الفهم مقابل الترجمة: ما الذي يحلّه الذكاء الاصطناعي فعلياً في تحديث لغة كوبول

في 23 فبراير 2026، انخفض سعر سهم شركة IBM بنسبة 13% في يوم واحد، مسجلاً بذلك أكبر انخفاض يومي له منذ أكتوبر 2000. وكان السبب وراء ذلك إعلانٌ من مختبر للذكاء الاصطناعي يدّعي القدرة على تحديث لغة COBOL. قرأ مجالس الإدارة التي تمتلك أنظمة حاسوب مركزية هذا الإعلان وتساءلت عما إذا كان بإمكان الذكاء الاصطناعي الآن تحويل لغة COBOL الخاصة بهم وتمكينهم من إيقاف تشغيل الحواسيب المركزية. وجاء رد IBM، الذي نُشر في اليوم نفسه، دقيقاً: فالترجمة لا تعكس تقريباً أياً من التعقيد الحقيقي، الذي يكمن في بنية البيانات، واستبدال وقت التشغيل، وسلامة المعاملات، والمتطلبات غير الوظيفية المدمجة في النظام الأساسي. لقد خلط السوق بين مشكلتين مختلفتين، وقام بتسعير حلٍّ لإحداهما كما لو كان حلاً لكلتيهما.

المشكلتان هما الفهم والترجمة. ليستا مرحلتين من نفس النشاط، بل هما تحديان تقنيان مختلفان تمامًا، يتعامل معهما الذكاء الاصطناعي بقدرات ومخاطر مختلفة تمامًا. لقد جعل الذكاء الاصطناعي فهم بيئة COBOL أسهل بكثير، لكنه لم يجعل استبدالها أسهل بكثير. هذا التمييز مهم تحديدًا لأن المؤسسات التي تتخذ قرارات استثمارية في التحديث تحتاج إلى معرفة المشكلة التي تدفع لحلها، وما يقدمه الذكاء الاصطناعي فعليًا في كل منها، وأين سيستهلك عمل التحقق المتبقي، بغض النظر عن أدوات الذكاء الاصطناعي، الميزانية التي تم توفيرها من خلال تحسين الفهم والترجمة.

التمييز الذي أخطأ فيه السوق

الفهم والترجمة ليسا نفس المشكلة.

الفهم هو منهجية لفهم وظيفة الكود وسببها، واستخلاص الغاية التجارية من التنفيذ التقني. في سياق لغة كوبول، يعني الفهم: ما هي قواعد العمل التي يشفرها هذا البرنامج؟ ما هي الشروط التي تحكم كل مسار تنفيذي؟ ما هي البيانات التي يقرأها وينتجها؟ ما هي الأنظمة اللاحقة التي تعتمد على مخرجاته؟ ما الذي يحتاج محلل الأعمال إلى معرفته عن هذا البرنامج لكتابة مواصفات بديلة له؟ الفهم يتعلق بالدلالات، أي المعنى، وليس بالبنية النحوية.

الترجمة هي عملية تحويل الشيفرة البرمجية من لغة إلى أخرى مع الحفاظ على سلوكها. في سياق لغة كوبول، تعني الترجمة إنتاج شيفرة جافا (أو بايثون، أو جو) تؤدي نفس وظيفة شيفرة كوبول، لجميع المدخلات، وفي جميع الظروف، مع تكافؤ عددي كافٍ للأنظمة اللاحقة التي تستخدم المخرجات. تركز الترجمة على التكافؤ البنيوي والسلوكي، حيث يجب أن تجتاز الشيفرة الجديدة جميع الاختبارات التي كانت ستجتازها الشيفرة القديمة، بما في ذلك اختبارات الحالات الشاذة التي أخذها المطور الأصلي في الحسبان والتي ربما لم تكن على دراية بوجودها.

الابعاد	فهم	خدمات ترجمة
تمت الإجابة على السؤال	ماذا يعني هذا الرمز؟	ما الذي يفعله هذا الكود بالضبط؟
نوع الإخراج	اللغة الطبيعية، التوثيق	كود قابل للتنفيذ
نتيجة الخطأ	قابلة للتصحيح عن طريق المراجعة البشرية	حادث إنتاجي
قدرة الذكاء الاصطناعي	يتميز الحاصلون على درجة الماجستير في القانون (LLM) بقوتهم وتفوقهم في الكتابة النثرية.	ضعف، حتمية مطلوبة
قيد المقياس	يمكن التحكم بها باستخدام نوافذ السياق	تجاوز الحد الأقصى للسياق على مستوى المحفظة
ملف خطر	الأخطاء قليلة وقابلة للمراجعة	الأخطاء العالية غير مرئية حتى يتم تفعيلها
دور بشري	مدقق ومُثري	مراجع ومُدقِّق

هذه المشاكل مترابطة، ويتطلب الأمر بعض الفهم لإجراء ترجمة جيدة، لكنها ليست المشكلة نفسها، والفجوة في قدرات الذكاء الاصطناعي بينهما كبيرة. إن فهم الذكاء الاصطناعي لرمز COBOL مثير للإعجاب حقًا. أما ترجمة الذكاء الاصطناعي لرمز COBOL إلى لغة Java مناسبة للإنتاج فهي صعبة للغاية، وخلط السوق بين الأمرين هو السبب وراء توقع غارتنر أن أكثر من 70% من مشاريع التخلص من الحواسيب المركزية التي بدأت في عام 2026 ستفشل في تحقيق فوائدها المرجوة.

أين يُحقق فهم الذكاء الاصطناعي النتائج المرجوة؟

تتميز مشكلة الفهم بخاصية تجعل الذكاء الاصطناعي مناسبًا لها تمامًا: فالناتج هو لغة طبيعية، وتوليد اللغة الطبيعية هو ما تُجيده نماذج اللغة الكبيرة. فعندما يقرأ الذكاء الاصطناعي برنامجًا مكتوبًا بلغة كوبول ويُنتج وثائق، أي وصفًا لما يفعله البرنامج، وشرحًا لقواعد عمله، وسردًا لتدفقات بياناته، يكون الناتج نصًا. ويمكن تصحيح الأخطاء في هذا النص: إذ يستطيع مُراجع بشري اكتشاف قاعدة عمل غير مُصاغة بشكل صحيح وتصحيحها دون أي تبعات تقنية لاحقة. فتكلفة أخطاء الفهم تكمن في تصحيح الوثائق، وليس في أي خلل في بيئة الإنتاج.

توثيق قواعد العمل. يمكن لنموذج لغوي ضخم، مُقدَّم باستخدام كتلة تقييم في لغة كوبول (COBOL EVALUATE)، والذي قد يحتوي على مئات من شروط "عندما" المتراكمة على مدى عقود من التغييرات التنظيمية، أن يُنتج وصفًا مُهيكلًا لمعنى كل شرط من الناحية التجارية. يُعد هذا الأمر ذا قيمة حقيقية للبرامج التي لم يعد توثيقها الأصلي موجودًا، أو لم يكن موجودًا أصلًا. على سبيل المثال، برنامج كوبول يُطبِّق منطق حساب الضرائب في 63 ولاية قضائية، حيث تكون قواعد تلك الولايات القضائية مُشفَّرة في بنية التقييم الخاصة به؛ ويمكن للذكاء الاصطناعي استخراجها وتوثيقها بسرعة تفوق أي عملية يدوية. ينبغي التحقق من صحة ما يُنتجه البرنامج من قِبل خبير في المجال، ولكن الخبير يُدقِّق مخرجات الذكاء الاصطناعي بدلًا من إعادة بناء المعرفة من الصفر، وهي عملية أسرع بكثير.

إليكم كيف يبدو فهم الذكاء الاصطناعي عمليًا. بالنظر إلى كود COBOL هذا:

كوبول

       EVALUATE TRUE
           WHEN CUST-COUNTRY = 'US' AND CUST-STATE = 'CA'
               COMPUTE TAX-AMT = GROSS-AMT * 0.0725
           WHEN CUST-COUNTRY = 'US' AND CUST-STATE = 'TX'
               COMPUTE TAX-AMT = GROSS-AMT * 0.0825
           WHEN CUST-COUNTRY = 'UK'
               COMPUTE TAX-AMT = GROSS-AMT * 0.20
           WHEN CUST-COUNTRY = 'DE'
               COMPUTE TAX-AMT = GROSS-AMT * 0.19
           WHEN OTHER
               MOVE ZERO TO TAX-AMT
       END-EVALUATE.

ينتج عن برنامج الماجستير في القانون الذي يتم إعداده بشكل جيد ما يلي:

Business Rule: Tax Calculation
This paragraph applies jurisdiction-specific tax rates to GROSS-AMT:
  - US/California: 7.25% (CA state sales tax)
  - US/Texas: 8.25% (TX state sales tax)
  - United Kingdom: 20% (UK VAT standard rate)
  - Germany: 19% (DE MwSt standard rate)
  - All other countries: tax-exempt (TAX-AMT = 0)

Note: No rate exists for other US states. Orders from NY, FL, IL
will be tax-exempt under current logic -- likely a gap requiring review.

هذا الناتج ذو قيمة حقيقية: فهو يوثق أربع قواعد عمل، ويحدد ثغرة محتملة (الولايات الأمريكية التي لا تقدم أسعارًا صريحة)، وينجز ذلك في غضون ساعات. يقوم خبير في المجال بمراجعته، ويؤكد وجود الثغرة، ويضيفها إلى حالات الاختبار. اكتملت مهمة الفهم بنجاح.

سرد التبعية. تُنتج أدوات التحليل الثابت رسومًا بيانية للتبعية، توضح البرامج التي تستدعي بعضها، والملفات المشتركة، ومجموعات البيانات المتدفقة بين البرامج. يستطيع الذكاء الاصطناعي إنتاج سرد بلغة طبيعية من هذا الرسم البياني: "يتم استدعاء CUSTPROC بواسطة 14 برنامجًا، بشكل أساسي خلال فترة المعالجة الليلية. ويشارك CUSTMSTR مع 47 برنامجًا، ويُنتج مخرجات إلى CUST-REPORT-FILE، الذي يُستخدم في سير عمل إعداد التقارير التنظيمية." يُعد هذا السرد أكثر فائدةً في عمليات الإعداد ومراجعة البنية من الرسم البياني للتبعية وحده، ويُنتجه الذكاء الاصطناعي في ثوانٍ من بيانات التبعية المنظمة.

توليد حالات الاختبار من السلوك المفهوم. بمجرد أن يوثق الذكاء الاصطناعي سلوك البرنامج، يمكنه توليد حالات اختبار تغطي مسارات التنفيذ الموثقة. هذا لا يُعدّ إثباتًا لتكافؤ السلوك، فحالات الاختبار تغطي المسارات التي فهمها الذكاء الاصطناعي، وقد تغفل مسارات أخرى. لكن تغطية 60% من مسارات التنفيذ من خلال الاختبارات المولدة بواسطة الذكاء الاصطناعي أفضل من التغطية المعدومة التي تعاني منها العديد من البرامج القديمة حاليًا، كما أنها توفر نقطة انطلاق لتعزيز الاختبارات اليدوية اللازمة للتحقق من تكافؤ السلوك.

التعرف على الأنماط في البرامج المتشابهة. غالبًا ما تحتوي محافظ برامج COBOL الكبيرة على العديد من البرامج المتشابهة هيكليًا، حيث يتم تطبيق نمط المعالجة نفسه على كيانات مختلفة، ويتم تغيير معلمات الحساب التنظيمي نفسه. يمكن للذكاء الاصطناعي تحديد أوجه التشابه هذه عبر آلاف البرامج وتصنيفها حسب نوع النمط، مما يتيح استراتيجية ترحيل تعالج كل نمط مرة واحدة وتطبق الحل بشكل منهجي بدلاً من التعامل مع كل برنامج على حدة.

القاسم المشترك: مخرجات الذكاء الاصطناعي للفهم هي نصوص، ويمكن للبشر مراجعة هذه النصوص، مما يُمكّنهم من اكتشاف الأخطاء قبل أن تُسبب عواقب تقنية. يُعد مستوى المخاطرة في الذكاء الاصطناعي للفهم منخفضًا بما يكفي لضمان القيمة الحقيقية التي يُقدمها، والأخطاء التي قد يرتكبها قابلة للإدارة.

حيث تبالغ الترجمة الآلية في وعودها

تتميز الترجمة بخاصية تجعلها أصعب بكثير على الذكاء الاصطناعي من الفهم: فالناتج عبارة عن شفرة قابلة للتنفيذ، وهذه الشفرة يجب أن تكون دقيقة تمامًا. فترجمة دقيقة بنسبة 95% تُنتج برنامجًا يفشل في 5% من المدخلات، وهو ما قد يُمثل في نظام معالجة المعاملات المالية خطأً في التقارير التنظيمية، أو تباينًا في حساب الرصيد، أو مخالفة للامتثال. إن تكلفة أخطاء الترجمة لا تقتصر على تصحيح الوثائق، بل هي خلل في عملية الإنتاج.

فشل الدقة العددية. تُنتج العمليات الحسابية العشرية المعبأة في لغة كوبول (COMP-3) نتائج عشرية دقيقة. double و بايثون float يستخدم معيار IEEE 754 للفاصلة العائمة الثنائية، والذي لا يستطيع تمثيل معظم الكسور العشرية بدقة. برنامج COBOL يقوم بالحساب 0.1 + 0.2 ينتج مع COMP-3 بالضبط 0.3نفس الحساب في جافا مع double ينتج عنه 0.30000000000000004بالنسبة لمؤسسة مالية تُجري هذه العملية الحسابية 10 ملايين مرة كل ليلة ضمن التقارير التنظيمية، فإن الخطأ المتراكم ليس مجرد خلل في نظام الفاصلة العائمة، بل هو تناقض في التقارير المالية. يُدخل نظام الترجمة بالذكاء الاصطناعي، الذي يُولّد بيانات جافا دون معالجة عملية تحويل COMP-3 إلى BigDecimal بشكل صريح، هذا الخطأ بشكل منهجي، وذلك في كل حقل يُترجمه الذكاء الاصطناعي. double بدلا من BigDecimal.

الفرق في الكود دقيق، لكن النتيجة ليست كذلك:

كوبول

      * COBOL: COMP-3 packed decimal -- exact arithmetic
       77  UNIT-PRICE    PIC S9(7)V99   COMP-3.
       77  QUANTITY      PIC S9(5)      COMP-3.
       77  LINE-TOTAL    PIC S9(11)V99  COMP-3.

       COMPUTE LINE-TOTAL = UNIT-PRICE * QUANTITY.
      * UNIT-PRICE = 19.99, QUANTITY = 3
      * LINE-TOTAL = exactly 59.97 -- no rounding error

جافا

// Java: naive AI translation uses double -- introduces error
double unitPrice = 19.99;
int quantity = 3;
double lineTotal = unitPrice * quantity;
// lineTotal = 59.96999999999999... not 59.97
// Correct translation requires BigDecimal:
// BigDecimal lineTotal = new BigDecimal("19.99").multiply(new BigDecimal(3));

في معاملة واحدة، يكون الخطأ غير مرئي. أما عند معالجة 10 ملايين معاملة ليلية، تُجمع في تقرير رأس المال التنظيمي، فيُصبح تباينًا جوهريًا. سيؤدي نظام الترجمة بالذكاء الاصطناعي الذي لا يُعالج حقول COMP-3 بشكل صريح إلى هذا الاستبدال في كل مرة.

تعتمد هذه المشكلة على خيارات المُصرّف. قد ينتج عن استخدام خيارات مُصرّف مختلفة نفس كود COBOL المصدري. على سبيل المثال، يُغيّر استخدام NUMPROC(MIG) بدلاً من NUMPROC(NOPFD) طريقة معالجة الاستثناءات العددية. كما تؤثر خيارات RMODE وAMODE وDATA على العنونة. عند ترجمة كود COBOL المصدري دون معرفة خيارات المُصرّف المُستخدمة، فإنّ الذكاء الاصطناعي الذي يُترجم الكود المصدري لا يُترجم سلوك البرنامج. قد تتطابق ترجمة Java مع الكود المصدري، ولكن ليس مع سلوك البرنامج الفعلي.

مشكلة الهلوسة على نطاق واسع. تُظهر الأبحاث أن نماذج GPT-4 تُظهر معدلات هلوسة تتراوح بين 33 و60% في مهام ترجمة الشفرة العامة، حيث تُنتج شفرة تبدو معقولة ولكنها تُضيف أو تُزيل سلوكيات غير موجودة في الشفرة المصدرية. بالنسبة لبرنامج يحتوي على 847 شرطًا من شروط EVALUATE، فإن معدل هلوسة بنسبة 5% يعني ترجمة 42 شرطًا بشكل خاطئ تقريبًا. تُمثل هذه الشروط الـ 42 قواعد عمل تم انتهاكها دون علم المستخدم أثناء الترجمة. وبدون مجموعة بيانات اختبار كاملة تُغطي جميع الشروط، لا يُمكن اكتشاف هذه الانتهاكات إلا عند وصول تركيبة الإدخال المُحددة التي تُسببها إلى بيئة الإنتاج.

أهمية الأرقام:

Error Type          | Detection Point    | Cost Range
--------------------|--------------------|------------------
Comprehension error | Human review       | Hours to fix
Translation error   | Test suite         | Days to isolate
Translation error   | Production         | $10K-$500K+ incident
Equivalence gap     | Regulatory audit   | $50K-$5M+ penalty

عدم التماثل: تُكتشف أخطاء الفهم قبل أن تترتب عليها عواقب تقنية. أما أخطاء الترجمة فتنجو من المراجعة وتنفجر في مرحلة الإنتاج، أو ما هو أسوأ، في مرحلة تقديم الطلبات التنظيمية.

الحد الأقصى لنافذة السياق. يحقق مساعد البرمجة Watsonx من IBM لنظام Z دقة هيكلية تبلغ 80% أو أكثر في ترجمة لغة COBOL إلى Java للبرامج الفردية ضمن نافذة سياق واحدة. تتكون مجموعة برامج COBOL التي تضم 5 ملايين سطر من آلاف البرامج، مع وجود تبعيات متبادلة بين البرامج التي لا يمكن أن تكون جميعها في نافذة سياق واحدة في الوقت نفسه. يؤدي استدعاء برنامج لبرنامج فرعي، والذي ترجم الذكاء الاصطناعي واجهته بشكل مختلف عن افتراضات البرنامج المُستدعي، إلى عدم تطابق في الواجهة لا يمكن لأي من الترجمتين وحدهما كشفه. تتطلب الترجمة على مستوى مجموعة البرامج فهمًا شاملاً بين البرامج، وليس فقط داخل البرنامج الواحد.

مشكلة الترجمة الخالية من السياق. يقوم برنامج COBOL الذي يعالج حدثًا تجاريًا محددًا بذلك ضمن سياق مضمن في النظام المحيط به، بدءًا من جدول الدُفعات الذي يحدد وقت تشغيله، ووصولًا إلى مجموعات البيانات التي يجب أن تكون متاحة عند بدء تشغيله، وترتيب معالجة السجلات، والبرامج اللاحقة التي تقرأ مخرجاته قبل تشغيلها. يترجم الذكاء الاصطناعي البرنامج دون فهم هذا السياق، فيترجم المصدر دون الدور. قد تكون ترجمة Java صحيحة داخليًا، ومع ذلك تفشل تشغيليًا لأنها تُشغَّل في وقت غير مناسب، وبترتيب خاطئ، وبدون متطلبات البيانات التي اعتمد عليها سلفها COBOL.

فجوة التكافؤ السلوكي

إن أهم مشكلة لا يحلها الذكاء الاصطناعي للفهم ولا الذكاء الاصطناعي للترجمة هي إثبات التكافؤ السلوكي، أي إثبات أن النظام المحدث ينتج نفس المخرجات التي ينتجها النظام القديم لجميع المدخلات التي تهم العمل التجاري والجهات التنظيمية التابعة له.

لا يُعدّ التكافؤ السلوكي مشكلة اختبار بالمعنى التقليدي. فهو لا يسأل "هل يجتاز النظام الجديد مجموعة الاختبارات؟"، لأن مجموعة الاختبارات لنظام كوبول قديم غالبًا ما تكون غير موجودة، أو تغطي جزءًا ضئيلًا من مسارات التنفيذ التي يحتويها البرنامج. بل يسأل: هل يُنتج النظام المُحدَّث نفس المخرجات لكل مُدخلات استقبلها نظام الإنتاج سابقًا؟ وهل يُنتج النظام المُحدَّث نفس النتيجة لكل مُدخلات قد يستقبلها نظام الإنتاج مستقبلًا، بما في ذلك الحالات الاستثنائية التي تحدث فقط خلال ظروف سوقية نادرة، أو فترات إعداد التقارير التنظيمية، أو ظروف خاصة بالعميل؟

تتطلب الإجابة على هذا السؤال ما يلي: توصيف لسلوك النظام الحالي مستمد من التنفيذ الفعلي للإنتاج (وليس من الوثائق، وليس من المصدر وحده)، ومجموعة اختبار تغطي النطاق الكامل لهذا السلوك، وإطار مقارنة يمكنه تحديد معنى "المكافئ" للمخرجات حيث يختلف التمثيل (EBCDIC مقابل UTF-8، والعشري المضغوط مقابل BigDecimal، وملف الدفعة مقابل سجل قاعدة البيانات).

لا تُقدّم أدوات الترجمة المدعومة بالذكاء الاصطناعي أيًا من هذه المزايا. تقييم شركة IBM واضحٌ ومباشر: الترجمة لا تُغطي تقريبًا أيًا من التعقيدات الحقيقية للتحديث. تتركز التكاليف والمخاطر في أعمال التحقق من التكافؤ السلوكي، والتشغيل المتوازي، وإطار التوفيق، والموافقة التنظيمية، وهي المجالات التي يُحدث فيها الذكاء الاصطناعي أقل فرق في التكلفة الإجمالية للبرنامج. يُركّز الذكاء الاصطناعي على المراحل الأولى من مشروع التحديث: الفهم والترجمة الأولية، لكنه لا يُركّز على المراحل الأخيرة: التحقق، واختبار التكافؤ، والتحقق المتوازي.

النموذج الصحيح: أساس التحليل الثابت، الطبقة الدلالية للذكاء الاصطناعي

إنّ قدرة الذكاء الاصطناعي الأكثر فعالية على الفهم لا تكمن في الذكاء الاصطناعي وحده، بل في الذكاء الاصطناعي الذي يعمل على أساس هيكلي توفره التحليلات الثابتة. وتعالج التحليلات الثابتة قيود فهم الذكاء الاصطناعي (مثل محدودية نافذة السياق، والتشويش في منطق البرامج المتشابكة المعقد، والتحليل الاحتمالي بدلاً من الحتمي). كما تعالج الذكاء الاصطناعي قيود التحليلات الثابتة (إذ تُنتج حقائق هيكلية دون أوصاف دلالية).

التقسيم الأمثل للعمل: يوفر التحليل الثابت يقينًا بنيويًا (حتمي، كامل، خالٍ من الهلوسات). بينما يوفر الذكاء الاصطناعي ثراءً دلاليًا (أوصافًا بلغة طبيعية، والتعرف على الأنماط، وتوليد الاختبارات). لا يكفي أي منهما بمفرده، بل يُغطيان معًا متطلبات الفهم الكامل.

الأساس الهيكلي الذي يوفره التحليل الاستاتيكي:

جرد كامل للبرامج. يشمل كل برنامج في المحفظة، بما في ذلك البرامج التي لم تُدرج في الوثائق والبرامج التي لا يمكن لنافذة سياق الذكاء الاصطناعي استيعابها في وقت واحد. تُجري التحليلات الثابتة معالجة المحفظة بأكملها دون قيود على السياق.

رسم بياني دقيق للتبعيات. كل علاقة استدعاء، وكل علاقة نسخ، وكل تدفق بيانات بين البرامج، مُستمدة بشكل حتمي من المصدر، وليس بشكل احتمالي من بيانات التدريب. عندما تصف أداة فهم الذكاء الاصطناعي تبعيات برنامج ما، يجب أن يستند هذا الوصف إلى رسم بياني للتبعيات تم إنتاجه بواسطة تحليل ثابت، وليس إلى استرجاع الذكاء الاصطناعي الاحتمالي لما تعتمد عليه البرامج عادةً.

تحديد التعليمات البرمجية غير المستخدمة. البرامج التي لا يمكن الوصول إليها من أي مسار تنفيذ إنتاجي لا تندرج ضمن نطاق التحديث. يحددها التحليل الثابت بدقة؛ بينما لا يستطيع الذكاء الاصطناعي ذلك، لأنه لا يملك آثار التنفيذ أثناء التشغيل اللازمة للتمييز بين التعليمات البرمجية النشطة والتعليمات البرمجية غير المستخدمة بالتحليل الثابت وحده.

جرد مخطط البيانات. كل إدخال FD، وكل دفتر نسخ، وكل حقل COMP-3 مع مواصفات الدقة الخاصة به، مستخرج من القطع الأثرية المصدرية بدلاً من إعادة بنائه من ذاكرة بيانات التدريب الخاصة بالذكاء الاصطناعي لما تبدو عليه تعريفات حقول COBOL عادةً.

إضافةً إلى هذا الأساس الهيكلي، يُضيف فهم الذكاء الاصطناعي طبقةً دلاليةً: وصفٌ باللغة الطبيعية لما يفعله كل برنامج، وتوثيقٌ لقواعد العمل، وسردٌ لتدفقات البيانات بين البرامج، والتعرف على الأنماط التي تُصنّف البرامج المتشابهة. هذا المزيج، الدقة الهيكلية الحتمية من التحليل الثابت، والثراء الدلالي للغة الطبيعية من الذكاء الاصطناعي، هو النموذج الذي يُنتج مخرجات فهم يُمكن لفريق التحديث الاعتماد عليها فعليًا.

ماذا يعني هذا لبرنامج التحديث الخاص بك؟

التوزيع العملي لاستثمارات الذكاء الاصطناعي بناءً على هذا التحليل:

استثمر في فهم الذكاء الاصطناعي. يُعدّ توليد الوثائق، واستخراج قواعد العمل، وسرد التبعيات، وتوليد حالات الاختبار من السلوك الموثق، استخدامات قيّمة ومنخفضة المخاطر للذكاء الاصطناعي، تُقلّص المرحلة اليدوية الأكثر تكلفة في عملية التحديث. ابدأ بهذه العمليات قبل الترجمة، لأنّ الفهم يُؤثّر في كل قرار لاحق.

استخدم الترجمة الآلية كمسودة أولية، لا كأداة نهائية. تُنتج الترجمة الآلية نقطة انطلاق بلغة جافا أو بايثون يقوم المطور بمراجعتها وتصحيحها والتحقق من صحتها، وليست شفرة جاهزة للإنتاج يمكن نشرها دون مراجعة بشرية. إن التعامل مع مخرجات الترجمة الآلية كمسودة يقلل من تكلفة الترجمة مع الحفاظ على المساءلة البشرية التي يتطلبها التحقق من التكافؤ.

لا تحسب وفورات الترجمة بالذكاء الاصطناعي ضمن تكلفة التحقق. فالذكاء الاصطناعي يُقلل وقت إنتاج البرنامج المترجم، لكنه لا يُقلل وقت إثبات تطابق البرنامج المترجم مع البرنامج الأصلي. لذا، خصص ميزانية لمرحلة التحقق بشكل مستقل عن وفورات الترجمة بالذكاء الاصطناعي، لأن نطاق التحقق لا يتقلص مع تسارع الترجمة.

ابدأ ببناء البنية الأساسية أولاً. أدوات فهم الذكاء الاصطناعي التي تفتقر إلى بنية أساسية، ورسم بياني دقيق للتبعيات، وجرد كامل للبرنامج، وجرد لمخطط البيانات، تُنتج فهمًا ناقصًا في الأجزاء الأكثر تعقيدًا من الكود. عادةً ما تكون البرامج الأكثر احتياجًا لفهم الذكاء الاصطناعي هي الأكثر تعقيدًا، والأكثر اعتمادًا على برامج أخرى، والأكثر عرضةً لتجاوز قدرة الذكاء الاصطناعي على تحليل الكود المصدري بدقة.

كيفية SMART TS XL يدعم فهم لغة كوبول المعزز بالذكاء الاصطناعي

SMART TS XL يوفر الأساس التحليلي الهيكلي الذي يجعل فهم الذكاء الاصطناعي لمحفظات COBOL دقيقًا بدلاً من كونه احتماليًا.

تُنتج إمكانية تحليل الشفرة الثابتة البيانات الهيكلية على مستوى البرنامج التي تحتاجها أدوات فهم الذكاء الاصطناعي: كل شرط من شروط EVALUATE مُفصّل، وكل صيغة من صيغ COMPUTE مُستخرجة، وكل نمط من أنماط الوصول إلى البيانات مُحدد. عندما تعمل أدوات توثيق الذكاء الاصطناعي على الشفرة المصدرية مستخدمةً هذه البيانات الهيكلية كسياق، فإنها تُنتج أوصافًا تستند إلى ما تحتويه الشفرة فعليًا، بدلًا من ما تفعله البرامج ذات المظهر المماثل عادةً.

توفر خريطة تبعية التطبيقات سياقًا شاملًا بين البرامج لا تستطيع نوافذ سياق الذكاء الاصطناعي استيعابه في آنٍ واحد. يُظهر مخطط التبعية، الذي يعرض 14 برنامجًا مُستدعيًا لبرنامج CUSTPROC، و47 برنامجًا مُشاركًا لملفات النسخ، و3 مخرجات لتدفق البيانات، أدوات فهم الذكاء الاصطناعي صورةً كاملةً لدور البرنامج في مجموعة البرامج، دون الحاجة إلى وجود جميع البرامج التابعة في نافذة السياق نفسها في الوقت ذاته.

ينتج تحليل تحديث الأنظمة القديمة قائمة برموز البرامج الميتة وتوزيع التعقيد الذي لا يمكن لفهم الذكاء الاصطناعي إنتاجه بشكل موثوق بمفرده: أي البرامج التي لا يمكن الوصول إليها من بيئة الإنتاج (مستبعدة من النطاق)، وأي البرامج لديها أعلى مستوى من التعقيد (حيث تكون أخطاء الفهم هي الأكثر تكلفة)، وكيف يبدو نطاق ترحيل البيانات المستمد من إدخالات FD الفعلية بدلاً من الوثائق.

تتيح إمكانية البحث المؤسسي إمكانية الاستعلام عن المخزون الهيكلي لدعم الفهم المدعوم بالذكاء الاصطناعي: العثور على كل برنامج ينفذ نمطًا معينًا، وكل كتلة EVALUATE بأكثر من N شرطًا، وكل برنامج يصل إلى مجموعة بيانات معينة، والاستعلامات التي تؤسس فهم الذكاء الاصطناعي على الأدلة الهيكلية بدلاً من احتمالية بيانات التدريب.

بالنسبة للمؤسسات التي أصبح فيها الذكاء الاصطناعي الآن جزءًا من سلسلة أدوات التحديث، SMART TS XLيُعد التحليل الهيكلي الطبقة التي تجعل فهم الذكاء الاصطناعي دقيقًا على نطاق المحفظة، حيث يعالج حد نافذة السياق، ومخاطر الهلوسة في منطق البرامج المتقاطعة، وفجوة الحتمية التي تفصل التحليل الهيكلي عن التوليد الاحتمالي.

لقد غيّر الذكاء الاصطناعي تكلفة الفهم، وليس تكلفة الإثبات.

ما تغيّر في عام 2026 هو تكلفة الفهم. فقد جعل الذكاء الاصطناعي فهم وظائف برامج كوبول، وتوثيق قواعدها التشغيلية، وتوصيف سلوكها، وتحديد موقعها ضمن مجموعة البرامج، أرخص وأسرع بكثير. يُعدّ هذا إسهامًا حقيقيًا وجوهريًا في اقتصاديات التحديث. فبالنسبة للبرامج التي كانت مرحلة فهمها تتطلب أسابيع من جهد المتخصصين، يُمكن للذكاء الاصطناعي الآن إنتاج مسودة فهم في غضون ساعات، يقوم المتخصصون بمراجعتها وتحسينها بدلًا من بنائها من الصفر.

ما لم يتغير هو تكلفة الإثبات. فالتحقق من التكافؤ السلوكي، والتشغيل المتوازي، والموافقة التنظيمية، والتحقق من ترحيل البيانات، كلها بقيت على حالها قبل الذكاء الاصطناعي، مستهلكةً ما بين 40 و50 بالمئة من ميزانية التحديث بغض النظر عن سرعة إنجاز مرحلتي الفهم والترجمة. لقد صدقت توقعات IBM في 23 فبراير 2026: فالترجمة لا تعكس إلا جزءًا ضئيلاً من التعقيد الحقيقي. يكمن التعقيد الحقيقي في التحقق من التكافؤ السلوكي، وهذا التعقيد لا يتقلص مع تسارع الترجمة.

تُعدّ المؤسسات التي تُحسن استخدام الذكاء الاصطناعي في تحديث لغة كوبول هي تلك التي تستثمر في فهم الذكاء الاصطناعي، حيث يُظهر الذكاء الاصطناعي كفاءةً عالية، وتعتبر ترجمة الذكاء الاصطناعي نقطة انطلاق للمراجعة البشرية، لا منتجًا نهائيًا جاهزًا للتطبيق. فهي تُدرك أن خفض تكلفة المراحل الأولى للمشروع لا يعني بالضرورة خفض تكلفة المراحل اللاحقة. كما أنها تُؤسس بنية تحليلية متينة تُمكّن فهم الذكاء الاصطناعي من أن يكون دقيقًا على مستوى محفظة المشاريع، حيث تُجرى أهم عمليات الفهم.