Können KI-Coding-Agents deine Legacy-Anwendung upgraden?

#KI Legacy-Modernisierung

Gründer & Lead Developer

Experte für Softwareentwicklung und Legacy-Code-Optimierung

LinkedIn

Wer eine ältere PHP- oder Symfony-Anwendung betreibt, stellt uns immer wieder eine Variante derselben Frage: Kann nicht einfach ein KI-Coding-Agent das Upgrade für uns erledigen? Nachdem wir Tools wie Claude Code, Cursor und GitHub Copilot auf echte Kunden-Codebases losgelassen haben, ist die ehrliche Antwort kein Slogan. KI bei der Legacy-Modernisierung funktioniert heute schon gut für die mechanische Ebene eines Upgrades, und sie versagt genau dort, wo in einem Legacy-System das eigentliche Risiko steckt: bei undokumentierten Geschäftsregeln, fehlenden Tests, Serverkonfiguration und Daten, die längst nicht mehr zu dem passen, was das Schema annimmt.

Diese Trennung ist wichtiger als die pauschale Aussage „KI kann gut programmieren“, denn sie zeigt dir, wo du das Tool einsetzen kannst und wo ein Entwickler weiter mitdenken muss.

Wo KI bei der Legacy-Modernisierung schon funktioniert

Bei der mechanischen Arbeit verdienen sich Coding-Agents ihren Platz. Veraltete Methodensignaturen, fehlende Type Hints in alten Funktionsdefinitionen, Umstellungen von Arrays auf Objekte und einfache regelbasierte Umschreibungen sind genau die Art von Mustererkennung, auf die diese Modelle trainiert wurden. Es ist dieselbe Kategorie von Änderungen, die Rector für PHP bereits automatisiert, und ein Agent geht noch weiter in Fälle, die Rectors Regelwerk nicht abdeckt: eine Variable in einer Datei konsequent nach einer neuen Konvention umbenennen, Doctrine Annotations in Attributes umwandeln oder einen ersten Entwurf von PHPUnit-Tests für eine Methode schreiben, die sich bereits vorhersehbar verhält.

Auch beim Scaffolding sind Agents stark. Gib einem Agent eine klare Anweisung, und er erzeugt ein Migrationsgerüst, legt eine neue Service-Klasse nach den bestehenden Mustern des Projekts an oder entwirft einen Changelog-Eintrag aus einem Diff. Nichts davon setzt voraus, dass man versteht, warum das Unternehmen ein Feature auf eine bestimmte Weise gebaut hat. Es reicht, den vorhandenen Code zu lesen und seine Form fortzuführen.

Das Ergebnis braucht trotzdem ein zweites Paar Augen, bevor es live geht. Worauf sich dieses Review konzentrieren muss, haben wir in KI-Code-Review in der Praxis beschrieben: Agents erkennen die gängigen Sicherheitsmuster zuverlässig und übersehen die Fehler in der Geschäftslogik, die nur jemandem auffallen, der die Domäne kennt.

Wo es speziell bei Legacy-Anwendungen bricht

Legacy-Systeme tragen Wissen in sich, das nie aufgeschrieben wurde, und genau dort hat ein Agent keine Grundlage.

Geschäftsregeln sind der größte Punkt. Ein Rabatt, der nur für Bestellungen vor einem Stichtag aus einer alten Vertragsklausel gilt, ein Sonderfall für einen Kunden, der vor drei Jahren hart codiert und nie dokumentiert wurde, ein Statusfeld, das je nach schreibendem Modul etwas anderes bedeutet: Ein Agent sieht beim Lesen des Codes die Logik, kann aber nicht wissen, ob es ein Bug ist, den man beheben sollte, oder eine Regel, die erhalten bleiben muss. Er „räumt“ mit voller Überzeugung Code auf, der absichtlich etwas tat, weil Absicht und Zufall im Diff allein identisch aussehen.

Fehlende Tests machen das schlimmer, nicht besser. Ohne Testsuite kann niemand, weder Mensch noch Modell, bestätigen, dass das Verhalten die Änderung überlebt hat. Ein Agent sagt dir, dass das Refactoring fertig ist. Ob die Anwendung danach noch tut, was sie vorher tat, kann er dir nicht sagen, weil es nie eine Baseline gab, gegen die man prüfen könnte.

Server- und Infrastrukturkontext liegt außerhalb dessen, was ein Coding-Agent sehen kann. Die echte Produktionsumgebung, der Cronjob, den vor fünf Jahren jemand von Hand eingerichtet hat, die PHP-Extension, deren Version festgepinnt ist, weil eine Abhängigkeit mit allem Neueren bricht: Nichts davon steht im Repository, das der Agent liest. Er arbeitet mit Dateien, nicht mit dem Server, auf dem die Anwendung tatsächlich läuft.

Datenmigrationen bergen das größte Risiko. Ein Agent kann ein Migrationsskript schreiben, das gegen das Schema korrekt aussieht. Ob die echten Produktionsdaten zu den Annahmen in diesem Skript passen, ob es Zeilen mit Null-Werten gibt, mit denen der Code nie gerechnet hat, ob es einen Rollback-Plan gibt, falls die Migration auf halbem Weg scheitert: Nichts davon ist aus der Codebase ersichtlich. Das ist dieselbe Lücke, die wir in Modernisierung ohne Feature Freeze behandeln. Dort war das Schwierige nie, den neuen Code zu schreiben, sondern sicherzustellen, dass die Produktion weiterläuft, während altes und neues System parallel existieren.

Externe Integrationen kommen noch dazu. Wenn die API eines Partners vor zwei Jahren stillschweigend einen Parameter nicht mehr akzeptiert hat und der Workaround nur in einer Commit-Message oder im Gedächtnis einer Person existiert, kann ein Agent beim Lesen des aktuellen Codes nicht rekonstruieren, warum dieser Workaround da ist, geschweige denn, ob man ihn gefahrlos entfernen kann.

Ein begleiteter Workflow, der wirklich trägt

Nichts davon heißt, dass du auf den Agent verzichten solltest. Es heißt, dass er in einen Prozess gehört, der auffängt, was er selbst nicht sehen kann.

Fang mit Charakterisierungstests an, bevor sich irgendetwas ändert. Schreib Tests, die festhalten, was die Anwendung heute tatsächlich tut, nicht was die Dokumentation behauptet. Diese Baseline zeigt dir später, ob eine Änderung das Verhalten erhalten oder unbemerkt verändert hat.

Halte die Änderungen klein. Ein Deprecation-Fix oder ein Regelsatz nach dem anderen, jeweils als eigener Pull Request, jeweils geprüft von jemandem, der den tatsächlichen Diff liest, statt einem grünen Testlauf zu vertrauen. Ein Diff mit tausend Zeilen von einem Agent ist nicht leichter zu reviewen als ein Diff mit tausend Zeilen von einem Junior-Entwickler. Er kam nur schneller.

Richte das menschliche Review auf die 20 Prozent, die Urteilsvermögen brauchen: alles, was Geld, Nutzerdaten, Authentifizierung oder eine Geschäftsregel betrifft, die nicht offensichtlich ein Bug ist. Den Rest lässt du den Agent erledigen, ohne ihn mit Review-Theater bei Änderungen auszubremsen, um die sich niemand ernsthaft sorgt.

Lass die echte Migration auf einer Staging-Umgebung mit produktionsähnlichen Daten laufen, bevor sie irgendetwas Live-Relevantes berührt, und schreib einen Rollback-Plan auf, bevor der erste Befehl läuft, statt ihn zu improvisieren, nachdem etwas schiefgegangen ist.

Was das für Kosten und Zeitplan bedeutet

Die mechanische Ebene wird tatsächlich günstiger und schneller. Ein Agent schafft an einem Nachmittag Tausende Deprecation-Fixes, für die ein Entwickler von Hand Wochen bräuchte, und dieser Teil der Schätzung sollte sinken.

Das Review, das Schreiben der Tests und die Abwägungen verschwinden nicht, und sie dauern pro Änderung oft länger als früher, weil jetzt jemand prüfen muss, was der Agent getan hat, statt es selbst von Grund auf zu schreiben. Bei einer kleineren Anwendung mit einigermaßen sauberer Historie geht diese Rechnung trotzdem auf: Der Zeitgewinn bei den mechanischen 80 Prozent wiegt die zusätzlichen Review-Kosten auf. Bei einer Anwendung, die jahrelang undokumentierte Sonderfälle angesammelt hat, kann das Review den Großteil des Projekts ausmachen, und das anfängliche Tempo des Agents bei den einfachen Dateien sollte nicht die Erwartungen an den gesamten Zeitplan prägen.

Die ehrliche Formulierung gegenüber Kunden oder Budgetverantwortlichen lautet: KI verschiebt die Kosten eines Legacy-Upgrades vom Tippen zum Prüfen. Sie macht Modernisierung nicht kostenlos, und sie macht sie nicht sicher genug, um sie unbeaufsichtigt laufen zu lassen. Sie beschleunigt den Teil, der schon immer mechanisch war, und das ist echtes Geld wert, solange der Teil, der schon immer riskant war, weiterhin die Aufmerksamkeit eines Entwicklers bekommt.

Wenn du ein KI-gestütztes Upgrade gegen ein klassisches abwägst: Unser Team für Legacy-Code-Optimierung setzt genau diese Art begleiteter Modernisierung um und kombiniert die mechanische Arbeit durch Agents mit einem Senior-Review der Teile, die echtes Risiko tragen. Wir bieten auch reine Code-Quality-Beratung an, falls du vor dem Start einfach eine zweite Meinung möchtest. Schreib an hello@wolf-tech.io oder schau auf wolf-tech.io vorbei, wenn du besprechen willst, wie ein Upgrade bei deiner Codebase konkret aussehen würde.