Machen KI-Coding-Tools erfahrene Entwickler automatisch schneller?

Kurz: nein. Jedenfalls nicht automatisch.

KI-Coding-Tools können Code ergänzen, Funktionen entwerfen, Fehler suchen und Änderungen über mehrere Dateien vorbereiten. Fertig eingebaut und zuverlässig nutzbar ist eine Änderung damit noch nicht automatisch. Dazwischen liegen Verständnis, Prüfung und Tests – und gelegentlich die Erkenntnis, dass der erstaunlich plausible Vorschlag leider Unsinn ist.

Die praktisch interessante Frage lautet deshalb nicht: Wie schnell erscheint Code? Sondern: Bei welchen Aufgaben sinkt die Zeit bis zu einer geprüften, wartbaren Änderung?

Wo die gesparte Zeit wieder verschwindet

Stellen wir uns eine gewöhnliche Arbeitsaufgabe vor, im Entwicklungsteam meist Ticket genannt. Eine Entwicklerin öffnet das Projekt und beschreibt in einem Chatfenster neben dem Quellcode, was geändert werden soll. Sekunden später markiert das Werkzeug mehrere Dateien und schlägt fertige Änderungen vor.

Ein solches Werkzeug arbeitet meist direkt im Code-Editor. Cursor Pro ist ein solcher KI-gestützter Editor. Claude 3.5 und 3.7 Sonnet sind Sprachmodelle, die darin Text und Code erzeugen und bearbeiten können.

Die Entwicklerin übernimmt den Vorschlag, startet die Tests – und stellt fest, dass ein historischer Sonderfall fehlt. Nun muss sie den Vorschlag verstehen, korrigieren und erneut prüfen. Das Gefühl „ging schnell“ entsteht beim ersten Vorschlag. Bezahlt wird aber die gesamte Strecke bis zur brauchbaren Änderung.

Eine kleine Studie mit einem großen Warnschild

Die Forschungsorganisation METR untersuchte zwischen Februar und Juni 2025 in einem randomisierten Versuch 16 erfahrene Open-Source-Entwickler bei 246 echten Aufgaben. Randomisiert heißt: Für jede Aufgabe wurde zufällig festgelegt, ob KI-Unterstützung erlaubt war. Die Entwickler kannten ihre Projekte im Durchschnitt seit fünf Jahren. Erfasst wurde die für die Aufgabe angegebene Arbeitszeit – nicht bloß die Zeit, in der Code entstand.

Vorher erwarteten sie, mit KI etwa 24 Prozent schneller zu sein. Hinterher glaubten sie immer noch, rund 20 Prozent Zeit gespart zu haben. Gemessen benötigten sie mit den damaligen Werkzeugen – hauptsächlich Cursor Pro sowie Claude 3.5 und 3.7 Sonnet – jedoch 19 Prozent länger. (METR-Studie)

Das ist bemerkenswert, aber kein Naturgesetz. Die 16 Personen waren keine Zufallsstichprobe aller Entwickler; die 246 Aufgaben sind auch nicht 246 unabhängige Personen. Der Befund gilt für diese Gruppe, diese reifen Projekte und Werkzeuge des frühen Jahres 2025. Wer daraus „KI macht Entwickler 19 Prozent langsamer“ baut, hat die Studie gegen eine Schlagzeile eingetauscht.

Das Gesamtbild ist gemischt

Eine im Mai 2026 auf arXiv eingereichte Meta-Analyse fasste 23 Studien und 27 statistische Ergebnisse zusammen; für Produktivität bündelte sie 16 unabhängige Effektgrößen. Im Mittel zeigte sich ein kleiner bis moderater, statistisch signifikanter Vorteil. Die Ergebnisse unterschieden sich allerdings erheblich: Unter kontrollierten Laborbedingungen waren die Vorteile größer, in Open-Source- und Unternehmensprojekten kleiner. Ein belastbarer Lerneffekt ließ sich nicht zeigen. (Meta-Analyse)

Eine nicht randomisierte Untersuchung in Open-Source-Projekten fand mehr Aktivität bei weniger zentral beteiligten Entwicklern. Bei den Kernbeitragenden – dem obersten Viertel nach vorheriger Beitragsaktivität – schätzten die Autoren 6,5 Prozent mehr Prüfungen fremder Änderungen und 19 Prozent weniger eigene Code-Änderungen. Dieses Muster passt zu einer Verlagerung von Arbeit auf erfahrene Projektmitglieder; es beweist aber nicht, dass dies in jedem Projekt durch das Werkzeug verursacht wird. (Studie zu Wartungsaufwand)

Eine weitere Studie zu GitHub Copilot, einem KI-Assistenten fürs Programmieren, berichtet in ihrer aktuellen Fassung 5,9 Prozent mehr Codebeiträge auf Projektebene, 3,4 Prozent mehr aktive Beteiligung und 2,1 Prozent mehr individuelle Beiträge. Gleichzeitig stieg die Koordinationszeit um acht Prozent und es gab mehr Diskussionen über Code. Das sind Maße für Beiträge und Abstimmung – kein direkter Beweis für schneller fertiggestellte, wartbare Funktionen. (Copilot-Studie, Fassung vom 13. August 2026)

Im eigenen Projekt messen

KI-Coding-Tools sind weder automatische Beschleuniger noch grundsätzlich Zeitverschwendung. Sie können Arbeit sparen und Arbeit verschieben. Ob am Ende Zeit gewonnen wird, hängt von Aufgabe, Projekt, Erfahrung, Werkzeug und Qualitätsanspruch ab.

Ein brauchbarer Test ist klein: Für einige vergleichbare Aufgaben mit und ohne KI die Gesamtzeit erfassen. Dazu gehören Umsetzung, Tests, Korrekturen, Prüfung durch Kollegen und die Abstimmung bis zur Übernahme in das gemeinsame Projekt. Zusätzlich notieren: Wie viel vorgeschlagener Code wurde verworfen, und bei wem landete die Nacharbeit?

KI-Lizenzen sind noch kein Produktivitätsbeweis. Die Anzahl erzeugter Zeilen ist ungefähr so aussagekräftig wie die Geschwindigkeit eines Kochs beim Zwiebelschneiden. Entscheidend ist, wann das Essen fertig auf dem Tisch steht.

Quellen

Quellenstand: 5. September 2026. Alle vier Fassungen liegen auf arXiv. Der Plattformstatus allein belegt keine Begutachtung durch Fachkollegen; Ergebnisse und Kausalitätsaussagen sind deshalb mit den jeweiligen methodischen Grenzen zu lesen.