IT-Modernisierung mithilfe struktureller Datenanalysen und Generativer KI

Autor/Redakteur: André Lindenberg, Fellow bei Exxeta/gg

Nicht nur im deutschen Mittelstand sind in die Jahre gekommene IT-Systeme Realität, die die heutigen Anforderungen zum Beispiel an Funktionalität, Geschwindigkeit, Flexibilität oder Datensicherheit nur unzureichend erfüllen. So zeigt eine Studie, die unter anderem von der Computerwoche Anfang 2023 veröffentlicht wurde, dass in 44 Prozent der befragten Unternehmen mindestens 50 Prozent der Bestandssysteme bereits lange Einsatz sind.

Doch die IT-Modernisierung beziehungsweise den Austausch bestehender Systeme stellt Firmen oftmals vor beträchtliche Hindernisse. Daher wird im Folgenden erläutert, wie mit struktureller Datenanalyse und generativer KI IT-Systeme risikoarm ausgetauscht werden können.

Bei der IT-Modernisierung beziehungsweise dem Austausch von Alt-Systemen können verschiedene Schwierigkeiten auftreten. Eine Umfrage unter IT-Führungskräften vom IT-Unternehmen Equinix hat beispielsweise gezeigt, dass Sicherheitsbedenken (35,3 Prozent) und der Verlust von Fachkenntnissen (31,9 Prozent) zu den größten Herausforderungen bei der IT-Modernisierung zählen. Darüber hinaus sind fehlendes Expert:innenwissen, mangelnde Anpassungsfähigkeit der Firmen und Systeme und “Nachwuchsprobleme” im Recruiting Stolpersteine, die der Modernisierung von Systemen entgegenstehen.

Planung, Kommunikation und Tech-Know-how

Organisatorische Aspekte bei der Modernisierung geschäftskritischer Systeme sollten nicht unterschätzt werden – denn der Austausch von Alt-Systemen erfordert umfassende Planung und transparente Kommunikation an die Mitarbeitenden. Dabei ist zu beachten, dass die Modernisierung von IT-Systemen nicht nur technologisches Know-how erfordert, sondern auch organisatorische Weitsicht, beispielsweise hinsichtlich der Geschäftsentwicklung. Zudem sollten die Mitarbeiter:innen  in den Modernisierungsprozess von Anfang an mit eingebunden werden, um sicherzustellen, dass die Systeme akzeptiert werden und ihre Anforderungen bestmöglich erfüllen. Daher sollten frühzeitig Schulungen und Change-Management-Strategien eingestellt werden, um sicherzustellen, dass Teams die neuen Technologien effektiv nutzen können.

Führungskräfte sollten dabei als gute Vorbilder vorangehen, die neue Technologien fördern, selbst direkt einsetzen sowie eine Kultur fördern, bei der Innovation und kontinuierliche Verbesserungen an der Tagesordnung sind. Zudem sollten der Abstimmungsaufwand minimiert und den (möglichst kleinen) Teams größtmögliche Autonomie eingeräumt werden.

Technologische Anforderungen beim Austausch von Legacy-Systemen

Auf der anderen Seite bestehen Herausforderungen bei der technischen Umsetzung unter anderem darin, die Alt-Systeme, die eventuell über Jahre und Jahrzehnte gewachsen sind, in ihrer Tiefe zu verstehen. Oftmals wurden Ergänzungen oder individuelle Erweiterungen vorgenommen – wobei die zuständigen Mitarbeiter:innen teilweise das Unternehmen schon lange verlassen haben. Neben dem mangelnden Know-how im Unternehmen fehlt es auch oft am passenden “Nachwuchs”, der die Alt-Systeme bedienen könnte, da Universitäten in die Jahre gekommene Technologien oftmals nicht mehr vermitteln. Dadurch kann eine hohe Abhängigkeit von einzelnen Expert:innen entstehen und damit Verzögerungen im Projekt oder verringerte Entscheidungs- oder Handlungsmöglichkeiten.

In solchen Situationen können Veränderungen am System schwer einzuschätzende Folgen haben. In solchen Systemen sollten einzelne Teile der Architektur gründlich überprüft und Änderungen zum Beispiel an Zeiten möglichst geringer Auslastung der Systeme erprobt werden, damit eine kurzzeitig eingeschränkte Funktion keine zu weitreichenden Folgen hat.

Strukturelle und statische Analysen und die Extraktion von Wissen helfen, über Jahre gewachsene Systeme zu verstehen. Generative KI nimmt dabei eine zentrale Funktion ein, da intelligente Algorithmen Informationen aus Systemen extrahieren können. Generative KI ist in der Lage, durch maschinelles Lernen Muster und Zusammenhänge in Daten zu identifizieren. KI kann somit nicht nur strukturelle Informationen extrahieren, sondern auch semantische Verknüpfungen zwischen verschiedenen Systemkomponenten erkennen. So können geschäftskritische Elemente identifiziert werden und eine gezielte Vorbereitung auf die Migration stattfinden. Darüber hinaus helfen strukturelle Analysen nicht nur obsolete oder ineffiziente Prozesse zu identifizieren, sondern gewinnen auch Einsicht in die geschäftskritischen Vorgänge, die im Laufe der Jahre in die Systeme eingebettet wurden.

Transparenz als Schlüssel für eine gelungene Migration

Insbesondere die Kombination von strukturellen Datenanalysen und dem Einsatz von generativer KI ermöglicht ein umfassendes Verständnis von Legacy-Systemen und somit eine Minimierung von Risiken, die mit Modernisierungsprojekten verbunden sind. Die Transparenz, die durch diese Technologien erreicht wird, ermöglicht das Treffen von besseren Entscheidungen während des gesamten Modernisierungsprozesses.

Eine besondere Hilfe ist die Möglichkeit zur automatisierten Generierung von Insights sowie einer Überprüfung durch generative KI – so werden menschliche Fehler reduziert und eine optimale Anpassung an die definierten Geschäftsanforderungen ermöglicht. Zudem können potenzielle Schwachstellen und Inkompatibilitäten schnell identifiziert und behoben werden. Diese Einsichten können sehr vielfältig sein und User Stories, ebenso wie technische KPI und Code Summarization umfassen. Sie werden verwendet, um einen bestmöglichen Plan für die Modernisierung von IT-Systemen zu erstellen.

Menschliches Know-how, fortschrittliche Technologie

Doch mit Technologie allein ist es nicht getan, erst die Kombination aus menschlichem Fachwissen und Technik ermöglicht eine möglichst reibungslose IT-Modernisierung. So können fundierte Entscheidungen getroffen und Risiken minimiert werden. Die so gewonnene Transparenz ist nicht nur für den Austausch von Systemen wichtig, sondern auch die Grundlage für künftige Systemarchitekturen. Eine solche, inhaltliche Tiefe in der Analyse zahlt sich bei Modernisierungsprojekten aus und hilft, Probleme zu vermeiden. Gerade bei dem Umsetzen von IT-Projekten ist es entscheidend, Projekte nicht einfach auf Annahmen zu stützen, sondern auf solide Daten, um das Risiko von Fehleinschätzungen zu minimieren.