COBOL-Modernisierung mit KI ist 2026 vom Experiment zur Beschaffungsfrage geworden. IBM setzt mit dem watsonx Code Assistant for Z generative AI auf Mainframe-COBOL an, Morgan Stanley modernisiert COBOL-Bestände mit einem eigenen KI-Werkzeug, und jede große Beratung verkauft inzwischen ein Migrationsversprechen. Zeit für eine nüchterne Bestandsaufnahme: Was davon trägt, was nicht.
Wo KI in der COBOL-Modernisierung heute wirklich liefert
Die größte Wirkung entsteht nicht beim Umschreiben von Code, sondern beim Verstehen. Warum das so ist, haben wir in unserer Analyse zu COBOL und dem Lesen von Legacy-Code begründet: Der Engpass ist nicht die Zielsprache, sondern das verlorene Wissen über den Bestand. Programme, deren Autoren im Ruhestand sind, deren Dokumentation fehlt und deren Geschäftslogik nur im Code selbst existiert.
Drei Einsatzfelder funktionieren heute belastbar. Erstens Code-Verstehen: AI-Systeme erklären gewachsene COBOL-Module, extrahieren Geschäftsregeln und erzeugen Dokumentation, die nie existiert hat. Zweitens Testgenerierung: Bevor irgendetwas migriert wird, braucht der Bestand Regressionstests, und genau diese Fleißarbeit skaliert mit AI. Drittens assistierte Transformation: Übersetzung einzelner Module mit menschlichem Review, nicht als Massenkonvertierung.
Was dagegen nicht trägt, ist der magische Migrationsknopf. Vollautomatische Konvertierung ganzer Kernbanksysteme erzeugt Java, das wie COBOL strukturiert ist: syntaktisch neu, architektonisch alt. Die Aufwandsverteilung bleibt unbequem, denn Verifikation, Datenmigration und Parallelbetrieb machen den Großteil des Projekts aus, nicht die Codeerzeugung.
Die Betriebsfrage entscheidet, nicht das Werkzeug
Unsere Einordnung folgt einem Grundsatz: Betriebsfrage vor Modellfrage. Welches Modell den Code übersetzt, ist ein Parameter. Ob das Ergebnis produktionsreif wird, entscheidet der Rahmen: ein Eval-Harness, der fachliche Äquivalenz misst, eine Testabdeckung, die Regressionen sichtbar macht, und ein Migrationspfad, der Parallelbetrieb und Rückfallebenen vorsieht. Wie dieser Rahmen in regulierten Häusern konkret aussieht, zeigt unsere Übersicht zu Managed AI Services.
Wie groß der Unterschied zwischen Werkzeug und Rahmen ist, zeigt die Praxis der Vorreiter. Morgan Stanley hat sein KI-Werkzeug nicht als Konverter gebaut, sondern als Verstehens-Schicht über dem Bestand, mit der Entwickler Module erschließen, bevor sie angefasst werden. IBM positioniert den watsonx Code Assistant ausdrücklich als Assistenten im Entwicklungsprozess, nicht als Ersatz dafür. Beide Ansätze haben gemeinsam, dass der Mensch die Transformationsentscheidung trifft und die Maschine die Fleißarbeit übernimmt: Analyse, Dokumentation, Testfälle, Übersetzungsvorschläge. Anbieter, die das Verhältnis umdrehen und die Maschine entscheiden lassen, verkaufen ein Risiko als Effizienzgewinn.
Für regulierte Häuser kommt die Governance-Ebene dazu. Ein AI-System, das Code für zahlungsrelevante Strecken erzeugt, fällt unter dieselben Kontrollpflichten wie jeder andere kritische Entwicklungsprozess: Nachvollziehbarkeit der Änderungen, Vier-Augen-Prinzip, auditierbare Testnachweise. Regulierung ist dabei kein Blocker, sie ist der Moat. Wer den AI-gestützten Entwicklungsprozess DORA-konform aufsetzt, modernisiert schneller als der Wettbewerb, nicht langsamer, weil jede Änderung belastbar belegt ist.
Die Gegenposition verdient Erwähnung: Manche Häuser entscheiden bewusst, COBOL weiterzubetreiben und nur die Randsysteme zu erneuern. Das ist legitim, solange es eine Entscheidung ist und kein Aufschub. Auch dieser Weg braucht AI-gestütztes Code-Verstehen, denn das Wissensproblem verschwindet nicht dadurch, dass man nicht migriert.
Drei Schritte in eine belastbare COBOL-Modernisierung
-
Inventur mit AI: Den Bestand maschinell erschließen, Geschäftsregeln extrahieren und Module nach Risiko und Änderungsfrequenz priorisieren, bevor über Migration entschieden wird.
-
Testfundament bauen: Regressionstests für die kritischen Strecken generieren und den Eval-Harness definieren, der fachliche Äquivalenz misst. Ohne dieses Fundament ist jede Konvertierung ein Blindflug.
-
Modul für Modul migrieren: Mit einem abgegrenzten, gut getesteten Modul starten, Parallelbetrieb fahren, Ergebnisse messen und erst dann skalieren. Wie wir AI-Betrieb in regulierten Umgebungen aufsetzen, zeigt unsere Analyse zu ISO 42001 und AI-SLAs.
Das Wissensproblem ist der eigentliche Gegner
COBOL-Modernisierung mit KI funktioniert dort, wo sie verlorenes Wissen zurückholt: beim Verstehen, Testen und schrittweisen Übersetzen. Sie scheitert dort, wo sie als Knopfdruck-Migration verkauft wird. Häuser, die 2026 mit der Inventur beginnen, entscheiden 2027 auf Basis von Fakten statt Folien. Sprechen Sie uns an.
Häufige Fragen zur COBOL-Modernisierung
Was ist COBOL-Modernisierung mit KI?
COBOL-Modernisierung mit KI bezeichnet den Einsatz von AI-Systemen, um gewachsene COBOL-Bestände zu verstehen, zu dokumentieren, mit Tests abzusichern und schrittweise in moderne Sprachen oder Architekturen zu überführen. Werkzeuge wie IBMs watsonx Code Assistant for Z oder eigene Lösungen wie bei Morgan Stanley kombinieren generative AI mit menschlichem Review.
Kann KI COBOL automatisch nach Java übersetzen?
Technisch ja, sinnvoll nur mit Einschränkungen. Vollautomatische Konvertierung erzeugt häufig Java mit COBOL-Architektur: syntaktisch modern, strukturell alt. Belastbar ist assistierte Transformation Modul für Modul, abgesichert durch generierte Regressionstests, einen Eval-Harness für fachliche Äquivalenz und Parallelbetrieb der kritischen Strecken.
Wo liegt der größte Nutzen von KI bei Legacy-Systemen?
Im Code-Verstehen. AI-Systeme erklären undokumentierte Module, extrahieren Geschäftsregeln und erzeugen die Dokumentation, die über Jahrzehnte nie geschrieben wurde. Damit wird das eigentliche Risiko von Legacy-Beständen adressiert: das verlorene Wissen über die eigene Geschäftslogik, unabhängig davon, ob am Ende migriert oder weiterbetrieben wird.
