Auf den Fachmessen ist die Fabrik der Zukunft längst Realität: Anlagen melden Anomalien, Wartung wird vorausschauend geplant und Daten fließen in Echtzeit. Im Alltag treffen diese Ansprüche jedoch auf jahrzehntealte Kernsysteme. Monolithische Anwendungen, proprietäre Schnittstellen und fragmentierte Daten erschweren die digitale Erneuerung. Viele dieser Systeme wurden für Transaktionen gebaut – nicht für adaptive Prozesse in einer vernetzten Produktion.
Warum KI-Initiativen oft ins Stocken geraten
Unternehmen investieren in KI-Piloten, doch der produktive Betrieb gelingt häufig nicht. Die Grenze bilden weniger die Modelle als die IT-Voraussetzungen. Ein Algorithmus braucht verfügbare, konsistente und aktuelle Daten und muss mit ERP, MES, Instandhaltung und Maschinendaten zusammenspielen. Liegen Informationen in Silos, bleibt die KI auf isolierte Anwendungsfälle beschränkt. Ein Komplettaustausch kritischer Systeme wäre riskant. Gefragt ist ein Verfahren, das Bestandsschutz und Erneuerung verbindet: Die vorhandene Logik wird verstanden, gezielt entkoppelt und schrittweise in eine moderne Zielarchitektur überführt.
KI als Archäologe des Quellcodes
Legacy-Systeme sind nicht nur technische Altlasten. In ihnen steckt das Prozesswissen mehrerer Generationen: Freigabelogiken, Sonderfälle, Qualitätsregeln und kundenspezifische Abläufe. Oft ist dieses Wissen nur lückenhaft dokumentiert. Zugleich gehen erfahrene Fachkräfte in den Ruhestand oder wechseln den Arbeitgeber. Ein vollständiger Ersatz auf der grünen Wiese wäre deshalb nicht nur teuer, sondern fachlich riskant.
Hier setzt die AI Modernization an. Spezialisierte KI-Werkzeuge übernehmen die Rolle digitaler Archäologen: Sie analysieren alten Quellcode wie Cobol oder veraltete Java-Stacks, erkennen Abhängigkeiten und rekonstruieren die darin enthaltene Geschäftslogik. GFT nutzt dafür unter anderem die Plattform Wynxx. Marco Santos, Global CEO von GFT, bezeichnet technische Altlasten als eines der größten Hindernisse für Effizienz, Time-to-Market, regulatorische Compliance und die Nutzung von KI.
Der entscheidende Unterschied zu einer rein technischen Konvertierung: Ziel ist nicht, den alten Code lediglich in eine neue Programmiersprache zu übersetzen. Die Analyse soll sichtbar machen, welche Funktionen fachlich notwendig sind, wo sich Regeln vereinfachen lassen und welche Teile entfallen können. So wird die Legacy-Anwendung vom undurchsichtigen Block zum Ausgangspunkt einer kontrollierten Erneuerung. KI hilft dabei, Wissen zu erschließen und die Vorarbeit für Architekturentscheidungen zu beschleunigen.
GFT versteht AI Modernization nicht als KI-basierte Code-Konvertierung, sondern als agentischen Engineering-Ansatz, der vom Verständnis des Legacy-Systems bis zur kontinuierlichen Delivery reicht.
1. Reverse Engineering
Am Anfang steht das Reverse Engineering. Spezialisierte KI-Werkzeuge übernehmen die Rolle digitaler Archäologen: Sie analysieren alten Quellcode wie Cobol oder veraltete Java-Stacks, erkennen Abhängigkeiten und rekonstruieren die darin enthaltene Geschäftslogik. Knowledge Graphs und andere strukturierte Verfahren helfen dabei, Zusammenhänge zwischen Code, Daten, Schnittstellen und fachlichen Regeln sichtbar und für die weitere Modernisierung nutzbar zu machen. GFT nutzt dafür unter anderem die Plattform Wynxx.
AI Modernization geht damit über reines Replatforming oder Recoding hinaus. Die Analyse zeigt, welche Funktionen fachlich notwendig sind, wo sich Regeln vereinfachen lassen und welche Teile entfallen können. KI hilft so, das häufig nur im Altsystem vorhandene Geschäftswissen zu erschließen und für Architekturentscheidungen und die weitere Modernisierung nutzbar zu machen.
2. Zielarchitektur
Gerade bei der Legacy-Modernisierung bietet der Bestand einen entscheidenden Vorteil: Vorhandener Code, Geschäftsregeln und Systemverhalten liefern eine Referenz, anhand derer sich die Arbeit der KI-Agenten kontinuierlich überprüfen lässt. Auf Basis des rekonstruierten System- und Geschäftswissens sowie neuer Anforderungen entwickeln KI-Agenten Vorschläge für die Zielarchitektur, etwa für Komponenten und Services, Schnittstellen, Datenflüsse sowie Runtime- und Cloud-Architekturen.
Fach- und Architekturexperten bewerten und verfeinern diese Vorschläge im Sinne eines Human-in-the-Loop-Ansatzes. Die Zielarchitektur ist dabei kein einmalig vor der Umsetzung festgeschriebenes Ergebnis. Erkenntnisse aus Implementierung, Quality Engineering und Betrieb fließen kontinuierlich zurück und können in neue Architekturvorschläge einbezogen werden. Die Architektur entwickelt sich so gemeinsam mit dem System weiter.
3. Harness Engineering und Forward Deployed Engineering
Für die Umsetzung setzt GFT auf einen Harness-Engineering-Ansatz. Damit KI-Agenten nicht lediglich Code generieren, sondern zuverlässig an komplexen Legacy-Systemen arbeiten können, stellt der Harness ihnen eine kontrollierte Arbeitsumgebung zur Verfügung. Dazu gehören Repositories und Quellcode, Architekturvorgaben, Dokumentation und erschlossenes Geschäftswissen ebenso wie Entwicklungswerkzeuge, APIs, Build-Systeme, CI/CD-Pipelines sowie automatisierte Test-, Security- und Qualitätsmechanismen.
Die Agenten nutzen diese Werkzeuge, implementieren Änderungen, stoßen Builds und Prüfungen an, verarbeiten die Ergebnisse und verbessern ihre Implementierung iterativ. So können sie zunehmend vollständige Engineering-Loops durchlaufen, statt lediglich einzelne Aufgaben zu erledigen.
Forward Deployed Engineering ergänzt diesen Ansatz um ein konsequentes Delivery-Mindset. Im Mittelpunkt steht nicht die Übergabe eines Konzepts oder einer technischen Migration, sondern ein beim Kunden funktionierendes Ergebnis. Entwickler arbeiten direkt mit dem bestehenden Code, den Daten, Schnittstellen, Entwicklungsprozessen und betrieblichen Rahmenbedingungen.
Dadurch verändert sich auch das Delivery-Modell: Statt eines weitgehend linearen Ablaufs nach dem Muster Analyse → Konzept → Umsetzung → Übergabe entsteht ein kontinuierlicher Kreislauf aus analysieren → verstehen → bauen → verifizieren → deployen → lernen → weiter modernisieren. Erkenntnisse aus der realen Delivery fließen wiederum in den Harness zurück und können als Kontext, Regeln, Tests oder automatisierte Workflows für weitere Modernisierungsschritte genutzt werden.
4. Continuous Delivery & Quality
Ein zentraler Bestandteil des Harnesses ist die Continuous-Delivery-Pipeline mit integriertem Quality Engineering. KI-Agenten können aus der erschlossenen Geschäftslogik und definierten Akzeptanzkriterien Testfälle ableiten, Tests sowie Pipeline- und Konfigurationscode erzeugen und über die bestehende Engineering-Toolchain Builds, Tests und Qualitätsprüfungen anstoßen.
Die Ergebnisse fließen an die Agenten zurück. Sie analysieren Abweichungen, passen Implementierung oder Tests an und starten die nächste Iteration. Unit-, Integrations- und End-to-End-Tests können dabei ebenso eingebunden werden wie fachliche Abnahmetests sowie Security-, Last- und Performance-Prüfungen. Eine Änderung gilt damit nicht bereits als abgeschlossen, wenn Code generiert wurde, sondern erst, wenn die definierten fachlichen und technischen Qualitätskriterien erfüllt sind. Quality Engineering wird so zum integralen Bestandteil des agentischen Engineering-Prozesses.
Von der Bestandsaufnahme zur Zielarchitektur
Eine belastbare Modernisierung beginnt mit dem Systemverständnis. Anwendungen, Datenflüsse und Abhängigkeiten werden erfasst und nach Geschäftskritikalität bewertet. Entscheidend ist, welche Produktionsprozesse abhängen, wie schnell Änderungen nötig sind und welche Folgen ein Ausfall hätte. Darauf folgt ein strukturierter Transformationspfad: KI-gestützte Werkzeuge analysieren die Landschaft, Datenquellen und Verantwortlichkeiten werden geordnet. Danach priorisiert das Unternehmen Anwendungsfälle nach Nutzen, Risiko und Umsetzbarkeit. Ausgewählte Funktionen werden modularisiert und anschließend skaliert.
Neue Komponenten entstehen neben dem Bestand und übernehmen nach und nach einzelne Aufgaben. So lässt sich die Zielarchitektur erproben, ohne die gesamte Anwendung stillzulegen. Klare Datenverantwortlichkeiten, Tests und Rückfalloptionen verhindern eine bloße Verlagerung der Komplexität.
Datenqualität entscheidet über den Nutzwert
Die Modernisierung muss mit der Ordnung der Datenlandschaft einhergehen. Für KI braucht es Qualitätskriterien, einheitliche Begriffe, nachvollziehbare Herkunft und passende Zugriffsrechte. Eine AI-Ready Data Platform führt fragmentierte Quellen zusammen. APIs bleiben wichtig; für KI-Agenten kommen kontextgebende Mechanismen hinzu. Dabei wird auch die im Zuge der Modernisierung erschlossene Geschäftslogik relevant: Sie dient nicht nur als Grundlage für die Erneuerung bestehender Systeme, sondern kann künftig auch als Wissensgrundlage für Agentic AI genutzt werden. Maßgeblich sind Prozessrisiken und Verantwortlichkeiten, nicht der Techniktrend. In der Fertigung bedeutet das auch, Daten aus Maschinen, Steuerungen, MES und ERP zeitlich und fachlich zusammenzuführen. Damit KI-Agenten die komplexen Zusammenhänge einer Fabrik verstehen können, benötigen sie jedoch mehr als Rohdaten. Entscheidend ist eine semantisch angereicherte Struktur, die Daten mit ihrem fachlichen und prozessualen Kontext verknüpft. So entsteht ein digitales Gedächtnis der Produktion, das die Wissensgrundlage für intelligente Agenten bildet. Erst dann lassen sich Zustände vergleichen, Anomalien zuverlässig bewerten und Entscheidungen in den laufenden Prozess zurückspielen. Die Datenplattform wird damit zu einem verbindenden Element zwischen Anlagenbetrieb, Instandhaltung und Unternehmens-IT.
Sicherheit und Resilienz mitplanen
Je stärker Systeme automatisiert handeln, desto wichtiger werden Leitplanken. Zugriffe müssen begrenzt, Aktionen protokolliert und kritische Entscheidungen nachvollziehbar gemacht werden. Der Mensch muss jederzeit Teil des Prozesses bleiben und trifft letztlich die finale Entscheidung, insbesondere bei kritischen Ergebnissen und Entscheidungen der KI: Im Sinne eines „Human in the Loop“-Ansatzes werden die Ergebnisse durch Fach- und Architekturexperten validiert. So verbindet die Modernisierung die Geschwindigkeit KI-gestützter Analyse mit menschlicher Kontrolle und Verantwortung. Governance-Regeln wie klare Verantwortlichkeiten und Rollen gehören daher ebenso bereits in die Architektur wie NIS2, Datenschutz und branchenspezifische Regulierung. Offene Schnittstellen helfen, Abhängigkeiten zu kontrollieren.
Messbarer Nutzen statt KI-Demonstration
Der Erfolg zeigt sich nicht an einer Demo, sondern im Betrieb. Relevant sind Betriebskosten, Änderungsdauer, Fehlerquoten, Wiederherstellungszeiten und Time-to-Market; in der Produktion auch Stillstandszeit, Ausschuss und Reaktionsdauer. GFT nennt mögliche Betriebskostensenkungen von 25 bis 60 Prozent und konkrete Transformationsresultate innerhalb von 8 Wochen statt 12 Monaten. AI Modernization führt damit von der isolierten KI-Anwendung zur erneuerten industriellen Plattform. Unternehmen müssen ihre Geschäftslogik nicht wegwerfen, sondern sichtbar machen, bewerten und gezielt weiterentwickeln. Die intelligente Fabrik entsteht durch die kontrollierte Evolution des Bestehenden.
