Cobol im Handel: Legacy modernisieren mit KI statt neu bauen

Wer glaubt, „alte“ Technologie sei automatisch ein Risiko, schaut zu kurz. Laut einer globalen Erhebung aus dem Jahr 2020 existierten zwischen 775 und 850 Milliarden Zeilen Cobol-Code – und die Zahl steigt. Das ist kein romantischer Retro-Fakt, sondern ein knallhartes Signal: Ein großer Teil der Weltwirtschaft läuft auf Systemen, die nicht „modern aussehen“, aber verlässlich liefern.

Für den Einzelhandel und E-Commerce ist das vertraut. Viele Händler betreiben Kernprozesse – Warenwirtschaft, Pricing, Abrechnung, Retouren, Loyalty, B2B-Konditionen – auf Lösungen, die über Jahre gewachsen sind. Und genau hier liegt die Parallele zu Cobol: Stabilität schlägt Stil, solange die Systeme Umsatz, Verfügbarkeit und Compliance sichern.

In unserer Serie „KI in Bildung und Forschung“ geht es oft um die Frage, wie man Menschen befähigt, mit KI produktiver zu werden – und wie Organisationen Wissen nutzbar machen. Cobol ist dafür ein überraschend gutes Beispiel: Nicht die Sprache ist das Problem, sondern Wissen, Skills und Modernisierungstempo. Die gute Nachricht: KI kann heute helfen, Legacy-Systeme zu verstehen, zu dokumentieren und sinnvoll zu erweitern – ohne „Big Bang“-Ablösung.

Cobol bleibt, weil Kernprozesse keine Experimente mögen

Cobol überlebt nicht aus Nostalgie, sondern weil es hochvolumige, sicherheitskritische Transaktionen seit Jahrzehnten zuverlässig abwickelt. In der Schweiz nutzen laut Einschätzungen aus der Praxis weiterhin einige wenige große Unternehmen Cobol in zentralen Funktionen – etwa dort, wo Datenvolumen, Verfügbarkeit, Sicherheit und Performance besonders zählen.

Das ist exakt die Realität vieler Handels-IT-Landschaften:

• Hohe Lastspitzen (Black Friday, Weihnachtsgeschäft, Sale-Starts)
• Transaktionssicherheit (Zahlungen, Gutschriften, Rechnungen)
• Datenkonsistenz (Bestände, Reservierungen, Lieferstatus)
• Regulatorik & Auditierbarkeit (Finanzprozesse, Datenschutz)

Ein Kernsystem ersetzt man nicht wie eine App – eher wie ein Herz während des laufenden Betriebs.

Diese Logik erklärt, warum viele Unternehmen Legacy nicht „ersetzen“, sondern modernisieren. Im Handel ist das oft der bessere Weg: Risiko und Kosten eines Komplettaustauschs sind schwer kalkulierbar, während inkrementelle Verbesserungen schnell Wert stiften.

Mythos: „Legacy bremst Innovation“

Die Realität ist nüchterner: Unmodernisierte Legacy bremst. Legacy an sich nicht.

Wenn ein Mainframe- oder Host-System stabile Buchungslogik liefert, kann man Innovation darüber bauen – mit APIs, Events, modernen Frontends und KI-Services. Das Problem entsteht erst, wenn:

• Wissen über die Prozesse im Code „eingebrannt“ ist und niemand es erklären kann
• Releases nur manuell, selten und riskant möglich sind
• Daten schwer zugänglich sind (Silos, alte Formate, fehlende Metadaten)

Genau hier kommt KI ins Spiel.

Der Engpass ist nicht Cobol – es sind Skills und Wissenstransfer

Aus der Praxis wird seit Jahren dieselbe Herausforderung berichtet: Cobol-Expert:innen werden rar, viele nähern sich dem Rentenalter. Einige Unternehmen können das durch interne Programme abfedern, andere setzen auf pensionierte Spezialist:innen oder externe Unterstützung.

Für Handel und E-Commerce klingt das vertraut – nur heißen die Engpässe dort manchmal anders:

• ERP-/WWS-„Urgesteine“, die niemand anfassen will
• Individuelle POS-Anpassungen, die nur ein kleines Team versteht
• Eigenentwickelte Pricing- und Promotionsregeln, die „historisch gewachsen“ sind

Was das mit „KI in Bildung und Forschung“ zu tun hat

Ich halte es für einen Fehler, KI im Unternehmenskontext nur als „Tool“ zu sehen. KI ist auch ein Lern- und Wissenssystem:

• Sie hilft Teams, sich schneller in komplexe Codebasen einzuarbeiten
• Sie unterstützt beim Aufbau interner Lernpfade (z. B. von SQL/Java zu Host-Logik)
• Sie macht implizites Wissen explizit (Dokumentation, Prozessmodelle, Abhängigkeitskarten)

Gerade in der Schweiz, wo Fachkräfte knapp und Projekte teuer sind, wird die Fähigkeit, Wissen effizient zu übertragen, zum Wettbewerbsvorteil.

Wo KI heute konkret bei Legacy-Systemen hilft (ohne Großprojekt)

KI ersetzt kein Kernbankensystem und auch keine Handels-Warenwirtschaft „per Knopfdruck“. Aber sie ist sehr gut darin, Komplexität zu reduzieren. Drei Einsatzfelder liefern erfahrungsgemäß schnell Wirkung.

1) Code verstehen, dokumentieren und risikoärmer ändern

Antwort zuerst: KI kann Legacy-Code schneller erklärbar machen – und damit Änderungen sicherer.

Typische KI-Workflows:

• Automatische Code-Zusammenfassungen: Was macht dieses Programm? Welche Eingaben/Ausgaben?
• Abhängigkeitsanalysen: Welche Jobs, Tabellen, Dateien, Services hängen dran?
• Regel-Extraktion: Welche Business-Regeln stecken in IF-Kaskaden (Rabatte, Steuern, Sperrlogiken)?

Für Retail heißt das: Wenn Rabatte, Retourenlogik oder Bestandsreservierungen tief im Kernsystem liegen, kann KI helfen, diese Regeln sichtbar zu machen. Sichtbarkeit ist die Voraussetzung für jede Modernisierung.

2) Daten nutzbar machen: von Legacy-Daten zu KI-Use-Cases

Antwort zuerst: KI-Projekte scheitern selten an Algorithmen – meist an Datenzugang und Datenqualität.

Legacy-Systeme enthalten oft die wertvollsten Daten: Transaktionen, Kundenhistorie, Liefer- und Bestandsverläufe. KI kann unterstützen bei:

• Semantischer Feldzuordnung (Welche Spalte bedeutet was? Welche Codes stehen wofür?)
• Anomalie-Erkennung (z. B. Dubletten, Ausreißer, fehlerhafte Buchungen)
• Automatischer Metadaten-Erstellung für Data Catalogs

Das ist die Brücke zu KI im Handel: Nachfrageprognosen, Bestandsoptimierung, Personalisierung und dynamisches Pricing funktionieren nur, wenn die Basis stimmt.

3) Modernisierung ohne Ablösung: APIs, Tests, DevOps

Antwort zuerst: Der schnellste Weg zu moderner IT ist oft nicht Migration, sondern „Anschlussfähigkeit“.

Viele Legacy-Stacks leiden nicht an der Logik, sondern an fehlenden modernen Praktiken:

• Versionskontrolle (z. B. Git)
• CI/CD und automatisierte Deployments
• Testautomatisierung
• Observability (Logs, Traces, Metriken)

KI kann Teams beim Aufbau unterstützen – etwa durch:

• Generierung von Testfällen aus Programmlogik und Beispiel-Inputs
• Vorschläge für Refactorings und Modularisierung (kleine Schritte, kein Rewrite)
• Unterstützung bei der Erstellung von API-Verträgen und Datenmapping

Gerade im E-Commerce ist das entscheidend: Wer Kampagnen, Preise und Sortimente schnell ändern will, braucht Release-Sicherheit. KI macht diese Umstellung nicht automatisch – aber sie senkt die Einstiegshürde.

Handel & E-Commerce: Ein pragmatisches Modernisierungsmodell

Wer Legacy modernisiert, sollte sich nicht zuerst über Technologien streiten, sondern über Risiko, Business Value und Lernkurve. Ein Modell, das sich in vielen Organisationen bewährt, sieht so aus:

Schritt 1: „Landkarte“ statt Bauchgefühl

Ziel: Eine belastbare Übersicht über Anwendungen, Schnittstellen, Datenflüsse und kritische Pfade.

Praktisch:

1. Top-20 Geschäftsprozesse priorisieren (z. B. Checkout, Retouren, Nachlieferung)
2. Systeme und Datenquellen zuordnen
3. Metriken definieren: Ausfallkosten, Latenz, Change-Frequenz, Incident-Rate

KI kann beim Erstellen dieser Landkarte helfen, indem sie Artefakte (Code, Jobpläne, Tickets) zusammenführt und strukturiert.

Schritt 2: „Strangulieren“ statt ersetzen (Strangler Pattern)

Ziel: Neue Funktionen entstehen außerhalb des Kerns, während der Kern weiterläuft.

Beispiele im Retail:

• Personalisierung als externer Service, der nur Leserechte braucht
• Demand Forecasting auf einem Datenprodukt, nicht direkt auf dem Kernsystem
• Neue Promotions-Engine, die Ergebnisse an den Kern zurückspielt

Schritt 3: Skills aufbauen – wie ein Bildungsprogramm, nicht wie Staffing

Das ist der Teil, den viele unterschätzen. Wenn Cobol zeigt, wie langlebig Systeme sind, dann zeigt es auch: Ausbildung ist Infrastruktur.

Konkret:

• Interne „Legacy-to-Modern“-Lernpfade (z. B. 12 Wochen, 2h/Woche)
• Pairing: Senior (Systemwissen) + Junior (Tooling/DevOps)
• KI-gestützte Wissensdatenbank: „Wie funktioniert Prozess X wirklich?“

Hier passt der Serienkontext besonders gut: KI unterstützt nicht nur Produktivität, sondern auch adaptives Lernen im Unternehmen.

Häufige Fragen aus der Praxis (kurz und ehrlich)

Sollten Händler Cobol-Systeme sofort ablösen?

Nein. Sofortige Ablösung ist selten der wirtschaftlichste oder sicherste Weg. Sinnvoller ist: Modernisieren, integrieren, absichern – und nur gezielt migrieren.

Ist KI eine Abkürzung, um Legacy „loszuwerden“?

Nein. KI ist eine Abkürzung, um Legacy zu verstehen und kontrolliert zu verändern. Das ist wertvoller als ein hektischer Rewrite.

Wo starte ich, wenn mein Team überlastet ist?

Mit einem eng umrissenen Pilot:

• 1 Prozess (z. B. Retouren)
• 1 Systemausschnitt
• 1 messbare Kennzahl (z. B. Change-Lead-Time oder Incident-Rate)

Was jetzt zählt: KI als Modernisierungs- und Lernmotor

Cobol zeigt, wie lange Software leben kann, wenn sie geschäftskritische Arbeit zuverlässig erledigt. Für den Einzelhandel und E-Commerce ist das keine Randnotiz, sondern eine Strategie-Frage: Modernisierung ist ein Marathon, kein Sprint.

Wenn du 2026 schneller testen, personalisieren und planen willst, solltest du 2025 damit beginnen, deine Legacy-Landschaft anschlussfähig zu machen – mit sauberen Schnittstellen, besserer Dokumentation, automatisierten Tests und Teams, die das System wirklich verstehen. KI hilft dabei nicht als „Magie“, sondern als Produktivitätsverstärker für Analyse, Wissensaufbau und Engineering.

Welche Kernprozesse in deinem Unternehmen sind so kritisch, dass du sie niemals „auf einmal“ austauschen würdest – und was wäre der kleinste KI-gestützte Schritt, um sie schon im nächsten Quartal wartbarer zu machen?