Wenn KI den Code schreibt und liefert, werden erfahrene Entwickler 19% langsamer

Software-Agenten wie Devin, Claude Code und GitHub Copilot Workspace nehmen inzwischen eine Aufgabenbeschreibung, lesen eine Codebasis, schreiben Code, der diese adressiert, führen Tests aus, bis diese bestehen, und eröffnen einen Pull-Request – ohne dass ein Entwickler eine einzige Zeile tippt. Devin, entwickelt von Cognition AI, erledigt dies in isolierten Cloud-Umgebungen. In seiner Produktionsnutzerbasis werden 67 % der Pull-Requests, die es autonom eröffnet, gemerged. Claude Code liest ein gesamtes Repository, plant Änderungen über mehrere Dateien, führt die Testsuite aus und iteriert ohne Anweisung zwischen den Schritten. Diese Werkzeuge sind im Produktionseinsatz, nicht in Forschungsvorschauen.

Was sie von früheren Codegenerierungswerkzeugen unterscheidet, ist die Rückkopplungsschleife. Eine Vorschlagsengine generiert Text und stoppt; ein autonomer Agent generiert Code, führt ihn aus, liest, was zurückkommt, und versucht es erneut. Das zugrunde liegende Gerüst ist über die Werkzeuge hinweg dasselbe: Ein großes Sprachmodell liest Kontext – Codebasis, Problembeschreibung, Fehlerprotokoll – generiert einen Plan, führt ihn über Werkzeuge wie Shell-Befehle, Dateibearbeitungen und Git-Operationen aus, liest das Ergebnis und überarbeitet. Die Schleife wird fortgesetzt, bis der Agent erfolgreich ist oder sein Ressourcenbudget erschöpft.

Die Schleife, die den Editor ersetzte

Die Bandbreite der Autonomie über verfügbare Werkzeuge erstreckt sich über drei Ebenen. Am assistierten Ende schlägt GitHub Copilot die nächsten Zeilen vor, während ein Entwickler tippt. Eine Ebene höher schreiben Multi-Datei-Editoren wie Cursor über eine Codebasis auf Anweisung eines Entwicklers um und nehmen die Änderungen vor, die der Entwickler spezifiziert. Am autonomen Ende operieren Devin und vergleichbare Systeme unabhängig über längere Zeiträume, treffen sequenzielle Entscheidungen darüber, was zu lesen, was zu ändern und was zu testen ist, und tauchen nur für Genehmigungen auf, die das System nicht allein bewältigen kann.

Das Bewertungsframework, das den Fortschritt über diese Werkzeuge misst, ist SWE-bench, erstellt von Forschern in Princeton und Stanford. Es testet Agenten an echten Fehlerberichten aus Open-Source-Python-Repositories – Django, Flask, scikit-learn – und misst, wie viele Prozent ein Agent korrekt schließen kann. Die derzeit höchste veröffentlichte Punktzahl auf dem kuratierten Verified-Subset, 96 %, gehört Claude Opus 5. Diese Zahl repräsentiert echte Fähigkeit: die Fähigkeit, einen echten Softwarefehler zu diagnostizieren, einen Fix zu schreiben und zu verifizieren, dass er die eigenen Tests des Projekts besteht.

Was der Benchmark verbirgt

Die 96-%-Punktzahl kommt mit einem wichtigen Sternchen. SWE-bench Verified zieht aus 500 sorgfältig ausgewählten Aufgaben. Als Forscher eine kontaminationsresistente Variante anwendeten – SWE-bench Pro, entworfen mit Problemen, die nicht in den Trainingsdaten eines Modells erscheinen konnten – fiel ein früheres Modell, das über 80 % bei Verified erzielte, unter 50 % bei Pro. Ein Teil der Benchmark-Leistung spiegelt Vertrautheit mit dem Bewertungsset wider, nicht generalisierte Problemlösungsfähigkeit. Die Lücke ist eine bekannte Forschungsherausforderung, keine Kritik an einem bestimmten Werkzeug.

Eine separate Studie fand etwas, das schwerer wegzuerklären ist. METR, eine Organisation für KI-Sicherheitsforschung, führte ein randomisiertes kontrolliertes Experiment mit erfahrenen Open-Source-Entwicklern durch, die an ihren eigenen Repositories arbeiteten. Entwickler, die aktuelle KI-Codierungswerkzeuge nutzten, waren 19 % langsamer als diejenigen, die ohne sie arbeiteten – trotz unabhängiger Schätzung, dass sie 20 % schneller waren. Die Ursachen waren spezifisch: Zeit für erneutes Auffordern, wenn der Agent falsche Ergebnisse produzierte, Zeit für die Verifizierung von Ausgaben vor dem Mergen und die kognitive Belastung durch das Wechseln zwischen dem Anleiten eines Agenten und dem Verfolgen, was der Agent getan hatte. Ein Benchmark testet, ob ein Agent einen gut spezifizierten Fehler isoliert schließen kann. Ein randomisiertes Experiment testet, ob ein Entwickler über einen tatsächlichen Tag schneller arbeitet. Sie messen verschiedene Dinge.

Warum 93 % Adoption nur einen 10-%-Durchsatzgewinn ergab

Code-Autonomie funktioniert am besten bei begrenzten, gut spezifizierten Aufgaben: ein reproduzierbarer Fehler mit klaren Eingaben und Ausgaben, eine Funktion mit präziser Spezifikation, eine Testsuite für ein Modul mit definiertem Verhalten. Wenn der Umfang auf Aufgaben erweitert wird, die implizites Architekturwissen, undokumentierte Teamkonventionen oder Entscheidungen über die Produktrichtung erfordern, sinkt die Zuverlässigkeit – nicht weil den Modellen Fähigkeit fehlt, sondern weil der Kontext, den diese Entscheidungen erfordern, nicht in das System passt und nicht allein aus den Codebasisdateien abgeleitet werden kann.

Die praktische Verschiebung liegt darin, was die Arbeit erfordert. Entwickler, die mit autonomen Agenten arbeiten, verbringen mehr Zeit damit, Spezifikationen zu schreiben, die präzise genug für einen Agenten sind, um sie auszuführen: detaillierte Problembeschreibungen, klare Testverträge, explizite Akzeptanzkriterien. Sie verbringen mehr Zeit damit, Code zu überprüfen, den sie nicht geschrieben haben, was eine andere Art von Aufmerksamkeit erfordert als das Schreiben von Code – nach Logikfehlern, Sicherheitslücken und Architekturabweichungen zu suchen, die der Agent selbst nicht markieren wird. Eine Umfrage von 2026 unter 121.000 Entwicklern fand, dass 93 % KI-Codierungswerkzeuge regelmäßig nutzen; der Pull-Request-Durchsatz stieg in derselben Gruppe um etwa 10 %. Der Engpass verlagerte sich vom Schreiben von Code zum Überprüfen.

Die nächste Stufe in aktiver Entwicklung sind Agenten, die ihre eigenen Aufgabenwarteschlangen verwalten: eine Projektspezifikation erhalten, sie in Teilaufgaben zerlegen, zwischen spezialisierten Modellen delegieren und nur die Entscheidungen auftauchen lassen, die menschliches Urteilsvermögen erfordern. Mehrere Open-Source-Frameworks für Multi-Agenten-Code-Orchestrierung wurden 2026 veröffentlicht. Die Unternehmensadoption in Produktionsumgebungen bleibt begrenzt. Gartner prognostiziert, dass ein erheblicher Teil der in diesem Jahr begonnenen agentischen Softwareprojekte vor 2028 eingestellt wird, sobald Teams den Abstand zwischen dem entdecken, was eine kontrollierte Demo zeigt, und dem, was zuverlässige Bereitstellung im Maßstab erfordert.

Schlagwörter: künstliche Intelligenz, Programmierung, AI coding agents, Code-Autonomie, Softwareentwicklung