KI kann COBOL-Code-Krise entschärfen

OpenAI sieht durch seine neuesten KI-Modelle Fortschritte bei der Modernisierung alter Softwarebestände. Am 19. Oktober verwies das Unternehmen auf verbesserte Fähigkeiten, Code aus Legacy-Sprachen wie COBOL in moderne Sprachen wie C++, Java, Kotlin, Python oder Rust zu überführen, ohne die ursprüngliche Funktionsweise zu verändern. Das ist relevant, weil COBOL seit 1959 nach wie vor einen erheblichen Teil der globalen kritischen Infrastruktur trägt. Nach IBM-Angaben basieren mehr als 40 Prozent des Online-Bankings, 80 Prozent der Kartenzahlungen im stationären Handel und 95 Prozent der Geldautomatentransaktionen auf COBOL; auch Behörden- und Sozialsysteme, darunter die US-Steuerbehörde IRS und bundesstaatliche Dienste, sind betroffen. Die durch Ineffizienzen verursachten Kosten für die US-Wirtschaft werden auf rund 105 Milliarden Dollar im Jahr geschätzt. In OpenAIs eigenen Tests erreichte GPT-6.1 Sol bei geringer Rechenintensität 87 Prozent Übereinstimmung im Verhalten der migrierten Programme; bei höherem Reasoning-Aufwand lag der Wert bei 98 Prozent. GPT-6 Astra kam auf etwa 86 Prozent, GPT-6 Sol nur auf 21 Prozent und GPT-5.6 Sol auf 5 Prozent. Auch beim Aufbau von Datenbanksystemen in verschiedenen Sprachen, einschließlich COBOL, seien Fortschritte erzielt worden. Parallel positioniert sich Anthropic: Im Februar veröffentlichte das Unternehmen ein Handbuch zur Code-Modernisierung und bewarb Claude Code für COBOL-Migrationen. Ohne Leistungsnachweise zu liefern, signalisierte Anthropic, dass sich die Wirtschaftlichkeit der COBOL-Ablösung verschiebe; die IBM-Aktien gaben nach. Experten halten die KI-Werkzeuge für hilfreich, aber nicht für sicher genug im Umgang mit existenziell kritischen Systemen. OpenAI selbst spricht davon, dass Legacy-Code noch lange kein gelöstes Problem sei und dass an Tests und Sprachverständnis gearbeitet werde. Forscher betonen, dass Rewriting nicht gleich Systemersatz ist. Systeme können Hundertmillionen Zeilen COBOL enthalten und zusätzlich Daten in unterschiedlichen Formaten, Fremdsprachen, Schnittstellen und organisatorische Abhängigkeiten mitbringen. Arie van Deursen kritisiert, dass OpenAIs Evaluierungen zu oberflächlich seien, weil einfache Migrationen getestet wurden, statt die zentrale Schwierigkeit zu adressieren: komplexe Altmonolithen in einzeln austauschbare Einheiten zu zerlegen. Alastair Donaldson ergänzt, dass das Hauptproblem nicht das Übersetzen selbst sei, sondern das mangelnde Verständnis für Systeme, deren Erbauer meist nicht mehr erreichbar sind. Damit ein Austausch kritischer Infrastruktur verantwortbar bleibt, gelten parallele Abnahmetests, dokumentierte KI-Übersetzungen, menschliche Reviews durch COBOL-Experten und mathematische Formalverifikation als notwendige Bausteine. Der Aufwand für solche Verifikation wäre jedoch enorm. Selbst wenn eine KI 99 Prozent des Codes fehlerfrei migriere, könne das verbleibende Prozent aus einer Million Zeilen mit schwer auffindbaren Fehlern bestehen. Für OpenAI, Anthropic und ihre Kunden bedeutet das: KI kann Wartung und Teilmigration beschleunigen und Kosten senken, doch für die vollständige Ablösung von COBOL-Systemen braucht es weiterhin tiefgreifende Architekturarbeit, belastbare Testinfrastrukturen und menschliche Absicherung.