Die meisten Modernisierungsprojekte scheitern nicht am Schreiben von neuem Code — sie scheitern daran, dass niemand mehr weiß, was der alte Code eigentlich tut. AI-Agenten lösen genau das.
Die Angst vor dem Anfassen
Stell dir vor: Ein mittelständisches Unternehmen will seine Kernplattform modernisieren. Die Software ist zwölf Jahre alt, in einer veralteten Java-EE-Version geschrieben, auf einem Server der schon längst abgekündigt ist. Das ursprüngliche Entwicklungsteam? Größtenteils nicht mehr im Unternehmen. Die Dokumentation? Ein 2014 angelegtes Confluence-Wiki, das beim ersten Architekturwechsel aufgehört wurde zu pflegen.
Also kommt ein neues Team. Sie bekommen drei Monate Zeit, die Plattform zu migrieren.
Dann schaut sich der Lead-Entwickler den Code wirklich an.
Klingt interessant?
340.000 Zeilen. Keine Test-Suite. Datenbankzugriffe überall — in Service-Klassen, in Hilfsfunktionen, gelegentlich direkt im View-Layer. Eine Schnittstelle zu einem externen Dienstleister, die dokumentiert ist als "läuft irgendwie, bitte nicht anfassen." Fünf verschiedene Authentifizierungspfade, von denen mindestens zwei nach menschlichem Ermessen tot sind — aber niemand weiß, ob wirklich.
Das Problem ist nicht: Wie schreibt man das neu? Das Problem ist: Was darf man überhaupt anfassen, ohne dass Produktion ausfällt — und man nicht einmal weiß, warum?
Warum Modernisierungsprojekte wirklich scheitern
In Gesprächen über gescheiterte Migrations- und Modernisierungsprojekte taucht immer dieselbe Geschichte auf. Budget überschritten. Zeitplan verfehlt. Team erschöpft. Aber fast nie war das Schreiben von modernem Code das Problem.
Das Problem war Wissensverlust.
Laut einer Studie von Computerwoche und CIO aus dem Jahr 2024 hat die Modernisierung geschäftskritischer Systeme für 72 Prozent der deutschen Unternehmen hohe Priorität. Aber 40 Prozent dieser Systeme sind eigenentwickelte Lösungen — Code, der nie für den Weiterbetrieb durch ein anderes Team designed wurde. Für 46 Prozent der befragten Unternehmen bedeutet Legacy konkret: hohe laufende Kosten. Für 40 Prozent bremst er die Geschäftsentwicklung messbar aus.
Das globale Bild ist noch drastischer: Über 220 Milliarden Zeilen COBOL laufen heute noch aktiv in Banken, Versicherungen und Behörden. Sie verarbeiten täglich schätzungsweise drei Billionen Dollar an Finanztransaktionen. 95 Prozent aller US-amerikanischen Geldautomaten-Transaktionen laufen über COBOL-Systeme — geschrieben von Entwicklern, von denen ein Großteil bereits in Rente ist. Das mittlere Alter eines COBOL-Entwicklers liegt bei 55 Jahren. Jedes Jahr verlässt rund ein Zehntel dieser Community den Arbeitsmarkt — und nimmt sein Wissen über undokumentierte Systeme mit.
Der eigentliche Horror ist nicht, dass niemand COBOL mehr schreiben kann. Es ist, dass niemand mehr erklären kann, warum bestimmte Logik so funktioniert, wie sie funktioniert.
Was AI-Agenten konkret anders machen
Die menschliche Grenze bei Legacy-Analyse ist im Wesentlichen eine Aufmerksamkeitsgrenze. Ein erfahrener Entwickler kann einen Bereich des Systems wirklich gut verstehen — aber 340.000 Zeilen vollständig im Kopf behalten, alle impliziten Abhängigkeiten, alle undokumentierten Seiteneffekte? Das kann niemand.
Ein AI-Agent hat diese Grenze nicht.
Was konkret passiert, wenn man einen Agenten-Swarm auf eine Legacy-Codebase loslässt: Die Agenten lesen die gesamte Codebase — nicht nur Teile davon. Sie kartieren jeden Call-Graph, jede Datenbankabfrage, jede externe Schnittstelle. Sie identifizieren, welche Codepfade tatsächlich noch erreicht werden können und welche de-facto tot sind. Sie generieren Dokumentation für Module, für die es keine gibt. Und sie schreiben Tests für Code, der nie für Tests designed wurde — basierend auf dem beobachtbaren Verhalten, nicht auf einer Spec.
Das ist kein theoretisches Versprechen. Microsofts Teams arbeiten seit 2024 mit diesem Ansatz bei COBOL-Migrationen: Agenten extrahieren Business-Logik, generieren Testfälle, kartieren Abhängigkeiten als Diagramme — und das in Stunden statt in Monaten. Was früher ein Forschungsprojekt für einen Junior-Entwickler war ("versteh mal, was dieser Teil des Systems tut"), ist jetzt eine strukturierte, automatisierbare Aufgabe.
Das ändert die Ökonomie von Modernisierungsprojekten fundamental. Die teuerste Phase — die Analyse — war früher die am schwersten planbare. Jetzt hat sie einen definierten Anfang und ein definiertes Ende.
Das Wissensproblem ist lösbar. Aber nicht allein.
Es gibt eine Versuchung, das als "jetzt kaufen wir uns einen AI-Copilot und dann läuft das schon" zu interpretieren. Das wäre ein Fehler.
Was AI-Agenten bei Legacy-Modernisierung leisten, setzt voraus, dass die Agenten richtig eingesetzt werden — mit dem richtigen Kontext, den richtigen Aufgaben, und einem Prozess, der menschliches Review dort einbaut, wo es tatsächlich gebraucht wird. Die Technologie kann die Analyse skalieren. Aber jemand muss die Architektur-Entscheidungen treffen, die Priorisierung verantworten, und wissen, wann ein Agent-Output kritisch überprüft werden muss.
Hier kommt nopex ins Spiel — nicht als Tool, das du deinem Team hinstellst, sondern als Capability, die du abrufst. Wir deployen den Agenten-Swarm auf deiner Codebase, strukturieren die Analyse-Phase, und liefern am Ende kein Deck voller PowerPoint-Folien — sondern eine kartierte Codebase, generierte Tests, priorisierte Modernisierungsschritte, und Code, der schon geschrieben ist.
Kein internes AI-Team aufbauen. Kein sechsmonatiges Proof-of-Concept. Keine Warteschlange beim nächsten verfügbaren Consultant.
Was du danach hast
Am Ende der Analyse-Phase weißt du: welche Teile deiner Codebase tatsächlich geschäftskritisch sind — und welche du bedenkenlos anfassen kannst. Welche Abhängigkeiten real sind und welche nur aussehen wie welche. Wo die höchsten Risiken stecken. Und du hast Tests, die dich absichern, bevor die erste Zeile angefasst wird.
Die Angst vor dem Anfassen bleibt nicht weg. Aber sie hat endlich eine faktische Grundlage — statt nur Bauchgefühl und Hoffnung.
Wenn dein Team gerade vor einem Modernisierungsprojekt steht und das Gefühl kennt, das ich oben beschrieben habe: Reden wir.
