Banque japonaise : 4M lignes COBOL, 3 agents IA, 60 % migré en 14 mois.

4 millions de lignes de COBOL, 12 personnes pour les maintenir, 9 qui partent a la retraite dans 3 ans. Ce n'est pas une dette technique, c'est une falaise.

Le contexte

Banque regionale japonaise, 1 800 collaborateurs, hub Tokyo. Systeme core banking ecrit en COBOL depuis 1987, deux generations de mainframes derriere. Documentation lacunaire, dependances opaques, regles metier eparpillees dans des copybooks de 40 ans.

Le probleme

• 4 M lignes de COBOL, 9 mainteneurs sur 12 partant en 3 ans
• Documentation a 40% obsolete, regles metier non tracees
• Cycle de release : 14 semaines pour une modification mineure
• Aucun test automatise sur le core, validation manuelle de 3 semaines
• Cout maintenance annuel : 4,2 M EUR (licences mainframe + sous-traitance)

L'approche

Methode multi-agents Abbeal : trois roles d'agents IA specialises, encadres par 8 ingenieurs humains. L'Archeologue documente le code existant, l'Architecte recompose en services Java/Kotlin par bounded contexts, le Nettoyeur supprime le code mort apres validation d'equivalence.

Les principes

• Migration par bounded contexts (DDD), pas par modules techniques
• Tests d'equivalence : chaque service migre tourne en parallele du COBOL pendant 60 jours
• Strangler pattern : routing progressif via API gateway
• Knowledge transfer formalise : chaque migration produit un runbook lisible par les juniors
• Veto humain obligatoire avant tout merge produit par les agents

La stack

• COBOL source (mainframe IBM z/OS), copybooks legacy
• Java 21, Kotlin 2.0, Spring Boot 3
• AWS Bedrock (Claude Sonnet) pour les agents Archeologue/Architecte/Nettoyeur
• OpenSearch pour indexation du corpus COBOL et knowledge graph
• Camunda pour orchestration des workflows metier

Les resultats

1. 60% du parc COBOL migre en 14 mois (2,4 M lignes)
2. Cycle release : 14 semaines vers 5 jours sur les services migres
3. Equipe maintenance reduite : 12 vers 4 personnes (knowledge transfer reussi)
4. Cout maintenance annuel : -38% des le mois 14
5. Zero incident de production attribuable a la migration

Ce qu'on a appris

Les agents IA sont excellents pour documenter et proposer, mauvais pour decider seuls. Le ratio 1 humain / 3 agents tient sur la duree, au-dela on perd en qualite. Les tests d'equivalence en parallele sont chers en infrastructure mais non negociables : trois bugs subtils detectes uniquement la. A refaire : commencer par le bounded context le moins critique, pas le plus simple. La complexite vient des dependances, pas du code lui-meme.