Fachartikel

Legacy-Systeme bremsen Wachstum – wie KI-getriebene Entwicklung die Modernisierung beschleunigt

Die Lünendonk-Studie „IT-Modernisierung zwischen Legacy, Cloud und KI“ zeichnet ein klares Bild: Der Druck, Altsysteme zu modernisieren, ist hoch, die Budgets steigen, und von KI wird viel erwartet. Eingesetzt wird sie aber kaum. Dieser Artikel ordnet die Ergebnisse ein und zeigt, an welchen Engpässen KI-getriebene Entwicklung ansetzt und wie aus dem Altsystem wieder eine Grundlage für Wachstum wird.

Das Wichtigste in Kürze

Die Lücke zwischen Erwartung und Praxis ist der eigentliche Befund der Studie. Genau dort entscheidet sich, wer seine Altsysteme in den nächsten Jahren vom Bremsklotz zur Grundlage für Wachstum macht.

Was die Studie zeigt

Für die Studie hat Lünendonk über 150 IT- und Business-Verantwortliche aus mittelständischen und großen Unternehmen verschiedener Branchen befragt. Kooperationspartner waren Cognizant, Cosmo Consult, Manage Now, msg, PKS und Sopra Steria. Die Ergebnisse lassen sich in drei Punkten zusammenfassen.

1. Der Druck ist da, und er wächst

62 % der Befragten halten Teile ihrer Kernanwendungen für veraltet. 76 % erwarten, dass in den nächsten fünf Jahren mindestens ein Fünftel ihrer geschäftskritischen Kernapplikationen modernisiert werden muss. Die Zahl, die am meisten Sorgen machen sollte: Bei jedem zweiten Unternehmen ist der Weiterbetrieb der Altsysteme mittel- bis langfristig nicht gesichert.

Das liegt selten an der Technik allein. Meistens fehlt das Wissen. Die Menschen, die die Systeme gebaut haben, gehen in Rente oder wechseln den Arbeitgeber. Dokumentation gibt es kaum oder sie ist veraltet. Jede Änderung wird dadurch zum Risiko.

2. Das Geld ist da, der eine richtige Weg aber nicht

83 % planten, ihr Modernisierungsbudget 2026 zu erhöhen, knapp ein Viertel davon um mehr als 5 %. Bei den Strategien gibt es keinen klaren Favoriten:

Studienautor Tobias Ganowski bringt es auf den Punkt: „Es gibt nicht die eine richtige Modernisierungsstrategie.“ Und: „IT-Modernisierung ist kein kurzfristiges Projekt, sondern eine dauerhafte Transformationsaufgabe.“

3. Von KI wird viel erwartet, eingesetzt wird sie kaum

Drei von vier Unternehmen trauen KI zu, Sicherheitslücken in Altsystemen zu finden und zu schließen. Gut zwei Drittel erhoffen sich ein besseres Verständnis ihres Codes. Mit fortgeschrittener KI-Codeanalyse arbeiten aber erst 8 %. Die Unternehmen wissen also, wo der Hebel liegt, ziehen ihn aber noch nicht.

Warum klassische Modernisierung so oft stockt

Wer schon einmal ein gewachsenes System modernisiert hat, kennt die Engpässe:

1. Verstehen kostet die meiste Zeit. Bevor eine Zeile geändert wird, muss jemand herausfinden, was der Code eigentlich tut. Bei alten Systemen mit wenig Dokumentation und vielen Sonderfällen dauert das Wochen bis Monate.
2. Ohne Tests ist jede Änderung riskant. Viele Altsysteme haben kaum automatisierte Tests. Also ändert man lieber gar nichts, und die technische Schuld wächst weiter.
3. Die Fachleute sind knapp. Wer COBOL, alte Delphi- oder PHP-Versionen oder ein selbst gebautes Framework aus den 2000ern beherrscht, ist schwer zu finden und teuer.
4. Big-Bang-Projekte scheitern oft. Ein kompletter Neubau bindet über Jahre Budget, bevor er Nutzen bringt. Wohl auch deshalb sehen nur 47 % den Rebuild als Option.

Das Ergebnis: Modernisierung wird verschoben, das Budget fließt in den Betrieb, und für neue Produkte, Schnittstellen oder digitale Angebote bleibt wenig übrig. Hier blockieren Legacy-Systeme das Wachstum.

Was KI-getriebene Entwicklung an genau diesen Stellen leistet

KI-getriebene Entwicklung, bei uns Agentic Engineering, bedeutet: KI-Agenten lesen, analysieren, testen und ändern Code, und erfahrene Entwickler steuern, prüfen und verantworten das Ergebnis. Das ist kein „Code auf Knopfdruck“, sondern eine andere Arbeitsteilung. Auf die Engpässe von oben wirkt sie so:

Verstehen: KI-gestützte Code-Archäologie

KI-Agenten können große, unbekannte Codebasen systematisch durchgehen. Sie verfolgen Aufrufketten, ordnen Geschäftslogik einzelnen Modulen zu, finden toten Code und zeigen Abhängigkeiten auf. Was früher wochenlange manuelle Einarbeitung war, liegt so deutlich schneller als erste Landkarte vor. Erfahrene Entwickler prüfen diese Landkarte gezielt, statt sie selbst von Grund auf zu erstellen. Das ist genau das bessere Verständnis von Code-Strukturen, das sich 69 % der Befragten erhoffen.

Fehlendes Wissen: Dokumentation als Nebenprodukt

Aus der Analyse entsteht Dokumentation: Architekturübersichten, Beschreibungen der Schnittstellen und Datenflüsse, Erklärungen der Geschäftsregeln. Damit steckt das Wissen nicht mehr nur in den Köpfen einzelner Personen, sondern liegt im Unternehmen. So sinkt das Risiko, das die Studie bei jedem zweiten Unternehmen sieht: dass der Betrieb nicht gesichert ist. Erst 22 % nutzen KI bisher für Dokumentation. Hier lässt sich schnell und mit wenig Risiko anfangen.

Fehlende Tests: ein Sicherheitsnetz vor der ersten Änderung

KI kann Charakterisierungstests erzeugen. Das sind Tests, die das heutige Verhalten eines Systems festhalten, auch wenn niemand mehr genau weiß, warum es sich so verhält. Damit ist jede spätere Änderung abgesichert: Weicht das Verhalten ab, fällt es sofort auf. Erst dieses Netz macht Refactoring und Migration planbar.

Sicherheit: Schwachstellen systematisch finden

KI-gestützte Analyse findet typische Schwachstellen wie veraltete Bibliotheken, unsichere Eingabeverarbeitung oder fest im Code hinterlegte Zugangsdaten und schlägt Korrekturen vor. Die 74 % haben hier recht. Entscheidend ist das Wort „teilweise“: Korrekturen an geschäftskritischen Systemen gehören in einen geprüften Prozess mit Tests und Review. Unbeaufsichtigt sollten sie nicht in den Betrieb gehen.

Big Bang: schrittweise Modernisierung, die sich schneller lohnt

Weil Verstehen, Absichern und Umbauen schneller gehen, wird der schrittweise Weg wirtschaftlich. Ein Modul nach dem anderen wird herausgelöst, mit einer sauberen Schnittstelle versehen und modernisiert, während das Gesamtsystem weiterläuft (Strangler-Pattern). Das passt zu den Strategien, die die Befragten bevorzugen: Composable Architectures, Replatforming und Refactoring. KI macht keine dieser Strategien überflüssig, aber sie senkt bei allen den Aufwand pro Schritt.

Vom Altsystem zum Wachstum: wie der Hebel wirkt

Modernisierung ist kein Selbstzweck. Wachstum entsteht über mehrere Effekte:

• Budget wird frei: Wenn Wartung und Betrieb weniger Aufwand kosten, bleibt mehr vom steigenden IT-Budget für Neues: Produkte, Kundenportale, Automatisierung.
• Neue Ideen kommen schneller auf den Markt: Ein modulares, getestetes und dokumentiertes System lässt sich in Wochen erweitern statt in Quartalen. Neue Vertriebskanäle, Partneranbindungen oder Preismodelle scheitern nicht mehr an der IT.
• Integration wird möglich: Saubere Schnittstellen sind die Voraussetzung, um Cloud-Dienste, SaaS und KI-Anwendungen an den Kern anzubinden. Laut Studie erwarten 9 von 10 Unternehmen, bis 2028 mehr als 40 % ihrer Anwendungen in der Cloud zu betreiben. Ohne gute Integration wird diese hybride Landschaft schnell unübersichtlich.
• Die Abhängigkeit von Einzelpersonen sinkt: Dokumentiertes Wissen und automatisierte Tests machen das Unternehmen unabhängiger von einzelnen Schlüsselpersonen und Spezialdienstleistern.
• KI im Kerngeschäft wird möglich: Wer seine Kernsysteme versteht und über Schnittstellen öffnet, kann dort KI-Agenten und Automatisierung einsetzen. Ein Altsystem, das niemand anfassen will, bleibt davon ausgeschlossen.

Wo die Grenzen liegen

Zur ehrlichen Einordnung gehören auch die Grenzen:

• KI ersetzt keine Verantwortung: Analysen können lückenhaft sein, generierter Code kann subtile Fehler enthalten. Jede Änderung an geschäftskritischen Systemen braucht Review, Tests und eine Person, die dafür geradesteht.
• Fachwissen bleibt nötig: KI kann beschreiben, was der Code tut. Warum eine Regel so ist, wissen oft nur die Fachabteilungen. Diese Gespräche bleiben unverzichtbar.
• Datenschutz und Geheimhaltung müssen geklärt sein: Quellcode ist Betriebsgeheimnis. Welche Modelle wo laufen und was mit dem Code passiert, muss vor dem Start feststehen.
• Nicht jedes System muss modernisiert werden: Manchmal ist es die beste Entscheidung, ein stabiles System professionell weiterzubetreiben. Auch dabei helfen KI-gestützte Analyse und Dokumentation, weil sie den Betrieb sicherer machen.

Wie Sie konkret anfangen können

Fast alle Befragten wissen, dass sie handeln müssen, aber nur wenige nutzen die verfügbaren Werkzeuge. Ein pragmatischer Einstieg in vier Schritten:

1. Bestandsaufnahme mit KI-Unterstützung. Analysieren Sie ein geschäftskritisches System: Architektur, Abhängigkeiten, Risiken, Sicherheitslücken. Ergebnis ist eine belastbare Grundlage für Entscheidungen statt Bauchgefühl.
2. Dokumentation und Tests aufbauen. Sichern Sie das Wissen und das aktuelle Verhalten des Systems, bevor Sie etwas ändern. Das lohnt sich auch dann, wenn Sie später gar nicht modernisieren.
3. Ein Pilotmodul modernisieren. Wählen Sie einen klar abgegrenzten Teil, der für das Geschäft wichtig ist, und modernisieren Sie ihn schrittweise. So sehen Sie an Ihrem eigenen Code, wie viel schneller es geht.
4. Auf Basis der Erfahrung skalieren. Mit belastbaren Erfahrungswerten aus dem Pilot lässt sich der weitere Weg seriös planen und budgetieren.

Fazit

Die Lünendonk-Studie beschreibt ein Dilemma: Der Modernisierungsdruck ist hoch, die Budgets steigen, aber der Weiterbetrieb ist bei jedem zweiten Unternehmen nicht gesichert, und das Potenzial von KI bleibt weitgehend ungenutzt. KI-getriebene Entwicklung setzt genau an den Engpässen an, die Modernisierung bisher langsam, teuer und riskant gemacht haben: Verstehen, Dokumentieren, Absichern und schrittweises Umbauen.

Die eine beste Strategie gibt es nicht, da hat die Studie recht. Aber jede Strategie lässt sich schneller und sicherer umsetzen, wenn das Team weiß, was im System steckt. Wer jetzt damit anfängt, macht aus dem Altsystem eine Grundlage für Wachstum.