Die Obsession mit Greenfield-KI
Wenn man derzeit durch Tech-Feeds scrollt, dreht sich fast alles um Kreation. KI baut eine App aus einem einzigen Prompt. KI schreibt in Sekunden tausende Zeilen React-Boilerplate. KI agiert als der ultimative Junior-Entwickler.
Das ist beeindruckend. Aber wenn man in der Enterprise-Delivery arbeitet, geht das oft am eigentlichen Problem vorbei.
Der Großteil des weltweiten Software-Werts liegt nicht in Greenfield-Apps, die letzten Dienstag gestartet wurden. Er liegt in Brownfield-Systemen. In 15 Jahre alten Java-Monolithen, undokumentierten Banking-Cores und wuchernden C++ oder PHP-Anwendungen, deren ursprüngliche Autoren die Firma vor einem Jahrzehnt verlassen haben.
Für Teams, die diese Systeme warten, war der Engpass nie: „Wie schnell können wir neue Syntax tippen?“ Der Engpass ist Angst.
Jede Änderung fühlt sich riskant an. Der Blast Radius ist unbekannt. Modernisierungen bleiben stecken, weil niemand mehr weiß, welche Business-Logik sich in einer 4.000-zeiligen Utility-Datei versteckt.
Und genau hier löst KI leise einen massiven Wandel aus: Die wahre Superkraft der KI ist nicht das Schreiben von neuem Code. Es ist das Lesen von altem Code.
KI als der ultimative Rosetta-Stein
Jahrzehntelang war der Standardansatz zur Modernisierung ein gefährliches Reverse-Engineering-Spiel. Man las den alten Code, erriet die Absicht, schrieb Tests (wenn man Glück hatte) und versuchte, ihn in einem modernen Framework neu zu schreiben. Das endete meist in Verzögerungen und Regressionen.
Large Language Models (LLMs) haben diese Dynamik komplett verändert. Sie sind einzigartig darin, Muster in riesigen, chaotischen Kontexten zu erkennen.
Heute können Sie einen KI-Agenten auf ein fragiles, undokumentiertes Legacy-Modul ansetzen und ihn bitten:
- Die versteckten Abhängigkeiten zu mappen.
- Die Business-Logik einer spezifischen, undokumentierten Funktion zu erklären.
- Einen archaischen, prozeduralen Algorithmus in ein modernes, deklaratives TypeScript-Äquivalent zu übersetzen.
- Unit-Tests für den alten Code zu generieren, um das aktuelle Verhalten einzufrieren, bevor man ihn anfasst.
KI agiert als Rosetta-Stein für Legacy-Spaghetti. Sie macht das Undurchsichtige wieder lesbar.
Der Aufstieg des „Code-Archäologen“
Dieser Wandel erfordert ein neues Mindset. Wir bewegen uns weg von der reinen „Builder“-Rolle und betreten das goldene Zeitalter des Code-Archäologen.
Die wertvollsten Engineers des nächsten Jahrzehnts werden nicht diejenigen sein, die am schnellsten eine neue CRUD-App herbei-prompten können. Die Arbeit mit dem größten Hebel gehört den Engineers, die sicher durch digitale Ruinen navigieren können.
Ein Code-Archäologe nutzt KI-Tools wie ein Bodenradar. Er akzeptiert nicht blind KI-Rewrites, sondern nutzt KI, um:
- Das Gelände zu sondieren: Die Grenzen von Legacy-Modulen zu mappen, ohne sie zu zerbrechen.
- Artefakte freizulegen: Die eigentliche Business-Absicht unter Schichten veralteter technischer Constraints zu extrahieren.
- Die Geschichte zu bewahren: Alte Constraints in moderne Guardrails (Typen, Verträge und Tests) zu übersetzen.
Sie extrahieren sicher den Wert aus Legacy-Systemen und migrieren ihn auf moderne, evolvierbare Plattformen.
Warum das Delivery verändert
Wenn man die Angst vor dem Unbekannten reduziert, beschleunigt sich Delivery.
Historisch gesehen wurden Legacy-Modernisierungen oft als massive, hochriskante „Big Bang“-Rewrites verkauft. Diese Projekte scheitern notorisch, weil das Business nicht für zwei Jahre pausieren kann, während Engineering versucht, aufzuholen.
Mit KI als archäologischer Assistenz wird Modernisierung zu einem inkrementellen, planbaren Delivery-Prozess.
- Schnelleres Mapping: Was früher Wochen an Senior-Engineering-Zeit kostete (z.B. das Verstehen eines Legacy-Checkout-Flows), dauert heute Tage.
- Sicherere Extraktion: KI kann das schützende Netz (Tests und Typen) um alten Code generieren, was ein sicheres Refactoring der Interna ermöglicht.
- Reduziertes Tribal Knowledge: Man ist nicht mehr völlig abhängig von „der einen Person, die weiß, wie das Payment-Gateway funktioniert“. Die KI kann die Codebase „interviewen“.
Der Haken: KI braucht weiterhin Sie für das „Warum“
KI ist hervorragend darin zu erklären, was ein Stück Code tut. Sie kann Ihnen sagen, dass eine Funktion einen Wert mit 1.19 multipliziert und abrundet.
Aber sie kann Ihnen nicht sagen, warum. Sie weiß nicht, dass 1.19 ein hartcodierter Steuersatz aus einer temporären Richtlinie von 2018 war, der schon vor Jahren hätte entfernt werden sollen.
Deshalb ist Code-Archäologie eine Senior-Disziplin. Die KI übernimmt die Syntax und das Mapping, aber der Engineer muss den Business-Kontext, die System-Constraints und die architektonische Vision liefern.
Wenn Sie KI nutzen, um schlechtes COBOL blind in schlechtes Python zu übersetzen, haben Sie Ihr System nicht modernisiert. Sie haben nur die Schriftart Ihrer technischen Schulden geändert.
Hören Sie auf, Ihre Legacy-Systeme zu meiden
Jahrelang haben Organisationen komplexe, fragile Wrapper um ihre ältesten Systeme gebaut, weil es zu gefährlich war, den Kern anzufassen.
Im Zeitalter des AI-Codings verschwindet diese Ausrede. Die Werkzeuge, um Legacy-Code zu verstehen und zu entwirren, sind besser als je zuvor. Es ist Zeit, die Angst vor dem alten Code abzulegen und mit dem Graben zu beginnen.
Wenn Ihr Team mit spröden Legacy-Systemen, langsamer Delivery und der Angst vor Änderungen kämpft, brauchen Sie nicht zwingend einen Rewrite. Sie brauchen eine Landkarte.
Wir helfen Teams, komplexe Systeme zu entwirren und sichere Pfade zur Modernisierung zu etablieren, ohne die Feature-Delivery zu stoppen. Es beginnt mit dem Finden der Grenzen.