Wie KI die Modernisierung der Banken-IT erleichtert
Künstliche Intelligenz verändert zunehmend die Art und Weise, wie Probleme im Bereich IT gelöst werden. Ein Paradebeispiel dafür ist die Modernisierung von Bankensystemen, die häufig auf Jahrzehnte alten Großrechnern, sogenannten Legacy-Systemen, basieren.
Bankensysteme sind zwar betriebsstabil, geraten aber in Sachen Weiterentwicklung an ihre Grenzen.
Für viele Unternehmen, unter anderem aus der Finanzbranche, sind Legacy-Systeme zugleich Stärke und Schwachstelle. Diese Großrechner sind über Jahrzehnte gewachsen und bilden das Rückgrat geschäftskritischer Prozesse. Doch ihre Komplexität erschwert es, sie zu verstehen, zu warten und weiterzuentwickeln. Für Banken zählen sie heute mit zum größten Bremsklotz für Digitalisierung und Innovation. Um mit den rasanten Marktentwicklungen mithalten und mit den Ansprüchen der Kunden Schritt halten zu können, braucht es Lösungen, die die digitale Infrastruktur der Banken Schritt für Schritt auf ein zukunftsfähiges Level heben – und das, ohne den laufenden Betrieb zu unterbrechen.
Trotz massiver Digitalinvestitionen kämpfen Banken weiterhin mit ausufernden IT-Komplexitäten. Die Systeme sind zwar betriebsstabil, geraten aber in Sachen Weiterentwicklung an ihre Grenzen. Jede neue Funktion erfordert kostspielige Anpassungen, Daten liegen in Silos, Release-Zyklen dauern Monate und der Einsatz von KI scheitert an der unzulänglichen Qualität der Datenbasis.
Modernisierung ist unvermeidbar, aber …
Dies alles bremst nicht nur die Digitalisierung generell, sondern vor allem auch den Einsatz von KI empfindlich aus. Die Folge: Wettbewerbsfähigkeit und Time-to-Market leiden, während FinTechs flexible und personalisierte Services in atemberaubender Geschwindigkeit auf den Markt bringen. Und deren Marktanteil wächst, denn Kunden sind heute aus ihrem Alltag nahtlose digitale Erlebnisse gewohnt.
Für viele Banken ist deshalb klar: Eine Modernisierung der Legacy-Landschaft ist unvermeidbar. Doch klassische Ansätze zur Modernisierung stoßen immer häufiger an ihre Grenzen. Sie basieren auf manueller Analyse, manuellem Reengineering und vollständigem Neuaufbau komplexer Bankanwendungen. Diese Ansätze sind nicht nur kostenintensiv, sondern auch riskant und fehleranfällig: Fachwissen steckt tief im Code und häufig nur noch in den Köpfen einiger Spezialisten. Verlassen sie das Unternehmen, ist das Know-how verloren. Darüber hinaus erstreckt sich die Analyse häufig über Monate, wenn nicht Jahre, und bleibt oft unvollständig. Agile digitale Weiterentwicklung ist so kaum möglich.
Schritt für Schritt zum effizienten Einsatz von KI
Die Lösung liegt in einem industriellen, KI-gestützten Ansatz, der auf einem hohen Automatisierungsgrad basiert und Systeme strukturiert in moderne, cloud-native Architekturen transformiert. So entstehen die Voraussetzungen für Weiterentwicklung und Innovation.
Statt ein komplettes Kernbankensystem in einem Big Bang auszutauschen, sollten Unternehmen dieses entlasten, modularisieren und schrittweise ablösen. So können Innovationen sofort starten und der Betrieb kann wie gewohnt weiterlaufen.
Automatisierte Analyse des Altcodes
Der erste Schritt der Modernisierung ist eine vollautomatische Analyse des Legacy-Code. Sie erfasst Abhängigkeiten, Datenflüsse und redundante Komponenten und visualisiert das gesamte System. Während dies bei herkömmlichen Modernisierungsansätzen Monate in Anspruch nimmt, erhalten Banken mithilfe einer automatisierten GenAI-gestützten Lösung wie Wynxx innerhalb von Tagen ein vollständiges Bild ihrer IT-Landschaft.
Einer der größten Vorteile liegt in der automatisierten Extraktion der Geschäftslogik. Sie macht das im Quellcode verborgene Wissen sichtbar und bildet damit einen zentralen Baustein der Modernisierung. Diese Extraktion der Geschäftslogik aus Legacy-Systemen ist normalerweise einer der schwierigsten Schritte, da diese nicht isoliert vorliegt, sondern über Jahrzehnte hinweg in Codefragmenten, Batchjobs, Dokumentationen oder Supportanweisungen verteilt wurde. Häufig liegt das Wissen darüber bei einzelnen Spezialisten. Stehen diese kurz vor dem Ruhestand oder verlassen das Unternehmen, geht es verloren und der Modernisierungsprozess wird noch weiter ausgebremst. Über eine Kombination aus statischen Analysen, Datenflussanalysen und KI-gestützter Mustererkennung ist die automatisierte Extraktion und eine anschließende Überführung in verständliche Modelle wie BPMN oder Decision Tables möglich.
Automatisierte Code-Transformation und Datenharmonisierung als Basis für moderne Architekturen
Ein Großteil des Altcodes können danach automatisiert in moderne Sprachen wie Java oder C# transformiert werden. Datenbanken werden migriert, Monolithen entkoppelt und Microservices oder API-basierte Zielarchitekturen aufgebaut. So entsteht nicht nur ein „neuer Code“, sondern eine zukunftssichere IT-Landschaft. Gleichzeitig werden Daten aus Legacy-Systemen harmonisiert und Echtzeit- und KI-fähig gemacht. Dies ermöglicht neue Use Cases wie etwa Fraud Detection in Sekundenbruchteilen.
KI-basierte Testautomatisierung für revisionssichere Modernisierung
Der Einsatz von KI und Automatisierung hat zudem entscheidenden Einfluss auf Qualitätssicherung, da automatisiert Testfälle generiert und das Verhalten von Alt- und Neusystem verglichen werden können. Der Modernisierungsprozess wird auf diese Weise messbar, reproduzierbar und auditierbar und die Testabdeckung steigt enorm, ohne dass Entwickler Tests manuell schreiben müssen. In der hoch regulierten Bankenbranche sind Aspekte wie Compliance, Nachvollziehbarkeit, Prüfbarkeit, Risikominimierung und regulatorische Sicherheit von entscheidender Bedeutung, um die Einhaltung der gesetzlichen Vorgaben sicher gewährleisten zu können
Sichere Modernisierung durch kontrollierten Parallelbetrieb
Entscheidend für die erfolgreiche und sichere Modernisierung ist auch ein schrittweiser Ansatz: Durch einen kontrollierten Parallelbetrieb und die iterative Migration von Modulen wird das Legacy-System nicht einfach abgeschaltet und ersetzt, sondern nach und nach abgelöst. Das macht Modernisierung beherrschbar und risikoarm.
In der Praxis: Signifikante Kostensenkungen und deutlich schnellere Prozesse
Ein konkretes Beispiel zeigt, welches Potenzial GenAI in der Praxis entfalten kann. So reduzierte eine führende globale Investmentbank ihre Dokumentationsprozesse in der Softwareentwicklung um 95 Prozent bzw. von 160 auf 8 Stunden und erzielte einen ROI von 500 Prozent. Doch die Verbesserungen reichten weit über reine Zeitersparnis hinaus. Durch den Wegfall monotoner Dokumentationsaufgaben konnten sich die Entwickler wieder auf strategische Aufgaben im Bereich Entwicklung und Innovation konzentrieren. Die Arbeitszufriedenheit stieg, Compliance-Teams reduzierten ihren Aufwand für Audit-Vorbereitungen um bis zu 80 Prozent und Wissen wurde teamübergreifend leichter zugänglich und nutzbar.
Die Modernisierung von Legacy-Systemen ist eine der wichtigsten, aber auch anspruchsvollsten Aufgaben für Banken. Klassische Methoden sind dafür zu langsam, zu teuer und zu riskant. Mit einem industrialisierten, automatisierten Ansatz können Banken ihre IT-Landschaften effizient, sicher und zukunftsorientiert erneuern – und damit die Grundlage für echte digitale Innovation und Wettbewerbsfähigkeit legen.
