KI-basierte Modernisierung: Wie ein Finanzriese Legacy-Code mit eigener Entwicklung meistert
Die Digitalisierung hat die Finanzbranche in den vergangenen Jahrzehnten grundlegend verändert. Dennoch lastet auf vielen etablierten Institutionen ein Erbe, das sich nur schwer abschütteln lässt: veraltete IT-Systeme, die auf Legacy-Code basieren. Diese Systeme, oft vor Jahrzehnten entwickelt, bilden das Rückgrat kritischer Prozesse – von Transaktionsabwicklungen bis zur Kundendatenverwaltung. Doch ihre Instandhaltung wird zunehmend zur Belastung. Ein global agierender Finanzkonzern hat nun einen ungewöhnlichen Weg gewählt, um dieses Problem anzugehen: die Entwicklung einer eigenen KI-Lösung, die speziell auf die Modernisierung von Legacy-Code zugeschnitten ist.
Das Dilemma der Legacy-Systeme
Legacy-Code bezeichnet Software, die zwar noch in Betrieb ist, aber nicht mehr den aktuellen technologischen Standards entspricht. In der Finanzbranche sind solche Systeme besonders verbreitet. Viele Banken und Versicherungen setzen noch auf Mainframe-Architekturen, die in Programmiersprachen wie COBOL oder Fortran geschrieben wurden – Sprachen, die heute kaum noch gelehrt werden und deren Experten langsam aus dem Arbeitsmarkt verschwinden. Gleichzeitig steigen die Anforderungen an Agilität, Sicherheit und Skalierbarkeit. Cloud-Integration, Echtzeitanalysen und Compliance-Vorgaben erfordern moderne Infrastrukturen, die mit alten Codebasen nur schwer vereinbar sind.
Hinzu kommt das Risiko von Systemausfällen: Je älter der Code, desto höher die Wahrscheinlichkeit unentdeckter Fehler oder Sicherheitslücken. Die Wartungskosten explodieren, während die Wettbewerbsfähigkeit leidet. Eine vollständige Neuentwicklung scheitert jedoch oft am Aufwand und den damit verbundenen Betriebsrisiken.
Die Grenzen bestehender KI-Tools
Der Markt für Softwaremodernisierung bietet zwar zahlreiche Lösungen – von Code-Convertern bis zu Analyseplattformen – doch laut dem Finanzunternehmen seien diese Tools unzureichend, um die komplexen Anforderungen alter Systeme zu bewältigen. „Generische KI-Modelle erkennen Muster, scheitern aber an der Kontextualisierung“, erklärt ein Projektverantwortlicher. Legacy-Code sei häufig fragmentiert, schlecht dokumentiert und enthalte firmenspezifische Logiken, die sich nicht ohne tiefes Domänenwissen entschlüsseln ließen.
Herkömmliche KI-Tools, die auf öffentlichen Code-Repositories trainiert werden, stünden zudem vor einem Datenproblem: Die meisten Legacy-Systeme sind proprietär und nicht öffentlich zugänglich. Ohne ausreichende Trainingsdaten könnten KI-Modelle keine zuverlässigen Vorhersagen treffen, geschweige denn Code effizient restrukturieren.
Die Geburt einer maßgeschneiderten KI-Lösung
Um diese Lücke zu schließen, initiierte der Finanzkonzern ein internes Entwicklungsprojekt. Das Ziel war eine KI, die nicht nur Code analysiert, sondern auch die historische Entstehung der Systeme versteht. Dafür kombinierte das Team Machine-Learning-Algorithmen mit unternehmenseigenen Wissensdatenbanken. Letztere enthalten Jahrzehnte an Dokumentationen, Änderungsprotokollen und Expertenwissen, das bisher nur in den Köpfen langjähriger Mitarbeiter:innen existierte.
Ein zentraler Bestandteil ist die Fähigkeit der KI, „Code-Genealogien“ nachzuvollziehen. Ähnlich wie ein Archäologe Schichten freilegt, identifiziert das System überarbeitete Module, verwaiste Funktionen und versteckte Abhängigkeiten. Dies ermöglicht es, nicht nur den aktuellen Zustand, sondern auch die Evolution des Codes zu begreifen – eine Voraussetzung, um sinnvolle Modernisierungsstrategien abzuleiten.
Funktionsweise des KI-Tools
Die KI arbeitet in mehreren Phasen:
- Code-Scanning und -Indexierung: Das System durchsucht die gesamte Codebase, inklusive veralteter Dateiformate und nicht digitalisierter Dokumente.
- Kontextuelle Analyse: Mithilfe von Natural Language Processing (NLP) werden Kommentare, Variablennamen und historische Änderungshinweise interpretiert, um die Geschäftslogik hinter dem Code zu rekonstruieren.
- Dependency Mapping: Die KI erstellt eine visuelle Darstellung aller Abhängigkeiten zwischen Modulen, um „Breaking Changes“ bei der Migration zu vermeiden.
- Generierung von Modernisierungsvorschlägen: Das Tool schlägt vor, welche Codeabschnitte refaktoriert, ersetzt oder in Microservices ausgelagert werden können. Es generiert sogar Fragmente moderner Sprachen wie Python oder Java, die die ursprüngliche Funktionalität abbilden.
Ein Beispiel: Ein COBOL-Programm zur Zinsberechnung, das ursprünglich für monatliche Batch-Jobs konzipiert war, wird von der KI in eine cloudfähige API umgewandelt, die Echtzeitberechnungen ermöglicht. Gleichzeitig warnt das System vor regulatorischen Fallstricken, etwa veralteten Compliance-Regeln im Originalcode.
Warum Outsourcing nicht infrage kam
Laut dem Unternehmen sei die Entscheidung für eine Eigenentwicklung auch eine Frage der Kontrolle gewesen. „KI-Modelle von Drittanbietern sind Blackboxen. Wir können nicht riskieren, dass sensible Logiken unseres Systems in Trainingsdaten Dritter landen“, so ein IT-Sicherheitsexperte. Zudem ermögliche die interne Lösung eine kontinuierliche Anpassung: Jede Modernisierungswelle generiere neue Daten, mit denen die KI nachlernen und ihre Empfehlungen verbessern könne.
Erste Erfolge und Branchenreaktionen
Pilotprojekte in den Abteilungen für Zahlungsverkehr und Risikomanagement hätten bereits signifikante Effizienzgewinne gebracht. Die Zeit für Code-Migrationen sei um 40 % gesunken, gleichzeitig seien manuelle Fehlerquellen stark reduziert worden. Branchenbeobachter sehen darin einen Wendepunkt. „Wenn ein Player dieser Größe zeigt, dass Legacy-Modernisierung mit KI machbar ist, wird das Schule machen“, kommentiert eine Analystin.
Kritiker warnen jedoch vor überzogenen Erwartungen. KI sei kein Allheilmittel, sondern müsse von erfahrenen Entwickler:innen überwacht werden. Zudem bleibe die Frage, wie kleinere Institute ohne eigene KI-Ressourcen von solchen Innovationen profitieren können.
Die Zukunft der Legacy-Modernisierung
Der Finanzkonzern plant, seine KI-Lösung schrittweise auf weitere Bereiche auszurollen – darunter Cybersecurity und Compliance-Monitoring. Langfristig könnte die Technologie auch genutzt werden, um Legacy-Code präventiv „zukunftssicher“ zu gestalten, indem sie während der Entwicklung bereits Warnungen für potenzielle Veraltungsrisiken ausspricht.
Einige Mitarbeiter:innen äußern sich dennoch skeptisch: „Die KI ist ein mächtiges Werkzeug, aber sie ersetzt nicht das Know-how derer, die diese Systeme seit Jahren pflegen.“ Die menschliche Expertise bleibe unverzichtbar, um die Vorschläge der KI einzuordnen und verantwortungsvoll umzusetzen.
Ein Paradigmenwechsel mit Signalwirkung
Die Entwicklung unterstreicht einen Trend: Immer mehr Unternehmen erkennen, dass generische KI-Tools allein nicht ausreichen, um branchenspezifische Probleme zu lösen. Individuelle Anpassungen und die Integration interner Wissensquellen werden entscheidend, um KI-Projekte zum Erfolg zu führen. Für die Finanzbranche, die noch immer unter den Altlasten der Digital-Pioniere leidet, könnte dies der Beginn einer neuen Ära sein – in der Legacy-Code nicht länger ein Fluch, sondern eine Herausforderung mit greifbaren Lösungen ist.
Bildquelle: WSJ (im-42428774)### Langfristige Auswirkungen und branchenübergreifende Impulse
Die Pionierarbeit des Finanzkonzerns könnte weit über die eigene Branche hinausstrahlen. Industrien wie Versicherungen, Logistik oder der öffentliche Sektor kämpfen ebenfalls mit veralteten Systemen, die oft noch tiefer in ihre Prozesse verwoben sind. Experten spekulieren, dass die entwickelte KI-Methodik als Blueprint für andere Sektoren dienen könnte, die ähnliche Herausforderungen bewältigen müssen. „Die Prinzipien der Code-Archäologie und kontextbewussten Modernisierung sind universell anwendbar“, betont ein Technologieberater.
Gleichzeitig wirft der Ansatz Fragen zur Nachhaltigkeit auf: Wie wird die KI mit der rasanten Entwicklung neuer Programmiersprachen oder Frameworks umgehen? Das Unternehmen arbeitet bereits an adaptiven Lernmodulen, die es der KI ermöglichen, kontinuierlich dazuzulernen – nicht nur aus internen Daten, sondern auch aus globalen Tech-Trends. Dies könnte einen Kreislauf schaffen, bei dem die KI nicht nur Legacy-Code modernisiert, sondern auch selbst zum Wächter gegen zukünftige Veraltung wird.
Mensch und Maschine: Symbiose statt Substitution
Ein unterschätzter Aspekt ist die Rolle der Mitarbeiter:innen. Während die KI repetitive Analysen beschleunigt, gewinnen technische Teams Kapazitäten für strategische Aufgaben. Ältere Mitarbeiter, deren COBOL-Expertise bisher unersetzlich schien, werden zu Trainern der KI, indem sie ihr implizites Wissen systematisch erfassbar machen. Gleichzeitig entstehen neue Jobprofile, wie „KI-Modernisierungsarchitekt:innen“, die als Brücke zwischen Algorithmen und Geschäftsanforderungen fungieren.
Dennoch bleibt die Umsetzung eine Gratwanderung. „Die größte Gefahr ist, sich zu sehr auf die KI zu verlassen und das kritische Denken auszuschalten“, warnt eine Softwareingenieurin im Unternehmen. Fehlerhafte KI-Empfehlungen, die ungeprüft übernommen werden, könnten Systeme destabilisieren. Daher setzt der Konzern auf rigide Testprotokolle und hybride Teams, in denen KI-Outputs systematisch validiert werden.
Regulatory Challenges und globale Skalierung
Ein weiterer Unsicherheitsfaktor sind regulatorische Hürden. Finanzbehörden weltweit haben noch keine klaren Richtlinien für den Einsatz von KI in kritischer Infrastruktur. Der Konzern arbeitet eng mit Aufsichtsbehörden zusammen, um Transparenzstandards zu etablieren – etwa durch detaillierte Dokumentation aller KI-getroffenen Entscheidungen. Dies soll nicht nur Compliance sicherstellen, sondern auch Vertrauen in die Technologie stärken.
Internationale Expansion birgt zusätzliche Komplexität: Legacy-Systeme variieren je nach Land aufgrund lokaler Regularien und historischer IT-Entwicklungen. Die KI muss daher kulturelle und rechtliche Nuancen interpretieren können, was nur durch hyperlokale Anpassungen möglich ist. Erste Tests in asiatischen Tochtergesellschaften zeigen jedoch, dass das Modell durch gezieltes Training auch mit diesen Unterschieden umgehen kann.
Vision eines Ökosystems für Legacy-Transformation
Langfristig plant das Unternehmen, die KI-Lösung in ein offenes Ökosystem einzubetten. Über gesicherte APIs könnten Partnerbanken oder Tech-Firmen eigene Module entwickeln, die auf der Plattform aufbauen – ohne Zugriff auf sensible Kernlogiken. Solche Kollaborationen würden die Kosten für KI-Entwicklung verteilen und den Wissenstransfer zwischen bisher konkurrierenden Institutionen fördern.
„Wir stehen erst am Anfang“, resümiert der CIO. „Die wahre Revolution wird kommen, wenn wir Legacy-Modernisierung nicht mehr als Problem, sondern als kontinuierlichen Prozess begreifen.“ Mit jeder migrierten Codezeile entstehe ein lebendiges System, das sich selbst erneuert – angetrieben von KI, aber gesteuert von menschlicher Vision.
Damit setzt der Finanzriese nicht nur einen technologischen, sondern auch einen kulturellen Maßstab: In einer Welt, die oft auf disruptive Brüche setzt, zeigt er, dass die Evolution alter Systeme durch intelligente Symbiose aus Tradition und Innovation ebenso wegweisend sein kann.
