משבר הפרישה של מתכנתי קובול הפך למשבר AI

14 מאי, 2026

טור אורח: המחסור במומחי קובול ומיינפריים כבר אינו רק בעיית כוח אדם. בעידן ה-AI, הוא מאיים גם על היכולת של בנקים וחברות ביטוח לבצע מודרניזציה ולשמר ידע ארגוני קריטי.

מאת רון רבינוביץ, מנכ"ל OpenLegacy

משבר כוח אדם הולך ומחריף בלב התשתיות הפיננסיות הקריטיות ביותר בעולם, והוא מתקדם מהר יותר מכפי שרוב הארגונים מוכנים להודות.

הגיל הממוצע של מתכנתי קובול עומד כיום על 55, וכ־10% מכוח העבודה הזה פורש מדי שנה. המשמעות היא שמדי שנה נעלם חלק נכבד מהאנשים שיודעים לתחזק, להבין ולשנות מערכות שעליהן נשענים בנקים, חברות ביטוח וגופים פיננסיים גדולים. לכן, לא מפתיע שכ־60% מהארגונים שעדיין מסתמכים על מערכות קובול מציינים כי האתגר המרכזי שלהם הוא למצוא מפתחים מיומנים.

קובול היא רק חלק אחד מהבעיה. אותו מחסור קיים גם בשכבות נוספות של מומחיות במערכות מיינפריים ותיקות, ובהן Assembler, IMS, DB2 ו־CICS. גם כאשר ארגונים מצליחים למצוא מועמדים עם ניסיון במיינפריים, ריבוי המערכות, התפקידים והתלויות ביניהן מקשה מאוד למצוא אנשים עם שילוב הכישורים המדויק שנדרש בפועל.

סימני האזהרה האלה קיימים כבר שנים, אך מה שהשתנה הוא רמת הדחיפות. דווקא בזמן שמאגר המומחים הולך ומצטמצם, הבינה המלאכותית משנה מן היסוד את הציפיות של ארגונים ממערכות הליבה שלהם.

חשוב לציין: לא מדובר בסיכון עתידי או בתרחיש תיאורטי. בשנת 2020, כשמגפת הקורונה הובילה לגל חסר תקדים של תביעות אבטלה, ממשלות במדינות שונות בארה"ב גילו שהמערכות שלהן פשוט אינן עומדות בעומס. מושל ניו ג'רזי, פיל מרפי, פנה אז בפומבי בבקשה למתכנתי קובול מתנדבים, לאחר שמערכת האבטלה של המדינה קרסה תחת זינוק של 1,600% במספר התביעות בתוך שבוע אחד בלבד. גם קונטיקט וקנזס התמודדו עם משבר דומה. בלומברג דיווחה כי המחסור במתכנתי קובול האט בפועל את העברת מיליארדי הדולרים במענקי סיוע למיליוני אמריקאים שאיבדו את עבודתם. מרפי אמר מאוחר יותר: "יהיו הרבה הפקות לקחים, ואחת מהן תהיה: איך הגענו למצב שבו הסתמכנו רק על מתכנתי קובול?". זה היה ב־2020; כיום מאגר המומחים הזה קטן עוד יותר.

במשך עשורים, ארגונים ניסו להתמודד עם המחסור במומחי קובול בשתי דרכים עיקריות: גיוס אנשי מקצוע בעלויות הולכות וגדלות, או פרויקטים רחבים להסבת קוד ישן לשפות מודרניות. אך אף אחת מהדרכים האלה לא פתרה את הבעיה. גיוס מומחי קובול הוא יקר ואינו פתרון בר קיימא, משום שמעט מדי מפתחים חדשים נכנסים לתחום לעומת קצב הפרישה של המומחים הוותיקים.

גם פרויקטי הסבה, במיוחד בבנקים ובחברות ביטוח, אינם פתרון פשוט. במערכות כאלה הלוגיקה העסקית מורכבת במיוחד, ולאורך השנים פרויקטים רבים מסוג זה חרגו מהתקציב, התארכו מעבר למתוכנן, ובסופו של דבר סיפקו פחות ממה שהובטח.

כיום הבינה המלאכותית מוצגת כאפשרות שלישית. כלים לניתוח קוד ומודלי שפה גדולים יכולים לקרוא קוד קובול ישן, למפות קשרים בין רכיבים ולסייע בתרגום שלו לשפות מודרניות. אלה יכולות חשובות, והן בהחלט יכולות להאיץ חלקים מסוימים בתהליכי מודרניזציה. אבל בשיח הזה חסר שלב קריטי — השלב שיקבע אם הבינה המלאכותית באמת תממש את ההבטחה שלה, או תיתקל באותה חומה שבה נתקלו ניסיונות מודרניזציה קודמים.

לפני שסוכני בינה מלאכותית יוכלו לפעול באופן יעיל מול מערכות ליבה בבנקאות או בביטוח, הלוגיקה העסקית והמידע שבתוך המערכות האלה צריכים להיות חשופים, מובנים ונגישים. ברוב סביבות הלגאסי, עשרות שנים של חוקים, החלטות ותהליכי עבודה שמורים בפורמטים שמערכות מודרניות, כולל מערכות בינה מלאכותית, אינן יכולות לקרוא או להבין ישירות. הלוגיקה עצמה עובדת; היא עבדה היטב במשך שלושים או ארבעים שנה, אבל היא מובנת בעיקר בתוך הסביבה שבה היא נבנתה, ולא תמיד ניתן לגשת אליה מבחוץ באופן ברור, מסודר ומתועד.

כאן בדיוק מתחברים משבר כוח האדם ואתגר הבינה המלאכותית, אך באופן שעדיין לא מקבל מספיק תשומת לב. כשמומחה מיינפריים ותיק פורש, הארגון לא מאבד רק אדם שיודע לכתוב קוד — הוא מאבד הרבה מעבר לכך. צריך לומר זאת בצורה ישירה: את שפת קובול אפשר ללמוד, אבל להבין איך תהליך בן שלושים שנה לאישור הלוואות מתנהל בין מערכות IMS ו־CICS, למה נכתבו כללי בדיקה מסוימים ומה תהיה ההשפעה של כל שינוי על תהליכים אחרים בהמשך הדרך — זו כבר מומחיות אחרת לגמרי.

מדובר בידע עסקי ותפעולי שקשה מאוד להחליף. הוא כולל הבנה של האופן שבו תהליכים פועלים בין מערכות שונות, של הסיבה שבגללה נבנו בדיקות מסוימות, ושל החלטות שהתקבלו לפני עשרות שנים ומעולם לא תועדו בצורה מסודרת. הידע הזה נמצא בתוך הקוד, אך אי אפשר לחלץ אותו בקלות, והבעיה היא שהאנשים שיודעים לעשות זאת הם בדיוק האנשים שיוצאים כעת לפנסיה.

הסיכונים שבחוסר פעולה אינם תיאורטיים. גוף תקשורת גדול התמודד לאחרונה עם תרחיש דומה: במשך שנים, אחת מסביבות הלגאסי המרכזיות שלו תופעלה ותוחזקה כמעט לחלוטין על ידי ספק שירות חיצוני. המערכת עבדה בצורה אמינה, אבל לאורך הזמן הארגון איבד בהדרגה את הידע הפנימי שלו: איך תהליכים מרכזיים עובדים, היכן נמצאים כללים עסקיים חשובים ואיך תהליכי עבודה שונים מתחברים זה לזה בתוך פלטפורמת הליבה.

כאשר עלו יוזמות דיגיטליות ויוזמות מבוססות בינה מלאכותית, הבעיה כבר לא הייתה רק שהמערכת ישנה, אלא שהארגון לא היה מסוגל להתקדם במהירות. כל שינוי דרש תהליך בדיקה ארוך: למצוא את האדם הנכון, לאתר את התהליך הרלוונטי, להבין מה הקוד באמת עושה ולוודא אם עדיין יש מישהו שמבין את ההשלכות של אותו שינוי בהמשך הדרך. החדשנות של הארגון הפכה תלויה במומחיות חיצונית ונדירה, במקום להישען על יכולת פנימית. זהו המחיר הסמוי של השארת ידע ארגוני כלוא בתוך מערכות לגאסי. ברגע שהאנשים שמבינים את המערכות האלה עוזבים, הארגון לא רק נשאר עם פחות מפתחים — הוא מאבד עצמאות תפעולית.

אותו גוף היה יכול לשמר מפה חיה של ההתנהגות העסקית הקריטית שלו, לו רק היה ממפה ומתעד מוקדם יותר את לוגיקת הליבה כשירותים מובנים ומנוהלים. במקום לגלות מחדש שוב ושוב איך המערכת עובדת, אפליקציות מודרניות ויוזמות בינה מלאכותית היו יכולות להישען על שירותים יציבים ומתועדים, שמסבירים מה מערכת הליבה באמת עושה.

הפתרון הנכון אינו להמתין לבינה המלאכותית ולקוות שהיא תפתור את הבעיה. כדי לשמר את הידע לפני שהוא נעלם, צריך לחשוף את הלוגיקה של מערכות הליבה כשירותים מודרניים, מובנים ונגישים. מהלך כזה משרת גם את תהליך המודרניזציה וגם את שימור הידע הארגוני.

ממשקי תכנות מנוהלים יוצרים שכבת גישה יציבה ומתועדת. הם לא מתעדים רק את הקוד, אלא גם את ההתנהגות העסקית של המערכת. כך הם מאפשרים לאפליקציות מודרניות ולסוכני בינה מלאכותית להשתמש בלוגיקה הזו בלי לדרוש מהמפתחים החדשים מומחיות בקובול. בנוסף, הם יוצרים בסיס מבוקר וניתן לבדיקה, שנדרש יותר ויותר במסגרת תהליכי ממשל בינה מלאכותית (AI Governance), לפני שסוכנים אוטונומיים יוכלו לפעול בתהליכים עסקיים קריטיים.

גופים שיבינו שבעיית המוכנות לבינה המלאכותית ומשבר כוח האדם הם למעשה שני ביטויים של אותו אתגר בסיסי, יהיו בעמדה טובה יותר לפעול ככל שהטכנולוגיה תבשיל לשימוש ארגוני רחב. מי שלא יעשו כן, יתמודדו עם בעיה שמחריפה משני כיוונים: פחות ופחות מומחים שמסוגלים לתחזק מערכות ליבה ישנות, ומערכות שבינה מלאכותית עדיין אינה יכולה לגשת אליהן בצורה יעילה. במקביל, חלון ההזדמנויות לשמר את הידע של אותם מומחים הולך ונסגר.

במשך שנים נתפס משבר הפרישה של מתכנתי קובול כבעיה של משאבי אנוש. בפועל, זו בעיית תשתית.
וב־2026, זו כבר גם בעיית בינה מלאכותית.

רון רבינוביץ הוא מנכ"ל OpenLegacy, המסייעת לגופים פיננסיים לחשוף את הלוגיקה של מערכות ליבה ותיקות באמצעות ממשקי תכנות מנוהלים, לצורך חיבורן לאפליקציות מודרניות ולמערכות בינה מלאכותית.

פורסם בקטגוריות: חדשות

פורסם בתגיות: OpenLegacy , טור אורח , מיינפריים , קובול