AI-ondersteunde COBOL-modernisering: waarom inzicht in het systeem belangrijker is dan het herschrijven ervan

Wat organisaties vaak verkeerd inschatten over legacy modernisering

De klassieke gedachte is dat legacy modernisering vooral een technische uitdaging is: COBOL vervangen, code migreren en een nieuw platform implementeren.

In werkelijkheid ligt het probleem vaak elders: het verlies van organisatorische kennis.

Doorheen de jaren:

• Verdwijnt de oorspronkelijke businesscontext.

• Gaan architecten en ontwikkelaars met pensioen of naar andere functies.

• Veroudert documentatie of ontbreekt ze volledig.

• Worden wijzigingen doorgevoerd zonder de onderliggende logica opnieuw te bekijken.

Het resultaat is een typisch IT-patchwork: een systeem dat nog functioneert, maar waarvan niemand exact weet hoe het werkt of wat de gevolgen van een wijziging zijn.

Vanuit businessperspectief creëert dat risico's:

• Je weet niet welke componenten geraakt worden door een wijziging.

   

• Je kunt de inspanning voor modernisering moeilijk inschatten.
• Beslissingen worden uitgesteld, waardoor de complexiteit alleen maar toeneemt.

De grootste bedreiging is dus niet technische schuld, maar besluiteloosheid.

Tijdens deze case werd dat al snel duidelijk. Op papier leek het systeem relatief overzichtelijk. In werkelijkheid bleek het landschap veel groter dan verwacht, met aanzienlijk meer afhankelijkheden, datastromen en technische componenten.

Dat moment waarop je beseft dat het systeem niet is wat je dacht dat het was, is vaak het moment waarop moderniseringstrajecten vertragen of volledig stilvallen.

Benny Vranckx
Business Architect - Cegeka

Waarom context belangrijker is dan snelheid of tooling

AI wordt vaak voorgesteld als een snelle oplossing: automatisch documenteren, systemen begrijpen of migraties versnellen.

Maar dat beeld is onvolledig.

AI begrijpt een systeem niet automatisch. Het reconstrueert betekenis op basis van de context die je aanreikt.

In deze case werden AI-agents ingezet om:

• Ingangspunten en invoerstromen te identificeren.
• Datastromen over verschillende technologieën heen in kaart te brengen.
• Broncode te analyseren en functioneel gedrag te reconstrueren.
• Documentatie stapsgewijs op te bouwen, van algemene patronen naar concrete processen.

Dat leverde uiteindelijk een aanzienlijke versnelling op. Maar alleen omdat:

•  De analyse stap voor stap werd begeleid.
• De context voortdurend werd aangevuld.
• Veronderstellingen expliciet werden gemaakt en gevalideerd.

Zonder die aanpak werden de resultaten minder betrouwbaar. AI kan immers bijzonder overtuigend klinken, ook wanneer de conclusie niet correct is. Ontbrekende informatie wordt vaak ingevuld met aannemelijke aannames, wat teams op het verkeerde been kan zetten.

“AI maakt expertise niet overbodig. Het maakt expertise net belangrijker.”
- Benny Vranckx -

Een van de eerste lessen was hoe gemakkelijk het is om AI-output te snel te vertrouwen. Tijdens een analyse produceerde AI een perfect gestructureerde verklaring van een procesflow. Ze zag er volledig geloofwaardig uit, maar bleek grotendeels verkeerd.

Het probleem lag niet bij de tooling zelf, maar bij het gebrek aan context en validatie. Dat inzicht dwong het team om aannames expliciet te maken en elke stap grondig te valideren.

Benny Vranckx
Business Architect - Cegeka

Hoe dit er in de praktijk uitziet

In enterprise-omgevingen bestaat een legacy-landschap zelden uit één technologie. In deze case bestond het applicatielandschap uit een combinatie van: 

• COBOL-programma's
• Shell-scripts
• Perl-code
• SQL-procedures
• Batchprocessen
• VB6-componenten

Samen vormden ze een keten van onderling afhankelijke processen die data verwerkten via bestanden, databases en verschillende transformaties.

Om zo’n landschap te begrijpen, moet je: 

1. Het volledige end-to-end proces in kaart brengen, niet alleen de code.
2. Kernlogica onderscheiden van uitzonderingen.
3. Achterhalen welke processen nog actief zijn en welke niet meer gebruikt worden.

AI maakte het mogelijk om: 

• Tientallen procesflows sneller te analyseren.
• Inactieve of ongebruikte componenten te detecteren.
• Consistente documentatie op te bouwen die reproduceerbaar was.

De echte doorbraak zat echter niet in snelheid.

De grootste winst was duidelijkheid.

Lessen uit de praktijk

1. Start bij het kernproces

Legacy-systemen bevatten vaak tientallen jaren aan uitzonderingen en workarounds.

Zonder een duidelijk zicht op het kernproces lijkt alles even belangrijk — en even complex.

Zodra dat kernproces duidelijk wordt:

• Kunnen uitzonderingen makkelijker geïdentificeerd worden.
• Krijgt documentatie een logische structuur.
• Wordt modernisering doelgerichter.

2. Maak aannames expliciet

Een van de grootste risico’s bij AI-ondersteunde analyse zijn impliciete aannames.

Wanneer AI hiaten onzichtbaar opvult: 

• Ontstaan inconsistente resultaten.
• Verschillen uitkomsten tussen analyses.
• Wordt valideren moeilijker.

Door expliciet aan te geven wat zeker, afgeleid of verondersteld is, werd de documentatie consistenter en betrouwbaarder.

3. Verwacht iteratie vóór versnelling

AI levert niet onmiddellijk efficiëntiewinst op.

In de beginfase moet je: 

• Experimenteren.
• Prompts en agents verfijnen.
• Resultaten valideren.

Pas daarna ontstaat echte versnelling.

Aanvankelijk voelde het proces zelfs traag en soms frustrerend aan. Resultaten waren wisselend, aannames moesten voortdurend worden bijgestuurd en analyses waren niet meteen bruikbaar. Pas na verschillende iteraties ontstond een stabiele aanpak die schaalbaar bleek.

Benny Vranckx
Business Architect - Cegeka

4. Menselijke expertise blijft cruciaal

AI is bijzonder sterk in het uitvoeren van taken, maar: 

• Valideert geen businesslogica.
• Stelt geen kritische vragen bij inconsistenties.
• Begrijpt de organisatorische context niet.

Menselijke expertise blijft noodzakelijk om: 

• Resultaten te interpreteren.
• Conclusies in vraag te stellen.
• Analyses te sturen.

“AI is niet de oplossing. Het is een krachtige versneller om de oplossing te vinden.“

- Benny Vranckx -

Hoe verantwoord opschalen eruitziet

Voor bedrijfsleiders zit de grootste waarde niet alleen in snellere documentatie.

Het gaat om beter onderbouwde beslissingen.

Nog vóór een migratie start, krijgen organisaties:

•  Een duidelijk beeld van hoe het systeem werkt.
• Inzicht in de werkelijke complexiteit.
• Zicht op afhankelijkheden en ongebruikte componenten.
• Een basis om inspanning, kost en risico realistisch in te schatten.

Zo evolueert modernisering van een sprong in het onbekende naar een gestructureerd en datagedreven traject.

Het laat organisaties ook toe om AI-gedreven modernisering gecontroleerd te evalueren:

•  Start met een beperkt aantal representatieve processen.
• Meet de werkelijke productiviteitswinst.
• Verfijn de aanpak vooraleer op te schalen.

Zo groeit AI van experiment naar industriële toepassing.

Conclusie

De grootste misvatting rond legacy modernisering is dat het vooral draait om het herschrijven van code.

In werkelijkheid is de eerste en belangrijkste stap het begrijpen van het systeem.

AI kan dat proces aanzienlijk versnellen. Maar zonder context, governance en menselijke expertise kan dezelfde technologie ook voor extra verwarring zorgen.

Het verschil zit niet in de tool, maar in de aanpak:

• Gestructureerde analyse
• Expliciete aannames
• Iteratieve validatie
• End-to-end denken

Precies daarom is een meer geïndustrialiseerde aanpak nodig: één die AI combineert met architecturale discipline, governance en schaalbare uitvoering.

Dat is ook hoe de Cegeka Software Factory naar modernisering kijkt: niet als een puur technische oefening, maar als een gecontroleerd transformatietraject dat start met inzicht en leidt tot duurzame verandering.