Der Aufstieg der KI-Agenten: Eine neue Ära für die Mainframe-Transformation

Es gibt ein altes Sprichwort, das sagt: "Wenn der Großrechner niest, wird der Rest der Organisation krank." Das gilt bis heute, da die meisten geschäftskritischen Anwendungen vom Großrechner abhängen. Wenn Probleme auftreten, ist der Prozess zur Findung und Behebung des Problems eher ein Eliminierungsprozess – ist das Problem ein Hardware- oder Softwareproblem, ein Batch- oder Online-Problem, ein Datenbank- oder Speicherproblem – wobei der Besitzer jedes Einzelnen daran arbeitet, zu beweisen, dass sein Teil nicht derjenige ist, der das Problem verursacht hat.

Um die Sache noch schlimmer zu machen, sind viele Überwachungslösungen isoliert und berichten nur über den Teil des Mainframes, den sie überwachen. Im schlimmsten Fall entsteht das Problem aus etwas, das tief in einer Datenbankanfrage vergraben ist, die vor zwanzig Jahren von jemandem geschrieben wurde, der vor einem Jahrzehnt in den Ruhestand gegangen ist. Es gibt natürlich Werkzeuge, die helfen können, aber meistens ist das mächtigste Werkzeug ein erfahrener Experte mit institutionellem Wissen, das in keinem Handbuch zu finden ist.

Aber was, wenn das nicht der einzige Weg wäre? Was wäre, wenn Sie Ihr Hauptrechner mit Hilfe einer Belegschaft von KI-Agenten transformieren könnten, die nicht nur assistieren, sondern zusammenarbeiten, lernen, vernünftigen und handeln? Was wäre, wenn Sie die Komplexität von Großrechnern vereinfachen könnten, indem Sie sie mit intelligenten Agenten umgeben, die wie ein Team zusammenarbeiten, autonom arbeiten und Ihre Systeme in klarer Sprache verstehen?

Das ist die Zukunft der Mainframe-Transformation – und für manche beginnt sie bereits, Gestalt anzunehmen.

Angst vor Veränderung

Lassen Sie uns einen Moment zurückgehen. Seit Jahrzehnten stecken wir in derselben Schleife: Legacy-Tools, die für eine Welt entwickelt wurden, die nicht mehr existiert, unterstützt von einem schrumpfenden Expertenpool, die alle versuchen, geschäftskritische Systeme ohne Verzögerung am Laufen zu halten. Das Ergebnis? Angst vor Veränderung. Entwickler zögern, Code zu modernisieren, den sie nicht verstehen. Betreiber befürchten, dass das Anpassen einer Sache zehn andere zerstören könnte. Und Systemprogrammierer verbringen Stunden damit, den Ursachen durch Schichten von Logs, Dumps und veralteter Dokumentation nachzujagen.

Das ist die Lücke. Es ist nicht nur eine Wissenslücke – es ist eine Fähigkeitslücke, eine Werkzeuglücke und eine Vertrauenslücke.

Diese Zukunft ist greifbar – entdecken Sie die Mainframe-KI- und GenAI-Lösungen von BMC, die intelligente Agenten einsetzen, um Abläufe zu vereinfachen, das Codeverständnis zu beschleunigen und Selbstheilung im gesamten Mainframe-Bestand zu ermöglichen.

Sie haben wahrscheinlich Begriffe wie "agentische KI-Agenten", "autonome Agenten" oder "Agenten auf Basis von großen Sprachmodellen (LLM)" gehört. Lassen Sie uns dieses Konzept entmystifizieren und, noch wichtiger, in den Kontext setzen, wie sie die Art und Weise verändern könnten, wie Sie Mainframe-Systeme entwickeln, arbeiten und verwalten.

Die koordinierte Belegschaft: Agentische KI-Agenten

Stellen Sie sich eine hochqualifizierte Belegschaft vor, die über verschiedene Teams verteilt ist – jede Person bringt eine einzigartige Kompetenz mit. Einige spezialisieren sich auf Fehlerbehebung, andere auf Analyse und einige auf die Orchestrierung des großen Ganzen. Individuell bringen sie wertvolle Erkenntnisse bei. Aber wenn sie synchron arbeiten, werden sie zu einem mächtigen Netzwerk von Kollaborateuren, die gemeinsam Herausforderungen lösen. Agentische KI-Agenten, die zusammenarbeiten, um Probleme zu lösen, benötigen ein zuverlässiges Orchestrierungssubstrat – und die Amazon Bedrock-Integration ermöglicht es Unternehmen, Bedrock-gestützte KI-Agenten wie gesteuerte, geplante Schritte in Control-M-Workflows neben anderen IT- und Datenprozessen zu orchestrieren. Sie können homogen sein (alle ähnlich) oder heterogen (jeder für eine andere Aufgabe konzipiert).

Diese Vision einer koordinierten KI-Belegschaft ist nicht nur theoretisch – sie wird bereits in der Branche erforscht. In einer kürzlichen Folge des Podcasts The Modern Mainframe beschrieb Jason English, Analyst bei Intellyx, es so:

"Es ist wie ein Team von Mainframe-Spezialisten, die sich treffen, zusammenarbeiten und untereinander entscheiden können, wie ein Problem gelöst wird – ohne ständige Aufsicht. Das ist die Kraft agentischer KI: koordinierte Intelligenz, die Komplexität in klare, umsetzbare Einsichten verwandelt.  Es ist nicht ein einziger Agent, der für alle Aspekte von AIOps geeignet ist, zum Beispiel bei Systemmanagement und -betrieb.  Wir werden eine Sammlung von KI-Agenten sehen, die gemeinsam zusammenarbeiten, um Systemprobleme proaktiv zu lösen."

In einer Großrechnerumgebung kann das bedeuten, dass ein Agent SMF-Daten kontinuierlich auf Anomalien scannt, während ein anderer CPU-Nutzungsmuster beobachtet und ein dritter nach Veränderungen im Anwendungsverhalten sucht. Ein vierter Agent fungiert als Koordinator und sammelt Erkenntnisse der anderen, um ein klares Bild davon zu bekommen, was passiert. Wie Bienen, die Nektar teilen, teilen diese Agenten Daten und Kontext in Echtzeit.

Das ist nicht nur Überwachung – das ist verteilte Information. Diese Agenten geben nicht nur einen Alarm, sondern arbeiten zusammen, um Ihnen das Warum, den Ort und manchmal sogar die Lösung zu geben.

Selbstfahrende Großrechner: Autonome Agenten

Stellen wir uns nun ein selbstfahrendes Auto vor. Es nimmt seine Umgebung wahr, macht einen Plan, handelt, lernt aus dem, was passiert, und passt sich beim nächsten Einsatz an. So funktionieren autonome Agenten.

Im Kontext einer Mainframe-Transformation könnte man einen autonomen Agenten haben, der um 2 Uhr morgens einen ungewöhnlichen Anstieg der Arbeitslast bemerkt. Anstatt es einfach zu protokollieren, untersucht der Agent. War es ein Job-Rerun? Ein verpasstes SLA? Ein absichtliches Skript? Der Agent schlägt dann eine Lösung vor oder verschob den Job sogar und passt die Schwellenwerte basierend auf gelernten Mustern an.

Oder stellen Sie sich vor, wie ein Entwickler sagt: "Überprüfen Sie alle Module dieser COBOL-App auf Sicherheitslücken." Der autonome Agent legt sich an die Arbeit – er scannt den Code, wendet Mustererkennung an, überprüft bekannte Schwachstellen und erstellt einen Bericht mit Empfehlungen. Im Laufe der Zeit lernt er, welche Arten von Schwachstellen in Ihrer Abteilung häufig vorkommen, und wird schneller und präziser.

Autonome Agenten reagieren nicht einfach; sie antizipieren. Und dadurch machen sie Ihre Großrechnerumgebung anpassungsfähiger und widerstandsfähiger.

Der Copilot, den Sie sich immer gewünscht haben: LLM-basierte Agenten

Hier wird es noch spannender. LLM-basierte Agenten werden von großen Sprachmodellen angetrieben und agieren wie Copiloten. Sie überlegen, planen, nutzen Werkzeuge und reagieren in natürlicher Sprache. Stellen Sie sich den klügsten Assistenten vor, mit dem Sie je gearbeitet haben – aber anstatt jahrelanges Onboarding zu benötigen, versteht er bereits Ihren Großrechnercode.

Genau dafür sind Tools wie der BMC AMI Assistant konzipiert. Ein Entwickler öffnet eine Datei und fragt: "Was macht dieser Code?" Der Assistent liest den Code, versteht die Logik und antwortet mit einer klaren Erklärung in natürlicher Sprache. Ein Operator fragt: "Warum ist dieser Job letzte Nacht gescheitert?" und erhält eine kontextuelle Antwort, die aus Logs, Dumps und Leistungsdaten basiert.

Das ist Wissenstransfer im großen Maßstab. Das institutionelle Wissen, das früher im Kopf eines Systemprogrammierers lebte, ist jetzt kodifiziert, zugänglich und sofort erklärbar.

Wenn sie zusammenarbeiten, hast du noch nie so gearbeitet

Stellen Sie sich nun vor, alle drei Agententypen arbeiten zusammen:

• Agentische Agenten identifizieren ein Problem: ein Muster von Auftragsverlangsamungen in drei Anwendungen.
• Ein autonomer Agent untersucht und entdeckt ein DB2-Leistungsproblem aufgrund eines ineffizienten Zugriffspfades.
• Ein LLM-basierter Agent erklärt die Ursache, schlägt eine Lösung vor und bietet sogar an, Dokumentation oder einen Testplan zu erstellen.
• Ein Entwicklungs-Feedback-Loop-Agent erfasst Erkenntnisse aus dem Vorfall, integriert den Fix in die CI/CD-Pipeline und löst einen neuen Build mit aktuellem Code aus – wodurch die Schleife zwischen Betrieb und Entwicklung geschlossen wird.

Plötzlich ist Ihr Hauptrechner keine Black Box mehr – es ist eine transparente, kollaborative Umgebung, in der menschliche und maschinelle Intelligenz Seite an Seite arbeiten.

Das meinen wir mit "Großrechner, vereinfacht". Das meinen wir, wenn wir sagen: "Du hast noch nie so vermasselt."

Warum der Aufstieg von KI-Agenten jetzt wichtig ist

Der Aufstieg von KI-Agenten ist nicht nur ein Trend – es ist ein Wandel in unserer Sicht auf Mainframe-Transformation.

Mainframe-Transformation bedeutet nicht nur, Code umzuschreiben oder Arbeitslasten zu heben und zu verschieben. Es geht darum, die Barrieren zu beseitigen, die uns historisch zurückgehalten haben – Hürden wie institutionelles Wissen, das in einer in den Ruhestand eingeschlossenen Belegschaft eingeschlossen ist, zerbrechliche Systeme, die niemand anfassen will, und Werkzeuge, die nie für Agilität konzipiert wurden.

Wenn KI-Agenten Teil Ihres täglichen Arbeitsablaufs werden, passiert etwas Bemerkenswertes. Entwickler hören auf, Angst vor dem Code zu haben, den sie nicht verstehen, und beginnen selbstbewusst zu bauen. Operatoren verbringen nicht mehr die ganze Nacht damit, Hinweise zusammenzusetzen – sie lösen Probleme klar und schnell. Und Systemprogrammierer können endlich ihr Fachwissen auf eine Weise teilen, die skalierbar und für die nächste Generation zugänglich ist.

Das sind nicht nur Werkzeuge – sie sind vertrauenswürdige Teamkollegen. Sie lernen. Sie passen sich an. Und sie sprechen deine Sprache.

Diese Angst vor Veränderung, die im Hintergrund schwebt und die Modernisierungsbemühungen behindert? Sie beginnt zu verblassen. Stattdessen gibt es eine neue Denkweise: eine, die das Hauptsystem nicht als System sieht, mit dem man feststeckt, sondern als ein System, mit dem man sich weiterentwickeln kann.

Es geht nicht darum, Menschen zu ersetzen – es geht darum, ihnen die Superkräfte zu geben, die sie brauchen, um schneller zu handeln, klüger zu lösen und sich mit Selbstvertrauen zu transformieren.

Und in diesem Wandel wird der Großrechner mehr als nur eine Grundlage für kritische Geschäftssysteme. Er wird zur Plattform für das, was als Nächstes kommt.

So könnte es sein. Und für immer mehr Organisationen – es beginnt bereits.

Wenn Sie also das nächste Mal jemand fragt, wie Sie Ihren Großrechner modernisieren wollen, könnten Sie einfach sagen: "Wir überlassen das den Agenten." Nicht, weil Sie sich zurückziehen, sondern weil Sie in eine neue Ära eintreten, in der KI Expertise nicht ersetzt – sondern skaliert. Und damit wird der Großrechner nicht mehr nur zu einem Aufzeichnungssystem, sondern zu einer Plattform der Innovation.

Dies ist der Aufstieg der KI-Agenten – ein neues Kapitel, wie wir das Komplexe vereinfachen, Generationen von Fachwissen überbrücken und das Hauptrechner intuitiver, intelligenter und unentbehrlicher machen als je zuvor.

Das könnte sein. Und ehrlich gesagt fängt es schon an.

Erfahren Sie mehr über KI-Agenten, LLMs, generative KI (GenAI), hybride KI und mehr im Modern Mainframe Podcast "The Future is Hybrid: 2025 Predictions for GenAI" mit Intellyx-Analyst Jason English.

Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.