Smart riskieren statt dumm riskieren: warum Wachstum Mut braucht | Umair Zaffar

Legacy Migration KI: Altsysteme ohne Big Bang in KI-Systeme überführen

Die meisten KI-Projekte in Banken, Versicherungen und Behörden scheitern nicht am Modell. Sie scheitern am Mainframe, am jahrzehntealten Monolithen und an den Datenbanken, aus denen das Modell seine Daten beziehen soll. Legacy Migration KI heißt für mich: Altsysteme Schritt für Schritt so umbauen, dass KI-Dienste kontrolliert darauf arbeiten können, ohne Big Bang und ohne dass Revision und Aufsicht den Überblick verlieren. Diese Seite beschreibt, wie wir das bei SIFAMO machen.

Ich war IT-Architekt, lange bevor ich KI Berater wurde. Seit über zehn Jahren baue ich große Plattformen für Banken, Versicherer und den öffentlichen Sektor, und in fast jedem dieser Häuser läuft der Kernprozess auf einem System, das älter ist als die meisten Mitglieder des KI-Teams. Das ist kein Makel. Diese Systeme sind das Gedächtnis des Unternehmens: Verträge, Buchungen, Schadenakten, Rentenkonten. Wer KI einführen will, muss mit ihnen arbeiten, nicht gegen sie.

Warum KI-Projekte an der Integration scheitern, nicht am Modell

Der Pilot funktioniert fast immer. Ein Fachbereich exportiert einige tausend Fälle als CSV, ein Team baut in wenigen Wochen einen Prototyp, der Vorstand ist begeistert. Dann soll das System produktiv gehen, und plötzlich braucht es Live-Daten aus dem Kernsystem, Schreibzugriff auf die Akte, Berechtigungen pro Nutzer und ein Protokoll, das die Revision lesen kann. An dieser Stelle sterben die meisten Projekte, und zwar leise: Sie bleiben Pilot.

  • Datenzugang: Das Kernsystem gibt Daten nachts im Batch heraus oder gar nicht. Es gibt keine API, und der direkte Zugriff auf die Tabellen ist aus gutem Grund verboten.
  • Datensemantik: Felder heißen KZ_STAT_3 und bedeuten je nach Mandant und Jahrgang etwas anderes. Das Wissen darüber steckt in Köpfen und in COBOL-Kommentaren, nicht in einer Dokumentation.
  • Berechtigungen: Der Monolith kennt Rollen, Mandanten und das Vier-Augen-Prinzip. Ein Sprachmodell mit Vollzugriff auf den Dokumentenbestand kennt nichts davon.
  • Nachweis: Der alte Prozess hat ein revisionssicheres Journal. Der Pilot hat eine Log-Datei auf einem Entwickler-Notebook.

Deshalb ist Legacy Migration KI zuerst eine Architekturaufgabe. Das Modell ist der kleinste und am leichtesten austauschbare Teil. Wer Integration, Daten und Kontrolle löst, kann das Modell alle paar Monate wechseln. Wer sie nicht löst, hat auch mit dem besten Modell nichts in Produktion.

Legacy Migration KI: fünf Muster, die in regulierten Häusern funktionieren

Wir reißen nichts ab. Ein Kernsystem, das seit Jahrzehnten Verträge korrekt verwaltet, ist eine Stärke, kein Problem. Die Frage ist, wie man um dieses System herum eine Schicht baut, auf der KI-Dienste sicher arbeiten können. Fünf Muster haben sich bei uns bewährt, in genau dieser Reihenfolge.

1. Strangler Fig um Mainframe oder Monolithen

Vor das Altsystem kommt eine Fassade. Jeder neue Zugriff läuft über diese Fassade, nie direkt auf die Tabellen. Fachliche Funktionen wandern einzeln hinter die Fassade in neue Dienste, der Monolith schrumpft von außen nach innen. Nichts wird abgeschaltet, bevor der Ersatz unter Last und unter Prüfung bewiesen hat, dass er gleichwertig ist. Für KI ist das entscheidend, weil KI-Dienste genau diese Fassade brauchen: einen definierten Ort, an dem sie lesen und ihre Vorschläge zurückgeben.

2. API- und Event-Schicht zuerst

Bevor der erste KI-Dienst gebaut wird, bekommt das Altsystem zwei Dinge: eine API für die fachlichen Objekte (Vertrag, Schaden, Kunde, Konto) und einen Event-Strom, der meldet, wenn sich etwas ändert: Schaden angelegt, Dokument eingegangen, Status gewechselt. Auf dem Mainframe lässt sich das über Change Data Capture, über Exporte in kurzen Intervallen oder über Adapter an bestehende Transaktionen umsetzen. Dass es passiert, ist nicht verhandelbar. Ohne Events arbeitet KI immer auf dem Stand von gestern Nacht.

3. Datenprodukte mit Lineage

Aus den Rohdaten der Altsysteme entstehen Datenprodukte: fachlich benannte, dokumentierte, versionierte Datensätze mit einem Verantwortlichen aus dem Fachbereich. Jedes Feld trägt seine Herkunft mit sich, bis zur Quelltabelle und zur Transformation. Diese Lineage ist keine Bürokratie. Sie ist das, was ein Prüfer sehen will, wenn er fragt, woraus das Modell gelernt hat.

4. Pseudonymisierte Datenzonen: rot, grau, grün

Personenbezogene Daten verlassen die rote Zone nie im Klartext. In die graue Zone kommen pseudonymisierte Daten: Namen, Adressen und Kennungen werden durch IDs ersetzt, die Zuordnungstabelle bleibt im eigenen Haus und ist nur für definierte Rollen lesbar. Die grüne Zone enthält Daten ohne Personenbezug, etwa Produktregeln, Tarifwerke und Verfahrensanweisungen. Modelle und Retrieval arbeiten in Grau und Grün. Das Altsystem bleibt Rot. Dieses Zonenmodell beantwortet die Datenschutzfrage architektonisch statt per Richtlinie.

5. KI-Dienste hinter dem Policy Gateway

Erst jetzt kommen die Modelle. Jeder KI-Dienst, ob Dokumentenextraktion, Entscheidungsunterstützung oder Kundendialog, ruft Modelle ausschließlich über das Policy Gateway unseres Governance Layers auf. Das Gateway kennt die Registry, prüft Scope und Datenzone, pseudonymisiert, schreibt das Evidence Log und eskaliert an einen Menschen, wenn die Signale es verlangen. Für Retrieval gilt: Zugriffsrechte werden zum Zeitpunkt der Abfrage geprüft, mit den Rechten des Nutzers, nicht mit denen des Systems. Agenten bekommen eigene Zugangsdaten mit den minimal nötigen Rechten. Wie das im Detail aussieht, steht in meinem Beitrag zum Governance Layer.

Legacy Migration KI am Beispiel: ein Schadenprozess verlässt den Monolithen

Nehmen wir einen Schadenprozess bei einem Versicherer, wie wir ihn in ähnlicher Form mehrfach gesehen haben. Ausgangslage: Schadenmeldungen kommen per Post, E-Mail und Portal. Sachbearbeiter erfassen sie im Bestandssystem, prüfen Deckung und Plausibilität, fordern Unterlagen nach, entscheiden über Zahlung oder Ablehnung und buchen. Alles in einem System, Journal inklusive, Schnittstellen nur im Nachtlauf. Der Weg in ein KI-gestütztes System läuft in vier Stufen, und keine davon ist ein Big Bang.

  • Stufe 1, Fassade und Events: Das Bestandssystem bekommt eine API für Schaden, Vertrag und Dokument sowie einen Event-Strom für Statuswechsel und Posteingang. Für Sachbearbeiter ändert sich nichts. Gewinn: ein aktuelles, pseudonymisiertes Bild jedes Schadens außerhalb des Monolithen.
  • Stufe 2, Dokumentenverarbeitung: Ein KI-Dienst liest eingehende Dokumente, klassifiziert sie, extrahiert Felder und legt einen strukturierten Vorschlag in die Akte. Der Sachbearbeiter bestätigt oder korrigiert. Jede Korrektur landet im Evidence Log und im Evaluationsset. Risikoklasse begrenzt, weil hier nichts entschieden wird.
  • Stufe 3, Entscheidungsunterstützung: Deckungsprüfung gegen das Tarifwerk, Plausibilität gegen die Schadenhistorie, Hinweise auf bekannte Betrugsmuster, immer als Vorschlag mit Begründung und Quellen. Der Mensch entscheidet, das Bestandssystem bucht. Registry-Eintrag mit Scope, Evaluationsset, gestufter Kontrolle und Verfallsdatum.
  • Stufe 4, Kundendialog: Statusfragen beantwortet ein RAG-Dienst auf Basis der Akte, mit Zugriffsrechten zur Abfragezeit, pseudonymisiert und mit Abbruch, wenn keine Quelle die Antwort stützt. Vertragsänderungen und Zahlungszusagen macht er nicht.

Am Ende dieser vier Stufen ist der Monolith immer noch das System of Record. Aber um ihn herum arbeitet eine Schicht, die Dokumente versteht, Vorschläge macht und mit Kunden spricht, vollständig registriert und protokolliert. Ob man den Monolithen danach weiter zurückbaut, ist eine wirtschaftliche Entscheidung, keine Voraussetzung mehr.

Was bleibt, was wandert, was nie ohne Kontrolle wandert

Die wichtigste Entscheidung in jeder Migration ist nicht die Technologie, sondern der Schnitt: Welche Verantwortung bleibt im Altsystem, welche wandert in KI-Dienste, und welche darf nur unter Bedingungen wandern.

BereichWohinWarum
System of Record: Verträge, Konten, Buchungen, JournalBleibt im AltsystemKorrekt, geprüft, revisionssicher. Ersetzt wird es, wenn überhaupt, nach der Migration, nicht währenddessen.
Dokumentenverarbeitung: Posteingang, Klassifikation, ExtraktionWandert in KI-DiensteHoher manueller Aufwand, gut messbar, der Mensch bestätigt. Das beste erste Ziel.
Entscheidungsunterstützung: Deckung, Plausibilität, PriorisierungWandert als Vorschlag mit BegründungDas Modell begründet, der Mensch entscheidet, das Evidence Log hält beides fest.
Kundendialog: Status, Unterlagen, ErklärungenWandert in RAG-Dienste mit RechteprüfungZugriff nur auf die eigene Akte, Abbruch ohne Quelle, keine Zusagen.
Entscheidungen über Menschen: Leistung, Kredit, Einstellung, TarifNie ohne Register, gestufte Kontrolle und Kill SwitchHochrisiko nach EU AI Act. Automatisierung nur, wenn Begründung, Bias-Prüfung und Eingriffsmöglichkeit nachweisbar sind.

Die Rolle des Governance Layers während der Migration

Viele Häuser bauen die Governance, nachdem die Migration gelaufen ist. Das ist die teure Reihenfolge. Der Governance Layer ist während der Migration das Werkzeug, das die alte und die neue Welt zusammenhält.

  • Registry ab Tag eins: Auch die bestehende Regel-Engine im Monolithen bekommt einen Eintrag mit Owner, Zweck und Scope. Der KI-Dienst kommt später als weiterer registrierter Dienst dazu, nicht als Fremdkörper.
  • Gateway als einzige Tür: Kein Dienst spricht direkt mit einem Modell und keiner direkt mit den Tabellen des Altsystems. Das verhindert die Schattenlösung, die in jeder Migration irgendwo entsteht.
  • Gestufte Kontrolle pro Stufe: Dokumentenextraktion mit Stichprobe, Entscheidungsvorschläge mit vollständiger Prüfung, Kundendialog mit Monitoring. Die Stufe steht im Register und ändert sich nur mit neuer Evaluation.
  • Kill Switch beim Business Owner: Der Fachbereich kann jeden neuen Dienst abschalten, ohne ein Deployment. Dann läuft der Prozess wie vorher, weil das Altsystem nie weg war. Das ist der eigentliche Grund, warum das Strangler-Muster in regulierten Häusern funktioniert.
  • Quality Gates vor jeder Stufe: Evaluationsset aus echten, pseudonymisierten Fällen, Bias-Prüfung, Lasttest, Freigabe durch Fachbereich und Risiko. Ohne bestandenes Gate keine Route.

Tests und Audit-Kontinuität: dasselbe Evidence Log vorher und nachher

Die Frage, die mir CIOs und Revisionsleiter am häufigsten stellen: Wie beweisen wir, dass der Prozess nach der Migration mindestens so gut ist wie davor? Die Antwort hat drei Teile.

Erstens Schattenbetrieb. Jeder neue KI-Dienst läuft zunächst parallel. Er erzeugt Vorschläge, die niemand sieht, während der alte Prozess entscheidet. Nach einer definierten Zeit vergleichen Fachbereich und Risiko die Ergebnisse auf dem gesamten Bestand des Zeitraums, nicht auf einer handverlesenen Stichprobe. Erst bei Gleichwertigkeit oder nachgewiesener Verbesserung geht der Dienst in die Stufe, in der ein Mensch bestätigt.

Zweitens ein Evaluationsset, das dem Fachbereich gehört. Historische, pseudonymisierte Fälle mit bekanntem Ausgang, versioniert, mit Randfällen und bekannten Fehlentscheidungen. Jede neue Modellversion und jede neue Prompt-Version läuft dagegen, bevor sie eine Route bekommt.

Drittens, und das übersehen die meisten: ein einheitliches Evidence Log für alt und neu. Wir schreiben die Entscheidungen des bestehenden Prozesses im gleichen Format ins Evidence Log wie später die der KI-Dienste: Eingang, Datenreferenz, angewandte Regel oder Modellversion, Ergebnis, Prüferaktion. Ein Prüfer sieht eine durchgehende Historie über den Migrationszeitpunkt hinweg und kann einen Fall von davor neben einen von danach legen, ohne den Entwickler zu fragen. Das ist Audit-Kontinuität, und sie kostet fast nichts, wenn man sie früh einplant.

Zeitplan und Teamaufbau

Ein realistischer Zeitplan hat vier Abschnitte. Das Assessment dauert Wochen, nicht Monate: Systemlandschaft, Datenflüsse, Berechtigungen, regulatorische Einordnung. Fassade, Events und erste Datenprodukte sind die Arbeit der ersten Monate und laufen noch ganz ohne KI. Der erste produktive KI-Dienst, in der Regel die Dokumentenverarbeitung, folgt im Anschluss und sollte innerhalb des ersten Jahres mit Evidence Log und bestandenem Gate laufen. Entscheidungsunterstützung und Kundendialog kommen danach, jede Stufe mit eigenem Gate. Wer schneller verspricht, überspringt die Fassade oder die Governance, und beides rächt sich bei der ersten Prüfung.

Das Team ist kleiner, als viele erwarten, aber anders besetzt als ein klassisches KI-Team:

  • Ein Enterprise Architekt mit Verantwortung für Zielbild, Schnitte und Reihenfolge. Das ist die Rolle, in der ich selbst in Projekten stehe.
  • Die Menschen, die das Altsystem kennen. Sie sind der Engpass und die wichtigste Ressource. Wer sie im Zuge der Migration abbaut, verliert Wissen, das kein Modell rekonstruieren kann.
  • Data und KI-Engineers für Events, Datenprodukte, Lineage, Dienste, Retrieval und Evaluation.
  • Ein Business Owner aus dem Fachbereich, der Registry-Einträge unterschreibt und den Kill Switch hält.
  • Risiko, Compliance, Datenschutz und Revision von der ersten Woche an, nicht als Abnahme am Ende.

Typische Fehler, die wir in Migrationen sehen

  • Big Bang: Kernsystem ablösen und KI einführen in einem Programm. Zwei Risiken multiplizieren sich, und das Journal reißt genau dort, wo der Prüfer hinschaut.
  • CSV als Datenstrategie: Exporte aus dem Altsystem, auf denen Modelle lernen, deren Herkunft später niemand mehr nachweisen kann.
  • Modell direkt an die Datenbank: Ein Sprachmodell mit Leserecht auf die Produktionstabellen, weil es schneller geht. Keine Zone, kein Gateway, kein Log.
  • Mit den Entscheidungen über Menschen anfangen, weil dort das größte Einsparpotenzial liegt. Es ist auch das größte regulatorische Risiko und der falsche erste Schritt.
  • Grenzen im Prompt statt im Gateway und in der Netzwerkrichtlinie. Ein Prompt ist eine Anweisung, keine Grenze.

Weiterlesen

  • KI Governance: Register, Protokoll, Eskalation und was Aufsicht und Revision sehen wollen.
  • EU AI Act: Risikoklassen, Pflichten und Fristen, die die Reihenfolge der Migration bestimmen.
  • KI Berater: wie ein Projekt mit uns vom Assessment bis zum produktiven System läuft.

Über Umair Zaffar

Ich bin Gründer und CEO der sifamo GmbH, einer KI-Beratung für regulierte Branchen mit Standorten in Berlin und Frankfurt am Main. Gegründet 2019, eigenfinanziert, 2026 mit 28 Beratern, Architekten und Entwicklern. Ich komme aus der Enterprise-Architektur und habe über zehn Jahre große Plattformen für Banken, Versicherer und den öffentlichen Sektor gebaut, bevor KI in Produktion unser Schwerpunkt wurde. Zu unseren Kunden zählen Commerzbank, VW Bank, Bosch, DHL, Zurich, VGH und die Bundesverwaltung. Seit 2023 haben wir SIFAMO selbst um KI herum neu aufgebaut, vom Recruiting bis zum ERP mit KI-Board. Wie es dazu kam, steht auf meiner Gründerseite.

Häufige Fragen

Müssen wir den Mainframe ablösen, bevor KI möglich ist?

Nein. In den meisten Fällen ist es umgekehrt: Der Mainframe bleibt System of Record, und die KI-Dienste arbeiten über Fassade, Events und Datenprodukte darauf. Ob und wann das Altsystem zurückgebaut wird, entscheidet sich danach, wirtschaftlich und ohne Zeitdruck.

Wie lange dauert eine Legacy Migration KI?

Das Assessment dauert Wochen, der erste produktive KI-Dienst mit vollständiger Governance sollte innerhalb des ersten Jahres laufen. Die weiteren Stufen folgen in eigenem Takt, jede mit eigenem Gate. Entscheidend ist nicht die Gesamtdauer, sondern dass jede Stufe für sich produktiv, geprüft und rückholbar ist.

Welche Daten darf das Modell sehen?

Keine personenbezogenen Daten im Klartext. Modelle und Retrieval arbeiten in der grauen Zone mit pseudonymisierten IDs und in der grünen Zone mit Daten ohne Personenbezug. Die Zuordnung bleibt im eigenen Haus.

Was bedeutet der EU AI Act für die Migration?

Er bestimmt die Reihenfolge. Dokumentenverarbeitung und Statusauskunft sind meist begrenztes Risiko und eignen sich als Einstieg. Alles, was über Leistungen, Kredite oder Verträge von Menschen mitentscheidet, ist Hochrisiko und braucht Register, Protokoll, menschliche Aufsicht und Dokumentation, bevor es produktiv geht. Die Pflichten im Detail stehen auf meiner Seite zum EU AI Act.

Ihr habt ein Kernsystem, das niemand anfassen will, und eine KI-Strategie, die genau davon abhängt? Schreibt mir über die Kontaktseite, per E-Mail an contact@sifamo.com oder direkt auf LinkedIn.