KI-Entwicklungsassistenten gelten als Produktivitätswunder – doch für Unternehmen mit gewachsener IT-Infrastruktur offenbart sich schnell die Kehrseite: Veraltete Codebasen machen viele der versprochenen Vorteile zunichte. Was steckt dahinter, und was können Unternehmen realistisch dagegen tun?
Legacy-Code als Bremsklotz: Warum KI-Entwicklungstools an veralteten Codebasen scheitern
KI-gestützte Entwicklungsassistenten wie GitHub Copilot oder Cursor versprechen deutliche Produktivitätssteigerungen – doch in der Praxis zeigt sich eine wachsende Diskrepanz. Je älter und unstrukturierter eine bestehende Codebasis ist, desto geringer fällt der tatsächliche Nutzen dieser Tools aus. Für viele Unternehmen mit gewachsener IT-Infrastruktur wird das zur handfesten strategischen Frage.
Das Problem: KI-Assistenten brauchen saubere Kontextdaten
Large Language Models, die in Coding-Assistenten zum Einsatz kommen, sind auf Muster und Kontext angewiesen. Sie analysieren bestehenden Code, leiten daraus Strukturen ab und schlagen Vervollständigungen oder Korrekturen vor. Bei modernen, sauber dokumentierten Codebasen funktioniert das gut – bei Legacy-Code stoßen dieselben Systeme schnell an ihre Grenzen.
Veraltete Systeme weisen typischerweise mehrere Eigenschaften auf, die KI-Tools behindern:
- Fehlende oder inkonsistente Dokumentation
- Proprietäre Frameworks ohne ausreichende Trainingsdaten in öffentlichen Modellen
- Komplexe Abhängigkeiten ohne klare Modularisierung
- Code, der über Jahrzehnte von wechselnden Teams weiterentwickelt wurde – ohne einheitliche Konventionen
Das Ergebnis sind KI-Vorschläge, die zwar syntaktisch korrekt wirken, aber inhaltlich am tatsächlichen System vorbeigehen – oder schlimmstenfalls neue Fehler einführen.
Veraltete Codebasen sind kein Randphänomen
Besonders betroffen sind Branchen mit langer digitaler Geschichte: Finanzdienstleister, Versicherungen, produzierende Unternehmen und öffentliche Verwaltungen arbeiten vielfach mit Systemen, deren Kernlogik auf COBOL, älteren Java-Versionen oder proprietären Skriptsprachen basiert. Schätzungen zufolge laufen weltweit noch immer mehrere Hundert Milliarden Zeilen COBOL-Code – allein im Bankensektor.
Für diese Organisationen ist der Einsatz von KI-Assistenten kein Selbstläufer. Die Tools liefern dort weniger verlässliche Ergebnisse, erhöhen den Review-Aufwand und können in ungünstigen Fällen das Vertrauen der Entwicklerteams in KI-Unterstützung grundsätzlich beschädigen.
Mögliche Gegenmaßnahmen – und ihre Grenzen
Verschiedene Ansätze können die Situation verbessern, ohne eine vollständige Systemablösung vorauszusetzen:
Retrieval-Augmented Generation (RAG) erlaubt es, Coding-Assistenten mit unternehmensspezifischer Dokumentation anzureichern – sofern diese überhaupt vorhanden und strukturiert ist.
Fine-Tuning auf Basis interner Codeprojekte ist eine weitere Option, setzt jedoch erhebliche Ressourcen und saubere Trainingsdaten voraus.
Einige Anbieter arbeiten zudem an spezialisierten Agenten, die explizit für Code-Migration und Legacy-Analyse ausgelegt sind – mit Ansätzen, bei denen Modelle zunächst bestehenden Code kartieren, bevor sie Vorschläge machen. Erste kommerzielle Lösungen in diesem Bereich existieren, befinden sich jedoch größtenteils noch in frühen Entwicklungsstadien.
Einordnung für deutsche Unternehmen
Vor der Einführung von KI-Entwicklungstools sollte eine ehrliche Bestandsaufnahme der eigenen Codebasis stehen.
Unternehmen, die KI-Assistenten ohne vorherige Modernisierungsmaßnahmen oder gezielte Konfiguration einführen, riskieren enttäuschende Ergebnisse – und intern verbrannte Erde für spätere Initiativen.
Sinnvoller ist ein gestuftes Vorgehen:
- Dokumentation systematisch verbessern
- Abhängigkeiten kartieren
- Pilotprojekte auf neueren Systemteilen durchführen
- Erst dann den Einsatz auf die gesamte Codebasis ausweiten
Die eigentliche Voraussetzung für produktive KI im Engineering ist oft schlicht klassische Softwarehygiene – und die lässt sich kein Tool abnehmen.
Quelle: InfoQ AI
