Der verstärkte Einsatz von KI-Agenten in der Softwareentwicklung führt zu einer messbaren Zunahme an Code, beschleunigt jedoch nicht die Fertigstellung übergeordneter Projektaufgaben. Dies geht aus einer Studie der Harvard-Forscher Fiona Chen und James Stratton hervor, über die arstechnica.com und sxz.io berichteten.
Die Untersuchung stützt sich auf Jellyfish-Daten aus mehr als 700 Softwareunternehmen mit über 700.000 Beschäftigten im Zeitraum von 2021 bis März 2026.
Demnach stieg das Volumen an Codezeilen nach der Einführung von KI-Coding-Agenten um 30 %. Gleichzeitig legten die Commits um 20 % und die Pull Requests um 23 % zu. Dieser Effekt der Agenten-Adoption trat zusätzlich zur bestehenden Nutzung herkömmlicher KI-Assistenten auf.
Trotz des höheren Ausstoßes verzeichneten die Forscher jedoch keine signifikante Veränderung bei den Auflösungen von Jira-Issues und Epics. Auch das Beschäftigungsniveau in den untersuchten Organisationen änderte sich nicht signifikant.
Längere Prüfzeiten bremsen Entwicklungsabläufe
Die Zunahme von Code führte laut der Harvard-Untersuchung zu deutlichen Verzögerungen in den nachgelagerten Prüfprozessen. Die durchschnittliche Zeitspanne von der Einreichung eines Pull Requests bis zum Merge stieg um 49 %, ausgehend von einem Basiswert von 7,03 Tagen. Parallel dazu verdoppelten sich die Änderungsanforderungen je Pull Request nahezu und stiegen von 13 % auf etwa 25 %.
Wer KI-Systeme im Unternehmen einsetzt oder entwickelt, muss neben der Effizienz auch die neuen regulatorischen Anforderungen im Blick behalten. Dieser kostenlose Download verschafft Ihnen den Überblick über Fristen, Pflichten und Risikoklassen, den Ihre Rechts- und IT-Abteilung jetzt dringend braucht. EU AI Act in 5 Schritten verstehen
Zusätzlich erhöhte sich das Aufkommen an Review-Kommentaren je Pull Request um 35 %. Um diesen Mehraufwand zu bewältigen, banden Entwicklungsteams mehr Personal ein: Der Anteil reviewender Beschäftigter nahm um 14 % zu.
Parallele Erhebungen anderer Marktbeobachter spiegeln diese Engpässe wider. Ein Bericht von Faros AI registrierte einen Anstieg der Bugs je Entwickler um 54 % sowie 242,7 % mehr Incidents je Pull Request.
Zugleich kletterte die mediane Review-Zeit um 441,5 % und der Code-Churn um 861 %, während unreviewte gemergte Pull Requests um 31,3 % zunahmen. Eine Analyse von Veracode, die Code aus über 100 Sprachmodellen untersuchte, ergab zudem, dass 45 % der überprüften Stichproben OWASP-Top-10-Schwachstellen enthielten.
Hoher Zeitaufwand für Fehlersuche in der Praxis
Trotz punktueller Produktivitätsgewinne blicken viele Fachkräfte skeptisch auf die Arbeitsergebnisse. Eine Auswertung von DX unter 135.000 Entwicklern in 400 Unternehmen zeigte zwar, dass KI-unterstützte Teams 60 % mehr Pull Requests einreichten und durch KI-Codevervollständigung rund 3,8 Stunden pro Woche sparten.
Die rasanten Entwicklungen bei KI-gestützter Software stellen Unternehmen vor neue rechtliche Herausforderungen und Haftungsrisiken. Dieser kostenlose Report klärt auf, welche rechtlichen Pflichten und Bedrohungen Unternehmer jetzt kennen müssen, um ihre IT-Sicherheit zukunftssicher aufzustellen. Gratis-Report zu neuen KI-Gesetzen und Cyberrisiken anfordern
Bei Junior-Entwicklern lag die tägliche KI-Nutzung bei 41,3 %, verglichen mit 32,7 % bei Staff Engineers. Laut einer LaunchDarkly-Umfrage unter 767 Ingenieuren und DevOps-Führungskräften besaßen jedoch 91 % nur ein geringes Vertrauen in KI-Code für den Produktiveinsatz; 81 % gaben an, unter Termindruck Code mit ungelösten Risiken ausgeliefert zu haben.
Eine von Coleman-Parkes im Auftrag von Undo durchgeführte Umfrage unter 300 leitenden Verantwortlichen, überwiegend aus dem Bereich C/C++, verdeutlicht die Belastung durch Fehlersuche: Die Befragten verwendeten wöchentlich 16,9 Stunden auf das Debugging gegenüber 9,8 Stunden für das Schreiben von Code, womit die Fehlerbehebung 42 % der gesamten Arbeitswoche beanspruchte.
Darin gaben 35 % an, dass KI-generierter Code in die Produktion gelange, bevor das Team ihn vollständig verstehe. Zudem sahen 80 % Schwierigkeiten von Coding-Agenten bei komplexen Codebasen.
Während 81 % innerhalb von sechs Monaten einen Produktionsvorfall verzeichneten und 93 % mit falschen Ursachenanalysen konfrontiert waren, berichteten 79 % der Befragten, dass ihre Release-Zyklen trotz des Einsatzes von KI-Coding nicht schneller geworden seien.