Mit dem IBM Bob Premium Package for Z hat IBM die speziell für IBM-Z-Umgebungen entwickelte Erweiterung seiner KI-gestützten Entwicklungsplattform zum 26. Juni 2026 allgemein verfügbar gemacht. Im begleitenden Engineering-Blog beschreibt das Unternehmen nicht nur die neuen Funktionen, sondern liefert vor allem eine technische Begründung dafür, warum herkömmliche Large Language Models (LLMs) beim Verständnis komplexer Mainframe-Anwendungen an ihre Grenzen stoßen.
Damit greift IBM einen Punkt auf, der auch im kürzlich vom Legacy IT Center dokumentierten Fachgespräch zwischen Uwe Graf, Head of Consulting bei EasiRun Europa, und Rainer Arnst, Manager AI Delivery bei DPS, zum Einsatz von KI im Bankenumfeld eine zentrale Rolle spielte: Der Erfolg solcher Werkzeuge hängt entscheidend davon ab, dass sie den vollständigen Kontext einer Anwendung verstehen.
Mainframe-Anwendungen sind kein gewöhnliches Code-Repository
Nach Angaben von IBM besteht eine typische Mainframe-Anwendung aus Millionen Zeilen COBOL- oder PL/I-Code, Tausenden Programmen sowie zahlreichen Abhängigkeiten zu Db2, CICS, IMS oder Batch-Schedulern. Ein universelles Sprachmodell könne diese Informationsmenge weder vollständig in sein Kontextfenster aufnehmen noch zuverlässig daraus Schlussfolgerungen ziehen. Mit zunehmender Kontextgröße nehme die Qualität der Antworten sogar wieder ab.
Hinzu komme, dass sich die eigentliche Geschäftslogik häufig nicht allein aus dem Quellcode erschließen lasse. Feldnamen, jahrzehntelang gewachsene Namenskonventionen und proprietäre Strukturen seien für allgemeine Sprachmodelle kaum interpretierbar.
Warum Wahrscheinlichkeiten nicht ausreichen
Besonders anschaulich beschreibt IBM dieses Problem anhand einer scheinbar einfachen Fragestellung: Welche Programme rufen ein bestimmtes Utility auf?
Nach Aussage des Unternehmens liefern allgemeine KI-Modelle je nach Abfragesituation unterschiedliche Ergebnisse – einmal zu wenige, einmal zu viele Treffer. Für Aufgaben wie Impact-Analysen oder die Bewertung von Programmänderungen seien solche statistischen Annäherungen jedoch nicht ausreichend. Im Mainframe-Umfeld müssten Antworten reproduzierbar und nachvollziehbar sein.
Deterministische Analyse als Wissensbasis
Genau hier setzt IBM Bob für Z an: Statt das Sprachmodell den Bestand selbst interpretieren zu lassen, baut man mit Z Understand eine deterministische Wissensbasis auf. Mittels statischer Analysen werden Programme, Copybooks, Datenflüsse, Abhängigkeiten und Scheduler-Beziehungen in einem strukturierten Repository erfasst, auf das die KI anschließend zugreifen kann. Ergänzt wird dies durch Laufzeitinformationen, automatisch erzeugte Datenwörterbücher und weitere Metadaten. Ziel sei es, Antworten auf überprüfbare Fakten statt auf statistische Wahrscheinlichkeiten zu stützen.
Der IBM-Beitrag liefert damit die technische Einordnung zu einem Kerngedanken des vom Legacy IT Center dokumentierten Fachgesprächs zwischen DPS und EasiRun: KI auf dem Mainframe benötigt mehr als ein leistungsfähiges Sprachmodell. Erst ein vollständiges Verständnis von Anwendungen, Abhängigkeiten und Datenflüssen schafft die Grundlage für belastbare Analysen und Modernisierungsvorhaben. Wie gut dieser Ansatz in der Praxis funktioniert, werden die ersten Projekte mit dem IBM Bob Premium Package for Z zeigen.
Verfügbare Workflows des IBM Bob Premium Package for Z. KI-generierte Darstellung auf Basis von IBM-Informationen.
