LONDON (IT BOLTWISE) – Eine Studie zu KI-Coding-Agents zeigt messbar mehr Codeproduktion, aber keinen entsprechenden Zuwachs bei echten Software-Outputs. Der Grund liegt weniger in der Generierung selbst als in der Nachgelagerten: Code-Reviews werden deutlich länger und erfordern häufiger Überarbeitungen. Für viele Firmen entsteht damit ein neues Engpassmuster rund um Pull Requests, Kommentare und Feedback-Schleifen. Ob KI-Agents insgesamt effizienter sind, hängt daher stark davon ab, wie gut Reviews, Testprozesse und Aufgabenaufteilung mitwachsen.
KI-Coding-Agents wirken auf den ersten Blick wie ein Hebel für Produktivität: Sobald sie in den Entwicklungsprozess integriert sind, können Teams parallel zur menschlichen Arbeit mehr Codezeilen erzeugen, mehr Commits bündeln und zusätzliche Pull Requests anstoßen. Genau diese Effekte werden auch in einer Untersuchung des Harvard-Teams um Fiona Chen und James Stratton sichtbar, die tatsächliche Programmierabläufe über viele Unternehmen hinweg auswertet. Allerdings zeigt die Studie zugleich eine unangenehme Gegenbewegung: Mehr Code bedeutet nicht automatisch mehr Software in dem Sinne, wie Firmen sie am Ende ausliefern oder als fertige Funktion in Work-Tracking-Systemen abschließen.
Dabei stützt sich die Analyse auf Daten aus dem Engineering-Analytics-Umfeld Jellyfish, das „work events“ granular erfasst. Laut Artikel umfasst das Datenset 300 Millionen einzelne Events wie Commits und Pull Requests sowie Issue-Management-Informationen für mehr als 700.000 Beschäftigte bei über 700 Software-Entwicklungsfirmen. Der Beobachtungszeitraum reicht von 2021 bis März 2026, wodurch sich Zeiträume vor und nach der Einführung von KI-Coding-Assistants beziehungsweise KI-Coding-Agents vergleichen lassen. Methodisch wird das Ganze als „difference of differences“-Regressionsansatz beschrieben, also als Gegenüberstellung von Veränderungen in Firmen, die zu unterschiedlichen Zeitpunkten umstellen, gegenüber solchen, die zu diesem Zeitpunkt noch nicht oder anders umgestellt haben.
Auf der Produktionsebene sind die Ergebnisse eindeutig: Werden KI-Coding-Agents eingeführt, steigt die Gesamtzahl der erzeugten Codezeilen im Schnitt um 30 %, die Anzahl der Commits um 20 % und die Zahl der Pull Requests um 23 %. Gleichzeitig bleibt aber die zentrale Frage nach dem Output unbeantwortet. Denn die Studie berichtet, dass sich die „Resolution Rate“ von Issues und Epics, wie sie etwa in Jira abgebildet werden, nach der Einführung statistisch nicht signifikant verändert. Auch auf Ebene der Größe und Komplexität der per Jira verfolgten Arbeit wird dem Artikel zufolge keine klare Verschiebung („compositional shift“) sichtbar. Das Muster ist also nicht „mehr Zwischenstand, mehr Endstand“, sondern „mehr Zwischenstand, mehr Kontrolle“.
Der Engpass wird in der Untersuchung direkt im Review-Zyklus verortet. Sobald KI-Agents stärker in die Codebasis eingreifen, verlängert sich die durchschnittliche Zeit von eingereichtem Pull Request bis zur Fusion in den Codebestand um 49 %. Noch genauer zeigen die Daten, dass sich Pull Requests mit „changes requested“ nahezu verdoppeln und gleichzeitig die Kommentarzahl pro Pull Request um 35 % ansteigt. In der Praxis bedeutet das: Selbst wenn die Agenten schneller liefern, müssen Menschen mehr prüfen, mehr zurückmelden und häufiger nachschärfen. Damit „absorbiert“ der Review-Workflow die Effizienzgewinne aus der reinen Implementierungsphase; der Engpass sitzt nicht beim Schreiben, sondern beim Validieren.
Als Nebenaspekt untersuchen Chen und Stratton auch, ob Unternehmen den Review-Engpass durch eine stärkere Nutzung von KI beim Code-Review abfedern. Der Artikel nennt hier eine mögliche, aber bisher nur begrenzte Rolle: Bis März 2026 nutzen 80 % der betrachteten Firmen irgendeine Form von KI-gestütztem Code Review, jedoch entfielen KI-Agents nur auf 23,3 % der Review-Kommentare und 10,8 % der Pull Requests. Menschen bleiben damit klar der dominierende Teil der Qualitätsprüfung. Interessant ist außerdem, dass mit der Einführung der KI-Agents zwar mehr Beschäftigte mit Code-Reviews starten (14 % höherer Anteil), der Artikel jedoch keine signifikanten Beschäftigungsveränderungen ableiten kann; dafür wurden laut Beschreibung die Gesamtzahl aktiver Workers in Jellyfish sowie Querverweise auf LinkedIn-Daten herangezogen.
Technisch betrachtet lässt sich das Resultat gut in ein bekanntes Muster aus der Softwaretechnik einordnen: Automatisierung verschiebt häufig den Engpass, statt ihn zu eliminieren. KI-Agents erhöhen die Menge an Vorschlägen in kurzer Zeit. Sobald diese Vorschläge jedoch in einen Pull-Request-gestützten Qualitäts- und Integrationsprozess gelangen, treten zusätzliche Kosten auf: höhere Erwartungsdichte an Korrektheit, mehr Kontextabfragen durch Reviewer, längere Diskussionen und häufiger manuelle Korrekturen, weil syntaktisch korrekt erzeugter Code semantisch nicht immer zur Zielarchitektur passt. Gerade in Organisationen mit strikten Coding-Standards, umfangreichen CI-Pipelines und differenzierten Ownership-Modellen wirkt das besonders stark. Der Artikel weist zudem darauf hin, dass sich die KI-Agents seit dem Stichtag März 2026 weiterentwickelt haben; viele Teams dürften in der Praxis noch lernen, wann sich ein Agent lohnt und wann der Review-Aufwand die Produktivitätsgewinne auffrisst.
Für Unternehmen ergibt sich daraus weniger die Frage „KI einführen oder nicht“, sondern eher „welche Teile des Entwicklungsflusses sollten warum automatisiert werden“. Wenn die Review-Zeit so deutlich mitwächst, werden Teams typischerweise ohne Prozessanpassung schnell gegen eine neue Grenze laufen: Wer mehr Code produziert, muss auch mehr Zeit im Review-Betrieb bereitstellen oder die Review-Arbeit systematisch verlagern, etwa über kleinere, klarer begründete Pull Requests, strengere Vorbereitung durch Tests oder bessere Zerlegung von Aufgaben in agentgeeignete Teilprobleme. Der Artikel formuliert den Befund als eine Art Doppel-Schnittkante: Der Schreibspeed steigt, aber die Gegenkosten im menschlichen Review steigen mindestens im gleichen Maß. Für die IT-Entscheidungsebene heißt das: Der Business Case für KI-Agents hängt an Kennzahlen, die über Code-Zeilen hinausgehen, vor allem an Review-Dauer, Revisionsquote und der Frage, wie gut aus mehr PRs am Ende tatsächlich mehr gelöste Epics und Issues werden.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-Coding Agents erzeugen mehr Code, aber nicht mehr Software" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-Coding Agents erzeugen mehr Code, aber nicht mehr Software" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-Coding Agents erzeugen mehr Code, aber nicht mehr Software« bei Google Deutschland suchen, bei Bing oder Google News!