Episode vom: 08.01.2026, erreichbar unter: 

https://f-i-solutions-plus.de/fi-sp-entdecken/it-blog-mehr/solutions-world/ki-cobol?filter=17&ppp=9&cHash=6d6e9c168d5768f1af73910eaaab9ed3

Solutions-Talk, der IT-Podcast der Finanz Informatik Solutions Plus. 

Intro:

In den Rechenzentren vieler Banken laufen sie noch rund um die Uhr. Die guten alten Mainframes, riesige Maschinen, die seit Jahrzehnten Milliarden von Transaktionen abwickeln, vom internationalen Zahlungsverkehr über Kreditkartenzahlungen bis hin zum Onlinebanking. Ohne sie würde im Banking fast gar nichts funktionieren.

Aber der Zahn der Zeit nagt. Immer mehr Cobol-Expertinnen und -Experten gehen in Rente. Und viele junge Entwicklerinnen und Entwickler wollen lieber mit modernen Sprachen und Methoden arbeiten. 

Auch bei uns im Team der Lösungsfinder ist das ein großes Thema. Die Mainframe-Transformation. Wir bauen ein Team auf, das die Brücke schlägt zwischen der alten Mainframe-Welt und den modernen IT-Architekturen. Dafür haben wir sogar ein eigenes KI-Modell entwickelt, beziehungsweise genauer gesagt eine RAG-Datenbank.

Sie hilft uns, Cobol-Code zu verstehen und Schritt für Schritt in moderne Systeme zu überführen. Heute sprechen wir genau darüber. Andrea und Andreas sind bei mir im Studio und erzählen, wie unsere KI die Mainframe-Welt verändert und warum diese Transformation viel mehr ist als nur ein technisches Projekt. 

Hallo Andrea, hallo Andreas, schön, dass ihr heute beim Solutions-Talk dabei seid, unser heutiges Thema ist im wahrsten Sinne des Wortes ein Schwergewicht, der Mainframe beziehungsweise die Entwicklung von Software dafür. 

Ihr habt mir im Vorgespräch gesagt, dass ihr den Mainframe als echtes Zukunftsthema seht. Deshalb ergänzt doch bitte eure Vorstellungsrunde mit einem kurzen Statement zur Zukunft des Mainframes.

Fangen wir alphabetisch an: Andrea.

Andrea:

Danke für die Einladung, mach ich gerne. 

Ich bin in der Projektleitung des Bereichs Core Banking Solutions tätig und unser Fokus liegt auf der Bestandspflege. Unser Bereich betreut Mainframe-Applikationen verschiedener Kunden und ein großes Thema für uns ist die Mainframe-Transformation. Das heißt, wir befassen uns mit Fragen, wie: „Wofür ist der Mainframe in der hochregulierten Bankenwelt in Zukunft sinnvoll? Was wird seine Rolle sein und was wird sie nicht mehr sein?

Vor diesem Hintergrund lautet mein Zukunftsstatement für den Mainframe: „Der Mainframe wird als Betriebsplattform in modernen Anwendungslandschaften eine zentrale Rolle einnehmen. Die Rolle wird aber nicht mehr viel mit dem monolithischen Urgestein zu tun haben, für den viele den Mainframe immer noch halten. Er ist heute schon wesentlich moderner und flexibler als viele denken.“

Ein starkes Statement. Da bin ich sehr gespannt auf deines, lieber Andreas. Aber sag vorher kurz noch, was du im Team der Lösungsfinder machst und in welchem Bereich du arbeitest.

Andreas:

Ja, Hallo Susanna, ich bin Software Architekt im Geschäftsbereich Enterprise Information Management. Unser Geschäftsbereich konzipiert, entwickelt und betreibt Dokumenten- und Informationsmanagement-Lösungen. Außerdem arbeite ich in der KI-Koordinierungsstelle der FI-SP mit. Das ist auch der Grund, warum ich hier bin. 

Daher verbinde ich mein Zukunftsstatement für den Host mit der KI: „Der Mainframe hat eine Zukunft, weil auf diesem viele Dinge im High-Performance Computing gelöst sind, die auf anderen Plattformen nicht ohne Weiteres zu realisieren sind. Der Schlüssel zur Zukunft des Mainframes sind junge, hochmotivierte Menschen, die heute und in naher Zukunft mit Hilfe von KI und modernen Methoden die Zukunft des Mainframes gestalten.

Ich merke schon ihr seid beide sehr überzeugt bei der Sache. Aber ein Selbstläufer ist die Mainframe-Transformation nicht. Wo seht ihr denn die größten Herausforderungen? 

Andrea:

Wir sind überzeugt, weil wir gute Ansätze für die Mainframe-Transformation haben, die in der Praxis funktionieren. Damit haben wir auch gute Antworten auf die vielfältigen Herausforderungen, die eine Mainframe-Transformation mit sich bringen kann. Welche das im Einzelfall beim Kunden sind, hängt sehr stark vom Einsatzszenario ab. Jedes Unternehmen hat eigene Schwerpunkte und Rahmenbedingungen. Einige haben auch schon daran gedacht oder es sogar versucht, den Mainframe abzulösen. 

Aber eine Herausforderung haben alle: den demografischen Wandel. Im Moment gehen in der Finanzwirtschaft jeden Monat Mainframe-Erfahrene in den Ruhestand. Und wenn keine geeignete Strategie vorhanden ist, geht deren Wissen unwiederbringlich verloren. 

Dieses Wissen darf auch uns nicht verloren gehen. Deshalb haben wir viele Initiativen gestartet, um den Generationenwechsel zu gestalten.

Welche Initiativen sind das denn konkret?

Das hat viele Facetten. Zum Beispiel im Team: 

Erfahrene Cobol-Entwicklerinnen und -Entwickler dazu zu motivieren, ihr Wissen an jüngere, unerfahrene offenherzig weiterzugeben. Junge Menschen dafür zu begeistern, sich für den Mainframe und Cobol zu interessieren und in diesem Aufgabengebiet eine Perspektive für ihre berufliche Zukunft zu sehen.

Und das Entwickeln eines gemeinsamen Spirits in einem altersgemischten Team, in dem das Arbeiten Spaß macht und gemeinsam am gleichen Ziel gearbeitet wird. Unsere Strategie: Wir sind überzeugt, dass der Mainframe als moderne Betriebsplattform auch in Zukunft eine wichtige Rolle spielen wird. Diese Überzeugung ist bei uns strategisch verankert. Das ist wichtig, um auf der einen Seite unserem Team Orientierung zu geben und aufzuzeigen, wie wichtig ihre Arbeit ist.

Sie ist aber genauso wichtig, wie unseren Kunden zu zeigen, wo die Reise hingeht, wenn wir ihre IT-Landschaften modernisieren. Die Orientierung ist wichtig, weil sie wissen müssen, wie sie zukünftig ihren Zahlungsverkehr, ihre Clearingverfahren oder andere hochperformante Aufgaben erledigen werden.

Andreas, Ihr habt es für Cobol ein eigenes KI-Modell beziehungsweise eine RAG-Datenbank entwickelt. Wie seid Ihr zu diesem Weg gekommen?

Ja, die Motivation kam aus der Praxis. Andrea hat es ja schon gesagt, in Fellbach kümmert sich das Team der Lösungsfinder um Mainframe-Anwendungen unserer Kunden. Diese werden gewartet und weiterentwickelt, brauchen viel Erfahrungswissen. Vieles ist jahrelang gewachsen und Cobol-erfahrene Kolleginnen und Kollegen arbeiten mit den jüngeren Talenten zusammen und bilden sie in diesen Systemen aus. 

Wenn wir mit den jungen Leuten über die Aufgaben sprechen, merken wir erstens: viele hören sich zwar an und verstehen, warum Cobol wichtig ist. Aber ihr Herz schlägt für moderne Sprachen wie Java, C++, Python et cetera. Da gibt es viele. 

Deshalb haben wir uns in der KI-Koordinierungsstelle Gedanken gemacht, was jungen Leuten Spaß macht. Und wie wir sie begeistern können, sich mit Cobol-Anwendungen zu beschäftigen. So entstand die Idee, die letztlich zur Entwicklung des Modells oder der RAG-Datenbank geführt hat.

Das heißt konkret, ihr habt euch Gedanken dazu gemacht, wie KI bei der Migration bestimmter Anwendungen helfen kann?

Andreas:

Ja, richtig. 

Für das Client Server Umfeld, also Windows, Mac, Linux, Unix gibt es viele gute KI-Tools. Für den Host gibt es nur wenige Lösungen.

Wir haben komkret untersucht, wie Sie Code prüfen, Code optimieren und Code migrieren kann. Die Ergebnisse waren erst mal ernüchternd und für diesen Zweck nicht geeignet. Dann sind wir auf die Idee gekommen, ein eigenes Datenmodell zu trainieren oder aus Performancegründen eine RAG-Datenbank, die uns bessere Ergebnisse liefern sollte. Die meisten Modelle laufen außerdem in der Public Cloud. Im regulierten Finanzmarkt per se schwierig oder gar nicht erlaubt. Hier mussten wir also neue Wege finden und gehen.

Ja, und wie habt ihr das Thema dann gelöst?

Andreas:

Da marktgängige Lösungen hier keinen Ansatz boten, haben wir ein vorhandenes Modell optimiert. Das Modell benötigt allerdings sehr viele Ressourcen, daher haben wir uns für eine schlankere RAG-Datenbank entschieden und sind darauf umgestiegen. Die können wir sogar projektspezifisch anlegen und trainieren. 

Als Frontend in den Entwicklungsumgebungen haben wir uns für GitHub CoPilot in der Chat- und in der integrierten Variante entschieden, die das OpenAI-Modell GPT 4.0 MINI verwendet, was wir als universell verwendbares Modell betrachtet haben. Hier entwickeln wir uns aber stetig weiter. Als Grundlage des verwendeten Modells haben wir Quellcode genommen und so unser eigenes Modell trainiert.

Wo habt ihr den Quellcode herbekommen? 

Den frei verfügbaren Quellcode haben wir von Hochschulen bekommen oder von Berufsschulen, wo unsere Auszubildenden sind. 

Den eigenen Code, den kannten wir sehr gut und konnten ihn auch verwenden, so dass wir die automatisch generierte Dokumentation mit einer vorliegenden Dokumentation vergleichen konnten. So haben wir unsere Erfahrungen gemacht.

Welche Erfahrungen habt ihr mit eurem Modell gemacht? Wie hilft es jungen Leuten, Cobol-Programme zu optimieren?

Spannend war, GitHub-Copilot Chat ist in der Lage, Methoden zu optimieren. Cobol-Programme nutzen nicht immer zeitgemäße Funktionen, da sie vor langer Zeit entwickelt wurden. 

Hier erkennt das KI-Modell diese alten Funktionen und schlägt neue Funktionen und Methoden, die zeitgemäß sind, vor, um sie zu optimieren.

Dabei ist es sehr komfortabel und nutzerfreundlich. Bei Fensteransicht, das ist eine Darstellungsmöglichkeit, steht auf der linken Seite die Umsetzung der alten Methode aus der Originalprogrammierung. Auf der rechten Seite steht der neu vorgeschlagene Quellcode auf Basis der KI und in der Mitte wird ein sogenanntes Merge-Fenster angezeigt, wo man die beiden Varianten zusammenführen kann und vergleichen kann.

Die Programmiererinnen und Programmierer können schnell entscheiden, welcher Weg der geeignetste ist.

Das ist sehr interessant. Kannst du Beispiele nennen?

Andrea:

Ja klar. 

Beispiel 1: Die Umsetzung in Cobol nutzt häufig doch Arrays. Diese sind unflexibel und einfach nicht mehr zeitgemäß in der Entwicklung. Das KI-Modell, die RAG-Datenbank, kann daraus eine Umsetzung auf Basis von Dictionaries machen. Das geht quasi auf Knopfdruck.

Beispiel 2: Mit Cobol werden große Datenmengen auf dem Host verarbeitet und zwischen verschiedenen Datenbanken ausgetauscht. Ebenfalls gibt es viele unterstützte Export Formate. Hier können wir auf verschiedene von der KI vorgeschlagenen Lösungen zurückgreifen und uns die für unseren Fall passenden Lösungen herauspicken.

Beispiel 3: KI kann auch Testfälle erstellen. Beispiel: Wenn man was migriert hat, ein Java-Unit Test für den Host, der hilft zum Verständnis für die ganzen migrierten Anwendungsbestandteile. Das macht den großen Mehrwert aus. Wir setzen auf unseren erprobten Ansatz, zum Beispiel mit einer RAG-Datenbank, hier geben wir Kundenvorstudien zur Migration an.

Dabei optimieren wir unseren Ansatz stetig weiter. Die Steigerung der Effizienz ist hier erheblich. 

Ihr habt also erstmal viele Erfahrungen gesammelt. Was habt ihr aus den ganzen Erfahrungen gemacht? 

Andreas:

Wir haben auf Basis dieser ersten Erfahrungen einen Proof of Concept gemacht. 

Der Schritt 1 hier war, das Dokumentieren des bestehenden Cobol-Codes. Allein darin liegt ein hoher Mehrwert,da Code oft sehr alt ist und nicht hinreichend dokumentiert.

Da haben wir sehr gute Erfahrungen zusammen mit unseren Kunden im POC gemacht. Es funktioniert einwandfrei.

Der Schritt 2 ist: Optimieren der Methoden. Hier haben wir erhebliche Erleichterungen, da wo bisher viel Wissen notwendig war. KI wird nicht müde, packt jede zu optimierende Stelle an.

Der Schritt 3 ist die eigentliche Migration von Cobol in Richtung Java. Nach den 2 vorherigen Schritten funktioniert das sehr gut und sehr performant. Ja, hier ist für den Entwickler eine sehr hohe Arbeitserleichterung spürbar. Das haben wir unseren Kunden gezeigt. Diese waren im POC sehr begeistert von der Effizienz und de Möglichkeit einer KI. Der Kunde möchte in der Zwischenzeit KI-Modelle oder RAG-Datenbank nutzen, um die existierenden Anwendungen Zug und Zug zu modernisieren.

Ja, mega spannend, wie die KI in unseren Alltag einzieht. Andrea, du hast ja schon erzählt, dass die Mainframe-Transformation in eurem Team ein großes Thema ist. Mich würde interessieren: Wo setzt ihr KI dabei heute schon ein und wo siehst du das größte Potential?

Andrea:

Ja, wir haben in unserem Team mal nachgefragt, ob und in welcher Form heute schon KI genutzt wird und ob Interesse besteht, die Möglichkeiten zur Nutzung von KI auch zu erweitern.

Dabei haben wir festgestellt, dass verschiedene Nutzergruppen ganz unterschiedliche Anforderungen formulieren. Zum Beispiel haben Projektleiter ganz andere Bedürfnisse als Entwickler. Aber insgesamt gehört KI schon zu unserem Arbeitsalltag. In unserem Team, in dem wir hauptsächlich Anwendungen auf dem Mainframe betreuen, wird sie zum Beispiel eingesetzt zur Unterstützung bei der Erstellung und Aufbereitung von Dokumentationen.

Oder bei der gezielten Suche nach Informationen in zahlreichen komplexen Prozessbeschreibungen. Oder auch bei der Programmierung. 

Die Kolleginnen und Kollegen experimentieren bisher mit den Möglichkeiten von ChatGPT und lassen sich zum Beispiel Hilfestellungen zur korrekten Syntax von Cobol geben und so weiter.

Allerdings haben ChatGPT & Co. natürlich auch ihre Grenzen, vor allem aus Sicherheitsgründen beziehungsweise Datenschutzgründen. Zum Beispiel darf man keinen Source-Code oder Teile der Dokumentation in einem Chatbot eingeben.

Deshalb werden Suchanfragen losgelöst von der eigentlichen Aufgabe und ohne Verwendung des Original-Sourcecodes gestellt.

Wir sehen aber gute Chancen, mit Hilfe von KI-Technologien den anstehenden Generationenwechsel zu unterstützen. Weil auch wir merken, dass immer weniger Entwicklerinnen und Entwickler Programmiersprachen wie zum Beispiel Cobol beherrschen.

Was Andreas mit seinem Team hinsichtlich einem KI-Modell zu Migration von Cobol-Anwendungen auf die Beine gestellt hat, ist auch für unser Team sehr spannend. 

Andreas, du hast gerade gesagt, dass sich auch unsere Kunden für die RAG-Datenbank interessieren. Was macht die denn so interessant?

Andreas:

Die RAG-Datenbank ist deswegen so interessant, weil dadurch unsere Erfahrung den Kunden Fallstricke, die man in der Regel immer hat, ersparen kann, weil wir das hier alles schon durchlebt haben. Fast alle, denke ich., Dadurch können wir den Frustfaktor niedrig halten. Das Ganze hört sich vielleicht einfach an, aber in unseren Modellen unserer RAG-Datenbank stehen anderthalb bis 2 Jahre intensive Arbeit. Wir mussten an verschiedenen Stellen lernen, wie Grenzen zu überwinden sind.

Beispiel: Beim Einbinden von Mistral. Wir mussten auch den richtigen Zeitraum finden, in dem ein Modell entwickelt werden muss.

KI entwickelt sich derzeit hochdynamisch. Das muss man immer im Auge behalten. Ein Ansatz, der vor einem Jahr noch das Nonplusultra war, ist heute Schnee von gestern.

Wir haben viel Erfahrung mit dem Einsatz von RAG-Systemen wie Retrieval-Augmented Generation  gesammelt und diese perfektioniert. Und natürlich ist unsere RAG-Datenbank mit universitärem Programmcode qualitativ hoch trainiert,liefert unabhängig von produktivem Kundencode sehr gute Ergebnisse, ist auch sehr flexibel einsetzbar und wird jeden Tag noch besser.

Zusammengefasst: Unser Vorsprung ist ein Mehrwert für den Kunden, nicht nur im Modell, auch im Methodikwissen, wie das Modell aktuell bleibt und dabei nicht anfängt zu halluzinieren. Wir arbeiten intensiv daran, den Vorsprung zu halten und auszubauen.

Deshalb haben wir eine KI-Koordinierungsstelle eingerichtet. Diese evaluiert permanent, ob durch neue Technologien, neue Wege und bessere Wege zu finden und zu eröffnen sind. Wir sind jederzeit bereit, zu schwenken, wenn andere Ansätze bessere Optionen bieten.

Du schwärmst ja richtig dafür. Dabei hast du doch gesagt, dass die jungen Leute im Team der Lösungsfinder begeistert werden sollen. Was sagen die dazu?

Andreas:

Ja, in dem Modell steckt mein Herzblut, natürlich. Ja.

Aber nicht nur ich schwärme, sondern alle, die damit gearbeitet haben oder denen wir das Modell vorgestellt haben. Wir haben das zusammen mit unseren jungen Leuten, den Auszubildenden entwickelt, deswegen steckt auch ihr Herzblut darin. 

Von unseren Kunden habe ich ja schon erzählt. Was die jungen Leute betrifft: Die Teilnehmer der Pilotphase wollen gar nicht mehr ohne das Tool arbeiten. Die freuen sich, dass wir als Arbeitgeber ganz selbstverständlich KI in unserem Alltag nutzen. Und sie sind neugierig, was noch alles geht und probieren viel aus. Sie sind da sehr erfinderisch. Sie hören von ihren Mitschülerinnen und Mitschülern aus der Berufsschule, dass wir ganz weit vorne sind und ganz ehrlich, im Vergleich zu früher ist es viel einfacher, sie für das Arbeiten mit Cobol-Programmen zu motivieren.

Worüber ich mich besonders freue, ist, sie sind so überzeugt, dass sie ihre Erfahrungen und ihr Wissen mit anderen teilen wollen. Ich bin mir sicher, dass ich mit diesen Voraussetzungen und mit diesen modernen Technologien hoffentlich viele bei uns bewerben.

Wir brauchen viele junge Talente, die Spaß haben, Lösungsfinderinnen und Lösungsfinder zu werden.

Outro:

Und genau deshalb seid ihr heute hier gewesen.

Danke, dass ihr uns mitgenommen habt. Die Welt zwischen Mainframe und Moderne.

Liebe Andrea, liebe Andreas, ihr habt gezeigt, dass Cobol-Entwicklung heute alles andere als veraltet ist. Sie ist spannend, zukunftssicher und voller Chancen. Vielleicht habt ihr da draußen auch Lust bekommen, die IT von morgen mitzugestalten.

Wenn euch diese Folge gefallen hat, hört gerne wieder rein, wenn die nächste Folge Solutions-Talk erscheint. Und dann empfehlt den Solutions-Talk gerne euren Freundinnen und Freunden, Bekannten und Verwandten. Hier berichten Mitglieder aus dem Team der Lösungsfinder regelmäßig über unsere Arbeit und was es ausmacht, eine Lösungsfinderin beziehungsweise ein Lösungsfinder zu sein.

Bis bald. Wir freuen uns auf euch.