KI-Agenten sollen Legacy-Systeme retten, ohne sie zu zerstören – das verspricht Pegasystems mit einem vierstufigen Agentenmodell, das implizites Unternehmenswissen bewahrt statt es beim nächsten großen Modernisierungsprojekt zu opfern. Ob das mehr ist als ein cleveres Marketing-Versprechen, lohnt sich genauer zu betrachten.
Das stille Sterben von Unternehmenswissen
Wer schon einmal ein großes IT-Modernisierungsprojekt von innen erlebt hat, kennt das Phänomen: Irgendwo zwischen dem dritten Sprint-Review und dem Go-Live-Termin verschwindet Wissen, das niemand je aufgeschrieben hat. Ein Prozess, der seit zwölf Jahren funktioniert, weil eine Sachbearbeiterin in Düsseldorf ihn einmal so konfiguriert hat. Eine Ausnahmeregel, die nur greift, wenn Kunde X aus Branche Y eine Bestellung über Schwellenwert Z aufgibt. Dieses implizite Wissen steckt in Legacy-Systemen – und es ist das erste Opfer jedes radikalen „Rip and Replace“-Projekts.
Genau hier setzt Pegasystems mit seinem Ansatz an. Das Unternehmen, das seit 1983 Prozessautomatisierung und Entscheidungsmanagement für Großunternehmen anbietet, positioniert sich mit einem Konzept, das es „wissenszentrierte Legacy-Transformation“ nennt. Der Kern der Botschaft: Nicht abreißen und neu bauen, sondern mit KI-Agenten das vorhandene Wissen extrahieren, strukturieren und in modernisierte Systeme überführen.
Das klingt zunächst nach dem, was jeder Berater seit Jahren predigt. Doch Pegasystems legt ein konkretes Agentenmodell vor, das vier spezialisierte Agenten-Typen entlang des gesamten Transformationsprozesses vorsieht. Ob dieses Modell in der Praxis hält, was es verspricht, ist eine andere Frage – aber der Ansatz verdient eine ernsthafte Auseinandersetzung.
Warum „Rip and Replace“ so oft scheitert
Die Zahlen sprechen seit Jahren eine deutliche Sprache, auch wenn Pegasystems selbst keine konkreten Misserfolgsquoten nennt: Großprojekte zur Systemablösung überschreiten regelmäßig Budget und Zeitplan, und ein erheblicher Teil liefert am Ende nicht den versprochenen Mehrwert. Der Grund liegt selten in der technischen Komplexität allein, sondern in der Unterschätzung des impliziten Wissens, das in gewachsenen Systemen steckt.
Legacy-Systeme sind keine Relikte aus einer vergangenen Zeit, die man einfach entsorgen kann. Sie sind Kristallisationspunkte von Jahrzehnten an Geschäftsentscheidungen, Ausnahmeregeln, Compliance-Anforderungen und Prozessoptimierungen. Wer ein solches System ersetzt, ohne dieses Wissen systematisch zu erfassen, baut im besten Fall ein technisch moderneres System, das dieselbe Funktionalität schlechter abbildet. Im schlechtesten Fall verliert das Unternehmen Wettbewerbsvorteile, die es sich über Jahre erarbeitet hat.
Florian Lauck-Wunderlich, Global Director Business Excellence bei Pegasystems, bringt es auf den Punkt: „Eine wissenszentrierte Legacy-Transformation mit Künstlicher Intelligenz bietet gegenüber einer radikalen Ablösung klare Vorteile. Bestehendes Wissen und erprobte Prozesse bleiben erhalten, während gleichzeitig gezielte Modernisierungsschritte möglich werden. So können Unternehmen ihre Systeme kontinuierlich weiterentwickeln und deutlich schneller auf neue Anforderungen reagieren.“
Das ist keine revolutionäre Erkenntnis – aber die Frage ist, ob KI-Agenten erstmals ein praktikables Werkzeug liefern, um diesen Anspruch tatsächlich einzulösen.
Vier Agenten-Typen, ein Transformationspfad
Pegasystems beschreibt ein Modell mit vier spezialisierten Agenten-Kategorien, die jeweils unterschiedliche Phasen des Transformationsprozesses abdecken. Das Modell ist linear konzipiert, aber nicht starr – die Agenten können parallel eingesetzt werden und bauen aufeinander auf.
Analyse-Agenten bilden die erste Stufe. Sie werten reale Ausführungsdaten aus bestehenden Systemen aus, identifizieren typische Abläufe sowie Varianten und Ausnahmen und machen zugrunde liegende Datenmuster sichtbar. Das Ergebnis ist eine datenbasierte Sicht auf den Ist-Zustand der Legacy-Systeme – keine Dokumentation, die vor fünf Jahren erstellt und seitdem nicht mehr aktualisiert wurde, sondern eine Analyse dessen, was das System tatsächlich tut.
Das ist methodisch interessant, weil es den klassischen Ansatz umkehrt: Statt Mitarbeiter zu befragen, was das System tun soll, schaut man sich an, was es tatsächlich tut. Prozessmining-Ansätze verfolgen ähnliche Ziele, aber die Integration in einen KI-gestützten Transformationsprozess ist neu.
Design-Agenten übernehmen die zweite Phase. Auf Basis der Analyseergebnisse entwickeln sie ein Zielbild für die Transformation. Sie überführen die gewonnenen Erkenntnisse in strukturierte Lösungsbausteine – konkret: Anwendungen, Case-Typen, Benutzerrollen und Datenmodelle. Das Ergebnis soll eine gemeinsame Grundlage für IT und Fachbereiche schaffen und einen klar strukturierten Transformationsplan liefern.
Hier liegt eine der kritischen Stellen des Ansatzes: Die Qualität des Zielbilds hängt davon ab, wie gut die Analyse-Agenten das implizite Wissen tatsächlich erfasst haben. Wenn die Datenbasis lückenhaft ist oder wenn bestimmte Ausnahmeregeln selten genug auftreten, dass sie in den Ausführungsdaten kaum sichtbar sind, kann das Zielbild trotzdem unvollständig sein.
Produktivitäts-Agenten unterstützen die praktische Umsetzung. Sie beschleunigen das Erstellen von Migrationsartefakten, leiten Datenflüsse ab, generieren Transformationslogiken, Mappings und Validierungsregeln. Pegasystems spricht hier explizit vom „Vibe Coding“-Stil – ein Begriff, der aus der KI-gestützten Softwareentwicklung stammt und beschreibt, wie Entwickler mit KI-Assistenten in einem iterativen, dialogorientierten Modus arbeiten, statt Code Zeile für Zeile manuell zu schreiben.
Der Einsatz dieses Ansatzes für Migrationsartefakte ist nachvollziehbar: Gerade die mechanischen Teile einer Migration – Datenmappings, Transformationsregeln, Validierungslogiken – sind zeitaufwendig und fehleranfällig, wenn sie manuell erstellt werden. KI-Agenten können hier erheblich beschleunigen, sofern die zugrunde liegenden Datenmodelle gut genug verstanden wurden.
Automatisierungs-Agenten schließlich kommen direkt in den modernisierten Zielsystemen zum Einsatz. Sie unterstützen Mitarbeiter in komplexen, kontextreichen Prozessen zur Laufzeit, lassen sich in bestehende Workflows und Governance-Strukturen integrieren und sollen sowohl die Produktivität erhöhen als auch konsistente Prozesse sicherstellen. Pegasystems betont dabei ausdrücklich die Nachvollziehbarkeit und Regelkonformität der Agenten-Aktivitäten – ein Punkt, der in regulierten Branchen wie Finanzdienstleistungen oder Versicherungen entscheidend ist.
Was das Modell von klassischen Ansätzen unterscheidet
Der entscheidende Unterschied zu bisherigen Modernisierungsansätzen liegt nicht in den einzelnen Komponenten, sondern in ihrer Verknüpfung. Prozessmining gibt es seit Jahren. KI-gestützte Code-Generierung auch. Und Workflow-Automatisierung ist seit Jahrzehnten ein Kerngeschäft von Pegasystems selbst.
Was neu ist: Die Agenten sind nicht als isolierte Werkzeuge konzipiert, sondern als durchgängige Kette, die von der Analyse des Ist-Zustands bis zur Unterstützung im laufenden Betrieb reicht. Das reduziert die Brüche im Transformationsprozess – und damit auch die Punkte, an denen Wissen verloren gehen kann.
Für Unternehmen, die mit den harten Wahrheiten über agentenbasierte KI im Enterprise-Umfeld konfrontiert sind, ist das ein relevanter Unterschied. Denn die größte Schwäche vieler KI-Projekte liegt nicht in der Technologie selbst, sondern in der fehlenden Integration in bestehende Prozesse und Systeme. Ein Ansatz, der Agenten von Anfang an als Teil des Transformationsprozesses denkt, hat strukturelle Vorteile gegenüber nachträglich aufgesetzten KI-Lösungen.
Pegasystems hat die Details des Ansatzes in einer offiziellen Pressemitteilung zur agentenbasierten Legacy-Modernisierung veröffentlicht. Wer die technische Tiefe des Ansatzes verstehen möchte, findet auf der Produktseite zur Legacy-Transformation weitere Details zu den eingesetzten Methoden und Architekturen.
Die kritischen Fragen, die Pegasystems offen lässt
So überzeugend das Modell auf dem Papier klingt – es gibt Fragen, die Pegasystems in seiner Kommunikation nicht beantwortet, und die für eine seriöse Bewertung relevant sind.
Erstens: Wie gut funktioniert die Wissensextraktion bei wirklich alten Systemen? Analyse-Agenten, die auf realen Ausführungsdaten basieren, setzen voraus, dass diese Daten zugänglich und auswertbar sind. Bei Legacy-Systemen, die auf COBOL-Basis laufen oder proprietäre Datenbankformate verwenden, ist das nicht selbstverständlich. Die Qualität der Analyse hängt direkt von der Qualität und Zugänglichkeit der Ausgangsdaten ab.
Zweitens: Wie wird mit Wissen umgegangen, das sich nicht in Ausführungsdaten niederschlägt? Implizites Wissen ist nicht immer in Prozessabläufen kodiert. Manchmal steckt es in den Köpfen von Mitarbeitern, die bestimmte Entscheidungen treffen, ohne dass das System diese Entscheidungen protokolliert. Hier stoßen datenbasierte Ansätze an strukturelle Grenzen.
Drittens: Was kostet das Modell in der Praxis? Pegasystems macht keine Angaben zu Implementierungsaufwand, Lizenzkosten oder typischen Projektlaufzeiten. Für Unternehmen, die den ROI von KI-Agentenprojekten realistisch kalkulieren müssen, ist das eine relevante Lücke. Die versteckten Kosten solcher Projekte – Datenaufbereitung, Change Management, Governance-Strukturen – können erheblich sein.
Viertens: Wie verhält sich das Modell in regulierten Branchen? Pegasystems betont die Regelkonformität der Automatisierungs-Agenten, aber konkrete Aussagen zu spezifischen Compliance-Anforderungen – etwa DSGVO, MaRisk oder Solvency II – fehlen in der verfügbaren Kommunikation.
Einordnung im Marktkontext
Pegasystems ist nicht allein mit diesem Ansatz. ServiceNow, SAP und Salesforce verfolgen ähnliche Strategien, KI-Agenten als Brücke zwischen Legacy-Systemen und modernen Plattformen zu positionieren. Der Unterschied liegt in der Tiefe der Integration: Während viele Anbieter Agenten als Add-on auf bestehende Plattformen aufsetzen, ist der Pegasystems-Ansatz stärker in den Transformationsprozess selbst eingebettet.
Das ist ein strategisch sinnvoller Differenzierungsansatz, weil er den Wechselkosten-Vorteil von Pegasystems nutzt: Unternehmen, die bereits auf Pega-Plattformen setzen, können das Agentenmodell ohne zusätzliche Integrationsarbeit einsetzen. Für Unternehmen, die noch keine Pega-Infrastruktur haben, ist der Einstiegspunkt höher.
Im Vergleich zu Open-Source-Alternativen wie LangChain oder LlamaIndex, die zunehmend im Enterprise-Umfeld eingesetzt werden, bietet Pegasystems den Vorteil einer vollständig integrierten, kommerziell unterstützten Plattform. Wer die Abwägung zwischen proprietären und offenen Ansätzen verstehen möchte, findet dazu weiterführende Perspektiven in der Diskussion um Open-Source-Agenten im Enterprise-Kontext.
Die Frage, ob ein Unternehmen auf Pegasystems oder auf eine alternative Plattform setzt, hängt letztlich von drei Faktoren ab: der bestehenden IT-Landschaft, den internen Kompetenzen und dem Zeithorizont der Transformation. Wer schnell Ergebnisse braucht und keine eigene KI-Infrastruktur aufbauen will, wird mit einer integrierten Plattform wie Pega schneller vorankommen. Wer langfristig Flexibilität und Unabhängigkeit priorisiert, sollte die Open-Source-Alternativen ernsthaft prüfen.
Was Unternehmen jetzt konkret tun sollten
Unabhängig davon, ob Pegasystems der richtige Partner ist oder nicht – der konzeptionelle Ansatz der wissenszentrierten Transformation ist richtig. Wer Legacy-Systeme modernisieren will, ohne das darin gespeicherte Wissen zu verlieren, sollte folgende Schritte priorisieren:
Zunächst sollten Unternehmen eine ehrliche Bestandsaufnahme machen: Welches implizite Wissen steckt in den bestehenden Systemen, und wie zugänglich sind die Ausführungsdaten? Ohne diese Grundlage ist jeder KI-gestützte Ansatz zum Scheitern verurteilt.
Dann sollten sie den Transformationspfad nicht als einmaliges Projekt, sondern als kontinuierlichen Prozess konzipieren. Das Pegasystems-Modell mit seinen vier Agenten-Typen ist explizit auf schrittweise Modernisierung ausgelegt – das ist kein Zufall, sondern Ausdruck der Erkenntnis, dass große Ablöseprojekte strukturell riskanter sind als inkrementelle Ansätze.
Schließlich sollten Unternehmen die Governance-Frage von Anfang an mitdenken. KI-Agenten, die in kritische Geschäftsprozesse eingreifen, brauchen klare Regeln für Transparenz, Nachvollziehbarkeit und menschliche Kontrolle. Das gilt besonders in regulierten Branchen, aber auch dort, wo Fehler in Prozessen direkte Auswirkungen auf Kunden haben. Wer die Entwicklung agentischer Plattformstandards im Enterprise-Bereich verfolgt, weiß, dass Governance-Fragen zunehmend zum Differenzierungsmerkmal werden – nicht nur für Anbieter, sondern auch für die Unternehmen, die diese Plattformen einsetzen.
Der Pegasystems-Ansatz liefert einen strukturierten Rahmen für ein Problem, das die IT-Branche seit Jahrzehnten begleitet. Ob er in der Praxis hält, was er verspricht, werden die Referenzprojekte der nächsten Monate zeigen. Bis dahin gilt: Das Konzept ist solide, die offenen Fragen sind real, und die Alternative – blindes „Rip and Replace“ – ist nachweislich schlechter.
