Il risultato che molti CIO e IT Manager conoscono bene è un team che passa ore in triage manuale, inseguendo correlazioni tra sistemi che parlano linguaggi diversi, mentre il tempo medio di risoluzione degli incidenti continua a salire.

Il nodo non è la mancanza di strumenti. Nella maggior parte delle organizzazioni ne esistono già troppi, spesso sovrapposti: un APM per le applicazioni, un sistema di monitoraggio per l’infrastruttura, una piattaforma iPaaS con i propri log, un ticketing system che riceve alert da tutto. Il problema è l’assenza di un livello di intelligenza trasversale che sappia correlare questi segnali, eliminare il rumore, identificare la causa radice e tradurre tutto questo in un’azione concreta per chi deve intervenire.

Da alert a incident: il salto che i tool tradizionali non fanno

La differenza tra un sistema di log analytics e un framework di log intelligence sta in questo passaggio: il primo raccoglie e indicizza, il secondo ragiona. Un’anomalia che si manifesta su tre sistemi diversi con tre alert distinti non è tre problemi — è uno. Ricondurla a un’unica root cause, correlarla al codice o alla configurazione che l’ha generata, aprire un ticket già compilato con il contesto necessario per intervenire: questo è il salto che la maggior parte degli strumenti di monitoring non compie.

È su questo gap che Omnia Group ha costruito Omnia Insight, un framework AIOps di log intelligence progettato per coprire l’intero ciclo di vita dell’evento operativo. L’architettura si articola in sei livelli funzionali, dalla raccolta e normalizzazione dei segnali fino all’output su ticketing e dashboard, con un motore AI/ML al centro che combina semantic clustering, anomaly detection e un agente LLM con RAG contestuale per la root cause analysis. Il framework viene quindi “cucito” addosso al contesto da monitorare tramite una fase implementativa che può prevedere eventuali customizzazioni.

Il dettaglio tecnico che distingue Omnia Insight dai tool di monitoring tradizionali è la correlazione tra l’evento di log e il codice o la configurazione che lo ha generato. Quando il sistema identifica una root cause, il ticket che apre su Jira, SysAid o ServiceNow non contiene solo la descrizione dell’errore: contiene il riferimento al file, alla classe, al flusso di integrazione o al manifest Kubernetes coinvolto. Chi deve intervenire sa già dove guardare.

Omnia Insight: tre contesti operativi, un’unica piattaforma

Omnia Insight si declina in tre verticali applicativi che condividono lo stesso AI engine, gli stessi connettori verso i sistemi operativi del team IT e la stessa dashboard, ma si adattano alle specificità di ciascun contesto.

Per le organizzazioni che gestiscono flussi di integrazione su piattaforme iPaaS o ESB il rischio principale è la propagazione silenziosa di un’anomalia attraverso pipeline di integrazione interconnesse. Un messaggio fallito a monte può bloccare decine di processi downstream prima che qualcuno se ne accorga. Omnia Insight monitora i log delle piattaforme in real-time, raggruppa gli errori per similarità semantica e correla gli alert ai flow definitions del runtime, indicando nel ticket il punto esatto di rottura nella pipeline.

Per i team che sviluppano e mantengono applicazioni custom, il differenziatore è la correlazione diretta tra il log di errore e il repository di codice sorgente. Il motore RAG indicizza i repository Git del cliente: quando identifica una root cause, il ticket include il riferimento diretto al file e alla classe coinvolti. Per i team con cicli di rilascio frequenti, questo elimina il passaggio manuale dall’alert alla ricerca nel codebase, che spesso rappresenta la parte più lunga del triage.

Per le infrastrutture Kubernetes e cloud-native, il problema è diverso: alert fatigue da metriche ridondanti, triage manuale costoso dei pod in stato anomalo, assenza di visibilità predittiva sui trend di saturazione delle risorse. Omnia Insight integra Prometheus e Loki come pipeline nativa, applica modelli di anomaly detection per identificare pattern di degrado prima che diventino incidenti critici, e abilita playbook di remediation eseguibili con approvazione dell’operatore. Il RAG opera sui manifest Kubernetes e sulle chart Helm, contestualizzando ogni alert alla configurazione effettiva del cluster.

Il framework non è un prototipo: è stato sviluppato come evoluzione e generalizzazione di componenti già operativi su clienti reali. I risultati documentati indicano una riduzione del tempo di analisi dell’errore dell’89%, una diminuzione del MTTR del 67% e un calo dei falsi positivi del 70%. Numeri che si traducono direttamente in ore di lavoro risparmiate dal team IT e in incidenti che smettono di restare aperti per giorni.

Chi vuole approfondire l’architettura del framework, i modelli di adozione disponibili e le integrazioni supportate, può visitare la pagina dedicata al servizio di log intelligence di Omnia Group.

L'articolo Quando il monitoring non basta: come l’AI trasforma la gestione degli incidenti IT proviene da Data Manager Online.

Al tempo stesso, la complessità, la durata e i costi dei progetti di modernizzazione applicativa portano molti CIO o IT Manager a rimandarne la pianificazione.

Rimandare il rifacimento di un applicativo è però un costo: il continuo aumento del debito tecnico, manutenzione onerosa, la potenziale perdita di know-how aziendale, la minor competitività. Insomma, rimandare lega le aziende ad un circolo vizioso che renderà il progetto di modernizzazione sempre più difficile e dispendioso.

Oggi però, grazie all’Intelligenza Artificiale Generativa (GenAI), abbiamo uno strumento in grado di spezzare questo circolo vizioso e di rendere i progetti di modernizzazione applicativa più efficienti, superando di fatto i limiti dei metodi tradizionali.

La GenAI sta di fatto trasformando quelli che erano i limiti della modernizzazione in risorse strategiche:

1. Si passa dalla complessità nascosta dietro al software, alla possibilità di comprendere semanticamente il codice;
2. Si passa dalla crescente carenza di competenze sui linguaggi legacy alla possibilità di preservare la conoscenza tacita;
3. Si riducono i rischi di migrazione tipici dei metodi tradizionali grazie alla capacità della GenAI di introdurre una validazione comportamentale continua nella riscrittura del nuovo codice, riducendo così i rischi di regressione;
4. Si passa dall’accumulo sistemico di debito tecnico a un modello completamente language-agnostic per design che rende le aziende indipendenti nelle scelte tecnologiche strategiche.

Omnia Group, azienda di sviluppo software con oltre 30 anni di esperienza nella gestione di progetti di modernizzazione applicativa, ha recentemente introdotto sul mercato OmnIA Bridge, una piattaforma che rende possibile l’utilizzo sicuro e controllato della GenAI nei progetti di modernizzazione, dall’analisi del codice al deployment.

La piattaforma si basa su un’architettura multi-agente in cui agenti AI specializzati collaborano attraverso pipeline strutturate con checkpoint di approvazione umana. La conoscenza estratta viene indicizzata in una knowledge base semantica interrogabile in linguaggio naturale tramite Retrieval Augmented Generation (RAG), trasformandola in un asset aziendale permanente. Ogni trasformazione applicata al codice è tracciabile e verificabile, garantendo piena governance del processo di modernizzazione. Il codice generato segue le best practice del target stack selezionato ed è coperto da test automatici fin dalla prima iterazione.

I due principi fondamentali di Omnia Bridge sono: il man-in-the-loop, che garantisce il coinvolgimento e la supervisione umana nelle decisioni critiche e il test-driven development, che assicura la validazione continua e la coerenza funzionale durante la trasformazione del software.

Le fasi di un workflow di modernizzazione con OmnIA Bridge sono fondamentalmente tre:

1. Analisi e comprensione del codice legacy (estrazione della conoscenza dal codice, da documenti e dati),

1. Generazione controllata del nuovo codice guidata dal principio test-driven

1. Integrazione ossia merge sicuro e deployment.

Con questa piattaforma è quindi possibile:

• Estrarre automaticamente le logiche e le regole di business dal codice legacy per generare documentazione tecnica e funzionale strutturata, consultabile in linguaggio naturale e riutilizzabile come asset aziendale permanente. L’accuratezza della documentazione prodotta risulta > 90%

• Ridurre tra il 40 e il 60% i tempi e fino al 30% i costi di progetto grazie all’automazione ed efficientamento delle fasi di reverse engineering e sviluppo software, all’accelerazione dei tempi complessivi di migrazione e riduzione dell’effort progettuale

• Preservare il vero valore del codice legacy, ovvero il comportamento funzionale del sistema, attraverso l’estrazione semantica e la modellazione delle logiche applicative

• Modernizzare guidati dall’approccio test-driven e validazione continua, compresa la generazione automatica di scenari di test e benchmark per preservare comportamento AS-IS e ridurre le regressioni fino al 33%.

Per approfondire o richiedere una demo della piattaforma, potete visitare la pagina di OmnIA Bridge sul sito ufficiale di Omnia.

L'articolo OmnIA Bridge: la piattaforma agentica per modernizzare i software legacy proviene da Data Manager Online.

Questi applicativi sono affidabili, ma nel tempo diventano sempre più difficili e costosi da mantenere, aggiornare e integrare con le tecnologie moderne. Nonostante ciò, molte aziende scelgono di rimandare il processo di modernizzazione, scoraggiate da progetti percepiti come lunghi, complessi e onerosi.

Oggi, grazie all’intelligenza artificiale generativa (GenAI), è possibile affrontare la modernizzazione dei sistemi legacy con un approccio radicalmente diverso e con una riduzione significativa dei tempi di progetto.

Una sperimentazione dai risultati tangibili

Per capire le potenzialità della GenAI applicata alla modernizzazione, Omnia Group, azienda di consulenza informatica con oltre trent’anni di esperienza, ha condotto una sperimentazione interna che ha portato a una PoC innovativa dai risultati decisamente interessanti. Scopo della PoC era l’implementazione di una serie di workflow utilizzando strumenti basati sulla GenAI per la migrazione da codice Cobol (ancora ampiamente utilizzato in contesti mission-critical) a Java.  

Fasi della Poc

Uno dei pilastri della sperimentazione è stato l’utilizzo di metodologie test-driven, che anticipano la fase di validazione del codice per identificare eventuali problematiche già nelle prime fasi dello sviluppo.

Partire da queste metodologie si è rivelato estremamente utile perché garantisce agli sviluppatori di poter sfruttare la GenAI in un contesto chiaro e sicuro, senza compromettere la stabilità complessiva del progetto. In particolare:

• la creazione dei test prima dello sviluppo aiuta a stabilire il comportamento atteso del software, elemento fondamentale per guidare efficacemente l’AI.
• test ben strutturati garantiscono la conservazione delle funzionalità esistenti anche in presenza di modifiche automatiche al codice.
• grazie alla suite di test, è possibile valutare l’accuratezza del lavoro dell’AI, ricevendo feedback immediati sugli eventuali errori e le aree da correggere.

Nella PoC, sono stati eseguiti una serie di cicli di sviluppo che, unendo strumenti basati su GenAI e controllo umano, hanno prodotto risultati soddisfacenti ed evidenziato quanto, con il corretto approccio, la GenAI possa davvero essere una leva per la modernizzazione.

I risultati

Dall’analisi dei workflow sperimentati sono emerse evidenze particolarmente positive:

• L’intelligenza artificiale è in grado di produrre codice, in molti casi, di qualità superiore rispetto a quello realizzato manualmente.
• L’AI si dimostra efficace anche in compiti complessi come il refactoring, la stesura della documentazione tecnica, ecc.
• Gli strumenti basati su AI integrati negli ambienti di sviluppo forniscono un supporto costante ai programmatori, contribuendo ad aumentare l’efficienza e la produttività.
• Infine, l’uso dell’AI contribuisce a ridurre l’incidenza di fattori umani, migliorando la qualità del lavoro complessiva.

Un nuovo modello di sviluppo e cambiamenti significativi nel ruolo dello sviluppatore

L’integrazione della GenAI comporta cambiamenti significativi nei processi di sviluppo:

• Automatizza attività di routine come la scrittura di codice standard, accelerando l’intero ciclo di sviluppo;
• Nell’utilizzo dell’AI è prevista una fase di definizione del contesto funzionale e architetturale attraverso un linguaggio adeguato da trasmettere all’AI (prompt engineering). Questa fase richiede un’attenzione particolare e nuove competenze;
• Utilizzare delle metodologie orientate ai test è fondamentale per strutturare il processo e garantire che la GenAI operi all’interno dei limiti architetturali e funzionali richiesti.​

L’impatto sui progetti e sulle aziende

Grazie a questo metodo, le aziende che necessitano di modernizzare applicativi legacy ancora in uso, possono contare su tempi progettuali ridotti di circa il 30-40% a seconda della tipologia di progetto, con un’implicazione positiva anche sulla riduzione dei costi.

Questo modello mitiga quindi quella che è solitamente la maggior preoccupazione dei Direttori IT nell’affrontare un processo di modernizzazione: il tempo e il budget da investire. Ma non solo: come abbiamo visto, i risultati sono ottimi non solo in termini quantitativi, ma anche qualitativi.

Puoi approfondire questo nuovo metodo, visitando la pagina sull’AI-Driven Software Modernization di Omnia Group.

L'articolo Modernizzazione degli Applicativi Legacy: un nuovo approccio con la GenAI proviene da Data Manager Online.