Agentic Software Modernization - Back to the Roots (Zürich Agentic Coding and Architectures, März 2026)

Softwaremodernisierung auf Knopfdruck ist im Zeitalter von AI Agents der Traum vieler ITler. Ja, ein Agent kann heute schon eine Legacy Codebase über Nacht komplett neu strukturieren. Aber wer übernimmt ab dem nächsten Morgen die Verantwortung dafür?

In diesem Vortrag zeigt Markus, wo agentische Ansätze in der Modernisierung von Softwaresystemen großen Nutzen stiften, aber auch, was ihnen für den nachhaltigen Erfolg fehlt: Techniken, welche AI Agents an die Leine nehmen. Dazu greifen wir auf bewährte Klassiker der Legacy-Code-Modernisierung zurück, welche agentische Workflows mehr verantwortbar machen wie etwa Seams zur Begrenzung des „Agent Blast Radius“, Characterization Testing zum Absichern des aktuellen Verhaltens und Fitness Functions zum messbaren Nachweis von Qualitätsverbesserungen. Dadurch liefern AI Agents weiterhin ein hohes Tempo, doch sie bleiben dank unserer Leitplanken auf der Spur. Denn am Ende zählt nicht, wie viel sich im Code bewegt, sondern ob das Legacy System wirklich vorankommt.

Transcript

1. 3 . M ä r z 2 0 2 6 , Z ü r i c h A g e n t i c C o d i n g a n d A r c h i t e c t u r e s Agentic Software Modernization Back to the Roots Markus Harrer Senior Consultant Legacy System Wisdom Blower LogOmagic SellChef The Central The Sourcerer
2. " Markus Harrer Senior Consultant / Roth, Deutschland Tools only find, people have to find out!" • Softwarearchitektur-Entwicklung und -Bewertung • Software-Modernisierung und -Rightsizing • Datenanalysen in der Softwareentwicklung Foundation & IMPROVE https://softwareanalytics.de https://feststelltaste.de/ Instructor inkl. Lehrplan https://markusharrer.de 2
3. Grobe Agenda Agentic Software Modernization Was ist das ? Wie ändern, ohne sich dabei ins eigene Bein zu schießen? Warum schwierig zu ändern? Legacy Fragen und Antworten 3
4. Agentic 4
5. Was ist für euch „agentisch“? 5
6. Typische Assoziationen zu „agentic“ handelt ohne Schritt-für-Schritt Anweisung Skynet kann sich selber helfen ersetzt den Menschen trifft Entscheidungen Magie / Hexenwerk wird nie müde schläft nie ein ist immer vor dem Chef im Geschäft Angst Autonomie Leistungs- bereitschaft Geschwin- digkeit kein Mensch kann mehr mithalten erzeugt sehr viel auf einmal liefert schnell Ergebnisse 6
7. Wie „agentisch“ seid ihr schon unterwegs? 7
8. Dan Shapiro: The Five Levels: from Spicy Autocomplete to the Dark Factory ChatGPT Copilot Coding CLI Coding Agent Agentic SE Full Agentic
9. Agentic – technisch gesehen Tool Use kann externe Werkzeuge verwenden Reasoning Loop Reason → Act → Observe Memory kurzfristig (Kontext) und langfristig (externer Speicher) Self-Correction erkennt Fehler und korrigiert den eigenen Kurs Multi-Step Planning zerlegt komplexe Aufgaben selbstständig in Teilschritte Goal-Driven bekommt Ziel / Auffor- derung und legt los bis Zielerreichung Structured Output definierte Strukturen und Formate als Ausgaben 9
10. Beispiel: Claude Code 10 Grundmechaniken • Commands • gespeicherte Prompts, die Entwickler als Befehl aufrufen • Hooks • Aktivitäten, welche ein Agent an bestimmten Lifecycle-Punkten automatisch auslöst • Skills • Umfangreichere Aktivitäten, die ein Agent bei bestimmten Trigger-Wörter ausführt / nutzt
11. Beispiel: Claude Code 11 Weitere Zutaten für agentisches Verhalten • CLAUDE.md* • Instruktionen und Kontext für den Agenten • MCP Model Context Protocol • laufende, externe Tools einbinden, um den Agent-Fähigkeiten zu erweitern • Sub Agents / Agent Teams • Agenten, die miteinander zusammenarbeiten * eigentlich AGENTS.md, aber Anthropic ist „Besonders“
13. Das Ergebnis 13
14. Software Legacy 14
15. Was sind Legacy Systeme? • Alte Technologien • Niemand mehr da, der was weiß drüber • Mehr Rätselraten statt Wissen • Keine oder unzuverlässige Tests • usw. Mehrere Jahre lang gelaufene Systeme, die noch gebraucht werden, aber wo man sich nicht einfach so mehr ran traut. 15
16. Agentic AI als Retter? Legacy System Wisdom Blower LogOmagic SellChef The Central The Sourcerer 16
17. Alle coolen Kids spielen mit KI 17 Drawing by Daniel Storii {turnoff.us}, Thanks to Michael Tharrington
18. Die Welt der Legacy Systeme … Drawing by Daniel Storii {turnoff.us}, Thanks to Michael Tharrington 18
19. … sieht in der Realität anders aus. Drawing by Daniel Storii {turnoff.us}, Thanks to Michael Tharrington 19
20. AI ist im Brownfield weniger gut YouTube VibeCoder Normale Projekte 20
21. AI kann nicht mit allen Sprachen Viele meiner Kunden 21
22. Populäre Programmiersprachen https://octoverse.github.com/2022/top-programming-languages 22
23. Unpopuläre Programmiersprachen Aus dem TIOBE-Index - Platz 20: Kotlin - Platz 22: COBOL - Platz 32: TypeScript - Platz 39: Scala - Platz 50: PL/I Ohne Platzierung (Auszug) - RPG - F# - Groovy - Hack - Bash https://www.tiobe.com/tiobe-index/ 23
24. AI Himmel oder AI Hölle? 24
25. Modernization Agentic Software 25
26. Agentic Modernization Cycle Agentic Software Modernization Assessment Agentic Software Modernization Use Cases AI-driven Code Transformation & Ecosystem Enablement Acceptance Workbench, AI Performance Benchmarking Verstehen Modernisierungsbedarfe durch Interviews, System- sichtung und Challengen der bestehenden Strategien ermitteln. Entscheiden Agentische Optionen bewerten und konkrete Modernisierungsschritte festlegen. Transformieren AI-gestützt Code und Doku neu gestalten sowie Umfeld befähigen. Validieren Erfolge durch Tests, Benchmarks und Checks nachweisen. Exit Exit Exit 26
27. Meine typischen Agenteneinsätze Adhoc Reverse Engineering Scratch Refactoring1 Sparring Partner Design Speculation2 Werkzeugbau Verbessern von Bezeichnern klein groß 1https://oorp.github.io/#refactor-to-understand 2https://oorp.github.io/#speculate-about-design 27
28. Agentic Software Modernization Heute: Typische „spezielle“ Herausforderungen 1. Große Codebasen (viel Masse zu bewegen) 2. Komplizierte Codebasen (schwer zu verstehen) 3. Komplexe Codebasen (große Beziehungsgeflechte) 28
29. Große Codebasen (viel Masse zu bewegen)
30. Je weniger Du tust, desto mehr davon kannst Du machen! Scott Hanselman Mein Leitprinzip 30
31. → → Code „Wer nur im Code sucht, findet auch nur dort Probleme“ - Gernot Starke Vorgehen Idee sub encrypt{my($p)=@_;my$a="s";my$b="x";my$c=rev erse($p.$a.$b.$p);my$d=0;for(split//,$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 Überdenken? Standardisieren? Verbessern? 31
32. Wer nur den Code verbessern lässt, schafft Modern Legacy, Siehe: https://www.innoq.com/de/blog/2025/10/modern-legacy-dank-ki/ Systeme, die dank KI-Unterstützung technisch hochmodern und vorbildlich dokumentiert wirken, deren eigentlicher Zweck aber längst fragwürdig ist. Stolperfalle Nr. 1: 32
33. https://feststelltaste.github.io/littlestmodernization/
34. Was ist noch da? Inventarisierung! Codebestandteile (am besten fachlich angehaucht) durchzählen - Masken / Views - Services - Klassen - Fachliche Module - Tests - Tabellen - Batches - … Sichtbarkeit schaffen! 34
35. Später: Nachverfolgung größerer Umbauten Hinweis: hat man auch vor AI schon gemacht 35
36. Himmel oder Hölle? Revisited Legacy System Special Tools 36
37. Vibe Coding von Analyse-Tools 37
38. Concepts Aus welchen Teilen besteht die Codebasis? 38
39. Inventory Aus welchen Teilen besteht die Codebasis? 39
40. History Source code Bietet die Codebasis Integrität und Konsistenz? Wer hatte ursprünglich diese Idee? 40
41. Stolperfalle Nr. 2: AI einsetzen, um AI einzusetzen 41
42. https://porath.consulting/en/articles/ai-use-case-canvas/ 42
43. Warum AI-Einsatz gut überlegen? ... using a combination of glob and grep. Claude Code is making use of agentic search “ Anthropic: Transform Legacy Systems into Strategic Assets - Code Modernization with AI https://www.youtube.com/watch?v=8qtSeQuNv0o 43
44. Using search & replace in mission critical code 44
45. 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) 45
46. Guided AI vs. Transformation Tools Guided AI durch Skripts an der Leine geführte KI • Skript identifiziert deterministisch anzupassende Stellen • Agent / LLM ändert gezeigte Stellen nicht-deterministisch Transformation Tools mit KI-erstellte Migrationsskripte • Agent identifiziert nicht-deterministisch die anzupassenden Stellen und erstellt Anweisungen für Anpassungen • Transformations-Tools führen Anweisungen deterministisch aus 46
47. Agents sind toll, aber nicht den Rest der Möglichkeiten vergessen! Überblick „Transformation Tools“ https://markusharrer.de/blog/2026/02/10/code-transformation-tools-landscape/
48. CustomerMapper reloads all contract data when converting CustomerDBO to CustomerBO AI feat. Code Transformation Tools descriptive analysis exploratory tracing analysis For every click in the application, there is an average of 250 DB calls and 50 service calls This list of mappers for the following views use already the new (D)BOs Mapping code reloads data via loops and traversing relationships DBO: DataBase Objects BO: Business Objects → inductive analysis recipe-based changes Okay, fixing this now. I’ll create and execute migrations scripts. 1 2 3 4 5 AI HI 48
49. Guided AI Beispiel 49
50. Ganz „spezielle“ Korrekturen Quatschkommentare finden und ersetzen lassen „Atemlos durch die Nacht“ 50
51. Ganz „spezielle“ Korrekturen Teil I: Einschränken des Problembereichs z. B. Tree-sitter Parsergenerator und Parserbibliothek Analyze oder auch: Semgrep, Acorn, OpenRewrite LST, jQAssistant Knowledge Graphs, Rector, … Entwickly Finde alle Klassen- Kommentare Klassen- kommentare 51
52. Ganz „spezielle“ Korrekturen Teil II: Ermitteln der Probleme Hier sind Kommentare, Finde die Fakes! OK, hier sind sie LLM Evaluate Entwickly Klassen- kommentare Fake- Kommentare 52
53. Ganz „spezielle“ Korrekturen Teil III: Kochen lassen nach Rezept Hier sind Fake- Kommentare, korrigiere diese! Erledigt! Improve LLM Entwickly Korrigierte Kommentare Fake- Kommentare Rezept 53
54. Ganz „spezielle“ Korrekturen 54
55. Ganz „spezielle“ Korrekturen Das Beispiel als Jupyter Notebook https://bit.ly/gh-fake-comments 55
56. Verarbeitungszeit reduzieren KI-Agenten an die kurze Leine nehmen / mehr Führen (lassen) t Human Agent t Human LLM Scripting ✗ ✓ Möglichkeiten: LLM in the Loop, statische Code-Suche, Aufgabenzerlegung … 56
57. Original: https://x.com/josh_bickett/status/1725556267014595032 Texte leicht angepasst Claude Code Python, pandas, OpenRouter 57
58. Komplizierte Codebasen (schwer zu verstehen) 58
59. Die Grenzen meiner Sprache bedeuten die Grenzen meiner Welt. – Ludwig Wittgenstein 59
60. Was können wissensbasierte Agenten eigentlich „wissen“? Image adapted from Michael Scholz, Alfred Holl: Objektorientierung und Poppers Drei-Welten-Modell als Theoriekerne in der Wirtschaftsinformatik I guess XYZ is meant! World 1 Physical World (e.g. company) World 2 Subjective Reality (e.g. developers, business analysts) World 3 Objective knowledge (e.g. docs, code) Externalization Perception Manipulation Interpretation Context Intent Interpretation 60
61. LLMs folgen supergut Mustern (leider?) 61
62. Poisoning | Context | Clash your old legacy code void addCust(String name, String email) { Map c = new HashMap(); c.put("name", name); c.put("email", email); customers.add(c); System.out.println("Added cst: " + name); } your new legacy code void addCust(String name, String email) { customers.add(new Customer( name, email, new Date().toString(), UUID.randomUUID().toString(), null)); System.out.println("cst added: " + name); } LLMs könnten unerwünschte Effekte aufnehmen und hebeln 62
63. https://www.reddit.com/r/ClaudeCode/comments/1rdfcyp/dont_worry_ive_got_all_day/ 63
64. Wie Ergebnisqualität erhöhen? Context is king, intent is ace Möglichkeiten: Context Engineering, Absicht / Ziele klar definieren, semantische Anker, … t Human Agent t Human Agent ✗ ✓ ✗ ✗ ✓ 64
65. Context Engineering (is king) 65 Image by https://www.philschmid.de/context-engineering Legacy Code
66. Intent Engineering (is ace!) Es braucht Klarheit, was man will! Denn: ohne Start und Ziel kann niemand den richtigen Weg gehen! (auch nicht Agentic AI) 66
67. Semantische Anker Präzise definierte Fachbegriffe, Methodiken und Frameworks für eine effektive LLM-Kommunikation. […] Dienen als Referenzpunkte bei der Interaktion mitLarge Language Models.[…] Fungieren als gemeinsames Vokabular, das spezifische, kontextreiche Wissensdomänen innerhalb der Trainingsdaten eines LLMs gezielt aktiviert. 67 Übernommen und übersetzt von https://llm-coding.github.io/Semantic-Anchors/
68. Semantische Anker - Beispiele ✗ "Write tests“ ✓ “Write test according to Behavior-Driven Development" ✗ “review architecture“ ✓ “review my hexagonal architecture style“ ✗ “improve database access” ✓ “migrate all DAOs to JPA repositories" Teils übernommen und übersetzt von https://llm-coding.github.io/Semantic-Anchors/ 68
69. Code durch Konzepte anreichern Semantische Anker 69
70. Code durch Struktur anreichern ✓ ✓ ✓ ✓ ✗ ✗ ✓ ✓ ✓ Semantische Anker 70
71. /src ├── BillingTeamsService.py ├── chargeTeamByCard.py ├── create-InvoiceData.py ├── datagatekeeper.PY ├── format-date-helpr.py ├── get-usr-prof.py ├── thequerymachine.py └── user_discount_srv.py ✗ Bad globability ✓ Better globability /src ├── /modules │ └── /billing │ ├── __init__.py │ ├── charge_by_card_use_case.py │ ├── billing_service.py │ ├── invoice_repository.py │ ├── create_invoice_dto.py │ └── format_date_helper.py └── /infra └── db_client.py Interpretationsfähigkeit erhöhen 71
72. Revival of Basic Design Principles To keep our software design simple and changeable, it should reflect the user’s mental model. Urs Enzler User Agent Dev „Email, Letter, Docs“ TextContainer „add subject line“ ??? User 72
73. 1. Schutzklausel einführen 2. Toten Code löschen 3. Symmetrien herstellen 4. Neue Schnittstelle zur alten Implementierung hinzufügen 5. Lesereihenfolge verbessern 6. Zusammenhängende Ordnung herstellen 7. Erklärende Variablen hinzufügen Aufräumaktionen nach Kent Beck 8. Erklärende Konstanten hinzufügen 9. Parameter explizit machen 10. Anweisungen konzeptionell gruppieren 11. Helfer extrahieren 12. An einem Haufen arbeiten 13. Erklärende Kommentare hinzufügen 14. Überflüssige Kommentare löschen Quelle: Kent Beck: Tidy First? Agenten-unterstützend 73
74. Gutes Design zahlt sich aus* Standardized naming conventions and coding practices could also reduce vocabulary mismatches and improve search accuracy. Jorge Martinez-Gil, Shaoyi Yin: Evaluation of Code Similarity Search Strategies in Large-Scale Codebases *Nein! Doch! Oh! 74
75. Manager Entwickler Wir wollen die Codequalität verbessern, damit wir unseren Code verstehen können Wir wollen die Codequalität verbessern, damit AI unseren Code versteht 75
76. Komplexe Codebasen (große Beziehungsgeflechte) 76
77. Zwei Ansätze zur Veränderung komplexer Systeme Edit‘n‘Pray Cover‘n‘Modify Braucht hohe Aufmerksamkeit Sehr invasiv und zerstörend Viel zu kontrollieren Viel zu lesen und zu studieren Nutzt Checks als Sicherheitsnetz Schützt andere Codeteile Gibt schnelles Feedback Erlaubt präzise Eingriffe Hinweis: Einer dieser Ansätze ist nicht so gut! Vibe Coding im Legacy System Agentic Software Modernization 77
78. Refactoring braucht Tests, Tests brauchen Refactoring. Problem bei Cover‘n‘Modify 78
79. Abhängigkeiten auflösen mit Seams Definition „Seam“ (dt. „Naht“) “Ein Seam ist eine Stelle, an der Sie Verhalten in Ihrem Programm modifizieren können, ohne es an dieser Stelle zu ändern.“ Michael Feathers 79
80. Agentisches Arbeiten mit Seams Trenne an identifizierten Nähten auf → klar abgegrenzter Umfang zum Ändern → kleine, isolierte Änderungen → überprüfbaren Ergebnissen → sicheres Refaktorieren 80 REPEAT
81. Beispiel „Methoden-Objekt“ Es entsteht ein neuer Platz für agentische Verbesserungen 81 5000 Zeilen anderer Code davor 5000 Zeilen anderer Code danach
82. Sprouting Saubere Erweiterungen unter Zeitdruck und ohne Ballast des Altsystems Agentic AI Use Case Auf der grünen Wiese neue Funktionsbereiche agentisch erstellen lassen, ohne zu viel vom Bestandssystem beeinflusst zu werden. Idee von Eric Evans aus “Getting Started with DDD When Surrounded by Legacy Systems” Legacy System Bubble Context Datenbank Code Code Übersetzt Legacy-System-(Denk-) Modell in neues (Denk-)Modell Sprouting im Großen mittels „Bubble Context“ Neuer Bubble Context 82
83. Beispiel „Sprouting“: Target Class 83 Beispiel aus https://www.slideshare.net/etldan/how-to-start-testdriven-development-in-legacy-code-12982341, aber auch gültig für das Arbeiten mit Agenten
84. Beispiel „Sprouting“: Sprout Class Beispiel aus https://www.slideshare.net/etldan/how-to-start-testdriven-development-in-legacy-code-12982341, aber auch gültig für das Arbeiten mit Agenten 84
85. Beispiel „Sprouting“: Einbindung Beispiel aus https://www.slideshare.net/etldan/how-to-start-testdriven-development-in-legacy-code-12982341, aber auch gültig für das Arbeiten mit Agenten 85
86. Slicing: Aufteilen nach Clustern https://markusharrer.de/blog/2026/02/09/rpg-island-prototype/ 86 1. Identifiziere komplette, zusammengehör- ige Teile 2. Wähle einen wertvollen Teil aus 3. Extrahiere diesen Teil REPEAT
90. Wichtig: Handarbeit reduzieren Schnelles, automatisiertes Feedback für schnelle Nachsteuerung Möglichkeiten: Critic Agents, Incremental Build / Test Execution, Fitness Functions … t Human Agent t Human Agent Feedback ✗ ✓ 90
91. Agent | Harness | Engineering Context Engineering: Kontinuierlich angereicherte Wissensbasis in der Codebasis, ergänzt durch Agentenzugriff auf dynamischen Kontext wie Observability-Daten und Browser-Navigation Architectural Constraints: Überwacht nicht nur durch LLM-basierte Agenten, sondern auch durch deterministische, eigene Linter und strukturelle Tests „Garbage Collection": Agenten, die regelmäßig laufen, um Inkonsistenzen in der Dokumentation oder Verletzungen von Architekturvorgaben aufzuspüren – gegen Entropie und Verfall Birgitta Böckeler (übersetzt ins Deutsche) https://martinfowler.com/articles/exploring-gen-ai/harness-engineering.html 91
92. Microfeedback via LSP https://karanbansal.in/blog/claude-code-lsp/ 92
93. ArchUnit: Eine entwicklungsnahe Architekturvalidierung ✓ Erstellung von Architekturregeln mittels eigener domänenspezifischer Sprache (DSL) ✓ Prüfung von Entwurfsverletzungen zur Testzeit / über PostToolUse-Hook des Agenten Mehr Informationen unter https://www.archunit.org/ Mesofeedback mit Fitness Functions 93
94. Makrofeedback mit Golden Master Das aktuelle Verhalten des Codes festhalten und prüfen Andere Bezeichnungen: approval testing, characterization test, snapshot-testing Eingabe- daten Bestehender Code Golden Master Eingabe- daten Verbesserter Code Ausgabe- daten Gleiches Ergebnis? Schritt 1 Schritt 2 Schritt 3 94
95. Golden Master Testing in Action https://www.mechanical-orchard.com/platform 95
97. Zusammenfassung Agentic Software Modernization 97
98. Agentic Software Modernization Pre-Gen Spielraum für Fehlinterpretation Post-Gen Gen Ja, ist möglich 98
99. Fragen, Diskussionen, Anmerkungen Networking Vielen Dank! 99