谁都不想欠债，但在企业IT不断进化过程中，“欠债”是无法避免的一件事！这些债不是钱，通常是日积月累的“技术遗留”。比如：构建优雅架构时临时赶工的“烂摊子”，或者是版本迭代时，那些来不及升级的应用——先这样后面再改，事实上却永远没改的老旧代码。

　　从企业管理来看，一直欠着的“老旧技术”，比欠钱更可拍，他们不仅无法创造价值，还在每年吸企业的血！全球权威研究机构Forrester数据分析显示，近20%的IT预算被用于管理技术债务，而不是推动新功能开发；一家叫做《系统与软件杂志》的统计数据更令人扎心，开发者平均会浪费23%的工作时间处理技术债务；知名咨询公司埃森哲也算过一笔宏观账，技术债务每年造成的损失高达2.41万亿美元……

　　很明显，当企业的“技术债”像雪球一样，越滚越大，越来越重，这已经不是技术本身存在的问题，而是上升到战略高度，成为横在企业业务创新路上的“一座大山”。当一个企业有近1/4的时间都在与老旧系统纠缠，你拿什么去和竞争对手比拼？

　　那么，问题来了，为什么技术债如此难还？在AI重塑一切的全新时代，能否通过源代码翻译的方式，让那些传统应用“旧貌换新颜”？从逻辑上看，似乎没有问题，但现实情况却在“啪啪打脸”！

　　技术债“难还”在哪里？

　　在所有技术债中，大型机现代化迁移是难度最大的，而“COBOL”又是其中最难啃的骨头！

　　虽然，COBOL老到可以进“博物馆”，但是依然不能丢。因为，全球每天有数千亿行COBOL代码在生产环境中运行，支撑着金融、航空和政府部门的关键系统。

　　简单理解，我们每次刷信用卡、取社保金、订机票时，背后都可能有一个超过50年的COBOL程序在默默运行，其性能和运行效率可想而知。

　　为什么不能换掉这些老旧应用？IT部门不是没有想过！要想对大型机工作负载进行迁移，首先需要对COBOL这一运行在IBM计算机上的老旧编程语言进行改造。然而，懂COBOL的程序员平均年龄已超过60岁，年轻人没人愿意学这门“古董语言”。

　　如果让AI去读COBOL代码，然后翻译成Python、R、Java、C++等现代语言……想象很美好，但实际操作起来，业务需求和技术实现完全不在一个频道上！原因是什么？对于那些采用COBOL代码编写的老旧程序来说，文档早就丢了，代码中潜藏着的无数业务规则，比如：利息、保费、赔款等问题，没人看得懂。

　　如果程序员都搞不定，你把一堆几十年前的COBOL代码，扔给GitHub Copilot、Cursor等 AI智能编程工具，看起来能直接吐出干净的代码，但上线后发现：利息算错了，赔款也不对，很多代码里内置的隐藏关系没有捋顺清楚，这种差错在金融核心系统中绝对不允许出现。因为，只要一个规则不对，银行的损失动辄就是上百万美元。

　　技术债务之所以可怕，是因为它从来都不是“单一问题”。再以典型的Windows应用迁移为例，要想成功升级到现代化技术栈，需要冲破重重关卡。比如：底层是运行了十几年的.NET Framework应用，版本早就过时；而往上走的UI框架，可能比很多工程师的年纪还大；数据库是某个年代的SQL Server，里面存着没人敢动的存储逻辑；部署流程更是一团乱麻，不同系统彼此耦合、互相依赖，牵一发而动全身……

　　如何让AI只做擅长的事？

　　AI在老旧系统面前，也只能束手无策吗？在与400多家客户的沟通和合作过程中，亚马逊云科技找到了大型机工作负载走向现代化技术栈的实践路径！

　　“AI需要的不仅仅是源代码本身，还需要很多源代码无法单独提供的更多上下文信息。” Amazon Transform 项目负责人Asa Kalavade在一篇博客中，概括了AI拯救企业大型机“技术债”的一些关键点。

　　Asa Kalavade认为，大型机现代化改造过程可以分为两个关键阶段：第一阶段是逆向工程（reverse engineering），也就是理解现有系统到底在做什么；第二个阶段是正向工程（forward engineering），即构建新的应用程序。第一阶段，非常重要，决定了现代化改进的成败。而对于很多智能编码助手来说，最擅长的点其实是第二阶段，那就是通过一份清晰、经过验证、可追溯的文档及设计规则，快速构建出现代化应用。

　　而从整个实践路径来看，大型机现代化转型既需要逆向工程，也需要正向工程。至于，如何让AI真正发挥价值，只干它擅长的事？一般来说，大多数企业都会踩到以下几个坑：

　　1.代码是有“边界”的，但AI看不到

　　一个大型机的程序可能有数万行代码，同时还会引用系统中共享的数据定义，进行其他程序调用，并通过JCL（作业控制语言）进行编排。目前的AI工具， 一次只能处理有限规模的代码，如果你只给它一个程序，它根本看不到相关的Copybook、被调用的子程序、共享文件，以及把一切连接起来的JCL。这样一来，AI生成的代码看起来合理，但一旦放回整个系统，依赖关系全断，根本跑不起来。

　　Amazon Transform的做法是，首先以确定性的方式提取所有隐含的依赖关系，然后再向AI提供具有清晰边界且完整的代码单元，其中所有必要信息都已经被解析和补全。这样，AI就可以专注于它最擅长的事情——理解业务逻辑并生成规范说明，而不是去猜测那些它无法看到的系统连接关系。

　　2.同一段代码，在不同平台上行为不同

　　数值如何进行舍入？数据在内存中的存储方式是什么？应用程序如何与中间件进行交互？这些问题可能都是最容易被忽视的问题！

　　要知道，同一份COBOL源代码，在不同的编译器和运行环境下，行为可能会完全不同。很多信息根本不在源代码里，而是由代码所依赖的编译器和运行时环境决定的。几十年来形成的软硬件深度集成，不是通过简单迁移代码就能复制。

　　如果只给AI源代码，不给具备平台感知的上下文能力，它生成的结果可能看起来正确，但运行时就会完全不一样。

　　Amazon Transform的实践经验是，只有当平台相关的行为被解析和明确之后，AI才能发挥出最 佳效果。如果向AI提供的是干净且具备平台感知能力的输入，它就能够很好地完成任务；但如果只是提供原始源代码，最终生成的结果可能看起来正确，却在实际运行时表现出与原系统不同的行为。在金融系统中，一个舍入规则的差异并不是一个简单的设置问题，而是可能会造成一个实质性的错误。

　　3.合规的关键的不是代码，而是可追溯性

　　如果你所在的行业是银行、保险、政府部门，监管机构通常会问：如何证明你没有遗漏任何业务规则？显然，仅靠AI自己，根本没法满足监管和合规这一要求！

　　AI阅读源代码，提取业务逻辑，生成文档——整个过程是一个黑箱。监管机构不会接受“AI说就是这样”的答案。按照可追溯性要求，每一个输出结果，都必须能够以正式且可审计的方式，追溯到原始的代码和业务逻辑。

　　值得一提的是，对于受监管行业的客户来说，可追溯性非常重要，往往决定了一个项目的进程，是顺利推进，还是会直接停滞。

　　Amazon Transform的核心思路非常简单，那就是为应用构建一个完整且具有确定性的模型。专属AI Agent会从整个系统层面提取代码结构、运行时行为以及数据关系，而不是一次只分析一个程序，通常是覆盖整个系统环境，能解决跨程序依赖关系，以及中间件的交互问题，包括平台特定的一些行为。

　　Amazon Transform：一个可大规模实现应用现代化迁移的AI智能体平台

　　对于深陷“技术债”泥潭的企业来说，Amazon Transform 是一个实现大规模应用迁移的最 佳选择！

　　Amazon Transform 是首款专为加速企业全栈现代化而研发的代理式人工智能服务，可支持 Windows、大型主机、VMware 工作负载的现代化转换，以及代码、API、框架等的自定义转换。该服务也是亚马逊云科技二十年实践积累的沉淀，拥有丰富的迁移和现代化经验。通过专用的人工智能代理的部署，可自动执行复杂任务，例如评估、代码分析、重构、分解、依赖关系映射、验证和转换规划，因此显著缩短了项目时间。

　　与其他平台不同的是，Amazon Transform可以并行执行多项任务，可以帮助各个组织同时对数百个应用程序进行现代化改造，并保持高质量和控制力。在使用体验上，用户可以通过自然语言聊天的方式实现业务目标，并能共享工作空间。对于跨组织和跨职能团队来说，可以从头到尾实时协作、跟踪进度和管理转换。

　　Amazon Transform 自发布以来，发展势头十分强劲，得到了诸多客户的认可。通过AI智能体消除技术债务，益博睿（Experian）是个典型的案例。借助Amazon Transform，该公司实现了七个遗留的 .NET 应用的现代化，让开发者的工作量减少 40%，节省了约 300 个工程日，同时转换了数十万行代码。

　　再比如，通过代码转换，解决复杂性任务，加拿大航空的案例也颇具代表性。在Node.js 16 升级到 20 过程中，Amazon Transform带来了90%的工作效率提升，让预期时间和项目成本减少了 80%。通过AI智能体，可实现高质量、可重复的快速转换目标，加速推进组织范围内大规模代码迁移和应用现代化进程。

　　为了将大型机现代化进程，从数年缩短到数月。宝马集团使用 Amazon Transform将测试时间减少了 75%，并将测试覆盖率提高了 60%，在加速现代化时间表的同时显著降低了风险。

　　同样，为了大规模简化 VMware 迁移，CSL 借助Amazon Transform将初始波次规划加速了 10 倍，为跨越 29 个数据中心的 1,072 个应用节省了至少 10.5 周的工作量，同时将应用发现时间减少了 12 倍。

　　Amazon Transform for VMware 引入了新的AI智能体功能，从根本上改变了将 VMware 工作负载迁移到 AWS 的方式。你可以把VMware 迁移智能体当成你的协作队友，可以理解你的业务优先级，并为跨越数千台服务器的数百个应用智能地规划迁移。

　　总结而言，Amazon Transform是企业大规模应用升级的福利，可以明显地降低现代化应用成本，减少老旧系统的持续维护费用，全面消除遗留应用带来的企业压力。