Auf einen Blick: KI-gestützte Automatisierung verbessert hybride Abläufe, indem sie die Sichtbarkeit und operative Intelligenz verbessert und eine proaktive Problemlösung über Alt- und moderne Systeme hinweg erleichtert.
- Operative Intelligenz fördert eine bessere plattformübergreifende Kommunikation.
- GenKI-Fähigkeiten unterstützen die Modernisierung und den Wissensaustausch für Altencode.
- Control-M ermöglicht Self-Service und proaktive Datenvalidierung, um Fehler zu minimieren.
Wenn ein kritisches System mitten in der Nacht ausfällt, kann jede Minute Ausfallzeit Tausende, manchmal Millionen kosten. Und trotz massiver Investitionen in Beobachtbarkeit und Automatisierung verschwenden Teams immer noch wertvolle Zeit mit der Suche nach bereits existierenden Antworten, die in Dokumentationen vergraben, über Wissensdatenbanken verstreut oder in den Köpfen erfahrener Fachleute verankert sind.
Die Lösung besteht nicht aus weiteren Werkzeugen. Sondern aus intelligenteren. In diesem Quartal liefert BMC Lösungen, die KI, Beobachtbarkeit und Automatisierung dort platzieren, wo Ihre Teams bereits agieren. Dieser einheitliche Ansatz verändert grundlegend, wie Teams Probleme lösen und Komplexität managen.
Vereinheitlichte Sichtbarkeit über hybride Umgebungen hinweg
Aus geschäftlicher Sicht ist die Unterscheidung zwischen Großrechnern und verteilten Systemen irrelevant. Kundenerlebnisse sind Dienstleistungen, nicht Infrastruktur. Doch operativ bleiben diese Umgebungen isoliert, jede mit eigenen Werkzeugen und Kennzahlen.
Wenn ein Mainframe-Transaktionsspitze um 2 Uhr morgens mit einem Microservice-Timeout korreliert, sollte diese Verbindung sofort sichtbar sein. Stattdessen verschwenden Teams kritische Minuten mit Kontextwechseln zwischen separaten Dashboards und rekonstruieren manuell Beziehungen, die eigentlich automatisch ablaufen sollten.
Echte Observabilität erfordert das Aufbrechen künstlicher Plattformgrenzen. BMC AMI Ops adressiert dies durch Observabilitätsunterstützung mit OpenTelemetrie-Integration, indem z/OS-Metriken direkt in Plattformen wie Elastic, Splunk, Grafana und Datadog gestreamt werden. Ein Mainframe-Spike und eine Microservice-Regression erscheinen nun gemeinsam in einer einheitlichen Ansicht, wobei KI die Beziehung automatisch korreliert.
Spezialisierte Großrechnersysteme bleiben unverzichtbar und teilen inzwischen dieselbe operative Sichtbarkeit wie verteilte Systeme – was eine schnellere Incident-Lösung und fundiertere Entscheidungsfindung in hybriden Umgebungen ermöglicht.
Brücke der Wissenslücke im Großrechner
Eine 55-jährige COBOL-Entwicklerin geht in den Ruhestand und nimmt 30 Jahre institutionelles Wissen mit – Geschäftsregeln, die es sonst nirgendwo gibt, weder in der Dokumentation noch in Code-Kommentaren. Ihr Nachfolger ist 28, bevorzugt Cloud-Technologien und steht vor einem Codebase, dessen Logik in Millionen von Zeilen vergraben ist, die vor seiner Geburt geschrieben wurden.
Dieses Szenario wiederholt sich täglich in Unternehmen hinweg. Kritische Geschäftsregeln sind in jahrzehntelangen Mainframe-Code eingebettet, während die Mainframe-Expertise verschwindet, da erfahrene Fachkräfte in den Ruhestand gehen und jüngere Ingenieure sich zu Cloud-Technologien hingezogen fühlen. Die daraus resultierende Wissenslücke erschwert selbst schrittweise Modernisierungen.
BMC adressiert dies durch GenAI-Fähigkeiten im gesamten BMC AMI-Portfolio, mit zwei entscheidenden Ergänzungen in diesem Quartal:
Für selektive Modernisierung: BMC AMI Assistant in BMC AMI DevX Code Insights liefert GenAI-unterstützte COBOL-zu-Java-Konvertierung. Dies ist keine automatische Umwandlung – es ist eine geführte Transformation, bei der Entwickler die beste Sprache für jeden Auftrag auswählen und dann COBOL-Code selektiv in modulares, gut gestaltetes Java umwandeln und extrahieren und umwandeln. Teams konzentrieren die Arbeit dort, wo sie den größten Wert schaffen, was zu sichererer und schnellerer Modernisierung führt.
Für den Wissenstransfer: Die in BMC AMI Ops und BMC AMI zAdviser Enterprise On-Prem integrierte Wissensexpertenfähigkeit bietet direkt im Arbeitsablauf gesprächige, kontextuelle Anleitungen. Erfahrene Expertise wird für das gesamte Team zugänglich und schließt Kompetenzlücken, ohne auf knappe Talente angewiesen zu sein.
Dies steht im Einklang mit einer breiteren Bewegung in der Branche. Unsere State of the Mainframe-Umfrage 2025 ergab, dass 37 % der Befragten nun KI vertrauen, diagnostische Maßnahmen zu empfehlen, während 32 % bereit sind, KI diese Empfehlungen ausführen zu lassen – ein Wandel von KI als Berater zu KI als Betreiber.
Operative Einblicke im Arbeitsablauf
Geschäftsabläufe erstrecken sich über mehrere Systeme, Umgebungen und Teams. Wenn ein Bediener wissen muss: "Welche Arbeitslasten sind in den letzten 24 Stunden ausgefallen?", überprüft er Dashboards, liest Protokolle, prüft die Dokumentation – und verwandelt aus einer 30-Sekunden-Frage eine zehnminütige Untersuchung. Multipliziert man dies mit Hunderten täglicher Anfragen, verstärkt sich der kognitive Overhead.
Zu viele KI-Lösungen erhöhen die Komplexität statt sie zu verringern. Wirklicher Fortschritt kommt durch "unterstützte Operationen": KI, die menschliche Expertise ergänzt, anstatt sie zu ersetzen, mit Intelligenz, die direkt dort eingebettet ist, wo bereits Arbeit stattfindet.
Jett, unser GenAI-gestützter Berater im Bereich Control-M SaaS, verkörpert dieses Prinzip. Fragen Sie "Welche Workloads sind in den letzten 24 Stunden ausgefallen?" und erhalten Sie Antworten, die auf tatsächlichen Logs, Metriken und Laufverlauf basieren – faktische Analysen, die im Moment der Not geliefert werden.
Jetts erweiterte Fähigkeiten beantworten nun Fragen "Wie mache ich...?" mithilfe der Produktdokumentation, pflegen eine Prompt-Galerie für gängige Szenarien und lernen von Lieblingsanfragen. Wissen, das früher eine Suche in Handbüchern erforderte, wird sofort verfügbar.
Self-Service im Unternehmensmaßstab
Raymond James orchestriert 700+ Geschäftsanwendungen mit 700 Self-Service-Nutzern – reduziert Support-Anfragen um 60 % und komprimiert mehrwöchige Audits auf einen einzigen Tag.
"Control-M dreht sich wirklich um Zusammenarbeit. Wir haben jetzt fast 700 Nutzer im gesamten Unternehmen, die mit Control-M interagieren, sich einloggen und aktiv den Status ihrer Anwendungen beobachten. Dazu gehören Geschäftsanwender, Entwickler, Datenteams und mehr. Das war unglaublich vorteilhaft für unsere Geschichte, unser Wachstum, unsere Reife und den gesamten Prozess der kontinuierlichen Verbesserung." — Chris Haynes, stellvertretender Direktor für IT-Betriebsdienste, Raymond James Financial
Unterstützte Operationen ermöglichen Selbstbedienung, während die Orchestrierung Compliance und Skalierung gewährleistet.
In Kombination mit modernisierter Benutzeroberfläche und breiterer Cloud-Plattform-Unterstützung wächst Control-M kontinuierlich. Als neuer Databricks-Partner bietet Control-M erweiterte Integrationsmöglichkeiten über den modernen Datenstack hinweg. Weitere neue Integrationen umfassen Control-M für SAP BTP, Azure DevOps, Informatica Cloud Services und viele mehr. Monatlich werden neue und verbesserte Integrationen veröffentlicht, sodass Control-M die Arbeitsabläufe überall orchestriert.
Proaktive Datenvalidierung in großem Maßstab
Schlechte Daten beschädigen Analysen, bestehen Compliance-Überprüfungen nicht und untergraben automatisierte Entscheidungen. Wenn Qualitätsprobleme nicht frühzeitig erkannt werden, breiten sie sich durch ganze Ökosysteme aus. Bis ein Betrugserkennungsmodell fehlerhafte Trainingsdaten entdeckt, hat jede nachgelagerte Vorhersage diesen Fehler übernommen.
Traditionelle Validierungsansätze scheitern in modernem Maßstab, weil sie in der Nachbearbeitung arbeiten. Für Batch-Reporting funktionierte es sinnvoll, Probleme Stunden später zu entdecken. Für Echtzeit-Entscheidungen – Betrugserkennung, dynamische Preisgestaltung, personalisierte Empfehlungen – ist reaktive Validierung nutzlos.
Die Lösung erfordert, die Validierung direkt in Workflows einzubetten. Control-M Data Assurance, ein neuer Service für Control-M selbstgehostete Umgebungen, validiert Daten in jeder Pipeline-Phase. Fehlgeschlagene Prüfungen stoppen die Ausführung und lösen Warnungen aus, bevor schlechte Daten nachgelagerte Konsumenten erreichen.
Dies verlagert Organisationen von der reaktiven Erkennung zur proaktiven Prävention – Fehler an der Quelle zu erkennen, anstatt beschädigte Datensätze nach 15 abhängigen Systemen zu entdecken. Datenpipelines laufen zuverlässig und liefern vertrauenswürdige Ergebnisse.
Aufbau widerstandsfähiger Abläufe für das nächste Jahrzehnt
Der Weg nach vorne besteht nicht darin, zwischen Vermächtnis und Modernisierung zu wählen – sondern darum, heterogene Systeme intelligent zusammenarbeiten zu lassen. Diese Veröffentlichungen treiben diese Vision durch drei Kernprinzipien voran:
- Operative Intelligenz, die Plattformen nahtlos überspannt – Abbau künstlicher Barrieren zwischen Großrechner- und verteilten Systemen
- KI-Unterstützung, eingebettet in bestehende Arbeitsabläufe – Intelligenz, wo bereits Arbeit stattfindet, nicht in separaten Werkzeugen
- Erstklassige Observabilität und Automatisierung für alle Systeme – Moderne Fähigkeiten, unabhängig von Architektur oder Alter
Dies sind keine erstrebenden Ziele. Sie sind praktische Anforderungen für Organisationen, die geschäftskritische Dienstleistungen in hybriden Umgebungen betreiben. Jede Fähigkeit reduziert das operative Risiko und beschleunigt gleichzeitig die Innovation – besonders, wenn Minuten am wichtigsten sind.
Erfahren Sie mehr darüber, wie diese Innovationen Ihre Abläufe transformieren können:
Diese Beiträge sind meine eigenen und spiegeln nicht unbedingt die Position, Strategien oder Meinung von BMC wider.