تخيل نفسك مطورًا في عام 2025، وشركتك تخبرك بأن عليها “تحديث نظام رئيسي قديم” يعالج ملايين معاملات أجهزة الصراف يوميًا. نتحدث هنا عن استخدام الذكاء الصناعي في تحديث لغات البرمجة القديمة خصوصا لغة COBOL، لغة برمجة وُلدت قبل الإنترنت نفسه — أكثر من 65 عامًا من التاريخ والاعتماد المستمر.
قد تبتسم بسخرية، أو تشعر بالدهشة:
“هل ما زلنا نستخدم COBOL حقًا؟”
نعم.
وليس هذا فقط، بل ما زالت تشغّل أنظمة حيوية في البنوك وشركات التأمين والحكومات حول العالم.
المشكلة ليست في اللغة… بل في من يفهمها
المعضلة الحقيقية اليوم هي أن مطوري COBOL الأصليين يتقاعدون، بينما لا أحد تقريبًا يريد تعلمها.
لكن خلف الكواليس، هناك أكثر من مئتي مليار سطر من أكواد COBOL ما زالت تعمل وتُحرّك النظام المالي العالمي.
وفي هذا المشهد المثير، يظهر جيل جديد من المطورين الذين لا يعرفون COBOL… لكنهم يستخدمون الذكاء الصناعي لتحديثها!
كيف يتم تحديث COBOL من دون تعلمها
قابل جوليا كورديك (Julia Kordick) — مهندسة في Microsoft تُعرف بلقب Global Black Belt.
عملت جوليا على تحديث أنظمة COBOL باستخدام الذكاء الصناعي — رغم أنها لم تتعلم COBOL يومًا.
كيف فعلت ذلك؟
جمعت بين خبرتها في الذكاء الصناعي وخبرة المطورين القدامى الذين يعرفون تفاصيل النظام القديم.
هنا كان السر:
لم تحاول أن تصبح خبيرة COBOL، بل ركزت على تصميم حلول ذكية بينما اعتمدت على الآخرين في المعرفة التاريخية للنظام.
قالت جوليا:
“منذ ظهور الذكاء الصناعي التوليدي، بدأنا نتساءل:
هل يمكننا استخدامه لحل مشكلة الأنظمة القديمة التي لم ينجح أحد في حلها فعليًا؟”
خطة مايكروسوفت لتحديث الأنظمة القديمة بالذكاء الصناعي
طورت جوليا وفريقها في Microsoft منهجًا عمليًا مكوّنًا من ثلاث مراحل يمكن تطبيقه على أي نظام قديم — ليس فقط COBOL.
المنهج يعتمد على GitHub Copilot وتقنيات الذكاء الصناعي التعاوني (AI Agents).
1. تحليل الكود القديم (Reverse Engineering)
أكبر عقبة في الأنظمة القديمة هي أن المؤسسات لم تعد تعرف فعلاً ما الذي يفعله كودها.
الكود يعمل… لكنه غامض.
هنا يأتي دور Copilot:
بدلًا من أشهر من التحليل اليدوي، يستخدم الذكاء الصناعي لفهم النظام عبر:
- استخراج منطق العمل من الملفات القديمة.
- توليد وثائق تقنية بلغة مفهومة للبشر (Markdown).
- تحديد التسلسل بين الملفات والوظائف تلقائيًا.
- حذف التعليقات القديمة والسجلات غير المهمة.
- وإضافة تعليقات توضيحية جديدة تساعد على الفهم.
💡 نصيحة:
دائمًا دع الخبراء يراجعون ما يولده الذكاء الصناعي — فالفهم التجاري والسياق الواقعي لا يزالان ضروريين.
2. إثراء المعلومات (تجعل الكود قابلًا للفهم الآلي)
لكي يفهم الذكاء الصناعي الكود بشكل أدق، يجب تزويده بسياق إضافي:
- الترجمة:
إذا كانت التعليقات بلغة غير الإنجليزية (مثل الألمانية أو الدنماركية)، تُترجم لتسهيل الفهم. - تحليل البنية:
COBOL منظمة دائمًا بنفس الشكل تقريبًا، وهذا يجعلها سهلة التحليل للذكاء الصناعي، إذ تتكون من أربع أقسام واضحة:- تعريف البرنامج
- الإعدادات البيئية
- تعريف البيانات
- منطق التنفيذ
يمكن توجيه Copilot بأسئلة مثل:
“استخرج كل أقسام هذا الملف وفسر وظيفة كل منها.”
“ما البيانات المعرفة في قسم DATA DIVISION؟”
بهذا الشكل يستطيع Copilot توليد وصف إنساني واضح لما يفعله كل جزء، دون أن تحتاج لفهم تفاصيل لغة COBOL نفسها.
- التوثيق:
يتم حفظ كل النتائج في ملفات Markdown لتصبح “المصدر الرسمي للحقيقة”، بحيث يمكن الرجوع إليها لاحقًا.
3. الأتمتة والتوسع باستخدام الوكلاء الذكيين (AI Agents)
بعد فهم الملفات وتحليلها، تبدأ المرحلة التالية: التحكم في العملية كاملة بشكل مؤتمت.
يبني الفريق إطار عمل باستخدام Microsoft Semantic Kernel ينظّم عمل عدة وكلاء (Agents)،
كل وكيل يقوم بمهمة محددة — واحد يحلل الكود، آخر يتتبع الاستدعاءات بين الملفات، وثالث يولّد خرائط مرئية للأنظمة (Mermaid diagrams).
بعض المهام تشمل:
- إنشاء خرائط لعلاقات الملفات والوظائف.
- توليد اختبارات برمجية من منطق العمل المكتشف.
- اقتراح بدائل حديثة للمكتبات القديمة.
هكذا يتحول Copilot من “مساعد في المحرر” إلى خط إنتاج متكامل للتحديث البرمجي.
💡 نصيحة:
الخرائط المرئية تساعد على اكتشاف التعقيدات قبل البدء في التحديث، وتمنع الأخطاء المبكرة.
هل الذكاء الصناعي حلٌّ سحري؟ بالطبع لا
تقول جوليا بصراحة:
“كل من يعدك بأنه سيحل كل مشاكل الأنظمة القديمة بضغطة زر… لا يقول الحقيقة.”
الواقع أن:
- الإنسان لا بد أن يبقى جزءًا من عملية المراجعة.
- كل نظام COBOL فريد ومعقد بطريقته الخاصة.
- ما زلنا في بداية رحلة الوكلاء الذكيين.
- الأتمتة الكاملة ما زالت بعيدة لعدة سنوات.
لكن رغم ذلك، يمكن تحقيق تقدم هائل اليوم.
إطار عمل مفتوح المصدر من Microsoft
قامت جوليا وفريقها بنشر إطار عملهم مفتوح المصدر، مبني على Microsoft Semantic Kernel، ويضم:
- وكلاء متخصصين مثل: COBOLAnalyzerAgent وJavaConverterAgent.
- نظام تتبع للتكاليف (كل 1000 سطر تكلف بضعة دولارات فقط).
- نقاط تحقق بشرية لمراجعة المخرجات.
- سكربت جاهز باسم
doctor.shلضبط الإعدادات وتشغيل العملية بسهولة.
بهذه الخطوات يمكن لأي مطور تجربة تحديث نظام COBOL بنفسه، مع تحكم كامل وشفافية في كل مرحلة.
التحدي الأكبر ليس تقنيًا… بل تجاريًا
القضية لم تعد “دين برمجي (Technical Debt)” فقط، بل أصبحت مسألة بقاء تجاري.
فالشركات تواجه نقصًا حادًا في خبرة COBOL بينما تعتمد عليها يوميًا.
النهج القديم كان مكلفًا جدًا:
توظيف استشاريين، سنوات من التحويل اليدوي، ونهاية بكود غير قابل للصيانة.
أما النهج الجديد المدعوم بالذكاء الصناعي فيختلف جذريًا:
- يستخدم AI لفهم منطق العمل وليس فقط ترجمة الكود.
- يولّد كودًا حديثًا ومقروءًا.
- يبقي الفريق الداخلي في دائرة التطوير.
- ويحافظ على الملكية الفكرية للشركة.
كما تقول جوليا:
“الشركات لم تعد تريد أن تسلّم كل أسرارها التقنية لشركاء خارجيين.
يريدون أن يحتفظوا بالسيطرة والمعرفة داخل المؤسسة.”
من أين تبدأ رحلتك في التحديث؟
سواء كنت تتعامل مع COBOL أو Java قديمة أو أي نظام تراثي، يمكنك البدء اليوم عبر:
- اختيار نظام صغير (أقل من 5000 سطر).
- تحليل ملف واحد باستخدام Copilot.
- توثيق النتائج في Markdown.
- مناقشتها مع فريقك.
- تجربة إطار Microsoft المفتوح المصدر.
- تعلم “هندسة المحادثة” (Prompt Engineering) لتحليل الكود بذكاء.
وتذكّر:
الكثير من أنظمة COBOL ليست معقدة كما تبدو — هي مجرد عمليات CRUD يمكن إعادة بنائها على سحابة حديثة ببساطة.
خلاصة القصة
الذكاء الصناعي لا يستبدل خبرة المطورين، بل يضاعفها.
الخبراء القدامى يجلبون المعرفة العميقة بالنظام،
المطورون الجدد يجلبون أفكارًا معمارية حديثة،
والذكاء الصناعي يربط العالمين معًا بتحليل أسرع ورؤية أوسع.
النتيجة؟
تحويل تحديث الأنظمة القديمة من “مهمة مستحيلة” إلى “مشروع ممكن”.
أفضل وقت لتحديث الأنظمة القديمة كان قبل عشر سنوات،
وأفضل وقت بعده هو الآن.
مصدر القصة: How GitHub Copilot and AI agents are saving legacy systems