Die beste ROI von KI liegt derzeit darin, alten Code zu beheben, anstatt neuen zu schreiben

Jedes KI-Produkt-Demo, das ich durchlaufe, beginnt auf die gleiche Weise: ein leeres Prompt-Feld, eine Anfrage in einfachem Englisch und eine funktionierende App nach wenigen Minuten. Es ist ein wirklich beeindruckendes Partystück. Es ist jedoch, wie ich argumentieren würde, das am wenigsten interessante, was derzeit in der Unternehmens-KI passiert.

Die folgenreichere Arbeit findet an einem viel weniger glamourösen Ort statt: in fünfzehn Jahre alten Codebasen, die niemand berühren möchte, geschrieben von Ingenieuren, die das Unternehmen vor einem Jahrzehnt verlassen haben, und die Geschäftslogik ausführen, die niemand in den letzten Jahren vollständig verstanden hat. Die meisten KI-Berichte stellen dies falsch dar. Legacy-Code ist nicht technische Schulden. Es ist angesammelte Geschäftskompetenz: Jahrzehnte von Entscheidungen, kodifiziert als Software, mit den Personen, die diese Entscheidungen getroffen haben, längst verschwunden.

Die Greenfield-Entwicklung erhält die Keynote-Slots. Der alte Code erhält das Geld, zögernd und meist ohne das notwendige Verständnis, um es gut auszugeben.

Der wahre Mangel ist nicht an Entwicklern, sondern an Gedächtnis

Dies ist kein isoliertes Problem. Eine Studie von Pegasystems aus dem Jahr 2025, die von der Forschungsfirma Savanta durchgeführt wurde und über 500 IT-Entscheidungsträger weltweit umfasst, schätzt, dass das durchschnittliche globale Unternehmen jährlich über 370 Millionen Dollar durch seine Unfähigkeit, Legacy-Systeme effizient zu modernisieren, verschwendet, wobei fast 134 Millionen Dollar allein auf langsame, ressourcenintensive Transformationsprojekte entfallen.

Wir haben kürzlich mit einem Batterie-Verteilungsunternehmen zusammengearbeitet, das über fünfzehn Legacy-Anwendungen verfügt, die Art von Verbreitung, die sich über zwanzig Jahre von Fusionen, Einmal-Integrationen und Ingenieuren, die das heutige Problem lösen, ohne viel Gedanken an morgen zu verschwenden, ansammelt. In diesem Code waren Preisspannen, Bestandsschwellen und Verteilungsbeschränkungen begraben, die Jahre von institutionellen Entscheidungen darstellten, die nirgendwo außer in der Logik aufgeschrieben worden waren, die niemand vollständig kartiert hatte.

Es ist verlockend, dies als Talentproblem zu bezeichnen: mehr Entwickler einstellen, schneller migrieren. Aber man kann sich nicht aus der Tatsache herauskaufen, dass die Person, die verstand, warum ein Modul auf eine bestimmte Weise funktionierte, das Unternehmen 2014 verlassen hat. Die meisten Unternehmen leiden an einem Gedächtnismangel, nicht an einem Talentmangel. Und bis vor kurzem gab es keine echte Möglichkeit, dies im großen Maßstab zu lösen. Man musste entweder eine Handvoll erfahrener Ingenieure bezahlen, um das institutionelle Wissen in ihren Köpfen zu behalten, oder man verlor es, sobald sie gingen.

Was KI tatsächlich ändert

Wir haben kein Code-Generierungstool auf den alten Codebasis gerichtet und es angewiesen, alles neu zu schreiben; das ist ungefähr so, als würde man stillschweigend Geschäftslogik löschen, die man nicht kannte. Stattdessen haben wir KI-Agenten eingesetzt, um die unglamouröse Grundarbeit zu leisten: zu kartieren, wie die fünfzehn Anwendungen tatsächlich miteinander verbunden sind, die Entscheidungen zu kartieren, die in der Logik eingebettet sind, die nie anderswo aufgeschrieben wurden, und dieses Kontext zu behalten, als etwas, das die Organisation abfragen kann, und nicht als etwas, das nur in einem Ingenieurskopf lebt. Dies entspricht dem, was andere KI-Anbieter jetzt öffentlich dokumentieren: Anthropics Anleitung zur Modernisierung von COBOL-Systemen mit Claude Code beschreibt die gleiche Sequenzierung, automatisiert die Erkundungs- und Analysephasen zuerst, anstatt direkt zum Neuschreiben zu springen.

Die Agenten wurden nicht danach bewertet, wie viel Code sie generierten. Sie wurden danach bewertet, wie viel institutionelles Wissen sie kartieren und bewahren konnten. Ingenieure arbeiteten dann gemeinsam mit ihnen an der tatsächlichen Migration und Testgenerierung, überprüften die Agenten-Interpretation von Geschäftslogik gegen das Verhalten des Systems in der Produktion, nicht einfach darauf vertrauend. Ein nützliches Signal, auf das wir achteten: ob die Erklärung der Agenten für eine Regel einem Muster entsprach, das wir unabhängig in den Produktionsprotokollen überprüfen konnten, oder ob es eine plausibel klingende Vermutung war? Die Lücke zwischen diesen beiden ist genau der Ort, an dem Legacy-Modernisierungsprojekte normalerweise schiefgehen.

Die ursprüngliche Schätzung für das Projekt lag bei acht und einer halben Monaten. Es wurde in vier Monaten abgeschlossen, eine Reduzierung von 53 %. Aber das dauerhaftere Ergebnis war nicht die Zeitachse. Institutionelles Wissen, das früher jedes Mal verdunstete, wenn ein Ingenieur das Unternehmen verließ, wurde zu etwas, das die Organisation tatsächlich behalten konnte.

Software-Ingenieure haben Jahrzehnte damit verbracht, Software zu schreiben. Das nächste Jahrzehnt könnte damit verbracht werden, sie auszugraben, wobei KI weniger als Autor und mehr als Archäologe fungiert, der die in Code begraben liegende Argumentation sorgfältig rekonstruiert, die die Menschen, die sie geschrieben haben, überlebt hat.

Ein ungefährer Rahmen für das Durchführen ohne Bruch

Die Projekte, die gut verlaufen, scheinen der gleichen Sequenz zu folgen, egal ob es sich um einen Preismotor oder eine Schadensabwicklungs-Pipeline handelt:

Entdecken: kartieren, wie die Systeme tatsächlich miteinander verbunden sind, und nicht, wie die Architekturdiagramm von 2016 sagt, dass sie miteinander verbunden sind.

Verstehen: lassen Sie den Agenten die Geschäftslogik und die dahinter stehenden Annahmen in einfacher Sprache kartieren, die ein Domänen-Experte überprüfen kann.

Überprüfen: überprüfen Sie diese Interpretation gegen das tatsächliche Verhalten in der Produktion, und nicht nur gegen die Kommentare des Codes.

Transformieren: migrieren oder neu aufbauen, nur wenn die ersten drei Phasen standhalten, wobei die Menschen die Freigabe besitzen.

Springen Sie direkt zu Transformieren, und Sie modernisieren nicht. Sie setzen auf Logik, die Sie noch nicht verstehen.

Warum dies jenseits von Ingenieursteams wichtig ist

Institutionelles Gedächtnis verschwindet nicht stillschweigend, wenn ein erfahrener Ingenieur in den Ruhestand geht. Es wird zu einer akuten Haftung in den Momenten, in denen ein Unternehmen es am wenigsten gebrauchen kann: während einer Übernahme, wenn ein neuer Eigentümer verstehen muss, was er tatsächlich gekauft hat; während einer ERP-Migration, wenn alte Logik korrekt in ein neues System übersetzt werden muss; während einer Compliance-Prüfung oder Incident-Response, wenn jemand erklären muss, warum das System auf eine bestimmte Weise reagiert hat, unter Zeitdruck, gegenüber einem Regulator, der “derjenige, der es gebaut hat, ist 2014 gegangen” nicht als Antwort akzeptiert.

Behandelt man es auf diese Weise, hört die Legacy-Modernisierung auf, ein Ingenieur-Posten zu sein, und beginnt, wie eine organisatorische Widerstandsfähigkeitsfrage auszusehen, was bedeutet, dass es nicht nur CTOs sind, die sich darum kümmern sollten. Es sind CIOs, die überlegen, was passiert, wenn wichtige technische Mitarbeiter das Unternehmen verlassen, M&A-Teams, die versuchen, den Preis dessen zu bestimmen, was sie tatsächlich erwerben, und Aufsichtsräte, die überlegen, wie viel des operativen Wissens des Unternehmens nirgendwo außer in Code existiert, den niemand derzeit liest.

Die Einschränkung, die zählt

Nichts davon funktioniert unbetreut. Die riskanteste Version dieses Ansatzes ist eine, bei der die Interpretation eines alten Geschäftslogik durch einen Agenten ohne Überprüfung vertraut wird, da Legacy-Systeme genau der Ort sind, an dem eine zuversichtlich falsche KI-Annahme am meisten kostet. Die volle Autonomie auf Ihrem neuesten Microservice ist ein vernünftiger Einsatz. Die volle Autonomie auf dem Preismotor, den niemand seit 2011 berührt hat, ist es nicht. Der Wert liegt darin, dass KI es ermöglicht, wieder zu den Ingenieuren zu werden, die das Geschäft verstehen, in einem System, das niemand derzeit versteht. Es ersetzt sie nicht.

Wohin ich denke, dass dies als Nächstes geht

Für zwanzig Jahre haben Unternehmen Legacy-Software als etwas behandelt, das man entfliehen muss: eine Kostenstelle, die man zögernd finanziert und so schnell wie möglich modernisiert. Ich denke, KI wird bald zeigen, dass viel von diesem Code tatsächlich eines der wertvollsten Wissensspeicher war, den das Unternehmen jemals aufgebaut hat. Es brauchte nur etwas, das es lesen konnte. Forscher dokumentieren bereits die andere Seite dieser Schleife: eine 2026 multivokale Literaturübersicht über LLM-gestützte Entwicklung findet, dass die heutige Verfolgung von KI-beschleunigter Geschwindigkeit selbst “schnelle-Integration-Schulden” schafft, Code, der schneller verschifft wird, als er verstanden werden kann. Legacy-Modernisierung ist nur die Rechnung, die schließlich fällig wird, eine Generation zu früh.

Ich würde mich fragen, ob andere Ingenieur- und Technologie-Führer den gleichen Wandel sehen: zeigt sich die Rendite Ihrer KI-Investition mehr in dem, was Sie bauen, oder in dem, was Sie endlich verstehen und bewahren können? Und für alle, die versucht haben, KI-Agenten gegen ein wirklich altes, undokumentiertes System zu laufen, wo hielt die Interpretation des Agenten unter Überprüfung stand, und wo brach sie stillschweigend zusammen?