Selon le rapport IDC MarketScape Worldwide Mainframe Modernization Infrastructure Solutions 2025–2026, 84 % des utilisateurs de mainframes prévoient de faire appel à cette technologie au cours des cinq prochaines années pour la majorité de leurs workloads.
Souvent considérés comme des éléments statiques, les mainframes doivent en réalité s’adapter à des environnements de plus en plus complexes, ce qui rend l’IA indispensable aux entreprises qui souhaitent rester compétitives.
Toutefois, la réécriture du code pour ces systèmes gigantesques relève d’une véritable gageure.
Les faux espoirs de la conversion instantanée
Il existe une idée fausse très répandue selon laquelle l’IA générative serait capable de convertir instantanément des applications COBOL en code Java ou Python avec un résultat impeccable. De nombreuses entreprises ont pu y croire, alors qu’une telle opération reste encore hors de portée de cette technologie.
En effet, les grands modèles linguistiques (LLM) nécessitent des données d’entraînement abondantes et variées. S’il est vrai que Python et Java dominent les référentiels open source et les forums, COBOL se trouve dans un univers à part.
C’est un code généralement essentiel aux systèmes critiques et profondément intégré dans ces systèmes, mais bien moins présent dans les ensembles de données publics. De plus, COBOL est souvent modifié pour s’adapter aux besoins et logiques propres à chaque activité. Cela se traduit par un volume de données d’entraînement trop modeste, aboutissant à un taux d’erreurs et d’hallucinations plus élevé que pour les autres langages.
En outre, COBOL est un langage généralement réservé aux applications de grande envergure. Une conversion alimentée par l’IA générative ne se résume pas à traiter des centaines, voire des milliers de lignes de code ; les applications COBOL contiennent souvent des millions, voire des dizaines de millions de lignes.
C’est bien là le principal défi posé par ces types de systèmes. Si à cela s’ajoute un manque de documentation et le départ à la retraite des spécialistes, ces applications risquent de devenir des boîtes noires. L’accumulation de plusieurs dizaines d’années d’ajustements validés par la pratique, associée à une importante dette technique, à des dépendances mal définies et à de nombreuses duplications peut rendre les bases de code COBOL extrêmement difficiles à décomposer, à comprendre et à moderniser.
Comme il s’agit souvent de systèmes critiques qui desservent une vaste base d’utilisateurs, un faible pourcentage d’hallucinations ou la moindre erreur peuvent entraîner des perturbations majeures. Convertir ce type de code en Java ou en C# sans le comprendre pleinement représente un risque patent, puisque cela revient à importer la dette technique et les angles morts du code d’origine dans la nouvelle application, tout en y ajoutant les aléas des hallucinations de l’IA générative. Pour les systèmes critiques, une telle approche relève d’une sévère imprudence.
Une solution idéale pour les développeurs
La réécriture directe d’applications COBOL répond rarement aux attentes des entreprises en matière de budget et de délais. Ainsi, la réécriture intégrale d’un système COBOL en Java, même réalisée avec l’aide de l’IA, risque d’aboutir à une simple transposition dans un autre langage n’offrant qu’une poignée de nouvelles fonctionnalités et très peu de valeur ajoutée à l’utilisateur final.
Au lieu de cela, il faut plutôt miser sur des processus de développement plus intelligents.
En premier lieu, les solutions COBOL modernes peuvent effectuer automatiquement le mappage de l’intégralité d’une application professionnelle, y compris de ses dépendances, relations et intégrations.
Ces métadonnées structurées et de haute qualité sont précieuses pour les LLM. Grâce à elles, les développeurs peuvent appliquer des prompts spécialement conçus pour le COBOL et adaptés à l’architecture applicative de l’entreprise. Il en résulte des analyses IA déterministes qui reflètent de façon fiable la réalité et le contexte métier de chaque application individuelle.
Cela permet d’atteindre de nouveaux niveaux de productivité et d’accélérer la modernisation en toute confiance. De plus, les responsables gardent ainsi un contrôle total et peuvent exploiter les résultats de l’IA générative pour répondre à leurs exigences en matière d’activité commerciale, de sécurité et de conformité.
En facilitant ainsi l’intégration et la formation, les nouveaux développeurs peuvent alors devenir opérationnels en quelques jours plutôt qu’en plusieurs mois. Ceci élimine l’un des principaux obstacles à la maintenance des applications COBOL et à leur modernisation : une sévère courbe d’apprentissage.
Au-delà d’une intégration plus rapide, l’utilisation de l’IA générative dans une suite COBOL moderne simplifie le travail des développeurs. Les équipes peuvent livrer des mises à jour et de nouvelles fonctionnalités à un rythme qui permet à l’entreprise de rester compétitive sans compromis sur la qualité ni la stabilité.
Au lieu de passer des heures à parcourir de long en large du code non documenté, les développeurs bénéficient d’une totale clarté et d’informations immédiatement exploitables, ce qui leur permet de concentrer leurs efforts sur des tâches plus créatives.
Du chat au codage en temps réel
Le codage assisté par l’IA s’impose progressivement pour tous les langages de programmation, COBOL compris. Aussitôt qu’un ingénieur modifie la moindre ligne de code, les changements sont traités en temps réel, fournissant un retour d’information et suggérant la syntaxe ou la variable appropriée pour accélérer le processus.
Ces fonctionnalités améliorent considérablement la productivité des équipes en automatisant de nombreuses tâches et en offrant une analyse approfondie des applications.
Grâce aux fonctionnalités alimentées par l’IA générative intégrées au développement COBOL, telles que l’explication du code et la génération de documentation, les développeurs peuvent obtenir un résumé d’un programme COBOL comprenant une description claire, toutes les relations et les artefacts sources, ainsi que des visualisations.
C’est un point de départ idéal pour les aider à mieux comprendre le programme sur lequel ils travaillent. De plus, au lieu d’avoir à chercher dans de multiples applications COBOL et de parcourir d’interminables lignes de code, ces développeurs peuvent simplement ouvrir une interface de chat et poser des questions en langage naturel.
Lorsqu’il s’agit de travailler sur le code, les développeurs peuvent sélectionner n’importe quel extrait ou fonction et cliquer sur un bouton pour obtenir instantanément leur contexte. S’ils souhaitent partager ce contexte sous forme de commentaire avec l’équipe, un simple clic supplémentaire suffit.
De plus, ce ne sont là que les premières fonctionnalités disponibles. Grâce à des intégrations telles que Copilot, des mécanismes de règles métier et des tests unitaires pilotés par l’IA, les organisations seront bientôt en mesure de moderniser et de mettre à jour leurs applications stratégiques encore plus rapidement.
Grâce à des updates réguliers, de nouvelles fonctionnalités s’ajoutent sans cesse, sans impact sur la sécurité.
Priorité à l’incrémentiel
Le langage COBOL est souvent considéré comme un obstacle à la modernisation des applications, bien qu’il soit relativement facile à apprendre. Les véritables difficultés se situent souvent au niveau de la compréhension des applications, de l’optimisation de la productivité et de l’adaptation aux pratiques et aux capacités modernes.
Ces difficultés ne sont pas propres au COBOL, puisqu’on les retrouve fréquemment pour les applications matures dont la maintenance est assurée par des experts en voie de disparition. Outre la modernisation des applications, il faut aussi accompagner la modernisation des processus, en permettant l’intégration des applications COBOL et PL/I dans un environnement d’intégration continue, c’est-à-dire en adoptant une chaîne d’outils DevSecOps pour automatiser les processus de développement et les tests.
Tout cela peut être réalisé sur site ou dans le cloud en s’appuyant sur des conteneurs pour simplifier la réplication et l’évolutivité. De plus, la capacité d’une plateforme à évoluer de manière dynamique pendant les phases de développement et de déploiement, tous environnements confondus, est un aspect clé de la modernisation des infrastructures.
Les LLM présentent un taux élevé d’hallucinations quand ils génèrent du code. Même quand ils ont accès aux applications COBOL d’entreprise pour entraîner leurs modèles, ils restent, pour le moment, incapables de créer des applications immédiatement opérationnelles. Pour de nombreuses organisations, la priorité est d’appliquer des modifications incrémentielles aux applications, d’apporter des améliorations et de se conformer aux dernières réglementations en vigueur.
L’IA générative aide les entreprises à exploiter pleinement la valeur de leurs applications métier. Ces systèmes sont indispensables à leur activité depuis plusieurs dizaines d’années et restent des piliers de fiabilité. En utilisant l’IA pour mieux les comprendre, les entreprises peuvent réduire leur dette technique, développer de nouvelles fonctionnalités et ajouter de la valeur aux applications les plus utilisées.
L’environnement COBOL est un atout essentiel pour articuler la logique métier, les données et la propriété intellectuelle d’une entreprise. Grâce à l’IA générative, il devient possible de tirer parti de cet atout pour répondre aux exigences d’aujourd’hui et saisir les opportunités de demain.
L’IA peut jouer un rôle clé dans la modernisation des applications en en automatisant de nombreux aspects. Grâce à des capacités avancées intégrées aux processus et aux outils, les entreprises disposent également de plusieurs options pour mettre l’analyse des données et l’IA au service de la modernisation de leurs mainframes.
Dans le cadre de ce processus, les données peuvent ensuite être exploitées dans un environnement d’IA et de machine learning, fournissant ainsi aux clients des informations précieuses. Une fois l’application déployée sur une plateforme moderne, l’expérience peut être modernisée de bout en bout grâce à différentes opérations et techniques de suivi de la sécurité, de la disponibilité et des performances système basées sur l’IA.
*Neil Fowler est SVP Software Engineer Cloud hybride chez Rocket Software
Photo : © DR
The post Moderniser COBOL avec l’IA générative appeared first on Silicon.fr.
