Puntos clave: Los análisis de la Encuesta BMC Mainframe 2024 destacan la creciente importancia de GenAI para mejorar la eficiencia operativa en entornos mainframe. La encuesta muestra que el 76% de las organizaciones son adoptando GenAI, con un 40% que reporta mejoras operativas significativas.
- La priorización de AIOps entre las organizaciones de mainframe aumentó del 34% al 45%.
- El cuarenta por ciento de las organizaciones que aprovechan GenAI reportaron una mayor eficiencia operativa.
Este año se cumple décimo año en BMC, y durante casi todo ese tiempo he estado vinculado a la realización de la Encuesta BMC sobre Mainframes. En la fase de análisis que acabamos de completar, una cosa de los resultados de la encuesta destacó este año por encima de todas las demás. A lo largo de los datos, observamos una nueva prioridad y enfoque en el utiliza o posible utiliza de la inteligencia artificial (IA) para gestionar la complejidad de los mainframes y la brecha de conocimiento creada por la evolución de la fuerza laboral de los mainframes. Aprovechar la IA, incluyendo el aprendizaje automático (ML) y la IA generativa (GenAI), se ha vuelto crucial para mejorar la eficiencia operativa y satisfacer las demandas modernas de TI. Esta entrada de blog explora el papel de la IA en la transformación de mainframes basándose en los conocimientos de la Encuesta Mainframe 2025 de BMC, destaca las principales tendencias y desafíos en este entorno en evolución, y ofrece recomendaciones estratégicas sobre cómo las organizaciones pueden aprovechar eficazmente la IA en sus entornos mainframe.
Entendiendo la IA: ML frente a GenAI
La IA abarca una variedad de tecnologías que Permite a las máquinas imitar la inteligencia humana, incluyendo la resolución de problemas y la toma de decisiones. Dentro de este amplio campo, la IA/ML implica el utiliza de algoritmos para analizar datos, conoce de ellos y Haz predicciones. La GenIA, un subconjunto de la IA, va un paso más allá creando nuevos contenidos o soluciones basadas en patrones aprendidos. Cada una de estas tecnologías ofrece capacidades y aplicaciones únicas en entornos mainframe:
- ML: El análisis avanzado de datos y la detección de anomalías Permite la identificación y resolución proactiva de problemas, asegurando un rendimiento del sistema más fluido.
- GenAI: Al automatizar la generación de código y abordar problemas complejos, GenAI impulsa la innovación y la transformación en las operaciones de mainframes.
Perspectivas de encuestas sobre AIOps
Los resultados de la Encuesta BMC sobre Mainframes 2024 muestran que AIOps, la aplicación de la IA a operaciones de TI, ha experimentado un aumento significativo en la priorización entre las organizaciones de mainframes, pasando del 34 por ciento en 2023 al 45 por ciento en 2024. Cabe destacar que AIOps, que ocupó el noveno puesto en las prioridades de mainframes en 2023, ha pasado a estar entre los tres primeros en la encuesta de este año, lo que indica un cambio estratégico hacia operaciones impulsadas por IA. Las empresas extragrandes (más de 50.000 MIPS), con una mayor prioridad AIOps del 54 por ciento, demuestran el papel fundamental de las tecnologías avanzadas de IA en entornos a gran escala. GenAI, en particular, está destacada como la capacidad más importante, con un 45 por ciento de las organizaciones destacando su importancia.
Aprovechando GenAI y ML para abordar la complejidad de AIOps
A pesar de sus beneficios, AIOps para mainframe están particularmente complejo debido a la naturaleza compleja y altamente integrada de los sistemas mainframe, que se han desarrollado y ampliado a lo largo de décadas. Estos sistemas suelen ejecutar una amplia gama de aplicaciones críticas, cada una con dependencias y configuraciones únicas, creando un entorno desafiante para las operaciones tradicionales de TI. La encuesta revela que el 31 por ciento de las organizaciones de mainframes que han implementado AIOps perciben la complejidad como un problema importante, frente al 24 por ciento en 2023. Esta creciente preocupación subraya la necesidad de soluciones efectivas para gestionar y mitigar estos desafíos. El impacto de la complejidad de AIOps en las operaciones de mainframe requiere enfoques estratégicos, como aprovechar las tecnologías GenAI y ML para agilizar y optimizar procesos. El 60 % de las organizaciones de mainframes extragrandes que son priorizar AIOps son intentar resolver este problema de complejidad AIOps usando soluciones GenAI, mientras que el 57% son usando automatización basada en ML.
Adopción de GenAI en organizaciones mainframe
La encuesta de mainframe muestra que el 76 % de las organizaciones son usando GenAI, lo que refleja su amplia aceptación e implementación. En cuanto a adopción de mainframes, el 86 % de los encuestados que son aumentando su inversión en mainframe son usando GenAI. Estas organizaciones son significativamente más propensas a utilizar la tecnología que aquellas que tienen una inversión estable o en declive en sus sistemas mainframe, y el 82 % cuenta con una política GenAI establecida. Los beneficios observados por las organizaciones que utilizan GenAI incluyen mejoras significativas en eficiencia y rendimiento operativo, con un 40 % reportando avances notables. De las organizaciones que priorizan AIOps, el 45 por ciento afirma que GenAI está la capacidad más importante para ayudarles a Lograr sus objetivos. La alta tasa de adopción de GenAI y el reconocimiento de sus beneficios subrayan el potencial de la tecnología para transformar las operaciones de mainframes e impulsar la innovación.
Casos actuales de utiliza de GenAI en la transformación de mainframes
Basándose en los resultados de la encuesta, los encuestados informan que GenAI muestra un gran potencial en diversas formas para mejorar las operaciones de mainframe:
- Automatización: El treinta y siete por ciento de las organizaciones quiere utilizar GenAI para eliminar tareas repetitivas, mejorar la eficiencia y liberar recursos para actividades estratégicas.
- Identificación de problemas y riesgos: El treinta y seis por ciento de las organizaciones buscan analizar código y archivos de configuración para identificar problemas y vulnerabilidades, mejorando la seguridad.
- Obtención de conocimientos: El treinta y cuatro por ciento de las organizaciones quieren complementar la experiencia existente con conocimientos empresariales críticos, apoyando los procesos de toma de decisiones.
- Formación: El treinta y tres por ciento de las organizaciones planean utilizar GenAI para la incorporación y formación de nuevo personal, cerrando así la brecha de conocimiento.
Estos casos de utiliza demuestran la versatilidad e impacto de la GenAI en la transformación de mainframes.
Recomendaciones: Oportunidades futuras para la IA en la transformación de mainframes
El futuro de la IA en la transformación de mainframes parece prometedor, con tendencias emergentes que indican la evolución continua de las tecnologías de IA. Con casi la mitad de las organizaciones considerando la IA como la capacidad más importante para ayudarles Lograr sus objetivos, te deberían centrarse en acertar con la IA con utiliza casos que beneficien a tu empresa. Estos avances ofrecen nuevas oportunidades para una automatización mejorada, análisis predictivo y capacidades de resolución de problemas en tiempo real. Para aprovechar estas oportunidades, las organizaciones pueden invertir en:
- Planificación estratégica: Desarrollar una hoja de ruta estratégica con políticas para integrar la IA en las operaciones de mainframe, alineadas con los objetivos empresariales.
- Educación: Dotar a los empleados de los conocimientos y habilidades necesarios para aprovechar eficazmente las tecnologías de IA.
- Actualizaciones de infraestructura: Asegúrate de que la infraestructura necesaria están disponible para apoyar las implementaciones de IA.
Conclusión: Recomendaciones estratégicas para la IA en la transformación de mainframes
La IA presenta muchas oportunidades para transformar entornos mainframe, especialmente en el desarrollo y operaciones de aplicaciones. Basándonos en los conocimientos de la Encuesta BMC sobre Mainframes, aquí son algunas recomendaciones estratégicas:
- Para el desarrollo de aplicaciones:
- Utiliza la IA para ayudar en tareas rutinarias de programación y mejorar el mantenimiento del código.
- Detecta anomalías de código a tiempo, reduciendo la probabilidad de errores.
- Aprovecha la explicación del código para comprender mejor el código y las aplicaciones desconocidas.
- Para operaciones:
- Utiliza ML para análisis avanzados de datos y detección de anomalías, permitiendo la detección proactiva de problemas.
- Implementar reglas de IA para realizar el diagnóstico e identificación de problemas.
- Aplicar GenAI para automatizar la resolución de problemas y optimizar el rendimiento del sistema, mejorando la eficiencia operativa global.
Al adoptar estas tecnologías de IA, las organizaciones pueden impulsar la innovación, mejorar la eficiencia y mantener una ventaja competitiva en el panorama de TI que evoluciona rápidamente. La adopción estratégica de la IA será fundamental para aprovechar todo el potencial de la transformación del mainframe. Para más información sobre las tendencias que afectan al mainframe, visita la página de la Encuesta BMC sobre Mainframes 2025.
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.