AI e software legacy ad alto rischio: come modernizzare in modo controllato

Questo vale in particolare nell'ambito della previdenza sociale, dove i sistemi centrali spesso riflettono decenni di legislazione, cambiamenti politici e regole operative altamente specializzate. Il sistema che abbiamo modernizzato determina i contributi previdenziali che influenzano direttamente i diritti e le tutele dei cittadini, compresi gli importi delle pensioni. La modernizzazione delle applicazioni in un contesto del genere non rappresenta quindi solo una sfida tecnologica, ma è una questione di gestione del rischio, responsabilità e fiducia.

Un aspetto particolarmente complesso del sistema era un motore di regole estremamente specializzato ma ormai obsoleto, che racchiudeva decenni di conoscenze aziendali accumulate.
La sfida che dovevamo affrontare era quella di modernizzarlo senza perdere il controllo sulla correttezza.

Un ambito definito dal tempo

Ciò che rende il settore della previdenza sociale particolarmente complesso è la legislazione che si è accumulata nel corso del tempo.

Quando una persona va in pensione, il sistema potrebbe dover ricalcolare i contributi risalenti a oltre 45 anni fa, non in base alla legislazione attuale, ma a quella in vigore all’epoca. Ogni periodo ha un proprio quadro normativo, soglie ed eccezioni. Se anche un solo caso limite viene trascurato, il risultato può essere errato

Perché la soluzione più ovvia è stata esclusa

Ad un primo sguardo, il percorso di modernizzazione più ovvio sarebbe stato sostituire il motore di regole obsoleto e andare avanti. Ma non è stata questa la strada che abbiamo scelto.

Il motivo era semplice: volevamo essere in grado di verificare e comprendere il comportamento risultante. La tecnologia stava invecchiando, ma la vera sfida era rappresentata dalla conoscenza nascosta al suo interno.

Si trattava anche di una questione di governance e conformità: nei settori regolamentati, la conformità richiede che il comportamento del sistema possa essere spiegato, verificato e difeso. Ciò è in linea con le esigenze normative emergenti in materia di trasparenza dell’IA e supervisione umana.

Partire dal controllo, non dalla velocità

Siamo partiti da una semplice domanda:

Quali prove ci convincerebbero che questo sistema funzionerebbe correttamente nel corso di decenni di cambiamenti legislativi su una scala realistica?

Insieme ai tester e agli esperti in materia, abbiamo definito una chiara strategia di go/no-go basata su un numero limitato di principi chiari:

• Confronto incrociato trasparente e preciso utilizzando dati storici reali

• Implementazione su vasta scala, in modo che i casi rari non possano essere trascurati

• Copertura degli anni rilevanti dal punto di vista giuridico nell’arco di diversi decenni

La modernizzazione sarebbe proseguita solo se tutte queste condizioni fossero state soddisfatte.

Uso dell'intelligenza artificiale entro limiti ben definiti

L’AI ha svolto un ruolo importante in questo processo, ma sempre entro i limiti definiti dalle persone.

Ci ha aiutato a identificare modelli ricorrenti in decenni di logica aziendale, a determinare quali anni fossero giuridicamente rilevanti, ad accelerare il lavoro di implementazione in presenza di vincoli rigorosi e ad analizzare grandi volumi di risultati di confronto.

Gli esseri umani sono rimasti responsabili di decidere cosa doveva essere confrontato, quale fosse un comportamento accettabile e quando le prove fossero sufficienti.

Ogni volta che l’AI iniziava a ottimizzare in base a metriche tecniche anziché a risultati nel mondo reale, venivano introdotte ulteriori misure di sicurezza. Queste misure si applicavano al codice, agli invarianti aziendali, ma anche ai test, garantendo che scenari irrealistici o incompleti venissero scartati automaticamente.

Dalla correttezza alla manutenibilità a lungo termine

Il nostro primo obiettivo non era la manutenibilità, bensì la fiducia. Dovevamo innanzitutto dimostrare che il comportamento potesse essere compreso, convalidato e riprodotto in modo affidabile.

Una volta acquisita la certezza di poterlo fare, l’attenzione si è spostata sulla manutenibilità.

Utilizzando il comportamento verificato come riferimento, il team di sviluppo ha rifattorizzato il sistema in un codice chiaro e mantenibile, verificando continuamente che il comportamento non cambiasse.

La logica è stata inoltre espressa in test di scenario automatizzati e comprensibili per gli esperti del settore, consentendo a questi ultimi di leggere e convalidare direttamente i casi. Questo passo ha reso esplicita e condivisibile la logica accumulata nel corso di decenni. Ha inoltre creato una rete di sicurezza dinamica che rende il sistema mantenibile e a prova di futuro.

Il risultato e le conseguenze per l'organizzazione

I test effettuati con carichi di produzione dimostrano che il sistema si comporta in linea con l’implementazione originale. Inoltre, la moderna implementazione Java elabora un batch completo di circa 1.500.000 record a una velocità circa quattro volte superiore rispetto al sistema legacy in condizioni simili.

Ma soprattutto, l’organizzazione adesso beneficia di:

• Una piattaforma sicura e supportata che riduce il rischio operativo

• Una logica trasparente che gli ingegneri possono mantenere e gli esperti di settore possono convalidare

• Un quadro di governance che consente cambiamenti futuri senza perdere il controllo

Ciò crea le basi per un’evoluzione sostenibile piuttosto che per una modernizzazione una tantum.

Conclusione

Questa non è una storia sulla sostituzione delle persone con l’intelligenza artificiale.

È una storia sull’uso dell’intelligenza artificiale per rendere visibile la conoscenza nascosta, mantenendo al contempo esplicita la responsabilità. Negli ambienti ad alto rischio, la sfida non è agire più rapidamente, bensì comprendere e verificare a sufficienza per apportare cambiamenti in tutta sicurezza.

È proprio qui che l’intelligenza artificiale crea valore reale: quando viene gestita correttamente.

Vuoi andare più a fondo?
Questo articolo è parte della serie Cegeka Software Factory in cui esploriamo come i Cegeka Application Services basati sull'intelligenza artificiale mettano al primo posto il valore concreto.
Potrebbe interessarti anche:

• Perché l'AI accelera la software delivery e come evitare di aumentare gli sprechi: Leggi l'articolo...
• Dal controllo dei costi alla software delivery incentrata sul valore: Leggi l'articolo...

• Perché la velocità dell'intelligenza artificiale richiede intelligenza umana: Leggi l'articolo...

Vuoi approfondire come trasformare la software delivery con una forza lavoro AI-native? Scarica il nostro e‑book e scopri come funziona davvero la Cegeka Software Factory.