KI soll mehr als Quellcode verstehen
Ein zentraler Punkt ist die Frage, wo das Wissen über eine über Jahrzehnte gewachsene Mainframe-Anwendung tatsächlich steckt. Quellcode allein bildet das Verhalten einer produktiven Anwendung nicht vollständig ab, konstatiert Mukherjee in dem Gastbeitrag für TechChannel. KI-gestützte Werkzeuge könnten COBOL, PL/I, Assembler oder JCL erklären, Programm-, Daten- und Job-Abhängigkeiten abbilden, mögliche Geschäftsregeln und Validierungslogiken identifizieren, Auswirkungsanalysen unterstützen oder aus Codepfaden mögliche Testszenarien ableiten. Zum Gesamtbild gehörten ebenso Daten, Middleware, Scheduling, Sicherheitsregeln, Konfigurationen und Interaktionen mit anderen Plattformen.
Das berührt ein Thema, das auch in unserer jüngsten „Legacy Lessons“-Kolumne „Der nächste Mainframe-Skills-Gap heißt operative Komplexität“ eine zentrale Rolle spielt: In hybriden IT-Landschaften wird nicht nur Spezialwissen zu einzelnen Technologien benötigt. Entscheidend ist auch das Verständnis der Abhängigkeiten und des gesamten Weges einer geschäftlichen Transaktion über Mainframe, APIs, Cloud und Distributed Systems.
Betriebswissen steckt auch in E-Mails und persönlichen Notizen
Die Kyndryl-Expertin erweitert die Quellenbasis ausdrücklich über technische Artefakte hinaus. Relevantes Wissen sei häufig auf Standardarbeitsanweisungen, Incident- und Problem-Records, Änderungshistorien, Runbooks und Recovery Guides, Kommentare im Quellcode sowie Architekturunterlagen verteilt. Hinzu kämen E-Mails und Collaboration-Plattformen, persönliche Notizen und die Erfahrungen der Teams.
KI-basierte Wissenssysteme könnten diese Informationen miteinander verknüpfen. Denkbar seien etwa die Suche in freigegebenen Verfahren, das Auffinden ähnlicher Incidents, Erklärungen zu unbekannten Komponenten oder der Abgleich zwischen dokumentierten Prozessen und dem tatsächlichen Verhalten einer Anwendung. Beim Ausscheiden erfahrener Mainframe-Spezialisten gehe schließlich auch Wissen darüber verloren, warum bestimmte betriebliche Entscheidungen getroffen wurden.
An diesen Punkt knüpft auch unsere jüngste Betrachtung „IBM vs. Anthropic: Was in der Debatte über Legacy-Modernisierung zu kurz kommt“ an. Dort steht das institutionelle Wissen im Mittelpunkt, das nicht vollständig im Code oder anderen Systemartefakten hinterlegt ist.
Woher weiß die KI das?
Wenn KI auf eine derart breite Wissensbasis zugreift, wird die Herkunft ihrer Aussagen wichtig. Mukherjee fordert, dass Nutzer unterscheiden können sollten, ob eine Information aus einem freigegebenen Verfahren, einer Beobachtung im Quellcode oder einer KI-generierten Interpretation stamme.
Dafür nennt sie konkrete Anforderungen: Nachvollziehbarkeit generierter Ergebnisse bis zu den zugrunde liegenden Quellen (Source Evidence), Reviews durch Anwendungs-, Infrastruktur- und Fachspezialisten, automatisierte Regressions- und Datenabgleichstests (Data-Reconciliation Testing), Security- und Compliance-Validierung sowie Confidence Thresholds für KI-generierte Empfehlungen. Hinzu kämen Versionskontrolle, Audit Records und Rollback-Pläne für Änderungen an Produktionssystemen.
Der Hintergrund ist praktisch: Eine KI-generierte Dokumentation könne ungewöhnliche Verarbeitungspfade übersehen. Eine automatisierte Code-Transformation könne erfolgreich kompilieren und trotzdem das Transaktionsverhalten verändern. Für Anwendungen in der Verarbeitung von Finanztransaktionen sowie andere regulierte oder geschäftskritische Systeme sei deshalb weiterhin menschliche Prüfung erforderlich.
Modernisierung muss nicht gleich Migration bedeuten
Mukherjee unterscheidet mehrere mögliche Pfade: „Retain & Optimize“, „Integrate & Expose“, „Refactor Selectively“, „Migrate or Replatform“, „Replace & Retire“. Auch eine auf dem Mainframe verbleibende Anwendung könne durch Automatisierung, Observability, Testing, Security, moderne Schnittstellen oder verbessertes Wissensmanagement modernisiert werden.
Für einen ersten KI-gestützten Pilot könnten zunächst Anwendungscode, Metadaten, Verfahrensbeschreibungen, Incidents und Performance-Daten zusammengeführt werden. Daraus könne KI Zusammenfassungen, Abhängigkeitsdarstellungen und mögliche Geschäftsregeln erstellen, die anschließend von Anwendungs-, Datenbank-, Betriebs- und Fachspezialisten validiert würden.
Das Ergebnis müsse keine Migration sein. Die Kyndryl-Expertin nennt als mögliche erste Schritte eine API für eine bestehende Geschäftsfunktion, eine automatisierte Testsuite, eine dokumentierte Dependency Map oder die Stilllegung einer nicht mehr genutzten Komponente. Ziel sei ein wiederholbares Verfahren für evidenzbasierte Modernisierungsentscheidungen.
Was der Beitrag zusätzlich in die Debatte bringt
Interessant ist vor allem die Verbindung der drei Aspekte. KI soll Informationen aus Quellcode und technischen Abhängigkeiten mit Betriebswissen aus Incidents, Runbooks, E-Mails oder persönlichen Notizen zusammenführen. Die daraus gewonnenen Erkenntnisse sollen zugleich bis zu ihren jeweiligen Quellen nachvollziehbar und durch Fachleute überprüfbar sein.
Als erster Modernisierungsschritt kann bereits eine Dependency Map, eine automatisierte Testsuite, eine API vor bestehender Mainframe-Funktionalität oder die Stilllegung einer nicht mehr benötigten Komponente ausreichen. Der TechChannel-Beitrag beschreibt damit einen KI-Einsatz, der zunächst auf ein besseres Verständnis der bestehenden Anwendungslandschaft und belastbare Entscheidungen über die nächsten Schritte zielt. (td)
