Ein Forschungsteam der Queen’s University Kingston und von IBM Canada hat einen neuen Ansatz zur Dokumentation von COBOL-Systemen vorgestellt.

In dem White Paper wird ausgeführt, dass COBOL trotz seines Alters weiterhin geschäftskritisch sei – gerade in Banken und Versicherungen, die auf die Stabilität ihrer Kernsysteme angewiesen sind. Gleichzeitig werde die Pflege dieser jahrzehntealten Anwendungen zunehmend erschwert, da Dokumentation oft fehle und erfahrene Entwickler knapp seien.

Die Autoren beschreiben, dass ein Multi-Agenten-Ansatz mit zwei KI-Modellen hier Abhilfe schaffen könne: Ein „Code Processing Agent“ analysiere COBOL-Quelltext auf Funktions- und Dateiebene, während ein „Text Processing Agent“ die Ergebnisse in klare und verständliche Beschreibungen überführe. Durch ein hierarchisches Verfahren lasse sich auch sehr umfangreicher Code erklären, der sonst über den Token-Limit gängiger Sprachmodelle liege.

Die folgende Abbildung fasst den mehrstufigen Prozess zusammen, mit dem die KI-Agenten COBOL-Code auf Funktions-, Datei- und Projektebene verständlich machen:

Abbildungsnachweis: Lei, F., Liu, J., Noei, S., Zou, Y., Truong, D., & Alexander, W. (2025). Enhancing COBOL Code Explanations: A Multi-Agents Approach Using Large Language Models. Abbildung 2. Veröffentlicht unter Creative Commons Attribution 4.0 International License (CC BY 4.0). Quelle: arXiv:2507.02182.

Getestet wurde das Verfahren an 14 Open-Source-COBOL-Projekten. Laut der Veröffentlichung erzielten die erzeugten Erklärungen bei Genauigkeit, Verständlichkeit und Vollständigkeit signifikant bessere Ergebnisse als bisherige Ansätze. Auf Funktions- und Dateiebene seien deutliche Verbesserungen messbar gewesen, während auf Projektebene in 82 Prozent der Fälle sinnvolle Gesamtbeschreibungen entstanden seien.

Die Forscher betonen, dass dieser Ansatz neuen Entwicklern den Einstieg in komplexe Legacy-Umgebungen erleichtern könne. Für Banken und Versicherungen bedeutet dies eine Chance, die Wartung und Weiterentwicklung ihrer COBOL-basierten Kernsysteme effizienter zu gestalten und so das Risiko von Wissensverlust in geschäftskritischen Prozessen deutlich zu verringern.