Die Wissens- und Fähigkeitskluft mit KI-gestützten Assistenten überbrücken

Stellen Sie sich zwei Großrechner-Profis auf dem Höhepunkt ihrer Karriere vor: Rebecca, eine Anwendungsentwicklerin, die kritische Geschäftsupdates vorantreibt, und Sebastian, ein Systemprogrammierer, der den Herzschlag eines globalen Unternehmens schützt. Obwohl sie in einer Branche arbeiten, die die sichersten Transaktionen und Hochgeschwindigkeitsanalysen der Welt ermöglicht, fühlen sich beide oft in der Vergangenheit festgefahren, verstrickt in alterndem Code, verstreutem Wissen und einem schrumpfenden Expertenpool, an den sie zurückgreifen können, wenn die Uhr tickt.

Das ist ihre Geschichte. Es ist auch die Geschichte von Tausenden wie ihnen, die heimlich hinter den Kulissen arbeiten, um die Welt am Laufen zu halten, und wie konversationsbasierte und kontextbasierte KI-gesteuerte Assistenten das Mögliche für die nächste Generation von Mainframern umschreiben.

Rebecca: Die Entwicklerin mit modernen Ambitionen und Heritage-Code

Rebeccas Tag beginnt auf die gleiche Weise wie oft: Sie blinzelt auf Zeilen von COBOL, die vor ihrer Geburt geschrieben wurden. Jedes Update, das sie vorantreibt, trägt das Gewicht von Millionen an potenzieller Wirkung. Eine falsche Zeile, und ganze Dienste können offline gehen, was Kunden und Vertrauen mitnimmt.

Sie ist talentiert, engagiert und in modernen Entwicklungsframeworks und -tools geschult, doch jedes Mal, wenn sie versucht, eine neue cloud-native Funktion in missionskritische Mainframe-Backends zu integrieren, fühlt es sich an, als würde sie nicht zusammenpassende Puzzleteile zusammenhämmern.

Ihre Frustrationen spiegeln einen vertrauten Refrain:

"Ich arbeite in einer der fortschrittlichsten Industrien, doch meine Entwicklungstools wirken veraltet. Ich wünschte, ich hätte einen Mentor, der meine Fragen zur Mainframe-Entwicklung sofort beantworten könnte."

Sie ist nicht allein. Branchenübergreifend kollidiert der Bestreben, neue digitale Erlebnisse bereitzustellen, täglich mit der Realität alternder, aber unentbehrlicher Systeme, undurchsichtiger Codebasen und verschwindender Expertise.

Sebastian: Der Systemprogrammierer, der gegen die Zeit kämpft

Den Flur hinunter durchsucht Sebastian ein Meer von Systemprotokollen und achtet auf Bedrohungen, die sich schneller entwickeln als die Verteidigungen, die sie aufhalten sollen. Er weiß, dass jeder Ausfall inakzeptabel ist, jede Sekunde zählt. Doch während seine erfahrenen Kollegen in den Ruhestand gehen, wächst auch das institutionelle Wissen über jahrzehntealte Konfigurationen, skurrile Lösungen und ungeschriebene Umgehungen.

Wenn um Mitternacht ein Leistungsengpass auftritt oder ein Auftragsausfall finanzielle Transaktionen bedroht, muss Sebastian in Systemdatenschichten eintauchen, während Kunden Perfektion erwarten. Ein einziger Fehler in der Zuverlässigkeit des Services kann zu frustrierten Nutzern, verringertem Vertrauen und Umsatzverlusten führen, die schwer wiederherzustellen sind.

"Es gibt immer Druck, Systeme schneller, effizienter und zuverlässiger zu machen, aber wo soll ich überhaupt anfangen? Ein Mainframe-Problem zu beheben fühlt sich an, als würde man eine Nadel im Heuhaufen suchen."

Er kann nicht rund um die Uhr alles überwachen. Er kann sich nicht selbst klonen. Und er kann den Brain Drain nicht über Nacht stoppen. Irgendetwas muss sich ändern.

Das sich wandelnde Gesicht der Großrechnerbelegschaft

Ihre Herausforderungen sind keine Einzelgeschichten, sondern Datenpunkte in einem branchenweiten Wandel. Laut der neuesten BMC Mainframe Survey sank der Anteil der Mainframe-Profis mit 20+ Jahren Erfahrung in fünf Jahren von 36 % auf 13 %. Gleichzeitig ist der Anteil der Mitarbeiter mit mittlerer Erfahrungsstufe (6–10 Jahre) deutlich gestiegen – talentiert, aber weniger erfahren in der dunklen Kunst, tief verwurzelte Systeme zu entschlüsseln.

Dieser demografische Wandel schreibt die Regeln um. Organisationen können es sich nicht länger leisten, passive Betreuer zu sein, in der Hoffnung, dass alte Fähigkeiten für immer bleiben. Sie müssen entweder alles vom Mainframe migrieren (ein teurer und riskanter Weg für Arbeitslasten, die dort am besten laufen) oder einen neuen Weg finden, den Mainframe vor Ort zu modernisieren und zu optimieren.

Der KI-gestützte Weg nach vorne

Hier kommen KI-gestützte Assistenten ins Spiel – nicht nur Suchleisten, sondern auch kontextuelle, aufgabenorientierte Experten, die in genau die Werkzeuge eingebaut sind, die Rebecca und Sebastian täglich nutzen. Diese Assistenten verbinden große Sprachmodelle (LLMs), domänenspezifische kleine Sprachmodelle (SLMs) und jahrzehntelanges institutionelles Wissen zu einem stets aktiven, gesprächsorientierten Verbündeten.

Für Rebecca bedeutet ein KI-Assistent, dass sie nicht um 2 Uhr morgens in kryptischen COBOL- oder JCL-Handbüchern wühlen muss. Sie kann einfach fragen: "Was macht diese Unterroutine ?" und eine sofortige, einfache Erklärung erhalten. Sie kann Updates schneller und selbstbewusst vorantreiben, weil sie weiß, dass ihr KI-Assistent hinter ihr steht, Code-Verbesserungen vorschlägt, Testfälle generiert und bei Bedarf sogar Legacy-Code in moderne Sprachen wie Java konvertiert.

Indem KI-gestützte Assistenten Stunden oder sogar Tage für Basisforschung und Dokumentation eliminieren, befreien sie Entwickler, sich auf den Aufbau neuer Funktionen und strategische Initiativen zu konzentrieren. Das Ergebnis ist ein direkter Produktivitätsschub und eine stärkere Innovationspipeline, die einen Wettbewerbsvorteil schafft.

Für Sebastian bedeutet es kein nächtliches Paniksuchen nach Systemprotokollen mehr oder das Anrufen eines pensionierten Kollegen um Hilfe. Sein Assistent bringt wahrscheinliche Ursachen zur Sprache, empfiehlt nächste Schritte und erklärt sogar komplexe Automatisierungsabläufe in einfachen Worten. Wenn ein Problem wiederkehrt, erinnert sich der Assistent und bewahrt diese wichtige Lösung für das nächste Mal auf.

Die Technologie im Inneren des Assistenten

Diese Transformation ist keine Magie. Es ist eine bewusste Schichtung fortschrittlicher KI-Technologien:

• Natural Language Processing (NLP) versteht alltägliche Fragen und liefert technische Erklärungen in Konversationssprache.
• Task Automation kann sich wiederholende Aufgaben autonom oder halbautonom ausführen.
• Context Awareness kennt die Umgebung, die Benutzerrolle und den historischen Kontext und macht jede Antwort relevant.
• Retrieval-Augmented Generation (RAG) kombiniert Live-Suche durch vertrauenswürdige Datenquellen mit generativer KI, um genaue, evidenzbasierte Antworten zu liefern.
• Hybride KI verbindet maschinelles Lernen, Regel-Engines und generative Modelle für Resilienz und Vertrauenswürdigkeit.

Das Ergebnis? Ein KI-Wissensexperte , der lernt, sich anpasst und gemeinsam mit Ihren Mainframe-Teams wächst, Generationengrenzen überbrückt und Wissensverlust verhindert, wenn Experten in den Ruhestand gehen.

Zukunftsorientierte Unternehmen gehen noch einen Schritt weiter: Sie kombinieren von Anbietern bereitgestellte Assistenten mit eigenen, fachspezifischen Wissensdatenbanken und maßgeschneidert trainierten Modellen. Dieser Ansatz sichert proprietäres Fachwissen und erweitert den IQ des Assistenten mit jedem gelösten Vorfall und jeder beantworteten Frage.

Manche mischen auch große LLMs mit leichteren SLMs, um Kosten, Latenz und Präzision für verschiedene Aufgaben zu optimieren. Die Idee ist einfach: starke allgemeine Logik, wenn man sie braucht, effiziente Aufgabenausführung, wenn man sie nicht braucht.

Vom Anwendungsfall zur Realität

Organisationen gehen heute über generische Chatbots und eigenständige KI-Experimente hinaus, indem sie produktionsbereite Assistenten direkt in ihre Kern-Mainframe-Umgebungen integrieren. Für Entwickler bedeutet das, eine KI-gestützte Erfahrung in ihren Anwendungsentwicklungs- und Modernisierungstools zu haben, bei der der Assistent Legacy-Code erklärt, moderne Designmuster vorschlägt und automatisch klare Dokumentation generiert.

Für Betriebsteams ist dieselbe intelligente Technologie in Überwachungs- und Incident-Management-Lösungen integriert, wobei hybride KI verwendet wird, um wahrscheinliche Ursachen von Mainframe-Systemproblemen zu erklären und die nächsten besten Maßnahmen zu empfehlen – alles in natürlicher Sprache, direkt innerhalb der operativen Arbeitsabläufe, auf die sie täglich angewiesen sind.

Im Gegensatz zu generischen Chatbots sind diese Assistenten domänenspezifisch. Sie verstehen Mainframe-Nuancen, Fachjargon und Kontext, die breit angelegte KI-Modelle nicht direkt erfassen können. Und da die Modelle kuratiert sind, bleiben Genauigkeit und Vertrauen hoch, ohne Halluzinationen, sondern nur praktische, umsetzbare Erkenntnisse.

Warum es wichtig ist

Für Unternehmen sind die Einsätze existenziell. Banken, Fluggesellschaften und Regierungen können sich keine Stillstände leisten. Sie können nicht auf fragile Migrationen wetten oder hoffen, dass Junior-Mitarbeiter über Nacht Experten werden. KI-Assistenten verändern, wie institutionelles Wissen erfasst, organisiert und wiederverwendet wird, sodass jeder neue Mainframer nicht nur einen Job, sondern auch einen digitalen Mentor erbt. Immer mehr IT-Führungskräfte entscheiden sich, auf dem Mainframe zu bleiben, weil KI ihnen das Selbstvertrauen gibt, vor Ort zu modernisieren, Herausforderungen der Belegschaft zu überwinden und neuen Geschäftswert freizusetzen, ohne das Risiko eines Neuanfangs zu riskieren.

Sie vermitteln auch Selbstvertrauen: schneller einzusetzen, schneller zu reparieren und furchtlos zu innovieren. Befreit von sich wiederholender Mühearbeit können Entwickler und Betreiber gleichermaßen mehr Zeit in hochwertige Projekte investieren, die das Unternehmen voranbringen.

Die Talentstrategie neu zu überdenken

Dieser Wandel verändert auch die Talentstrategien. Anstatt sich ausschließlich auf die Einstellung von Einhörnern mit tiefgehender Erfahrung zu konzentrieren, können Organisationen Teams mit gemischten Fähigkeiten aufbauen und sich auf KI verlassen, um die Wissenskluft zu schließen. Laut einem aktuellen Forrester-Bericht zum ROI der Modernisierung der Mainframe-Anwendungsentwicklung verkürzen viele Organisationen die Einarbeitungszeiten neuer Mitarbeiter bereits um 50 Prozent, allein durch die Einführung moderner Entwicklungstools. Stellen Sie sich nun die Auswirkungen vor, wenn KI-Assistenten automatisch Code-Erklärungen, Dokumentationen und sogar Code-Konvertierungen übernehmen. Neueinstellungen steigen schneller ein. Erfahrene Experten verbringen weniger Zeit damit, dieselben Fragen zu beantworten, und mehr Zeit mit der Lösung neuartiger Probleme.

Dadurch übersteht das Hauptrechner nicht nur den Talentmangel, sondern gedeiht mit einer Belegschaft, die von digitalem Wissen auf Abruf verstärkt wird.

Über den Assistenten hinaus: Die Rolle der KI-Agenten

KI-Assistenten sind für sich genommen kraftvoll, werden aber noch wirkungsvoller, wenn sie Hand in Hand mit KI-Agenten arbeiten, die als digital intelligente Mitarbeiter im Hintergrund agieren. Wenn eine Aufgabe über das Beantworten von Fragen hinausgehen muss – wie die Diagnose eines wiederkehrenden Jobfehlers, das Überprüfen von Abhängigkeiten, das Wiederholen von Prozessen und die Überprüfung von Ergebnissen – kann ein Assistent einen Agenten einschalten, der sie eigenständig erledigt.

Gemeinsam verbinden Assistenten und Agenten Anleitung mit Handlung und verbinden konversationelle Unterstützung mit der Aufgabenausführung, um eine kontinuierliche, intelligente Automatisierung zu gewährleisten. Diese Synergie hält das Hauptrechner so agil wie moderne Cloud-Umgebungen, ohne die Zuverlässigkeit zu verlieren, die es unverzichtbar macht.

Eine Geschichte, die noch geschrieben wird

Rebecca fürchtet keine Updates mehr. Sebastian arbeitet nicht mehr allein. Gemeinsam, Mensch plus Maschine, setzen sie einen neuen Standard dafür, was Mainframe-Arbeit sein kann: schneller, klüger und widerstandsfähiger.

Das ist das eigentliche Versprechen von KI für das Hauptrechner: nicht Experten zu ersetzen, sondern ihre Wirkung zu vervielfachen, ihre Weisheit zu bewahren und jeden neuen Mitarbeiter von Anfang an in einen erfahrenen Profi zu verwandeln.

Abschließende Gedanken

Bis 2030 sagen Analysten voraus, dass KI-Assistenten im Großrechnerbetrieb genauso verbreitet sein werden wie Automatisierungstools heute, ein unsichtbares Rückgrat, das die schwere Arbeit übernimmt, während die Menschen sich auf das konzentrieren, was sie am besten können: kreativ denken, große Probleme lösen und das Nächste aufbauen.

Für Organisationen, die noch entscheiden, ob sie ihre Hauptrechner in Rente setzen, warten oder vollständig nutzen wollen, ist die Botschaft klar: Stillzustehen ist keine Option mehr. Modernisieren Sie vor Ort. Optimieren Sie furchtlos. Und geben Sie jedem Mainframer einen KI-Partner, der niemals schläft, nie vergisst und nie aufhört zu lernen.

Die Geschichte von Rebecca und Sebastian könnte auch Ihre Geschichte sein, eine Geschichte nicht von alten Systemen, die einen runterziehen, sondern von zeitloser Zuverlässigkeit, die mit neuer Intelligenz aufgeladen ist. Um mehr über den preisgekrönten BMC AMI Assistant zu erfahren, sehen Sie sich dieses Video an oder schauen Sie sich unsere modernen Mainframe-Tools auf der BMC AMI Webseite an.

Du hast noch nie so verminkt. Und genau das ist der Punkt.

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