Ukryty koszt nicnierobienia

• Instytucje finansowe na całym świecie nadal wydają większość budżetów IT na utrzymanie starszych systemów, zamiast na wprowadzanie innowacji.
• Rzeczywisty koszt starszej architektury wykracza poza infrastrukturę i obejmuje nieefektywność operacyjną, niedobór talentów, narażenie na regulacje i wolniejsze wprowadzanie produktów na rynek.
• Wdrażanie sztucznej inteligencji przyspiesza w bankowości i ubezpieczeniach, ale starsze środowiska często uniemożliwiają organizacjom skuteczne skalowanie inicjatyw związanych ze sztuczną inteligencją.
• Ramy regulacyjne w Europie, Ameryce Północnej, Ameryce Łacińskiej i regionie APAC zwiększają presję na odporność operacyjną, obserwowalność i zarządzanie cyberprzestrzenią.
• Modernizacja nie jest już tylko inicjatywą technologiczną. Staje się ona warunkiem wstępnym zwinności, odporności i gotowości na sztuczną inteligencję.
• Podejścia do modernizacji wspomagane przez sztuczną inteligencję mogą znacznie zmniejszyć wysiłek związany z dostarczaniem, przyspieszyć dokumentację i testowanie oraz poprawić szybkość modernizacji na dużą skalę.

Od 52% do 70% budżetów IT w instytucjach finansowych nadal pochłania utrzymanie istniejących systemów. Nie na ich ulepszanie. Nie udostępnianie nowych produktów lub możliwości opartych na sztucznej inteligencji. Po prostu utrzymywanie krytycznych operacji.

Przez lata modernizacja była traktowana jako przyszła inicjatywa, do której należy wrócić po kolejnym programie regulacyjnym, migracji do chmury lub cyklu optymalizacji kosztów. Jednak w 2026 r. takie opóźnienie ma coraz wyższą cenę.

Koszt bezczynności nie jest już teoretyczny. Na całym świecie instytucje finansowe osiągają ten sam punkt zwrotny: starsza architektura jest już nie tylko kosztowna w utrzymaniu, ale w coraz większym stopniu ogranicza zdolność konkurowania na rynku opartym na sztucznej inteligencji.

Koszt starszych systemów wykracza daleko poza infrastrukturę i umowy serwisowe. Głębszy wpływ ma charakter strukturalny, wpływając na sposób, w jaki instytucje działają, wprowadzają innowacje i reagują na zmiany.

Większość organizacji nadal mierzy koszty starszego oprogramowania w wąskim zakresie:

• Infrastruktura
• Licencjonowanie
• Umowy wsparcia
• Wydatki wykonawców

Jednak największe czynniki kosztotwórcze są często osadzone w samym modelu operacyjnym.

Struktury kosztów, które skalują się bez wydajności: mainframe i starsze środowiska często opierają się na modelach cenowych opartych na zużyciu, powiązanych ze wzrostem transakcji i wolumenem przetwarzania. Wraz ze wzrostem aktywności cyfrowej koszty operacyjne nadal rosną, niezależnie od tego, czy wartość biznesowa rośnie w tym samym tempie.

Rezultatem jest baza kosztów technologicznych, która stale rośnie, a jednocześnie z czasem staje się trudniejsza do modernizacji.

Niedobór talentów i ryzyko związane z wiedzą: malejąca dostępność wiedzy specjalistycznej w zakresie COBOL, VB6 i starszych platform już teraz wpływa na odporność operacyjną.

W miarę jak doświadczeni inżynierowie przechodzą na emeryturę, instytucje ryzykują utratę dziesięcioleci nieudokumentowanej logiki biznesowej osadzonej w kodzie, przepływach pracy i procesach wsadowych. Systemy stają się coraz bardziej nieprzejrzyste dla zespołów odpowiedzialnych za ich utrzymanie, co sprawia, że zmiany są wolniejsze, bardziej ryzykowne i droższe.

Konkurencyjny koszt powolnych zmian: starsze środowiska są zazwyczaj zoptymalizowane pod kątem stabilności, a nie zdolności adaptacyjnych.

Wprowadzanie produktów na rynek trwa miesiące zamiast tygodni. Integracje stają się projektami trwającymi wiele kwartałów. Dostęp do danych na potrzeby analityki i inicjatyw AI często wymaga ręcznego przygotowania i uzgodnienia.

Tymczasem organizacje działające w oparciu o nowoczesne, komponowalne architektury mogą szybciej iterować, wdrażać w sposób ciągły i skalować nowe możliwości przy znacznie mniejszym tarciu operacyjnym.

Ta luka konkurencyjna narasta z czasem, nawet jeśli nie pojawia się bezpośrednio w bilansie.

Ryzyko wynikające z braku działania rzadko pojawia się jako pojedyncza, katastrofalna awaria. Zamiast tego kumuluje się ono stopniowo w całej organizacji.

Nakłady na konserwację rosną, gdy środowiska stają się bardziej złożone. Cykle wydań wydłużają się wraz ze wzrostem ryzyka zmian. Dług techniczny rośnie szybciej, niż zespoły są w stanie go rozwiązać. Inicjatywy AI są zatwierdzane, finansowane i opóźniane, gdy fragmentaryczne architektury danych nie mogą ich skutecznie wspierać.

Z biegiem czasu:

• Modernizacja staje się droższa
• Zależności stają się trudniejsze do rozplątania
• Ryzyko migracji wzrasta
• Pula talentów nadal się kurczy
• Trudniej jest spełnić wymogi zgodności

Im dłużej modernizacja jest odkładana, tym węższe stają się opcje strategiczne.

Jednocześnie instytucje, które wcześniej rozpoczęły ustrukturyzowane programy modernizacyjne, działają teraz z zupełnie innej pozycji. Zmniejszają koszty operacyjne, przyspieszają cykle dostaw i tworzą środowiska zdolne do obsługi sztucznej inteligencji, automatyzacji i usług cyfrowych w czasie rzeczywistym na dużą skalę.

Compounding działa w obu kierunkach.

Wiele organizacji postrzega wdrażanie sztucznej inteligencji jako wyzwanie związane z narzędziami. W rzeczywistości dla instytucji finansowych jest to często wyzwanie architektoniczne.

AI wymaga:

• Dostępnych i wiarygodnych danych
• Skalowalnych wzorców integracji
• Obserwowalności
• Elastyczna infrastruktura
• Szybsze cykle dostarczania oprogramowania

Starsze rozwiązania nie zostały zaprojektowane z myślą o tych wymaganiach.

Systemy zorientowane wsadowo, ściśle powiązane integracje i fragmentaryczne modele danych tworzą znaczące bariery dla przyjęcia sztucznej inteligencji na skalę korporacyjną. Nawet dobrze finansowane programy sztucznej inteligencji borykają się z trudnościami, gdy podstawowe architektury nie są w stanie zapewnić terminowych, zaufanych i nadających się do ponownego wykorzystania danych.

W rezultacie wiele instytucji odkrywa, że modernizacja nie jest już oddzielona od strategii AI. Instytucje czerpiące największe korzyści ze sztucznej inteligencji często usuwają ograniczenia architektoniczne, które uniemożliwiają zmiany .

Modernizacja starszych systemów nie jest już napędzana wyłącznie wydajnością i redukcją kosztów. Coraz częściej staje się ona priorytetem w zakresie odporności i zgodności z przepisami.

Organy regulacyjne na całym świecie zwiększają oczekiwania w zakresie odporności operacyjnej, zarządzania cyberprzestrzenią, audytowalności i zarządzania ryzykiem technologicznym.

Przykłady obejmują:

• DORA i NIS2 w Europie
• Ramy odporności operacyjnej PRA/FCA w Wielkiej Brytanii
• Wytyczne FFIEC i część 500 NYDFS w Stanach Zjednoczonych
• BCB Resolução 85 w Brazylii
• APRA CPS 230 w Australii
• Wytyczne MAS dotyczące zarządzania ryzykiem technologicznym w Singapurze

Chociaż ramy regulacyjne różnią się w zależności od regionu, kierunek jest spójny: oczekuje się, że instytucje finansowe wykażą się większą odpornością, lepszą obserwowalnością i większą przejrzystością operacyjną w krytycznych systemach.

W przypadku wielu starszych środowisk wymagania te są trudne do spełnienia.

Nieudokumentowane aplikacje komplikują inwentaryzację zasobów ICT. Architektury zorientowane wsadowo ograniczają widoczność incydentów w czasie rzeczywistym. Silnie skoncentrowane starsze platformy zwiększają ryzyko zależności operacyjnej. Starzejące się warstwy integracyjne utrudniają zarządzanie i identyfikowalność.

Modernizacja zapewnia wymierne ulepszenia w zakresie wydajności operacyjnej, szybkości dostarczania, odporności i gotowości na sztuczną inteligencję.

Typowe wyniki obejmują:

• Obniżenie kosztów infrastruktury i kosztów operacyjnych w niektórych przypadkach nawet o 60% dzięki zmianie hostingu, refaktoryzacji i uproszczeniu platformy.
• Szybsze cykle dostarczania, często skracające czas wprowadzenia produktu na rynek o 25-30% dzięki nowoczesnej architekturze, automatyzacji i natywnym dla chmury praktykom inżynieryjnym.
• Lepsza odporność, obserwowalność i zarządzanie krytycznymi systemami.
• Lepszy dostęp do danych na potrzeby sztucznej inteligencji, analityki i usług cyfrowych w czasie rzeczywistym
• Mniejsza zależność od ograniczonej wiedzy specjalistycznej
• Zwiększona zdolność do skalowania innowacji w różnych kanałach i domenach biznesowych.

Podejścia do modernizacji wspomagane przez AI zmieniają również sposób realizacji programów transformacji. Nowoczesne modele dostarczania oparte na sztucznej inteligencji mogą przyspieszyć:

• Odkrywanie starszych systemów
• Analizę zależności
• Wyodrębnianie reguł biznesowych
• Generowanie dokumentacji
• Transformację kodu
• Generowanie testów
• Planowanie migracji

Modele dostarczania oparte na sztucznej inteligencji mogą również zmniejszyć nakład pracy związany z dokumentacją nawet o 95%, jednocześnie przyspieszając testowanie, planowanie migracji i działania związane z transformacją kodu.

W GFT programy modernizacyjne łączą w sobie doradztwo, inżynierię i możliwości dostarczania wspomagane przez sztuczną inteligencję, aby przyspieszyć transformację przy jednoczesnym zachowaniu zarządzania i kontroli operacyjnej.

Podejścia takie jak stopniowa modernizacja, inżynieria odwrotna oparta na sztucznej inteligencji oraz modele odkrywania odgórnego i oddolnego pomagają organizacjom modernizować się stopniowo, a nie poprzez ryzykowne migracje typu "big bang".

Platformy modernizacyjne wykorzystujące sztuczną inteligencję, takie jak Wynxx, dodatkowo wspierają ten proces, pomagając organizacjom

• wyodrębnić logikę biznesową ze starszego kodu
• Generować nowoczesne struktury aplikacji
• Przyspieszyć testowanie i dokumentację
• Poprawić widoczność złożonych krajobrazów zależności.

W połączeniu z ekosystemami hiperskalerów i ramami modernizacji chmury, podejścia te umożliwiają instytucjom finansowym szybszą modernizację przy jednoczesnym zmniejszeniu zakłóceń operacyjnych i ryzyka transformacji.

Organizacje, które opóźniają modernizację, nie unikają ryzyka. Przesuwają je do mniej widocznej i mniej kontrolowanej formy.

Ryzyko pojawia się stopniowo:

• rosnące koszty operacyjne
• Wolniejsze cykle dostaw
• Rosnącą zależność od starzejących się technologii
• Zwiększona presja na zgodność z przepisami
• Zmniejszona zdolność do innowacji
• Trudności w skalowaniu inicjatyw AI
• Malejąca elastyczność architektury

W 2026 roku pytanie nie brzmi już, czy modernizacja jest konieczna. Pytanie brzmi, czy instytucje mogą nadal konkurować, wprowadzać innowacje i spełniać oczekiwania dotyczące odporności, działając na architekturach zaprojektowanych na inną erę.

Koszt bezczynności nie jest zerowy. Jest on już ponoszony w sposób ciągły, kwartał po kwartale, w zakresie technologii, operacji i znaczenia dla konkurencji.

W branży finansowej opartej na sztucznej inteligencji modernizacja nie polega już tylko na zmniejszeniu długu technicznego. Chodzi o usunięcie barier, które uniemożliwiają instytucjom ewolucję.