Insights

Die Mainframe‑Barriere überwinden: KI‑gestützte Wege zur Legacy‑Modernisierung

Kuruvilla Mathew, Chief Innovation Architect

Dieses Papier untersucht die vielschichtigen Herausforderungen, mit denen Unternehmen bei der Migration von Enterprise‑Applikationen von Mainframes auf moderne Plattformen konfrontiert sind. Es analysiert Legacy‑Technologien wie COBOL, Model 204, IDMS, IMS, Adabas, DB2, Natural und CICS und beleuchtet deren architektonische Komplexität, Datenmodelle und Einschränkungen prozeduraler Programmierung. Darüber hinaus wird dargestellt, wie KI die Modernisierung durch Code‑Analyse, Dokumentationserstellung und Datentransformation beschleunigt, wobei zugleich ihre Grenzen in Bezug auf semantische Genauigkeit, Integration und Compliance aufgezeigt werden. Abschließend werden strategische Empfehlungen formuliert, die eine phasenweise Migration, Kompetenzaufbau sowie eine hybride Zusammenarbeit zwischen Mensch und KI betonen, um eine erfolgreiche Modernisierung zu gewährleisten und operative Risiken beim Übergang aus Legacy‑Umgebungen zu minimieren.

Mainframes bilden seit Jahrzehnten das Rückgrat der Unternehmens‑IT, insbesondere in Branchen wie Banken, Versicherungen und dem öffentlichen Sektor. Technologien wie IBM z/OS, CICS‑Transaktionsmonitore sowie Datenbanken wie IDMS, IMS, DB2, Adabas und Model 204 wurden für hochvolumige, geschäftskritische Workloads entwickelt. Diese Systeme sind bekannt für ihre Zuverlässigkeit, Performance und Fähigkeit, enorme Transaktionsmengen zu verarbeiten. Mit der zunehmenden digitalen Transformation werden diese Legacy‑Plattformen jedoch immer häufiger als Hindernisse für Agilität, Innovation und die Integration mit modernen Cloud‑nativen Architekturen wahrgenommen.

Der Modernisierungsdruck entsteht aus dem Bedarf an kürzeren Markteinführungszeiten, höherer Kosteneffizienz und der Nutzung neuer Technologien wie KI, Analytics und Microservices. Der Ausstieg aus dem Mainframe ist jedoch kein einfaches Lift‑and‑Shift‑Vorhaben. Er erfordert das Entflechten jahrzehntelang gewachsener, eng gekoppelter Codebasen, eine grundlegende Neugestaltung der Datenarchitektur sowie ein umsichtiges Management operativer Risiken. Dieses Papier beleuchtet die zentralen Herausforderungen der Mainframe‑Migration, die Rolle von KI als Beschleuniger, deren Grenzen sowie die entscheidenden Erfolgsfaktoren.

DIVIDER

Die Komplexität der Mainframe‑Migration

Mainframe‑Anwendungen sind häufig monolithisch aufgebaut und eng mit proprietären Technologien verwoben. IDMS beispielsweise ist ein netzwerkbasiertes DBMS auf CODASYL‑Basis, dessen Datenbeziehungen und Navigationslogik sich grundlegend von relationalen Datenbanken unterscheiden. IMS wiederum nutzt ein hierarchisches Modell und unterstützt sowohl DL/I‑ als auch COBOL‑Schnittstellen, was Datenextraktion und ‑transformation erheblich erschwert. In vielen Fällen ist die Geschäftslogik direkt im prozeduralen Code verankert, was eine isolierte Migration einzelner Komponenten nahezu unmöglich macht.

Zusätzliche Komplexität entsteht durch Transaktionsumgebungen wie CICS (Customer Information Control System). CICS‑Anwendungen sind meist in COBOL geschrieben und basieren auf pseudo‑konversationellen Programmiermodellen, die nicht ohne Weiteres mit zustandslosen, webbasierten Architekturen kompatibel sind. Model 204 kombiniert beispielsweise eine proprietäre Datenbank mit einer eigenen prozeduralen Sprache (User Language, UL) und unterstützt mehrwertige Felder sowie hierarchische Strukturen, die sich nur schwer auf SQL abbilden lassen. Adabas und Natural folgen einem ähnlichen Muster, bei dem Geschäftslogik und Datenstrukturen eng gekoppelt sind, was Modularisierung und Refactoring zusätzlich erschwert.

DIVIDER

Das Ausdünnen von Mainframe‑Fachkompetenzen

Eine der größten Hürden der Modernisierung ist der zunehmende Mangel an Fachkräften mit Legacy‑Know‑how. Sprachen wie COBOL, PL/I, Natural oder Assembler sind zwar weiterhin weit verbreitet, werden jedoch kaum noch von neuen Entwicklern erlernt. Viele der ursprünglichen Architekten und Entwickler von Systemen wie IDMS, IMS oder Model 204 gehen in den Ruhestand, während diese Technologien in der akademischen Ausbildung kaum noch vermittelt werden. Dadurch entsteht ein Wissensvakuum, das Modernisierungsinitiativen verlangsamt und Risiken erhöht.

Hinzu kommt der Mangel an aktueller Dokumentation. Legacy‑Systeme sind über Jahrzehnte hinweg gewachsen, häufig mit inkrementellen, nicht dokumentierten Änderungen. Geschäftslogik ist oft tief im Code verborgen. In Model 204 können Geschäftsregeln über mehrere UL‑Prozeduren mit impliziten Abhängigkeiten verteilt sein. In IDMS steckt die Navigationslogik häufig in COBOL‑Programmen mit eingebetteten DML‑Statements. Ohne Dokumentation oder Zugang zu ursprünglichen Entwicklern bleibt oft nur aufwendiges Reverse Engineering.

DIVIDER

Ungewohnte Datenorganisation und ‑strukturen für heutige Entwickler

Die Migration von Daten aus Legacy‑Systemen ist technisch anspruchsvoll. Mainframes nutzen unterschiedliche nicht‑relationale Datenmodelle und Kodierungen. IMS und IDMS basieren auf hierarchischen bzw. netzwerkbasierten Modellen, während Adabas invertierte Listenstrukturen verwendet. Diese Formate sind nicht direkt mit modernen relationalen Datenbanken wie PostgreSQL oder SQL Server kompatibel. Zusätzlich müssen Zeichencodierungen wie EBCDIC in ASCII umgewandelt und Datentypen wie Packed Decimals oder mehrwertige Felder normalisiert werden. In Model 204 erfordern mehrwertige Felder und geordnete Gruppen beispielsweise eine Auflösung in Kindtabellen.

Auch die Integration stellt eine große Herausforderung dar. Mainframe‑Anwendungen sind tief in bestehende Unternehmensökosysteme eingebettet und interagieren mit Batch‑Jobs, Message Queues und externen Systemen über Protokolle wie MQ, SNA oder proprietäre APIs. Die Migration einzelner Komponenten kann Kaskadeneffekte auslösen und Geschäftsprozesse beeinträchtigen. CICS‑Anwendungen nutzen etwa COMMAREA‑Strukturen zur Übergabe von Daten zwischen Transaktionen, die für REST‑basierte APIs neu gestaltet werden müssen. Eine schrittweise Migration erfordert daher sorgfältige Planung und robuste Middleware‑Lösungen.

DIVIDER

Eine sichere Festung – aber nicht unverwundbar

Mainframes betreiben häufig geschäftskritische Workloads, bei denen Ausfälle gravierende Folgen haben. Systeme wie DB2 oder IMS werden in Hochverfügbarkeitsumgebungen eingesetzt, etwa im Bank‑ oder Gesundheitswesen, wo Downtime inakzeptabel ist. Unternehmen müssen daher Dual‑Run‑Szenarien, Fallback‑Mechanismen und Echtzeit‑Validierung einplanen. KI‑gestützte Dual‑Run‑Ansätze können beispielsweise Ergebnisse aus Legacy‑ und Zielsystemen in Echtzeit vergleichen, um vor dem Cutover Korrektheit sicherzustellen.

Auch Sicherheit und Compliance sind zentrale Themen. Legacy‑Systeme verfügen häufig nicht über moderne Sicherheitsmechanismen wie rollenbasierte Zugriffskontrollen, Verschlüsselung ruhender Daten oder umfassende Audit‑Logs. Die Migration sensibler Daten birgt neue Risiken. Adabas‑Systeme können etwa personenbezogene Daten ohne zeitgemäße Verschlüsselung speichern, was während der Migration adressiert werden muss. Die Einhaltung regulatorischer Vorgaben wie DSGVO, HIPAA oder PCI‑DSS erfordert strenge Kontrolle – insbesondere bei Cloud‑Migrationen.

DIVIDER

Künstliche Intelligenz in der Mainframe‑Modernisierung

Künstliche Intelligenz hat sich zu einem zentralen Enabler der Mainframe‑Modernisierung entwickelt. KI‑gestützte Tools können Millionen Codezeilen analysieren, Abhängigkeiten kartieren und Geschäftslogik extrahieren. Sie erzeugen Architekturübersichten und schlagen Refactoring‑Pfade vor, wodurch manueller Aufwand erheblich reduziert wird. KI kann COBOL‑, Natural‑ oder Model‑204‑UL‑Code in moderne Sprachen wie Java oder C# übersetzen – nicht nur syntaktisch, sondern kontextsensitiv unter Wahrung der Geschäftssemantik.

KI hilft zudem, den Fachkräftemangel zu überbrücken. Generative KI‑Assistenten erklären Legacy‑Code, erzeugen Dokumentation und unterstützen bei der Code‑Transformation. Dadurch können auch weniger erfahrene Entwickler effektiv an Modernisierungsprojekten mitarbeiten. KI kann undokumentierte Systeme rückentwickeln, technische und fachliche Dokumentation erstellen und Entwicklerfragen in natürlicher Sprache beantworten.

Auch bei Datentransformation und Validierung spielt KI eine wichtige Rolle. Sie automatisiert Datenmapping, Zeichensatzkonvertierung (z. B. EBCDIC zu ASCII) und Konsistenzprüfungen. KI simuliert Datenflüsse und vergleicht Ergebnisse zwischen Alt‑ und Zielsystemen, um Datenkorruption zu vermeiden. In Integrationsszenarien identifiziert KI Schnittstellen, generiert APIs und schlägt hybride Architekturen vor. Sie kann sogar Middleware‑Code erzeugen, um Legacy‑ und moderne Systeme zu verbinden.

Im Test‑ und Risikomanagement entfaltet KI ebenfalls große Wirkung. Sie unterstützt Dual‑Run‑Umgebungen, erkennt potenzielle Fehlerquellen vor dem Cutover und generiert Testfälle zur Validierung der fachlichen Gleichwertigkeit. Dadurch sinkt das Ausfallrisiko, und das modernisierte System verhält sich wie erwartet. Zudem unterstützt KI die Projektplanung durch präziseres Scoping, Kostenschätzung und ROI‑Prognosen.

DIVIDER

Doch die Grenzen der heutigen KI kennen. Morgen kann es anders sein.

Trotz ihres Potenzials ist KI kein Allheilmittel. Eine zentrale Einschränkung liegt in der semantischen Genauigkeit. KI kann Code syntaktisch übersetzen, hat jedoch Schwierigkeiten, die Intention komplexer, schlecht dokumentierter Geschäftslogik vollständig zu erfassen. Dies kann zu fachlichen Fehlern führen. Menschliche Überprüfung bleibt unerlässlich, um regulatorische und operative Anforderungen sicherzustellen.

Auch schlecht dokumentierte oder idiosynkratische Codebasen stellen KI vor Herausforderungen. Unklarheiten lassen sich oft nur durch menschliches Expertenwissen auflösen. KI‑generierte Tests decken möglicherweise nicht alle Grenzfälle, Performance‑Probleme oder Sicherheitslücken ab. Domänenspezifische Validierung bleibt daher zwingend notwendig.

Integrationsprobleme bestehen ebenfalls fort. Unterschiede in Architektur, Protokollen und Datenformaten erfordern häufig manuelle Eingriffe. Auch Sicherheits‑ und Compliance‑Risiken müssen von erfahrenen Fachkräften bewertet werden. Zudem kann KI neuen technischen Schuldenstand erzeugen, etwa durch Abhängigkeiten von bestimmten Frameworks oder Tools.

Organisatorische Widerstände, fehlende Kompetenzen und strategische Defizite kann KI nicht beheben. Führung, Kommunikation und kultureller Wandel bleiben entscheidend. KI liefert Werkzeuge – den Wandel gestalten Menschen.

DIVIDER

Strategie, Strategie, Strategie

Eine erfolgreiche Abkehr vom Mainframe erfordert mehr als Technologie. Der Ausgangspunkt muss eine umfassende Bestandsaufnahme von Anwendungen, Daten und Abhängigkeiten sein. KI kann bei der Analyse helfen und Modernisierungskandidaten identifizieren. Datenprofiling deckt Inkonsistenzen, Mehrfachwerte und Legacy‑Kodierungen auf. Die Normalisierung von Strukturen und die Planung von ETL‑Pipelines sind essenziell.

Ebenso wichtig sind Kompetenzaufbau und Team‑Ausrichtung. Weiterbildung bestehender Mitarbeiter, Einbindung von Modernisierungspartnern und Integration von KI‑Tools in Entwickler‑Workflows sind zentrale Schritte. Eine phasenweise Migration – beginnend mit weniger kritischen Anwendungen – reduziert Risiken. Sicherheits‑, Compliance‑ und Change‑Management‑Maßnahmen müssen durchgängig verankert sein. Nach der Migration sind Monitoring, Refactoring und der Abbau neuer technischer Schulden erforderlich, um nachhaltigen Erfolg sicherzustellen.