Softwarearchäologie mit KI: Vom Scherbenhaufen zum klaren Gesamtbild (INNOQ Technology Day 2025)

Ältere Softwaresysteme enthalten mehr Wissen, als auf den ersten Blick sichtbar ist. Zwischen unleserlichem Code und fehlender Dokumentation finden sich aber Hinweise, die wir mit Large Language Models, Datenanalyse-Tools, archäologischen Techniken und etwas Neugier freilegen können. Gemeinsam suchen wir nach Mustern und vollziehen Veränderungen nach, um die Architektur, Kultur und Philosophie von Legacy-Systemen besser zu verstehen. Außerdem sehen wir uns an, wie wir dieses Wissen gezielt für die Modernisierung von Altsystemen nutzen können.

1. Softwarearchäologie mit KI Vom Scherbenhaufen zum klaren Gesamtbild INNOQ Technology Day 2025, 20.11.2025, online Markus Harrer Software Evolutionist 1
2. Vorab: Sorry! KI-Jahre alt! Die Idee dieses Vortrags ist fast 2
3. Was ist bisher so passiert in 2025? 3 Devstral VibeCoding ChatGPT Deep Research GPT o3 / o4-mini Veo 3 Claude 4 Context Engineering Agents GLM-4.5 KimiK2 Qwen3-235B-A22B Agent Skills Kilo Code GPT-5 Qwen3-Next gpt-oss DeepSeek-OCR MiniMax M2 gpt-oss-safeguard Gemini 3 GPT-5.1-Codex-Max
4. Nur wenige Dinge bleiben stabil 4
5. Alle coolen Devs spielen mit KI ... S/W-Zeichnung von Daniel Storii {turnoff.us}, Dank an Michael Tharrington 4
6. generisch agentiv unterstützend spezialisiert Fülle an KI-Tools Codex CLI 5 Landschaft der KI-Coding-Assistenten, korrigiert und erweitert von Markus Harrer, basierend auf den Ideen von Bilgin Ibryam (https://generativeprogrammer.com/p/ai- coding-assistants-landscape/), aufgegeben zu aktualisieren im Juli 2025 …
7. 6 Aber …
8. Was ist mit Entwickler:innen und ihren Legacy-Systemen? 7
11. Zeichnung von Daniel Storii {turnoff.us}, Dank an Michael Tharrington LLMs müssen sich bei uns mit der harten Realität auseinandersetzen! 8
12. Wie uns Archäologie helfen kann, KI im Legacy-Umfeld einzusetzen. 9 ArchAIologie
13. Archäologie? https://en.wikipedia.org/wiki/File:Archaeology.rome.arp.jpg https://en.wikipedia.org/wiki/File:Dolina-Pano-3.jpg 10
14. Archäologie Es geht darum, uns in die (Gedanken-)Welten unserer Vorgänger hineinzuversetzen. 11
15. Archäologen suchen nach Hinweisen, die Menschen vor uns hinterlassen haben, und versuchen zu verstehen, was diese bedeuten. Detektive der Vergangenheit “ Archäologe 12 „Archaeology at work", English Heritage Education Service (https://www.youtube.com/watch?v=TFejIkYDH9Q)
16. 13 Altsystem Archäologe Entwickler Was ist da? Was ist es? Wie wurde es genutzt?
17. Moderne Archäologietechniken Ausgrabung Typologie Chaîne Opératoire1 Umfang der KI-Nutzung wenig hoch 14 Was ist da? Wie wurde es genutzt? Was ist es? 1 in etwa so ausgesprochen: „schenn opörätuar“, ~Ablaufkette auf deutsch
18. Ausgrabung Was ist da? 15 Umfang der KI-Nutzung wenig hoch
19. 17 Ausgrabung Wheeler-Kenyon-Methode Linkes Bild: https://en.wikipedia.org/wiki/Wheeler%E2%80%93Kenyon_method#/media/File:Moza-449.jpg, Bild rechts gemeinfrei
20. Ausgrabung Wheeler-Kenyon-Methode für Code-Analyse über Git-Log und Tree Maps 18
21. Ausgrabung 19
22. Der Elefant im Raum Wo ist AI? 20
23. Die AI im Raum hat mir geholfen, das Analyse- skript zu schreiben 21
24. Ich hatte früher schon meinen Spaß (und LLMs wissen das!) 22 Meine Software-Analytics-Repositories auf GitHub pandas matplotlib Plotly Jupyter Notebook
25. Heute profitiere ich davon Ausgrabungstools bauen 25 KI-gestützte Workbench zum Erstellen von Abkürzungs- verzeichnissen Bsp. Herstellung von Spezialwerkzeugen
26. Ausgrabung /> Was ist da? 23 Umfang der KI-Nutzung wenig hoch
27. Typologie Was ist es? 24 Umfang der KI-Nutzung wenig hoch
28. Klassifizierung von Artefakten durch Sortierung nach Formen und Arten Typologie 25
29. Typologie 26 Klassifizierung von Artefakten durch Sortierung nach Namen und Arten
30. 27 Das Sortieren kann sehr mühsam und repetitiv werden Typologie Bild: https://pixabay.com/de/photos/%C3%A4gypten-tempel- hieroglyphen-pharao-1197835/ (NadineDoerle)
31. Typologieerstellung mit LLMs 28 Verwendung vorhandener Benennungsschemata Repository-Muster repository/*Repository.java Abstrahiert den Datenzugriff durch Kapselung der Logik, die zum Abrufen, Speichern und Abfragen von Daten erforderlich ist. . ├── model │ ├── Owner.java │ ├── Person.java │ ├── Pet.java │ ├── Specialty.java │ ├── Vet.java │ └── Visit.java ├── repository │ ├── OwnerRepository.java │ ├── PetRepository.java │ ├── VetRepository.java │ └── VisitRepository.java └── web ├── OwnerController.java ├── PetController.java ├── PetValidator.java ├── VetController.java └── VisitController.java repository Repository Repository Repository Repository
32. Typologie-Prompt für Claude Code 29 Analyze the production Java code in this codebase and extract distinct concepts. Categorize them into two groups: - technical_concepts: architectural patterns, design tactics, or technical structures - business_concepts: domain-relevant ideas, rules, or terms that represent key business logic For each concept, provide: - name: a short, descriptive name - explanation: a concise description of what the concept is - rationale: why this concept likely exists in the codebase (technical or domain motivation) - file_globs: glob-style patterns of the used naming conventions to identify where this concept appears in the codebase (e.g., **/**Service.java, **/invoicing/**.java) Output the result as a well-structured YAML file with two top-level sections: technical_concepts and business_concepts. Focus only on Java production code (exclude test files, scripts, and configuration files).
33. Das erwartete Ergebnis vom LLM 30 technical_concepts: - name: "Boundary" description: "Defines the interfaces for communication between the core business logic (Interactors) and the outer layers (e.g., UI, web services). It includes Request and Response Models." rationale: "Separates the core application from the delivery mechanism, allowing the presentation layer to change independently of the business rules." file_globs: - "**/boundary/*.java" ... business_concepts: - name: "Site" description: "A 'Site' represents a distinct container or context for content like comments, files, and schedules. Most other business concepts are scoped within a specific site." rationale: "The concept of a 'Site' allows for multi-tenancy or partitioning of data, where different users or groups can have their own isolated space within the application." file_globs: - "**/site/**/*.java" Glob-Muster + etwas manuelles Bearbeiten…
34. Nacharbeitungs-Workbench 13
35. 14 Konzepte
36. 15 Dateiinventar
37. it History Source Code
38. Typologie-Bewertung: Was bringt’s? Wie viele Dateien kann man Konzepten zuordnen? Verteilung für ein kleines Softwaresystem (~300 Quellcodedateien) Legacy Code Verteilung für ein kleines Softwaresystem (~300 Quellcodedateien) Wenn du eine Datei kennst, die ein Konzept implementiert, kennst du alle anderen Dateien, die dasselbe Konzept implementieren! 31
39. Typologie 32 Auch: Sehen, wo potenziell noch Unklarheiten bestehen
40. Typologie 33 Legende der Abdeckung ▪ Beide Konzeptarten ▪ Technisches Konzept ▪ Geschäftliches Konzept ▪ Kein Konzept
41. 34 Erweiterte Typologie Bewertung der konzeptionellen Integrität Quelle: L. Adams Gilmour, Early Medieval Pottery from Flaxengate, Lincoln Bild: https://pixabay.com/de/photos/arch%C3%A4ologie- arch%C3%A4ologische-ausgrabung-59150/
42. Erweiterte Typologie Bewertung der konzeptionellen Integrität mit LLMs [...] Bitte analysiere den folgenden Quellcode und bewerte, wie gut er das hier angegebene Konzept umsetzt. [...] Demo: https://github.com/feststelltaste/software-analytics/blob/master/demos/20250710_WADWC/Conceptual%20Integrity%20Analysis.ipynb 36
43. Erweiterte Typologie Bewertung der konzeptionellen Integrität mit LLMs Demo: https://github.com/feststelltaste/software-analytics/blob/master/demos/20250710_WADWC/Conceptual%20Integrity%20Analysis.ipynb Der Code [...] stimmt perfekt mit dem Konzept [...] überein. Konfidenz: 1,0 37
44. Erweiterte Typologie 35 Dateien innerhalb von Konzepten erkennen, die nicht das tun, was alle anderen tun Beispiel: Konzept des Services zum Bier auftischen CService BService AService DService
45. 38 Konzeptuelle Integritätsanalyse
46. 38 Konzeptuelle Integritätsanalyse
47. 39 Konzeptuelle Integritätsanalyse
48. Noch tiefer (tba) 48 Idiom-Mining auf Code-Ebene for (int i = 0; i < orderList.size(); i++) { Order o = orderList.get(i); if (o.belongsTo(customerId)) { if (o.getDueDate() != null) { if (o.getDueDate().isBefore(today)) { found = o; break; } } } } PERFORM VARYING ORDER-INDEX FROM 1 BY 1 UNTIL ORDER-INDEX > ORDER-COUNT OR ORDER-FOUND-FLAG = "Y" IF ORDER-CUSTOMER-ID (ORDER-INDEX) = SEARCH-CUSTOMER-ID AND ORDER-DUE-DATE (ORDER-INDEX) NOT = 0 AND ORDER-DUE-DATE (ORDER-INDEX) < TODAY-DATE MOVE "Y" TO ORDER-FOUND-FLAG END-IF END-PERFORM. for i = 1 to OrderCount; if Order(i).CustomerId = SearchCustomer and Order(i).DueDate <> *loval and Order(i).DueDate < Today; FoundIndex = i; leave; endif; endfor; linear search loop Mehr dazu jetzt schon: Federico Tomassetti on Deciphering Legacy Codebases Using Idioms (https://www.youtube.com/watch?v=z2Pxm91RLY4)
49. Typologie /> Was ist es? 40 Umfang der KI-Nutzung wenig hoch
50. Chaîne Opératoire Wie wurde es genutzt? 41 Umfang der KI-Nutzung wenig hoch
51. Die Ablaufkette Die Verkettung aller Schritte des Lebenszyklus eines Artefakts wie z. B. 1. Erstellung 2. Nutzung 3. Wartung 4. Reparatur 5. Entsorgung ... Bild: https://fr.wikipedia.org/wiki/Cha%C3%AEne_op%C3%A9rat oire#/media/Fichier:Cha%C3%AEne_op%C3%A9ratoire.png 42
52. Chaîne Opératoire für Code? Warum? Es gibt uns einen gewissen Eindruck von der Komplexität dieser Gesellschaften. [...] bringt uns in die Gedankenwelt dieser Gesellschaften. Quelle: https://www.youtube.com/watch?v=MNp5q3pqkmQ Jason Cohen https://www.intothedustarchaeology.com/ Kein Archäologe, aber spielt einen im TV “ 43
53. Die Ablaufkette aller Schritte des Lebenszyklus eines Artefakts Chaîne Opératoire t 44 create public class Customer add testNameCheck() change to BusinessPartner fix tech debt add calculateBonus() refactor testNameCheck() delete BusinessPartner public class BusinessPartner { private String name; private double bonus; public BusinessPartner(String name) { this.name = name; } public double calculateBonus() { ...
54. Bevor wir zur nächsten Demo gehen Brauchen wir überhaupt von Menschen geschriebenen Glue-Code für ArchAIology?? 45 Mein KI- Aha- Moment
56. Chaîne Opératoire/> Wie wurde es genutzt? 50 Umfang der KI-Nutzung wenig hoch
57. Es funktioniert, wenn du weißt, wie du geschickt tiefer in dein Legacy- System einsteigst! ArchAIologie 51
58. Was bringt mir das jetzt? 58 Weniger Angst Oh Mist, so viel Code!!!! Oh Mist, so viel Code!!!! OK, so viel könnte ich kennen OK, so viel könnte ich kennen Das hier sind ja alles nur Repositories Das hier sind ja alles nur Repositories → →
59. Was bringt mir das jetzt? 59 Mehr Attraktivität 10 AI-powered application builders • Low-Code AI Builders • AI-Driven Development Platforms Coding Assistance • Agentic Coding Tools • Interactive AI Coding Assistants • Code Completion Assistants Specialized Assistents • Platform- Integrated Assistants • AI-Driven Collaboration- Focused AI
60. Was bringt mir das jetzt? 60 Neue Optionen Code Konzept Idee → → Überdenken? Standardisieren? Verbessern? Auch: https://www.innoq.com/de/blog/2025/10/modern-legacy-dank-ki/ sub encrypt{my($p)=@_;my$a="s";my$b="x" ;my$c=reverse($p.$a.$b.$p);my$d=0;f or(split//,$c.$p.$a.uc($b).reverse( $p)){ $d+=ord($_)*3+length($c)%7 }return "MEGA".$d."END"}print encrypt($ARGV[0]); Ach, eigentlich wollten die nur Passwörter hashen
61. Fragen, Diskussionen, Vorschläge Networking Vielen Dank! 52 #archaiologie
62. Mehr zum Thema I 62 https://github.com/feststelltaste/awesome-agentic-software-modernization
63. Mehr zum Thema II 53 Meine Sammlung zum Thema „Software Analytics“ https://github.com/feststelltaste/awesome-software-analytics
64. 54 Bonusmaterial Du hast so weit gescrollt, du verdienst ein Geschenk
65. Manual Work Transformation Tools Guided AI AI assistants AI agents Developers manually analyze, reason about, and fix issues (based on deep domain and system knowledge) Human-based creation of formal rules and recipes to perform consistent, automated code transformations Human-led detection of issues or anti-patterns, followed by localized AI-generated fixes within defined areas Human-guided AI-based task execution for fixing code in smaller areas / clearly scoped contexts Autonomous systems orchestrate analysis, transformation and validation of modernization workflows General Idea Special issues like redesign of critical parts of business logic or performance optimization Framework migrations, API upgrades, bulk renames, restructurings Identifying systemic issues and using AI to propose or apply localized solutions Summarizing code, generating tests & comments, renaming identifiers, writing code snippets Cleanup ideation, multistep refactoring planning, smaller bug fixing across code bases Possible Use Cases ++ + o - -- Control How much humans can be in the loop -- - - + ++ Risk How likely changes go wrong -- - - o ++ Breadth How wide the method can operate ++ ++ + o o Accuracy How well problematic spots are addressed o ++ ++ o - Traceability How well actions can be tracked ~ - o o o Efforts How much work setup and use need -- ++ o - + Volume How much can be processed Light Version 1.2 Markus Harrer AI for Legacy Modernization: When and How to Use (or not)
66. Manual Work Transformation Tools1 Guided AI AI assistants AI agents Developers manually analyze, reason about, and fix issues (based on deep domain and system knowledge) Human-based creation of formal rules and recipes to perform consistent, automated code transformations Human-led detection of issues or anti-patterns, followed by localized AI-generated fixes within defined areas Human-guided AI-based task execution for fixing code in smaller areas / clearly scoped contexts Autonomous systems orchestrate analysis, transformation and validation of modernization workflows General Idea Special issues like redesign of critical parts of business logic or performance optimization Framework migrations, API upgrades, bulk renames, restructurings Identifying systemic issues and using AI to propose or apply localized solutions Summarizing code, generating tests & comments, renaming identifiers, writing code snippets Cleanup ideation, automated, multistep refactoring, bug fixing across multiple code bases Possible Use Cases Very High (humans drive everything) High (humans define transformation logic, execution is automatic) Medium (humans guide focus, agents generate and apply solutions) Low (humans initiate, roughly guide and review AI’s results) Very Low (agents make decisions and act with minimal intervention) Control How much humans can be in the loop Low to Medium (may suffer from outdated assumptions, overconfidence or unclear goals) Medium (when creating recipes) to none (during execution, but also depends on recipe quality) Low (with good problem localization that allows suggestions in limited contexts) High to medium (depends on scope and tasks) Very high to high (esp. with broad tasks and high autonomy + wrong tool use) Risk How likely changes go wrong Very narrow (limited by developers’ cognitive capacities) Narrow (limits defined by AST, LST or recipe capabilities) Narrow (scoped to recognizable patterns or metrics) Limited (current file, code block or interaction context) Very broad (across files, services and task types) Breadth How wide the method can operate Human-level quality (varies by experience) High (precise and deterministic) High (during analysis), medium (during fixing) Medium (but error-prone outside narrow, familiar contexts / training) Medium (depends on prompt quality, feedback loops, available tools) Accuracy How well problematic spots are addressed High (with peer review and diffs) Very high (rules, recipes, diffs) High (analysis steps, reports3, diffs) Medium (prompt history, diffs) Medium (prompts, execution paths, diffs) Traceability How well actions can be tracked Variable (depends on task difficulty) Low to medium4 (depends on reusing existing recipes or creating new ones) Medium (because data analysis needed) Medium (prompt writing, instruction definition, model tuning) First low (“it’s just prompts”), later high (MCPs, skills, orches- tration, validation, security, …) Efforts How much work setup and use require Limited due to the need for deep contextual understanding High-volume, homogeneous code bases Mid-sized codebases (with structural issues) Localized impact (limited by context window ) Large, heterogeneous systems (with recurring issues) Volume How much can be processed 1 e.g. Codemods, OpenRewrite, Rector 2 e.g. using jQAssistant, Semgrep, CodeScene 3 e.g. using Jupyter Notebooks 4 for new recipes, AI might be used Full Version 1.2 Markus Harrer MCP: Model Context Protocol AST: Abstract Syntax Tree LST: Lossless Semantic Tree AI for Legacy Modernization: When and How to Use (or not)