportarle efficacemente.

Nel tempo:

• La modernizzazione diventa più costosa
• Le dipendenze diventano più difficili da sciogliere
• Il rischio di migrazione aumenta
• Il bacino di competenze continua a ridursi
• I requisiti di compliance diventano più difficili da soddisfare

Più a lungo si rimanda la modernizzazione, più si restringono le opzioni strategiche.

Allo stesso tempo, le istituzioni che hanno avviato prima programmi strutturati di modernizzazione oggi operano da una posizione completamente diversa. Stanno riducendo l’overhead operativo, accelerando i cicli di delivery e creando ambienti capaci di supportare AI, automazione e servizi digitali real-time su larga scala.

L’effetto cumulativo funziona in entrambe le direzioni.

Molte organizzazioni considerano l’adozione dell’AI una sfida legata agli strumenti. In realtà, per le istituzioni finanziarie, è spesso una sfida architetturale.

L’AI richiede:

• Dati accessibili e affidabili
• Pattern di integrazione scalabili
• Osservabilità
• Infrastruttura flessibile
• Cicli di sviluppo software più rapidi

Gli ecosistemi legacy non sono stati progettati per questi requisiti.

Sistemi orientati al batch, integrazioni fortemente accoppiate e modelli dati frammentati creano barriere significative all’adozione dell’AI su scala enterprise. Anche programmi AI ben finanziati faticano quando le architetture sottostanti non sono in grado di fornire dati tempestivi, affidabili e riutilizzabili.

Di conseguenza, molte istituzioni stanno scoprendo che la modernizzazione non è più separata dalla strategia AI. Ne sta diventando un prerequisito. Le istituzioni che ottengono il maggiore vantaggio dall’AI sono spesso quelle che rimuovono i vincoli architetturali che impediscono il cambiamento.

La modernizzazione legacy non è più guidata soltanto da efficienza e riduzione dei costi. Sempre di più, sta diventando una priorità di resilienza e compliance.

A livello globale, i regolatori stanno alzando le aspettative su resilienza operativa, cyber governance, auditabilità e gestione del rischio tecnologico.

Alcuni esempi includono:

• DORA e NIS2 in Europa
• I framework di resilienza operativa PRA/FCA nel Regno Unito
• Le linee guida FFIEC e la NYDFS Part 500 negli Stati Uniti
• BCB Resolução 85 in Brasile
• APRA CPS 230 in Australia
• Le MAS Technology Risk Management Guidelines a Singapore

Sebbene i framework regolatori differiscano da regione a regione, la direzione è coerente: alle istituzioni finanziarie viene richiesto di dimostrare maggiore resilienza, migliore osservabilità e maggiore trasparenza operativa sui sistemi critici.

Per molti ambienti legacy, questi requisiti sono difficili da raggiungere.

Applicazioni non documentate complicano gli inventari degli asset ICT. Le architetture batch limitano la visibilità in tempo reale sugli incidenti. Le piattaforme legacy altamente concentrate aumentano il rischio di dipendenza operativa. I layer di integrazione obsoleti rendono più difficile mantenere governance e tracciabilità.

La modernizzazione porta miglioramenti misurabili in efficienza operativa, velocità di delivery, resilienza e preparazione all’AI.

Risultati tipici includono:

• Riduzione dei costi infrastrutturali e operativi in alcuni casi fino al 60% grazie a re-hosting, refactoring e semplificazione delle piattaforme.
• Cicli di delivery più rapidi, spesso con un miglioramento del time-to-market del 25–30% grazie ad architetture moderne, automazione e pratiche di ingegneria cloud-native.
• Miglioramento di resilienza, osservabilità e governance sui sistemi critici
• Migliore accesso ai dati per AI, analytics e servizi digitali in tempo reale
• Minore dipendenza da competenze legacy scarse
• Maggiore capacità di scalare l’innovazione tra canali e domini di business

Gli approcci di modernizzazione assistiti dall’AI stanno inoltre cambiando il modo in cui vengono eseguiti i programmi di trasformazione. I modelli di delivery moderni basati su AI possono accelerare:

• La scoperta dei sistemi legacy
• L’analisi delle dipendenze
• L’estrazione delle regole di business
• La generazione della documentazione
• La trasformazione del codice
• La generazione dei test
• La pianificazione della migrazione

I modelli di delivery basati su AI possono anche ridurre lo sforzo di documentazione fino al 95% accelerando al contempo le attività di testing, pianificazione della migrazione e trasformazione del codice.

In GFT, i programmi di modernizzazione combinano consulenza, ingegneria e capacità di delivery assistite dall’AI per accelerare la trasformazione mantenendo governance e controllo operativo.

Approcci come la modernizzazione a fasi, il reverse engineering basato su AI e modelli di discovery top-down e bottom-up aiutano le organizzazioni a modernizzare in modo incrementale anziché attraverso migrazioni “big bang” ad alto rischio.

Piattaforme di modernizzazione abilitate dall’AI come Wynxx supportano ulteriormente questo processo aiutando le organizzazioni a:

• Estrarre la logica di business dal codice legacy
• Generare strutture applicative moderne
• Accelerare testing e documentazione
• Migliorare la visibilità su paesaggi complessi di dipendenze

Insieme agli ecosistemi hyperscaler e ai framework di modernizzazione cloud, questi approcci consentono alle istituzioni finanziarie di modernizzare più rapidamente riducendo al contempo le interruzioni operative e il rischio di trasformazione.

La modernizzazione genera miglioramenti misurabili in termini di efficienza operativa, velocità di delivery, resilienza e AI readiness.

Tra i risultati tipici rientrano:

• Riduzione dei costi infrastrutturali e operativi, in alcuni casi fino al 60% attraverso re-hosting, refactoring e semplificazione delle piattaforme.
• Cicli di delivery più rapidi, spesso con un miglioramento del time-to-market del 25-30%, abilitato da architetture moderne, automazione e pratiche di engineering cloud-native.
• Miglioramento di resilienza, osservabilità e governance sui sistemi critici
• Migliore accesso ai dati per AI, analytics e servizi digitali real-time
• Minore dipendenza da competenze legacy sempre più rare
• Maggiore capacità di scalare l’innovazione tra canali e domini di business

Anche gli approcci di modernizzazione assistiti dall’AI stanno cambiando il modo in cui vengono eseguiti i programmi di trasformazione. I moderni modelli di delivery basati sull’AI possono accelerare:

• La discovery dei sistemi legacy
• L’analisi delle dipendenze
• L’estrazione delle regole di business
• La generazione della documentazione
• La trasformazione del codice
• La generazione dei test
• La pianificazione della migrazione

I modelli di delivery basati sull’AI possono inoltre ridurre l’effort di documentazione fino al 95%, accelerando al tempo stesso attività di testing, pianificazione della migrazione e trasformazione del codice.

In GFT, i programmi di modernizzazione combinano consulenza, engineering e capacità di delivery assistite dall’AI per accelerare la trasformazione, mantenendo al tempo stesso governance e controllo operativo.

Approcci come la modernizzazione per fasi, il reverse engineering basato sull’AI e i modelli di discovery top-down e bottom-up aiutano le organizzazioni a modernizzare in modo incrementale, invece che attraverso migrazioni “big bang” ad alto rischio.

Piattaforme di modernizzazione abilitate dall’AI come Wynxx supportano ulteriormente questo processo aiutando le organizzazioni a:

• Estrarre la logica di business dal codice legacy
• Generare strutture applicative moderne
• Accelerare testing e documentazione
• Migliorare la visibilità su paesaggi di dipendenze complessi

In combinazione con gli ecosistemi hyperscaler e i framework di modernizzazione cloud, questi approcci consentono alle istituzioni finanziarie di modernizzare più rapidamente, riducendo disruption operativa e rischio di trasformazione.

Le organizzazioni che rimandano la modernizzazione non stanno evitando il rischio. Lo stanno spostando in una forma meno visibile e meno controllabile.

Il rischio emerge gradualmente attraverso:

• Costi operativi in aumento
• Cicli di delivery più lenti
• Crescente dipendenza da tecnologie obsolete
• Maggiore pressione sulla compliance
• Ridotta capacità di innovazione
• Difficoltà nel far scalare le iniziative AI
• Flessibilità architetturale in calo

Nel 2026, la domanda non è più se la modernizzazione sia necessaria. La domanda è se le istituzioni possano continuare a competere, innovare e soddisfare le aspettative di resilienza operando su architetture progettate per un’altra epoca.

Il costo dell’inazione non è pari a zero. Viene già pagato continuamente, trimestre dopo trimestre, in termini di tecnologia, operations e rilevanza competitiva.

In un settore finanziario guidato dall’AI, la modernizzazione non riguarda più soltanto la riduzione del debito tecnico. Riguarda la rimozione delle barriere che impediscono alle istituzioni di evolvere.