Altsysteme galten lange als Bremsklotz: schwer zu durchschauen, teuer im Betrieb, kaum anschlussfähig an moderne Web- und Cloud-Architekturen. Zwei aktuelle Meldungen zeichnen ein differenzierteres Bild. Google Cloud setzt Künstliche Intelligenz ein, um Mainframe-Anwendungen zu analysieren und schrittweise in die Cloud zu überführen. Eine Studie von Rocket Software beschreibt parallel, dass Mainframes in vielen Unternehmen nicht länger als Hindernis für KI wahrgenommen werden, sondern als Baustein von KI-Strategien.

Iterativ statt Big Bang

Der von Google beschriebene Ansatz zielt auf eine iterative Modernisierung: Anwendungen werden nicht in einem einzigen großen Schnitt ersetzt, sondern in Etappen in die Cloud überführt. KI unterstützt dabei zwei Aufgaben, die in Modernisierungsprojekten typischerweise den größten Aufwand verursachen – die Analyse des Bestands und die Transformation des Codes.

Die Analyse ist der unterschätzte Teil. In gewachsenen Systemen steckt Fachlogik, die über Jahrzehnte in COBOL oder vergleichbaren Sprachen entstanden ist – COBOL ist eine für kaufmännische Massenverarbeitung entwickelte Programmiersprache, die in Banken, Versicherungen und Verwaltungen bis heute produktiv läuft. Dokumentation fehlt oft, die Personen, die Entscheidungen getroffen haben, sind nicht mehr im Unternehmen. Wer hier ohne Werkzeugunterstützung startet, verbringt Monate mit Archäologie.

Genau an dieser Stelle wirkt KI-Unterstützung: Sie kann Abhängigkeiten sichtbar machen, Programmstrukturen beschreiben und Kandidaten für die Migration priorisieren. Die eigentliche Transformation – etwa die Überführung von COBOL-Logik in eine moderne Zielsprache – ist dabei nur ein Schritt von mehreren. Die Bezeichnung des Vorhabens als mehr als eine reine Sprachübersetzung deutet darauf hin, dass Datenhaltung, Schnittstellen und Betriebsmodell mitgedacht werden müssen.

Vom Hindernis zur Datenquelle

Die zweite Perspektive dreht die übliche Erzählung. Laut der Studie von Rocket Software stärken Mainframes KI-Initiativen sogar – durch ihre Datenbasis und ihre Zuverlässigkeit. Das ist plausibel: In Kernsystemen liegen konsistente, über lange Zeiträume gepflegte Transaktionsdaten. Für KI-Anwendungen, die auf belastbaren Unternehmensdaten aufbauen sollen, ist das ein Vorteil gegenüber verstreuten Datensilos in neueren Systemen.

Zugleich benennt die Studie ein Problem, das viele Betreiber kennen: den Fachkräftemangel im Mainframe-Betrieb. Auch hier soll KI helfen, indem sie Wissen zugänglich macht, das bislang an einzelne Expertinnen und Experten gebunden war. Beide Meldungen laufen damit auf denselben Punkt zu, wenn auch von verschiedenen Seiten: KI senkt die Kosten des Verstehens von Altsystemen – ob man sie anschließend migrieren oder weiterbetreiben will.

Was die Quellen nicht sagen

Die vorliegenden Angaben bleiben auf der konzeptionellen Ebene. Es liegen keine belastbaren Zahlen zu Zeitersparnis, Fehlerraten oder Kosten vor, und auch keine Aussagen darüber, wie viel Nacharbeit maschinell erzeugter Code in der Praxis erfordert. Diese Lücke ist relevant, denn erfahrungsgemäß entscheidet nicht die Erstübersetzung über den Projekterfolg, sondern die Frage, ob das Ergebnis fachlich verifizierbar und langfristig wartbar ist.

Auch die beiden Blickrichtungen sind nicht deckungsgleich. Die eine Quelle argumentiert für den Weg vom Mainframe in die Cloud, die andere für den Mainframe als Bestandteil künftiger KI-Architekturen. Das ist kein Widerspruch, sondern eine strategische Weggabelung: Nicht jedes Altsystem muss abgelöst werden, um moderne Anwendungen zu ermöglichen. Manchmal reicht es, Kernsysteme über saubere Schnittstellen anzubinden und die Weiterentwicklung in modernen Web-Frontends zu leisten.

Übertragbar auf kleinere Altlasten

Die wenigsten mittelständischen Unternehmen betreiben einen Mainframe. Die Mechanik ist jedoch dieselbe, nur in anderer Größenordnung. Auch eine zehn Jahre alte PHP-Anwendung, ein selbstgebautes ERP-Modul oder eine TYPO3-Installation mit stark angepassten Extensions ist ein Legacy-System: fachlich wertvoll, technisch schwer zu bewegen, personell an wenige Köpfe gebunden.

Die Lehren aus der Mainframe-Diskussion lassen sich übertragen:

  • Analyse zuerst. Bevor über Zielarchitekturen diskutiert wird, sollte der Bestand beschrieben sein – welche Fachlogik existiert, welche Abhängigkeiten bestehen, welche Teile tatsächlich genutzt werden.
  • In Etappen migrieren. Ein schrittweiser Umbau erlaubt Korrekturen und hält das System jederzeit lauffähig. Vollständige Neuentwicklungen scheitern häufiger an Umfang und Dauer.
  • KI als Werkzeug, nicht als Entscheider. Maschinell erzeugte Analysen und Code-Vorschläge beschleunigen die Arbeit, ersetzen aber keine fachliche Abnahme.
  • Daten als Vermögenswert behandeln. Wenn Altsysteme die verlässlichste Datenbasis im Unternehmen enthalten, ist ihr strukturierter Zugang wichtiger als ihre schnelle Ablösung.
  • Wissenstransfer einplanen. Was heute nur wenige Personen verstehen, sollte im Zuge der Modernisierung dokumentiert werden – hier liegt ein konkreter Nutzen von KI-gestützter Codeanalyse.

Realistische Erwartungen

Die Ankündigungen zeigen eine Richtung, keine Abkürzung. Modernisierung bleibt ein Projekt mit fachlichen Entscheidungen, Testaufwand und organisatorischen Fragen. Was sich verändert, ist die Eintrittsschwelle: Vorhaben, die bisher wegen der Analysekosten gar nicht angefasst wurden, werden kalkulierbarer. Das gilt für die COBOL-Anwendung im Rechenzentrum ebenso wie für die gewachsene Individualsoftware im Mittelstand.

Für Web- und Softwareprojekte bedeutet das vor allem eine veränderte Reihenfolge: Wer eine Modernisierung plant, sollte mit einer werkzeuggestützten Bestandsaufnahme beginnen, statt direkt in die Zielarchitektur zu springen. Und wer bislang von einer Ablösung ausgegangen ist, sollte prüfen, ob eine saubere Anbindung des Altsystems über Schnittstellen nicht schneller Nutzen bringt. In beiden Fällen ist KI ein Beschleuniger für das Verstehen – die Verantwortung für Architektur und Abnahme bleibt im Projektteam.

Quellen