Модернизация, которая никогда не заканчивается
Идея «осовременить» корпоративные ИТ не нова — веб-сервисы, микросервисы, виртуализация, переход на облако и x86-серверы уже проходили этот путь. Каждая волна обещала гибкость и снижение издержек, и каждая оставляла позади часть систем, которые считались слишком рискованными или слишком дорогими для переноса. В итоге мейнфреймы по-прежнему нередко обслуживают самые критичные транзакционные процессы крупных организаций — просто потому, что заменить ядро, от которого зависит бизнес, труднее и опаснее, чем обновить периферию.
Результаты классической модернизации выглядят скромно. Согласно данным исследования Kyndryl, лишь около половины компаний, проводящих модернизацию, фиксируют реальное улучшение ИТ-операций, и меньше половины — выигрыш в инновациях; почти каждый пятый респондент говорит о неясной или ограниченной ценности проекта, а около половины компаний отстают от графика и выходят за бюджет. Это не провал одного вендора или одной отрасли — это структурная черта больших, многолетних ИТ-инициатив, в которые теперь пытаются встроить ИИ-агентов как новый ускоритель.
Что агентный ИИ действительно умеет
Главная техническая проблема модернизации — не написать новый код, а понять старый: какие модули от чего зависят, какие интеграции никто не документировал десять лет назад, какие части системы вообще никто не трогает из страха что-то сломать. Именно здесь агентный ИИ показывает наиболее убедительные результаты: он способен автономно картировать скрытые зависимости между системами, генерировать черновой код и восстанавливать документацию — рутинные, медленные и подверженные ошибкам процессы, которые раньше требовали месяцев ручной работы инженеров. По данным того же исследования, компании, не использующие агентный ИИ для модернизации, заметно чаще отстают от графика, чем те, кто начал применять его на ранних этапах.
Но масштаб внедрения пока скромный: агентный ИИ для модернизации применяет лишь около 10% ИТ-руководителей. А менее одной из десяти организаций полностью уверены, что знают все зависимости в своём технологическом ландшафте — это и есть то самое «слепое пятно», которое агенты призваны закрыть. Иными словами, речь идёт не о массовой практике, а о раннем, точечном эксперименте, результаты которого пока описывают в основном сами компании-пионеры и исследования, оплаченные заинтересованными поставщиками услуг модернизации.
Чтобы не путать локальную пользу инструмента с решением всей задачи, стоит развести этапы модернизации и то, где именно ИИ реально снимает нагрузку, а где решение по-прежнему остаётся за людьми.
| Этап модернизации | Роль агентного ИИ | Что остаётся человеческой работой |
|---|---|---|
| Поиск зависимостей между системами | Автоматическое картирование связей, выявление «слепых зон» | Подтверждение критичности найденных связей, оценка рисков |
| Восстановление документации | Генерация черновиков описаний и схем | Проверка точности, согласование с бизнес-логикой |
| Генерация кода при переносе | Ускоренное создание шаблонного/типового кода | Архитектурные решения, обработка нестандартных случаев |
| Оценка архитектуры и стратегии переноса | Ограниченная помощь в виде сценариев и подсказок | Итоговый выбор целевой архитектуры, приоритизация |
| Регуляторная и суверенная проверка | Практически не задействован | Юридическая и комплаенс-экспертиза |
| Финальная валидация и приёмка | Не задействован напрямую | Тестирование, ручная приёмка, ответственность за риск |
Таблица показывает закономерность: ИИ особенно полезен там, где задача сводится к обработке большого объёма информации по понятным правилам — поиск паттернов в коде, сопоставление данных, черновая генерация текста. Там, где нужно принять решение с юридическими, финансовыми или архитектурными последствиями, агент остаётся инструментом подсказки, а не заменой эксперта.
Почему экономика не сходится
Именно здесь скептический голос звучит особенно убедительно. Бывший главный стратег IBM Энди Турай, комментируя исследование Kyndryl, формулирует жёстко: «Экономика не сходится. Когда ИИ провоцирует разрастание инфраструктуры, ежемесячный счёт превращается в чёрный ящик». По его словам, около трёх из десяти руководителей уже опасаются, что модернизация на основе ИИ закончится непредсказуемо высокими расходами на вычисления. Это не отменяет пользы инструмента — но переводит разговор из плоскости «работает или нет» в плоскость «во сколько это обойдётся и предсказуемо ли это».
Турай указывает и на организационную причину провалов, которая существовала задолго до появления ИИ-агентов: компании «подсели» на покупку нового софта, но лежащие под ним легаси-системы почти никогда не выводятся из эксплуатации. ИИ в этой картине рискует стать не решением, а «блестящим отвлечением от рутины распутывания технического долга» — то есть ещё одним модным слоем поверх старой проблемы, если его внедряют без дисциплины и без решимости действительно списать устаревшие компоненты.
Показательна и цифра про сами мейнфреймы: по данным исследования, четыре из десяти предприятий по-прежнему используют их в работе — спустя десятилетия модернизационных программ. Турай формулирует это как «хроническое состояние»: модернизация объявляется приоритетом номер один из года в год, но финишная черта всегда оказывается в пяти-десяти годах впереди.
Чтобы понять, почему так происходит системно, а не из-за неудачного выбора инструмента, полезно разложить причины затянутых проектов в единую цепочку.
flowchart TD A[Технический долг] --> B[Скрытые зависимости] B --> C[Дефицит компетенций] C --> D[Регуляторные ограничения] D --> E[Непредсказуемые расходы на инфраструктуру] E --> F[Затянутые сроки и рост бюджета]
Агентный ИИ встраивается главным образом в звено «скрытые зависимости», ускоряя их обнаружение. Но он не сокращает сам технический долг, не добавляет компании нужных специалистов, не меняет регуляторные требования и не делает затраты на вычисления более предсказуемыми — скорее наоборот, по мере роста нагрузки на ИИ-системы счета за инфраструктуру становятся ещё одной переменной, которую нужно контролировать отдельно.
Параллельный фронт: борьба за стоимость вычислений
Показательно, что одновременно с интересом к ИИ-оркестрации в корпоративном ИТ усиливается и другой тренд — поиск способов сократить облачные расходы более приземлёнными методами: за счёт более эффективных runtime-платформ, консолидации неиспользуемых вычислительных мощностей и пересмотра распределения нагрузки между старыми и новыми системами. Это говорит не столько о провале ИИ-подхода, сколько о том, что рост затрат на вычисления в принципе стал заметной темой для ИТ-руководителей — независимо от того, применяют они ИИ-агентов или нет. Сам по себе переход на более производительную платформу или язык выполнения не закрывает вопрос модернизации легаси-ландшафта: это снижает нагрузку на один компонент стека, но не решает проблему зависимостей, документации и архитектурных решений, которые остаются за людьми.
Здесь стоит сделать оговорку: многие цифры о пользе ИИ в модернизации и о росте облачных расходов поступают из опросов и отчётов самих поставщиков технологий и консалтинговых услуг. Это не делает их бесполезными — они фиксируют реальные настроения рынка, — но к ним стоит относиться как к сигналу, а не как к независимо подтверждённому итогу.
Что в итоге
Агентный ИИ — это, вероятно, самый полезный инструмент для модернизации легаси-ИТ за последние годы, потому что он впервые системно атакует проблему скрытых зависимостей и документации, которая десятилетиями тормозила такие проекты вручную. Но он не отменяет структурные причины провалов: накопленный технический долг, дефицит квалифицированных кадров, регуляторные требования и непредсказуемость инфраструктурных расходов. Модернизация остаётся гибридным, многолетним процессом, где часть нагрузки так и будет жить на старых платформах, а новая порция архитектурных решений рано или поздно сама превратится в легаси — для тех, кто придёт модернизировать её следующим.
