COBOL-Modernisierung mit KI

Ein großer Teil der deutschen Wirtschaft läuft auf Code, den kaum noch jemand lesen kann. Kernbanken, Versicherungsbestände, die öffentliche Verwaltung — ihre kritischsten Prozesse stecken in COBOL-Programmen, die seit Jahrzehnten zuverlässig laufen und genau deshalb niemand anfasst. Das Problem ist nicht die Technik. Das Problem ist, dass die Menschen, die diese Systeme verstehen, in Rente gehen — und ihr Wissen mit ihnen.

COBOL-Modernisierung mit KI — im internationalen Werkzeugmarkt englisch „AI" — wird gerade deshalb zum Thema: nicht weil eine KI den alten Code per Knopfdruck in ein neues System übersetzt, sondern weil sie das Teuerste an jeder Modernisierung billiger macht — das Verstehen.

Der Engpass jeder Legacy-Modernisierung war nie das Neuschreiben. Es war das Verstehen dessen, was das alte System eigentlich tut. Genau hier verschiebt KI die Ökonomie.

Warum der große Wurf scheitert

Die Geschichte der IT ist voll von gescheiterten Big-Bang-Rewrites: Ein Team schreibt das Altsystem über Jahre komplett neu, und am Stichtag stellt sich heraus, dass das neue System Hunderte ungeschriebene Geschäftsregeln nicht kennt, die im alten über Jahrzehnte gewachsen sind. Der Schaden ist im regulierten Umfeld — Bank, Versicherung, Behörde — existenzbedrohend. Wer eine Bestandsführung oder ein Zahlungssystem über Nacht umstellt, riskiert genau das.

Die belastbare Alternative ist seit Jahren bekannt und heißt Strangler-Fig: Man legt das neue System wie eine Würgefeige um das alte, löst Funktion für Funktion heraus und ersetzt sie, während der Rest weiterläuft. KI macht dieses Vorgehen nicht überflüssig — sie macht es schneller und sicherer.

Erste Schicht: Altcode verstehen und dokumentieren

Eine KI kann ein COBOL-Programm lesen und in verständlicher Sprache erklären, was es tut: welche Geschäftsregeln darin stecken, welche Datenflüsse, welche Sonderfälle. Aus undokumentierten Programmen wird eine durchsuchbare Wissensbasis. Das ersetzt nicht das Urteil eines erfahrenen Entwicklers — aber es gibt ihm in Stunden einen Überblick, für den er früher Wochen gebraucht hätte. Bei der Frage „COBOL-Modernisierung mit KI" ist das der erste, konkrete Hebel.

Zweite Schicht: Tests als Sicherheitsnetz

Bevor man eine einzige Zeile Altsystem anfasst, braucht man ein Netz, das sein Verhalten festhält. Charakterisierungstests — Tests, die nicht prüfen, was das System tun soll, sondern was es tatsächlich tut — sind dieses Netz. Genau sie von Hand zu schreiben ist mühsam, und genau das kann KI in großem Umfang vorbereiten: Eingaben und erwartete Ausgaben aus dem Altsystem ableiten, sodass jede spätere Migration gegen das dokumentierte Ist-Verhalten geprüft wird. Ohne dieses Netz ist jede Modernisierung ein Blindflug.

Erst das Sicherheitsnetz, dann die Migration. Ein Charakterisierungstest, den die KI vorbereitet und ein Mensch geprüft hat, fängt den Fehler ab, bevor er in Produktion geht.

Dritte Schicht: inkrementell übersetzen

Mit Verständnis und Testnetz wird die eigentliche Migration beherrschbar. KI schlägt für eine herausgelöste Funktion eine Übersetzung in die Zielsprache vor — Java, eine moderne Plattform, was zur Ziel-Architektur passt. Der Mensch prüft, die Tests bestätigen, dass sich das Verhalten nicht verändert hat. Funktion für Funktion wandert so vom Mainframe in die neue Welt, ohne dass der Betrieb je stillsteht. Das ist das Gegenteil des Big-Bang: kleine, geprüfte, umkehrbare Schritte.

Werkzeuglandschaft 2026: Wer kann was

Der Werkzeugmarkt hat sich 2026 sortiert — und zwar entlang genau einer Frage: Wollen Sie den Mainframe verlassen, oder wollen Sie auf ihm modernisieren? Die Werkzeugwahl folgt dem Zielbild, nicht umgekehrt. Wer zuerst ein Tool kauft und dann eine Strategie sucht, hat die Reihenfolge vertauscht.

• IBM watsonx Code Assistant for Z steht 2026 bei Release 2.8 und setzt auf einen agentischen Workflow für Modernisierung auf der Plattform: automatische Dependency-Erkennung, Impact-Analyse, Codegenerierung mit Regelprüfung und Compile-Verifikation, dazu COBOL-Änderungen per natürlicher Sprache direkt in der Entwicklungsumgebung. Das Zielbild dahinter: der Mainframe bleibt, der Code wird beherrschbar.
• AWS Transform for mainframe ist der Weg für den Cloud-Exit: Der frühere Blu-Age-Ansatz ist darin aufgegangen, als agentischer Service über den ganzen Lebenszyklus — Assessment, Extraktion von Geschäftsregeln, Transformation von COBOL und PL/I nach Java, JCL nach Groovy, BMS-Masken nach Angular. Wichtig für laufende Planungen: Die „self-managed experience" der AWS Mainframe Modernization wurde für Neukunden zum 30.06.2026 eingestellt — der Weg führt bei AWS jetzt über Transform.
• Claude Code zielt auf die Analyse-Phase: Anthropic hat im Februar 2026 ein Code Modernization Playbook veröffentlicht, das Dependency-Mapping, Entry-Point-Analyse, Execution-Path-Tracing und Workflow-Diagramme aus Altcode automatisiert. Wie ernst der Markt das nahm, zeigte die Börse: Die IBM-Aktie verlor am Tag der Ankündigung 13 Prozent — der schlechteste Handelstag seit Oktober 2000. Gartners erste Einordnung dazu war trotzdem nüchtern: kein Wundermittel, denn Code lesen ist nicht Code verstehen.
• Rocket Software hält seit 2024 das Micro-Focus-Erbe (unter anderem Visual COBOL) und bedient das vierte Zielbild: COBOL behalten, aber die Plattform wechseln — ohne Rewrite. Im Gartner Magic Quadrant für Technical Debt Management 2026 wird Rocket als Challenger geführt.

Zur ehrlichen Einordnung gehört, was Sprachmodelle heute messbar können — und was nicht. Der COBOLEval-Benchmark (arXiv, 2026) zeigt: GPT-4o erreicht bei der COBOL-Generierung nur rund 41,8 Prozent Compile-Erfolg und 16,4 Prozent Pass@1; ein domänen-adaptierter COBOL-Coder kommt auf 73,95 beziehungsweise 49,33 Prozent. Die meisten Open-Source-Codemodelle produzieren praktisch keinen kompilierbaren COBOL. Dazu kommt die Kontextfenster-Wand: Selbst 1–2 Millionen Token — der Stand der Frontier-Modelle 2026 — fassen nur ein paar tausend Dateien, weniger als eine produktive Enterprise-Codebasis, und die Genauigkeit degradiert in mittleren Kontextpositionen um mehr als 30 Prozent (arXiv, 2026). Dass Verifikation der Schlüssel ist, belegt die Forschung gleich doppelt: Der SEDCoT-Ansatz (arXiv, 2026) koppelt LLM-Übersetzung an symbolische Ausführung und Delta-Debugging, und eine FHGR-Studie (Churer Schriften, 2024) misst für ChatGPT-Codemigration rund 72 Prozent Übersetzungserfolg — ein brauchbarer Startpunkt, kein fertiges Ergebnis. Beides bestätigt die zweite Schicht dieses Artikels: Ohne Testnetz ist jedes dieser Werkzeuge ein Blindflug. Wie sich diese Werkzeugklassen in die vier AI-Pattern der Legacy-Modernisierung einordnen, haben wir an anderer Stelle ausführlich beschrieben.

Der Realitätscheck: Warum Gartner 70 Prozent scheitern sieht

Wer die Big-Bang-Warnung vom Anfang dieses Artikels für Schwarzmalerei hält, sollte auf die Analysten schauen: Gartner prognostiziert in einer Pressemitteilung vom 18.06.2026, dass mehr als 70 Prozent der 2026 gestarteten Mainframe-Exit-Projekte ihre Ziele verfehlen werden. Der genannte Grund ist bemerkenswert — nicht die Technik des Mainframes, sondern die Überschätzung dessen, was GenAI-Tooling heute leisten kann. Bis 2030 werden laut Gartner zudem 75 Prozent der Anbieter von Mainframe-Exits pivotieren oder vom Markt verschwinden.

Die Empfehlung der Analysten deckt sich mit dem Vorgehen, das dieser Artikel beschreibt: GenAI für „modernize in place" einsetzen statt für beschleunigte Exits. Genau das leisten die drei Schichten — Verstehen, Testnetz, inkrementelle Übersetzung: Sie modernisieren dort, wo das System läuft, in kleinen, geprüften, umkehrbaren Schritten, statt auf einen Stichtag zu wetten, an dem alles zugleich funktionieren muss.

Drei belegte Wege in der DACH-Praxis

Atruvia: Strangler-Fig auf der Plattform. Die Atruvia AG, IT-Dienstleister von über 800 Genossenschaftsbanken, hat laut IBM-Fallstudie rund 85 Prozent ihrer Kernbank-Transaktionen schrittweise durch Java-Services ersetzt — neben dem bestehenden COBOL, auf dem Mainframe, über eine gemeinsame Runtime für 31-Bit-COBOL und 64-Bit-Java, mit dreifacher Performance. Das ist Refactoring in place und das wohl beste DACH-Beispiel für das Strangler-Fig-Vorgehen im Kernbankumfeld.

Deutsche Bank: regelbasierte Transformation. Für den „KreditManager" der Deutschen Bank dokumentiert eine TSRI-Fallstudie die Transformation von COBOL und JCL nach Java und Python — regelbasiert statt generativ. Der Fall zeigt: Auch ohne Sprachmodell ist automatisierte Übersetzung möglich, wenn die Regeln explizit sind; KI ergänzt diesen Weg vor allem beim Verstehen und Absichern.

DRV Bund: Neubau mit KI-Boost. Die Deutsche Rentenversicherung Bund baut mit „rvEvolution" laut eigener Pressemitteilung ab Mitte 2026 bis 2029 ein neues trägerübergreifendes Kernsystem und löst damit ihr Legacy-Kernsystem ab. Mit „KI-Boost@rvEvolution" und einem eigenen KI-Labor setzt sie KI-Werkzeuge gezielt in der Entwicklung ein — ein Beleg dafür, dass auch die öffentliche Verwaltung den Weg über KI-gestützte Entwicklung geht.

Was nicht verhandelbar ist

KI halluziniert Geschäftsregeln. Ein Sprachmodell kann eine plausible, aber falsche Erklärung für ein COBOL-Programm liefern — und in einem Zahlungssystem ist eine falsche Regel teurer als gar keine. Jede KI-Ausgabe muss gegen Tests und gegen menschliches Urteil laufen. Die Verantwortung bleibt beim Team, nicht beim Modell.

Reguliertes Umfeld heißt Revisionssicherheit. In Banken und Versicherungen muss jeder Schritt nachvollziehbar und prüfbar sein. Eine Black Box, die Code ausspuckt, den niemand begründen kann, ist hier unbrauchbar. Was zählt, ist eine geprüfte Spur: was wurde übersetzt, gegen welche Tests, von wem freigegeben.

Daten bleiben souverän. Quellcode von Kernsystemen ist hochsensibel. Die Modelle, die ihn lesen, gehören auf kontrollierte, EU-souveräne Infrastruktur — nicht in eine beliebige Cloud-API in fremder Jurisdiktion.

Häufige Fragen zur COBOL-Modernisierung mit KI

Kann ChatGPT oder Claude COBOL wirklich nach Java übersetzen?

Als Startpunkt ja, als fertiges Ergebnis nein. Eine FHGR-Studie (2024) misst rund 72 Prozent Übersetzungserfolg für ChatGPT-Codemigration; der COBOLEval-Benchmark (arXiv, 2026) zeigt bei generalistischen Modellen nur rund 40 Prozent Compile-Erfolg bei der COBOL-Generierung. Produktionsreif wird eine KI-Übersetzung erst mit Charakterisierungstests und systematischer Verifikation — Schicht zwei und drei dieses Artikels.

Was kostet eine COBOL-Modernisierung?

Eine seriöse Zahl gibt es erst nach der Analyse. Die Kosten hängen am Codeumfang, an der Dokumentationslage, an der vorhandenen Testabdeckung und an der Zielarchitektur — und diese Faktoren streuen zwischen Organisationen enorm. KI senkt vor allem die Analyse- und Verstehenskosten, nicht die Kosten der Absicherung: Tests, Reviews und Revisionsspur bleiben menschliche Arbeit.

Wie lange dauert eine COBOL-Modernisierung?

Inkrementell gerechnet: eher Quartale pro fachlicher Domäne als Jahre für das Ganze am Stück. Der entscheidende Unterschied liegt nicht in der Gesamtdauer, sondern im Risikoprofil — jeder Schritt liefert geprüften Wert und ist umkehrbar. Überzogene Big-Bang-Zeitpläne sind laut Gartner ein Hauptgrund, warum Mainframe-Exit-Projekte ihre Ziele verfehlen.

COBOL ersetzen oder behalten?

Öfter behalten, als viele denken. Gartner empfiehlt 2026 „modernize in place" und erwartet, dass mehr als 70 Prozent der in diesem Jahr gestarteten Mainframe-Exits ihre Ziele verfehlen. Die richtige Frage ist nicht „COBOL ja oder nein", sondern: Welche Funktionen brauchen eine neue Heimat, welche laufen auf der Plattform besser weiter — modernisiert und dokumentiert?

Warum scheitern KI-gestützte Mainframe-Migrationen?

Aus vier wiederkehrenden Gründen: Die Fähigkeiten der Werkzeuge werden überschätzt; das Kontextfenster der Modelle ist kleiner als die Codebasis; Code lesen wird mit Fachlogik verstehen verwechselt; und es fehlen Äquivalenztests, die das Ist-Verhalten festhalten. Keiner dieser Gründe ist ein KI-Problem im engeren Sinn — alle vier sind Methodenprobleme, die sich mit dem Schichtenmodell adressieren lassen.

Welches Tool: IBM watsonx, AWS Transform oder Claude Code?

Das Zielbild entscheidet, nicht das Tool. Wer auf dem Mainframe bleibt, schaut auf IBM watsonx Code Assistant for Z oder auf Rocket Software (COBOL behalten, Plattform wechseln). Wer den Cloud-Exit will, landet bei AWS Transform. Wer zuerst verstehen muss, was das Altsystem tut, beginnt mit der Analyse — dort setzt Claude Code an. Erst Zielbild, dann Werkzeug.

Wie azena das angeht

azena baut keine Migrations-Plattform von der Stange. Wir bauen maßgefertigte KI für genau die Organisationen, deren Kerngeschäft an einem Altsystem hängt: KI als Assistenz im Strangler-Fig-Vorgehen — Verstehen, absichern, inkrementell übersetzen — mit menschlicher Prüfung an jedem Schritt und auf souveräner Infrastruktur. Der ehrliche Startpunkt ist keine Tool-Auswahl, sondern eine Frage: Welches Altsystem hält Ihr Geschäft zusammen, und wer versteht es noch?

Diese Seite ist Teil unserer KI-Beratung für den Mittelstand. Wie wir Software maßfertigen, steht in unserer Manufaktur. Ihren konkreten Fall besprechen wir am schnellsten in einem Erstgespräch.