Alte Systeme, neue Ansätze: Wie sich KI zur Codeanalyse nutzen lässt

Die Grundlage des Projekts war ein reales Kundenprojekt aus dem öffentlichen Sektor: Ein über Jahre entwickeltes, Oracle-basiertes System für staatliche Förderanträge mit mehr als 5.000 PL/SQL-Paketen, 500 Oracle Forms und einer Vielzahl von Abhängigkeiten. Die Wartung dieses Systems erfordert tiefes Verständnis – und verursacht viel manuellen Aufwand.

Ein Beispiel aus der Praxis: Wird ein Fehler in der Berechnungslogik entdeckt, muss nachvollzogen werden, welche Pakete, Tabellen und Forms betroffen sind – eine Recherche, die Tage dauern kann.

Julian Köser entwickelte einen Prototyp, mit dem Entwickler:innen Fragen wie „Welche Pakete verwenden die Funktion calculate_funding_amount?“ oder „Welche Tabellen werden beim Antrag auf Kleinförderung geändert?“ stellen können – in natürlicher Sprache. Die KI liefert strukturierte, nachvollziehbare Antworten auf Basis des Quellcodes.

Dabei war besonders wichtig: Die Lösung sollte lokal betrieben werden, um Sicherheits- und Datenschutzanforderungen gerecht zu werden – Cloudlösungen schieden von vornherein aus.

Der Prototyp basiert auf einer modular aufgebauten Architektur mit folgenden Komponenten:

• Semantic Code Chunking: Der PL/SQL-Code wird in logisch zusammenhängende Abschnitte unterteilt (z. B. Funktionen, Prozeduren, Trigger).
• Vektor-Datenbank (Qdrant): Die Chunks werden mithilfe des Modells BGE-M3 in Vektoren umgewandelt und gespeichert.
• Embedding & LLM: Ein Large Language Model (Qwen3-32B) analysiert in Kombination mit relevanten Codefragmenten die Nutzeranfragen.
• Frontend: Eine einfache Benutzeroberfläche ermöglicht das Stellen von Fragen und das Anzeigen der Antworten inkl. Referenzen und Konfidenzbewertung.

Besonders spannend: Der Prototyp reagiert in unter 3 Minuten auf komplexe Abfragen – ohne Cloud, rein lokal und mit aussagekräftigen Resultaten.

Ja – zumindest teilweise. Die Analyse ergab:

• Das System kann viele Abfragen korrekt und nachvollziehbar beantworten.
• Besonders hilfreich ist die Kombination aus Code- und Dokumentationsanalyse.
• Grenzen zeigen sich in der Erkennung komplexer, verschachtelter Abhängigkeiten – besonders bei Kontextverlust durch das Chunking.
• Die Qualität der Antworten hängt stark vom vorhandenen Codekommentar und der Struktur ab.

Julian Köser konnte mit seiner Arbeit zeigen, dass LLMs auch in der Wartung von PL/SQL-Systemen wertvolle Unterstützung bieten können – vorausgesetzt, sie werden gezielt eingesetzt und lokal betrieben. Der entwickelte Prototyp zeigt nicht nur das Potenzial, sondern auch die aktuellen Grenzen der Technologie.

Für Accso ist die Arbeit ein wertvoller Beitrag zur Frage, wie moderne KI-Methoden in die Welt gewachsener IT-Systeme überführt werden können – ein Thema, das uns in der digitalen Transformation noch lange begleiten wird.