Künstliche Intelligenz macht das Schreiben von Code fast umsonst, doch die eigentliche Arbeit verschiebt sich damit nur. Für IT-Verantwortliche ändert sich weniger das Programmieren als die Frage, was ein Team überhaupt noch misst und wofür es einsteht.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Entwicklerteams führen heißt 2026 nicht mehr, möglichst viel Code entstehen zu lassen. Seit KI-Coding-Agenten wie GitHub Copilot oder Claude Code plausiblen Code im Minutentakt liefern, ist nicht die Erzeugung der Engpass, sondern die Prüfung. Der Engineering-Direktor Karim Jedda hat aufgeschrieben, warum die vertrauten Kennzahlen dadurch in die Irre führen.[1]
Das Wichtigste in Kürze
- KI senkt die Kosten fürs Erzeugen von Code, nicht die für dessen Freigabe.
- Velocity, Pull-Request-Zahl und geschlossene Tickets messen plötzlich das Falsche.
- Der Engpass wandert zur menschlichen Frage, ob der Code zum Geschäft passt.
- In Deutschland trifft dieser Umbruch auf rund 109.000 unbesetzte IT-Stellen.
Warum die alten Kennzahlen jetzt täuschen?
Sobald das gemessene Ziel billig wird, optimieren Teams auf Menge. Genau das passiert mit Code: Velocity, die Zahl der Pull Requests und geschlossene Tickets belohnen Volumen, obwohl Volumen jetzt der leichteste Teil ist. Jedda rät deshalb, den Geschäftserfolg und die Gesundheit des Systems zu messen und Codemenge als Kostenfaktor zu behandeln, den man rechtfertigen muss, statt als Leistung, die man feiert.
Dass mehr KI-Output nicht automatisch mehr Tempo bedeutet, zeigt schon die Kostenseite, denn in manchen Projekten frisst die KI inzwischen mehr Budget als die Entwickler selbst. Und ob sauber strukturierter Code die Agenten überhaupt besser macht, ist messbar, aber keineswegs selbstverständlich.
Wo der Engpass wirklich sitzt
Die mechanische Prüfung, also Tests, Typprüfung und Linting, läuft heute schneller ab, als ein Mensch lesen kann. Die inhaltliche Prüfung dagegen bleibt am Menschen hängen, weil eine KI, die KI-Code kontrolliert, dieselben blinden Flecken aus denselben Trainingsdaten mitbringt.
Damit steigt die Gesamtlast, statt zu sinken, denn jede billige Zeile erzeugt neue Prüfarbeit, und die Freigabe selbst lässt sich nicht beschleunigen, weil sie Risikoübernahme ist und kein Abarbeiten von Information. Agentenflotten auf dem eigenen Code, wie sie Audi mit einem Multi-Agenten-System erprobt, brauchen dafür belastbare Spezifikationen und maschinenprüfbare Vorgaben. Diese Vorgaben entscheiden, wie viel vom billigen Prüfen überhaupt ankommt, und das gilt auch für die neue Generation von Coding-Modellen, die eigene Subagenten steuern.
Billiger Code ist kein Produktivitätsgewinn, sondern eine verschobene Rechnung: Was die Maschine in Minuten erzeugt, muss am Ende ein Mensch verantworten, und diese Freigabe automatisiert sich nicht weg.
— Markus Seyfferth, Chefredakteur Dr. Web
Der Engpass bleibt am Menschen: Tests und Linting sind billig geworden, die inhaltliche Freigabe nicht. Ob der Code zum Geschäft passt, ist Risikoübernahme und lässt sich nicht automatisieren.
Was IT-Verantwortliche im DACH-Raum jetzt tun sollten
Die riskanteste Nebenwirkung betrifft den Nachwuchs. Junge Entwickler haben ihr Urteil bisher an genau der Kleinarbeit geschult, die KI nun übernimmt. Jedda nennt den Wegfall dieser Einstiegsarbeit ein ungelöstes Problem, dessen Folgen sich erst in drei bis fünf Jahren zeigen.[1] Im DACH-Raum trifft das auf einen ohnehin engen Markt, denn laut Bitkom fehlen in Deutschland rund 109.000 IT-Fachkräfte, und eine offene Stelle bleibt im Schnitt 7,7 Monate vakant.[2]
Praktisch beginnt die Antwort bei ehrlicher Messung, denn solange ein Team nicht belegen kann, ob es überhaupt schneller geworden ist, ersetzt gefühltes Tempo die Zahlen. Den größten Hebel bieten danach maschinenprüfbare Vorgaben wie Tests, Verträge und klare Spezifikationen, weil sie bestimmen, wie viel vom billigen Prüfen ankommt. Die Ausbildung des Nachwuchses bleibt Chefsache und lässt sich nicht an ein Tool delegieren, schon weil unter dem EU AI Act die Verantwortung für ausgelieferten Code beim Unternehmen liegt, gleich wer oder was ihn geschrieben hat. Den Überblick über die KI-Landschaft dahinter bietet unsere KI-Themenseite.
Für Entscheider verschiebt sich damit die Grundfrage, denn der Organisationsplan zählt künftig nicht mehr, wer Code produziert, sondern wer ihn verantwortet. Der erste konkrete Schritt ist unspektakulär und trotzdem der wichtigste, nämlich die eigenen Kennzahlen so umzustellen, dass sie Ergebnisse messen und nicht Zeilen.
Quellen
[1] Karim Jedda: „Engineering management after the cost of code collapsed“ ↩
[2] Bitkom: „In Deutschland fehlen weiterhin mehr als 100.000 IT-Fachkräfte“ ↩
Mehr Newshunger?
- Multi-Agenten-System bei Audi: Die zweite Agentenflotte arbeitet am eigenen Code
- GPT-5.6 Sol Ultra in Codex: OpenAIs Coding-Modell steuert eigene Subagenten
- Ist Qwen 3.6 27B das beste Modell für die lokale Entwicklung?
- LM Studio Bionic: der KI-Agent für offene Modelle
- Beeinflusst sauberer Code KI-Coding-Agenten? Eine kontrollierte Studie liefert Zahlen
