آینده تاریک برای AI در سیستم‌های مین‌فریم؛ پیش‌بینی گارتنر از موج شکست‌ها تا ۲۰۳۰

تکناک
نویسنده: مانی
شنبه 30 خرداد 1405
آینده تاریک برای AI در سیستم‌های مین‌فریم؛ پیش‌بینی گارتنر از موج شکست‌ها تا ۲۰۳۰
آینده تاریک برای AI در سیستم‌های مین‌فریم؛ پیش‌بینی گارتنر از موج شکست‌ها تا ۲۰۳۰

گارتنر هشدار می‌دهد که به‌ دلیل شکاف بین وعده‌های هوش مصنوعی و عملکرد واقعی آن در مهاجرت سیستم‌های مین‌فریم، حدود ۷۵ درصد شرکت‌های این حوزه تا سال ۲۰۳۰ از بازار خارج می‌شوند.

احتمالا شنیده‌اید که بسیاری از شرکت‌ها هنوز از کدهایی با زبان‌های برنامه‌نویسی قدیمی مانند COBOL استفاده و برای نگهداری آنها مبالغ بالایی به متخصصان پرداخت می‌کنند. اکنون به نظر می‌رسد این حوزه از فناوری می‌تواند محل شکل‌گیری یک حباب مرتبط با هوش مصنوعی باشد. در حال حاضر، فروشندگان موسوم به “mainframe exit vendors” با بهره‌گیری از ابزارهای هوش مصنوعی، خدمات انتقال سیستم‌های سازمانی به زیرساخت‌های ابری یا سرورهای مدرن نظیر Microsoft Azure و AWS را ارائه می‌دهند. با وجود این، بر اساس پیش‌بینی‌های جدید، حدود ۷۵ درصد از این شرکت‌ها تا سال ۲۰۳۰ یا ناچار به تغییر مدل کسب‌وکار خواهند شد یا از بازار خارج می‌شوند.

الساندرو گالیمبرتی از گارتنر در اظهاراتی در این زمینه گفت: «شکاف فزاینده‌ای میان وعده‌های بازاریابی GenAI و توان عملیاتی واقعی آن در تبدیل و مهاجرت کدهای پیچیده وجود دارد. هم‌زمان، فشار سرمایه‌گذاران باعث شده است که فروشندگان بدون توجه کافی به ارزش افزوده واقعی، قابلیت‌های هوش مصنوعی را در محصولات خود ادغام کنند. ترکیب این روند با ماهیت حیاتی و غیرقابل‌جایگزین سیستم‌های مین‌فریم، همچنین کاهش مستمر نیروی متخصص در حوزه زیرساخت و عملیات (I&O)، شرایطی ایجاد کرده که ریسک‌های عملیاتی به‌ صورت تصاعدی افزایش یافته است و استراتژی‌های مهاجرت ضعیف را غیرقابل‌دفاع می‌سازد.»

در این بازار، شرکت‌هایی مانند IBM، 21CS، BMC، Broadcom، Rocket Software، DXC، GTSG و Kyndryl فعال هستند. گارتنر پیش‌بینی می‌کند که بخشی از این بازیگران به دلیل بازتنظیم انتظارات بازار و کاهش تقاضا برای راهکارهای مهاجرت یکپارچه و عمومی از بازار خارج شوند. این بازتنظیم ناشی از افزایش هزینه‌های پروژه، ریسک‌های تجاری و احتمال شکست‌های بحرانی در صورت اجرای نادرست فرایندهای مهاجرت خواهد بود. جمع‌بندی گارتنر اهمیت ویژه‌ای دارد، چرا که نشان می‌دهد حتی در یکی از حوزه‌هایی که بیشترین تکیه را بر GenAI دارد، تردیدهای جدی نسبت به کارایی واقعی این فناوری وجود دارد. در شرایطی که بحث درباره بازگشت سرمایه‌گذاری‌های کلان در هوش مصنوعی مولد همچنان ادامه دارد، این تحلیل‌ها نشان می‌دهد که مسیر توسعه GenAI می‌تواند با نوسانات و چالش‌های ساختاری قابل توجهی مواجه شود.

نظرات کاربرانکپی متنکپی لینک