Erfahrene Entwickler haben jahrelang gelernt, sauberen Code zu schreiben, Bugs zu jagen und Tests zu schreiben. Dann kamen Tools, die Arbeit abnehmen. Laut Stack Overflow nutzen 84 Prozent der Entwickler KI-gestützte Coding-Tools. Die Produktivitätsgewinne stagnieren jedoch bei etwa zehn Prozent, wie eine Studie von DX Research (2026, 121.000 Befragte) zeigt. KI verändert nicht nur die Geschwindigkeit der Softwareentwicklung, sondern auch die Aufgaben der Entwickler, die Teamorganisation und die Ausbildung der nächsten Generation.
KI-Coding ist nicht nur ein Effizienzthema. Die Produktivitätszahlen zeigen nur einen Teil. Kai Chuang, CIO von Circles, berichtet, dass seine Entwickler weniger programmieren und sich stattdessen auf Design und Systemarchitektur konzentrieren. Sie spezifizieren Anforderungen und testen Ergebnisse. Der Wandel ging schnell: Sobald Vertrauen in generierten Code bestand, setzte sich KI-gestützte Codeerzeugung durch – ohne Anordnung von oben. Die Herausforderung liegt darin, Arbeit neu zu definieren und zu messen.
Die neue Kernkompetenz der Entwickler
Erik Brown von West Monroe sagt: Die knappe Fähigkeit ist nicht mehr das Schreiben von Code, sondern das Wissen, was gebaut werden soll, wie Architektur sauber ist, Sicherheit und Geschäftsergebnisse. Unternehmen, die das verstehen, gestalten den Entwicklungsprozess um KI herum neu. Nur Tools bereitzustellen, erzeugt mehr Aktivität, aber nicht bessere Ergebnisse.
Bei UiPath stammt über die Hälfte des produktiv genutzten Codes von KI-Agenten, so CTO Raghu Malpani. Entwickler werden zu Reviewern und Systemdesignern. Sie definieren Absichten, validieren Ausgaben und liefern schneller. Da Codieren nicht mehr der langsame Schritt ist, wandert der Engpass zum Design. Business-Analysten und Produktmanager müssen Konzepte so weit durchdacht haben, dass sie „schaufelfertig“ sind (Chuang). KI hilft, Anwendungsfälle zu erkunden und Oberflächen zu mocken, was das Design verbessert, bevor Entwickler einsteigen.
Warum die Metriken in die Irre führen
Wenn die Produktivität nur um zehn Prozent steigt, sind die Metriken falsch. Viele CIOs messen Aktivität statt Ergebnis: Seats, Token, Codezeilen, gesparte Stunden, so Brown. Die bessere Frage ist, ob sich Geschäfts- und Engineering-Ergebnisse verbessern. Brown empfiehlt ein Dashboard mit Zykluszeit, Deployment-Frequenz, Änderungsfehlerrate, entgangenen Fehlern, Sicherheitslücken und Anteil KI-Code mit menschlichen Korrekturen. Ziel ist schnellere, sicherere, qualitativ bessere Auslieferung, gemessen an Geschäftsergebnissen.
GitClear analysierte 211 Millionen Codezeilen: Code-Fluktuation stieg zwischen 2020 und 2024 auf fast das Doppelte, Refactoring sank von 25 auf unter zehn Prozent. Opsera (2026) zeigt, dass KI-generierte Pull-Requests 4,6-mal länger für Reviews brauchen und 15–18 Prozent mehr Sicherheitslücken enthalten. Eingesparte Zeit beim Schreiben taucht später in Reviews und Sicherheitsfixes wieder auf – kein Netto-Nutzen.
Das Risiko für Junior-Entwickler
Das ernsteste Risiko zeigt sich nicht in aktuellen Metriken, sondern in zwei bis drei Jahren: Junior-Entwickler. Routinearbeiten wie Bugfixes, Dokumentation, Tests – genau daran schärften Junioren ihre Fähigkeiten. Ohne neues Ausbildungsmodell entsteht eine Talentlücke, warnt Brown. Einstiegspositionen zu streichen, in der Annahme, KI ersetze Junioren, wäre ein Fehler. Phil Leslie von Cornerstone Research nennt das „eine Einbahnstraße nah“. Das Lernen an realen Aufgaben ist die Basis für das Urteilsvermögen späterer Seniors.
Die Lösung ist, Junioren neu zu definieren, nicht sie zu streichen. Berufseinsteiger sollten wissen, wie man richtige Fragen stellt, die geschäftliche Absicht versteht und KI-Ausgaben beurteilt. Chuang stellt lieber interdisziplinäre Entwickler ein, die Geschäftsprobleme interessieren. Malpani: Je billiger das Codieren, desto wertvoller das Urteilsvermögen über was und wie. Systemdesign-Kompetenz für sichere, compliant und wartbare Automatisierungen ist entscheidend.
Governance und der veränderte Arbeitsalltag
Governance verschiebt sich. Der Schwerpunkt geht vom Review einzelner Codezeilen zur Steuerung des gesamten Lebenszyklus: Testen, Deployment, Berechtigungen, Auditierbarkeit, Laufzeitverhalten. Unternehmen brauchen Plattformen mit konsistenter Überwachung und Rückverfolgbarkeit, unabhängig vom KI-Agenten. Agenten brauchen Leitplanken und erfahrene Reviewer. Coding-Agenten haben den Bedarf an Low-Code- oder Enterprise-Plattformen nicht beseitigt, sondern erhöht. Schnellere Codeerzeugung steigert den Bedarf an Reviews, Urteilsvermögen, Governance und Zusammenarbeit.
Geschwindigkeit ist nur ein Teil des Nutzens. Der volle Wert entfaltet sich erst, wenn sich die Arbeit ändert – Teamstruktur, Metriken, Ausbildung. Für CIOs: Nicht die Einführung der Tools ist das Problem, sondern die Umgestaltung des Systems. Neue Werkzeuge in alten Strukturen bringen nicht die versprochenen Produktivitätssprünge. Wer Entwicklerrollen neu definiert, Metriken auf Ergebnisse ausrichtet und neue Ausbildungswege schafft, kann von der KI-Revolution profitieren. Es geht nicht um mehr Code, sondern um bessere Lösungen.
Quelle: informationweek.com
