Modernisierung im KI-Zeitalter: Wie KI die Wahl des Migrationspfads verändert
Refactor, Rebuild, Replace: Das sind die Begriffe, die man kennt. Die grundsätzlichen Wege zur Modernisierung von Anwendungen haben sich seit Jahren kaum verändert. Was sich verändert hat, ist die Rolle von KI. Sie verschiebt die wirtschaftlichen Rahmenbedingungen der einzelnen Migrationspfade und damit die Frage, welcher Ansatz sich für welchen Anwendungszweck lohnt. Und nicht immer fällt die Antwort so aus, wie man sie erwarten würde.
In Gesprächen mit IT- und Entwicklungsverantwortlichen begegnet uns immer wieder dieselbe Frage: Wie modernisieren wir unsere Bestandssysteme und wo kann uns KI dabei tatsächlich einen Mehrwert schaffen?
Hier ist eine wichtige Abgrenzung nötig. In diesem Beitrag geht es um die Modernisierung von Anwendungen, also um Code und Softwareentwicklung. Für Infrastruktur-, Cloud- oder reine Datenmigrationen gelten teilweise andere Rahmenbedingungen. Darauf werfen wir zum Ende des Textes noch einen kurzen Blick.
Bereits 2016 beschrieb Stephen Orban im AWS-Blog sechs Strategien für die Migration von Anwendungen: Rehost, Replatform, Repurchase, Refactor, Retire und Retain. Später kam mit Relocate ein siebter Ansatz hinzu. Die Basis dafür bildeten bereits die von Gartner 2011 formulierten „5 Rs“. Seitdem gehören die verschiedenen Migrationspfade zum festen Bestandteil nahezu jeder Modernisierungsstrategie.
In der Praxis lautete die Empfehlung lange Zeit häufig: erst Lift & Shift, dann modernisieren. Der Gedanke dahinter war nachvollziehbar. Ein Rehosting versprach schnelle Ergebnisse bei geringem Risiko, während die eigentliche Modernisierung in einem zweiten Schritt erfolgen sollte. Ausschlaggebend waren meist die Kosten und Risiken eines direkten Umbaus. Ein Refactor galt als teuer und risikobehaftet, weil Analyse, Verständnis und Übersetzung von Legacy-Code einen hohen manuellen Aufwand verursachten. Das Problem dabei: Die zweite Phase wurde in vielen Fällen nie umgesetzt.
Dabei durchlaufen nahezu alle Modernisierungsvorhaben ähnliche Schritte: Analyse, Implementierung, Tests, Datenmigration und Umstellung gehören unabhängig vom gewählten Pfad fast immer dazu. Der Unterschied liegt darin, in welcher Phase der größte Aufwand entsteht. Genau davon hängt am Ende auch ab, wie groß der tatsächliche Nutzen von KI sein kann.
Die folgende Übersicht zeigt, welche Arbeitsschritte die einzelnen Migrationspfade typischerweise prägen und wo KI heute den größten Hebel hat:
Zwei Dinge fallen bei dieser Übersicht auf: Die Analyse spielt in jedem Migrationspfad eine zentrale Rolle. Und Refactor ist der Ansatz, bei dem sich der Aufwand besonders stark auf das Verstehen, Übersetzen und Testen von bestehendem Code konzentriert. Genau in diesen Bereichen kann KI heute besonders wirksam unterstützen.
Migration vor und nach KI: Was sich verändert hat
Vor zehn Jahren war Anwendungsmodernisierung vor allem Handarbeit. Der größte Aufwand lag in der Analyse bestehender Systeme, der Übersetzung von Legacy-Codes und dem Aufbau einer ausreichenden Testbasis. Genau in diesen Bereichen kann KI heute viele Aufgaben beschleunigen.
KI unterstützt dabei, Geschäftslogik aus Altsystemen zu extrahieren, Dokumentation aus bestehendem Code abzuleiten, Anwendungen in moderne Zieltechnologien zu überführen und passende Tests zu generieren. Die fachliche Validierung, Architekturentscheidungen und die finale Abnahme bleiben jedoch weiterhin menschliche Aufgaben.
Der am häufigsten unterschätzte Hebel liegt in den Tests. Eine KI-gestützte Übersetzung ist nur so gut wie die Möglichkeit, das Ergebnis zu prüfen. Wer das Verhalten des Altsystems zunächst in Tests festhält, schafft die Grundlage für eine weitgehend automatisierte Migration. Ohne diese Absicherung entsteht schnell neuer Code, bei dem aber unklar bleibt, ob er fachlich tatsächlich dasselbe leistet wie das Original.
Der Engpass hat sich verschoben
Wenn KI die Analyse und die Übersetzung von Code beschleunigt, verschwindet der Aufwand nicht. Er verlagert sich vielmehr in Bereiche, die sich nur begrenzt automatisieren lassen.
- Validierung: Jede generierte Zeile Code muss geprüft werden. Der Zeitgewinn bei der Codegenerierung wird deshalb durch die notwendige Qualitätskontrolle begrenzt.
- Fachliche Abnahme: Ob eine identifizierte oder extrahierte Geschäftsregel tatsächlich korrekt ist, können nur die Menschen beurteilen, die die zugrunde liegenden Prozesse kennen. Genau diese Expertise ist in vielen Unternehmen knapp.
- Datenmigration: Die Übertragung von Daten muss reproduzierbar, konsistent und lückenlos nachvollziehbar sein. Gerade in regulierten Branchen gehört das zu denzentralen Anforderungen eines Migrationsprojekts.
Hinzu kommt ein Risiko, das sich mit KI verändert hat. Früher entstand beim Modernisieren zwangsläufig Wissen über das neue System, weil sich die beteiligten Teams intensiv mit dem Code auseinandersetzen mussten. Heute besteht die Gefahr, dass eine Anwendung zwar erfolgreich migriert wird, aber kaum jemand den neuen Code wirklich versteht. Die KI hat übersetzt, das Wissen wurde jedoch nicht aufgebaut.
Gleichzeitig bietet KI die Möglichkeit verborgenes Wissen aus Altsystemen sichtbar zu machen. Was bislang häufig nur im Code steckte, lässt sich heute systematisch analysieren und dokumentieren. So entstehen wertvolle Einblicke in Geschäftslogik, Prozesse und Abhängigkeiten, die für die weitere Modernisierung genutzt werden können.
Der direkte Weg wird attraktiver
Der oft gewählte Umweg über Rehost war vor allem eine Antwort auf hohe Analyse- und Übersetzungskosten. Wenn diese Kosten durch KI sinken, verliert dieser Ansatz einen Teil seiner wirtschaftlichen Begründung. Für klar abgegrenzte Komponenten, deren Verhalten sich zuverlässig prüfen lässt, kann ein direkter Refactor heute schneller und wirtschaftlicher zum Ziel führen.
Umgekehrt gilt aber auch: Ein Rebuild wirkt durch KI schnell verlockend günstig, weil neuer Code in kurzer Zeit entsteht. Der eigentliche Aufwand steckt häufig an anderer Stelle. Neue Datenmodelle, fachliche Logik, Tests und Abnahme bleiben auch im KI-Zeitalter komplex und aufwendig. Deshalb führt die Frage „Klassisch oder KI?“ oft in die falsche Richtung.
Sinnvoller ist es, drei Fragen nacheinander zu beantworten:
1. Welcher Migrationspfad passt zu welcher Komponente?
2. Wo entstehen entlang des Migrationspfads die größten Aufwände?
3. Wo schafft KI echten Mehrwert und wie wirkt sich das wirtschaftlich aus?
Und dabei haben sich auch drei Grundregeln bewährt:
1. Keine KI-gestützte Übersetzung ohne Tests. Was sich nicht verlässlich prüfen lässt, sollte nicht automatisiert migriert werden.
2. Regulatorisch relevante Logik bleibt in menschlicher Verantwortung. KI kann unterstützen und Vorschläge liefern, die Entscheidung muss jedoch nachvollziehbar und verantwortbar bleiben.
3. Wissensaufbau mit einplanen. Das Team muss den neuen Code verstehen und weiterentwickeln können. Andernfalls entsteht das nächste Legacy-System bereits mit dem Go-live.
Ausblick: Wo KI bei Migrationen besonders stark ist
Die bisherigen Beispiele haben sich auf die Modernisierung von Anwendungen konzentriert. Dort entfaltet KI ihren größten Nutzen, weil sie vor allem bei Analyse, Code-Verständnis, Übersetzung und Tests unterstützt.
Für andere Migrationsarten fällt der Effekt unterschiedlich aus. Grundsätzlich gilt: Je mehr Anwendungscode betroffen ist, desto größer ist in der Regel der KI-Hebel. Je stärker eine Migration dagegen von Datenübernahme, Infrastruktur, Prozessen oder organisatorischen Veränderungen geprägt ist, desto geringer wird der potenzielle Nutzen.
Die folgende Übersicht zeigt typische Migrationsszenarien und wo KI heute den größten Beitrag leisten kann:
Diese Übersicht macht deutlich: KI beschleunigt vor allem Arbeiten, die sich aus bestehendem Code ableiten und automatisiert prüfen lassen. Deshalb profitieren Framework-Upgrades, Refactorings und die Code-Anteile von Datenbankmigrationen.
Fazit
Die Wege zur Modernisierung von Bestandssystemen sind im Grunde dieselben geblieben. Ob Refactor, Rebuild, Replace oder Rehost: Diese Optionen bestimmen die Diskussion schon seit Jahren. KI verschiebt die wirtschaftlichen Rahmenbedingungen der einzelnen Migrationspfade und damit die Frage, welcher Migrationspfad wirtschaftlich am sinnvollsten ist.
Lange Zeit waren Analyse, Codeverständnis und Übersetzung die größten Kostentreiber. Genau deshalb wurde häufig zunächst auf Rehost gesetzt und die eigentliche Modernisierung auf später verschoben. Durch KI verändert sich diese Rechnung. Aufgaben, die früher viele Wochen oder Monate manueller Arbeit erforderten, lassen sich heute deutlich schneller bearbeiten. Geschäftslogik kann aus bestehendem Code extrahiert, Dokumentation automatisch erzeugt und Altsysteme wesentlich effizienter analysiert werden.
Das bedeutet jedoch nicht, dass Modernisierung plötzlich einfach oder günstig geworden ist. Der Aufwand verschwindet nicht, er verlagert sich. Während Analyse und Übersetzung zunehmend automatisiert werden können, bleiben Validierung, Fachlichkeit, Datenmigration, Architekturentscheidungen und Abnahme weiterhin entscheidende Erfolgsfaktoren. Gerade dort, wo Prozesse verstanden, fachliche Anforderungen bewertet oder regulatorische Vorgaben eingehalten werden müssen, bleibt menschliche Erfahrung unverzichtbar.
Deshalb gibt es auch keine pauschale Antwort auf die Frage nach dem richtigen Migrationspfad. Erfolgreiche Modernisierung bedeutet heute mehr denn je, Systeme nicht als Ganzes zu betrachten, sondern einzelne Komponenten gezielt zu bewerten und dafür den jeweils passenden Weg zu wählen.
Genau dabei unterstützt CodeCamp:N seine Kund:innen. Mit einer KI-gestützten Analyse schaffen wir zunächst Transparenz über die Anwendungen, Abhängigkeiten und fachliche Zusammenhänge. Auf dieser Basis bewerten wir gemeinsam, welcher Migrationspfad für einzelne Komponenten sinnvoll ist, wo KI den größten Mehrwert liefert und welche Aufwände realistisch zu erwarten sind. So entstehen fundierte Entscheidungen statt pauschaler Modernisierungsstrategien.
