Die meisten Modernisierungsprojekte scheitern nicht an der Technologie. Sie scheitern daran, dass niemand mehr weiss, was das alte System eigentlich genau tut.

Der Code ist da. Er läuft. Er trägt das Geschäft, jeden Tag. Aber die Leute, die ihn geschrieben haben, sind weg, die Dokumentation ist veraltet, und die Anforderungen existieren nur noch implizit im Code. Wer in dieser Situation ein Rewrite startet, rät. Und Raten ist im Enterprise-Umfeld teuer.

Genau dieses Problem löst der Brownfield Workflow des AI Unified Process (AIUP).

Beim laufenden System beginnen

In einem Greenfield-Projekt beginnt AIUP mit den Anforderungen. Ein Requirements Engineer schreibt Use Cases und ein Entity Model, und der AI Agent generiert daraus Code und Tests.

In einem Brownfield-Projekt drehen wir das um. Wir beginnen beim laufenden System und gewinnen die Anforderungen aus dem Code zurück.

Die KI analysiert die bestehende Codebasis, die Konfiguration und das Datenbankschema. Aus dieser Analyse entstehen dieselben Artefakte, die ein Greenfield-Projekt hätte:

Das Entity Model beschreibt die Geschäftsdaten und ihre Beziehungen. Das Use Case Model zeigt, was das System für wen tut. Die Use-Case-Spezifikationen beschreiben jede Funktion im Detail, inklusive der Abläufe und Geschäftsregeln, die im Code versteckt sind.

Das ist keine Magie, und es läuft nicht vollautomatisch. Software Engineer und Requirements Engineer prüfen jedes Artefakt. KI-generierte Spezifikationen enthalten Fehler und Lücken, besonders dort, wo der Code selbst unklar ist. Erst durch das Review wird aus wiedergewonnenem Text validiertes Wissen. Aber statt Monate mit manueller Archäologie zu verbringen, verbringt das Team Tage mit Prüfen und Korrigieren.

Die Spezifikationen werden zum Fundament

Sobald die Spezifikationen existieren, tritt das Legacy-System in den normalen AIUP-Workflow ein. Ab jetzt beginnt jede Änderung mit einer Anforderung, nicht mit Code.

Ist das aktuelle Verhalten falsch? Dann ist es ein Bug, wir korrigieren die Spezifikation und generieren neu. Wollen wir neues Verhalten? Dann ist es ein Enhancement, und wir erweitern zuerst den Use Case.

Tests schützen das System während dieser Transition. Sie halten das aktuelle Verhalten fest, damit die KI Code neu generieren kann, ohne zu brechen, worauf das Geschäft angewiesen ist. Das macht iterative Modernisierung überhaupt erst möglich. Es braucht keinen Big Bang. Wir modernisieren Use Case für Use Case, während das alte System weiterläuft.

Ein Beispiel aus der Praxis

Diesen Ansatz haben wir bei der ERP-Modernisierung eines Schweizer Grosshändlers eingesetzt. Statt den Monolithen neu zu schreiben, haben wir ein neues Self-Contained System herausgelöst und mit AIUP gebaut: wiedergewonnene Spezifikationen, ein klares Entity Model, generierter Code mit Vaadin und jOOQ und eine umfassende Test-Suite.

Das Resultat hat selbst mich überrascht. Nach wenigen Monaten hatte das Team ein neues Problem, ein Luxusproblem. Die Machbarkeit war keine Frage mehr. Jeder Benutzerwunsch liess sich umsetzen, meist innerhalb von Tagen. Die Diskussion verschob sich von „Können wir das bauen?“ zu „Sollen wir das bauen? Ist es eine echte Verbesserung für die Benutzer?“

Genau das sollte Modernisierung erreichen. Nicht einfach neuere Technologie, sondern ein System, das das Team vollständig versteht und mit Vertrauen ändern kann.

Warum das funktioniert

Die zentrale Erkenntnis ist einfach. Der Wert eines Legacy-Systems ist nicht der Code. Es ist das Geschäftswissen, das darin steckt. Klassische Rewrites werfen dieses Wissen weg und versuchen, es neu zu entdecken. Deshalb dauern sie Jahre und verfehlen trotzdem Anforderungen.

Der AIUP Brownfield Workflow extrahiert das Wissen zuerst, validiert es mit Menschen und nutzt es dann, um die Modernisierung zu treiben. Die Spezifikationen überleben den alten Code, den neuen Code und sogar das Team.

Mehr zur Methodik gibt es auf unifiedprocess.ai. Und wenn Ihr Legacy-System zur Bremse geworden ist, schauen Sie sich mein Angebot zur Software-Modernisierung an.