Autonome Coding-Agenten schreiben und ändern Code heute weitgehend selbstständig. Ob die Qualität der bestehenden Codebasis dabei überhaupt eine Rolle spielt, war bislang kaum sauber gemessen. Eine neue Untersuchung des Analyse-Anbieters SonarSource liefert nun belastbare Zahlen.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügenÜber 660 kontrollierte Durchläufe hat SonarSource einen KI-Coding-Agenten auf saubere und auf absichtlich verschmutzte Kopien identischer Projekte losgelassen. Das Ergebnis fällt nüchterner aus, als die aufgeheizte Debatte um KI-Entwicklung vermuten lässt. Sauberer Code macht den Agenten nicht klüger, aber messbar sparsamer.
Das Wichtigste in Kürze
- 660 kontrollierte Durchläufe mit dem Agenten Claude Code, jeweils auf sauberen und auf verschmutzten Varianten identischer Projekte.
- Die Erfolgsquote der gelösten Aufgaben unterscheidet sich statistisch nicht zwischen sauberem und unsauberem Code.
- Auf sauberem Code verbraucht der Agent rund 7 bis 8 % weniger Token und springt 34 % seltener zwischen Dateien hin und her.
- SonarSource verkauft selbst Werkzeuge zur Code-Analyse, was die Deutung der Ergebnisse einfärbt.
Was hat SonarSource genau gemessen?
Gemessen wurde der reine Effekt der Code-Qualität: zwei ansonsten identische Versionen jedes Projekts, die sich nur in Regelverstößen der statischen Analyse und in kognitiver Komplexität unterscheiden.
Die Autoren Priyansh Trivedi und Olivier Schmitt nennen das ein Minimal-Pair-Design[1]. Jedes Projektpaar stimmt in Architektur, Abhängigkeiten und Verhalten überein und trennt sich nur in den beiden messbaren Punkten.
Verglichen haben die Forscher in beide Richtungen. Sauberer Code ist gezielt verschlechtert, unsauberer aufgeräumt worden, damit am Ende der reine Qualitätsunterschied übrig bleibt und nicht die Tagesform des Agenten. Als Testkandidat kam Claude Code zum Einsatz, ein weitverbreiteter autonomer Agent.
Warum bleibt die Trefferquote gleich, die Kosten aber nicht?
Die Trefferquote bleibt gleich, weil sauberer Code den Agenten nicht schlauer macht; die Kosten sinken, weil der Agent sich auf aufgeräumtem Code schneller zurechtfindet.
Bei der Erfolgsquote zeigt die Studie keinen statistisch belastbaren Unterschied. Ob der Agent auf gepflegtem oder auf chaotischem Code arbeitet, ändert kaum etwas daran, ob eine Aufgabe am Ende gelöst ist.
Der Unterschied sitzt in der Effizienz. Auf sauberem Code hat der Agent rund 7 bis 8 % weniger Token verbraucht und ist 34 % seltener zu bereits geöffneten Dateien zurückgekehrt. Geringere kognitive Komplexität heißt, dass sich der Agent schneller ein Bild vom Projekt macht und weniger Anläufe braucht.
Damit bekommt technische Schuld eine neue Rechnung. Unaufgeräumter Code kostet nicht mehr nur menschliche Wartungszeit, sondern direkt Token und damit bares Geld auf der Cloud-Rechnung. Wie stark solche Kosten drücken, zeigt die laufende Debatte um sparsamere Verfahren, etwa wenn ein Entwickler seine KI-Kosten um 60 % senkt oder Mistrals offene Beweis-KI Code für wenige Euro je Aufgabe prüft.
Sauberer Code galt lange als Frage der Handwerksehre. Mit KI-Agenten wird daraus eine nüchterne Position auf der Kostenstelle.
— Markus Seyfferth, Chefredakteur Dr. Web
SonarSource hat einen autonomen Coding-Agenten in 660 kontrollierten Durchläufen auf sauberen und auf absichtlich verschmutzten Kopien identischer Projekte arbeiten lassen. So fällt die Bilanz aus.
Was heißt das für Teams im DACH-Raum?
Für Teams, die Copilot, Cursor oder Claude Code einführen, wird Code-Qualität zur direkten Stellschraube für die KI-Kosten pro Entwickler. Der Einzeleffekt ist mit 7 bis 8 % klein, summiert sich über tausende Agentenläufe im Monat aber zu einer spürbaren Position.
Zur Einordnung gehört, dass SonarSource seine eigenen Analysewerkzeuge verkauft und ein Interesse an der Botschaft „sauberer Code lohnt sich“ hat. Die Messmethode bleibt dennoch transparent, und die Richtung deckt sich mit der Alltagserfahrung vieler Entwicklungsteams.
Praktisch heißt das zweierlei. Vor dem Einsatz eines Agenten auf einem Altsystem lohnt ein Blick auf die kritischsten Komplexitäts-Hotspots. Und in jede Governance-Regel für KI im Unternehmen gehört Code-Qualität als Kostenhebel, nicht nur als Wartungsthema.
Für die meisten Teams bleibt die Botschaft unspektakulär und gerade deshalb glaubwürdig. Sauberer Code beschleunigt und verbilligt die Arbeit von KI-Agenten, ohne Wunder zu versprechen. Ein kurzer Aufräum-Sprint vor dem großen KI-Rollout zahlt sich also messbar aus.
Quelle
[1] Priyansh Trivedi, Olivier Schmitt (SonarSource): „Does Code Cleanliness Affect Coding Agents? A Controlled Minimal-Pair Study“ ↩
Mehr Newshunger?
- Spitzen-KI-Modelle lokal betreiben: Was ein Praxisleitfaden für eigene Hardware empfiehlt
- Open-Source KI-Modell GLM schafft 2626 Token pro Sekunde auf AMD MI355X
- Alibaba verbannt Claude Code wegen angeblicher Backdoor
- Studie: Mittelstand nutzt KI, doch Governance bremst die Skalierung
- Code als Bild: So senkt ein Entwickler die KI-Kosten um 60 %
