Alibabas Logistiktochter Cainiao lässt Agenten inzwischen über 90 Prozent ihres Codes schreiben. Die Auslieferung neuer Funktionen beschleunigte sich dadurch nur um rund 10 Prozent. Der Grund liegt nicht am Modell, sondern an den 70 Prozent der Arbeit, die vor und nach dem Programmieren anfallen.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Beim KI-Coding gilt die Zeilenzahl schnell als Fortschritt, doch ein Praxisbericht von Alibabas Logistiktochter Cainiao rückt dieses Bild gerade. Guo Fengzhao, Leiter der KI-Entwicklungseffizienz, schilderte auf einer Fachkonferenz, wie der Anteil KI-geschriebenen Codes binnen sechs Monaten von 10 auf über 90 Prozent kletterte.[1] Die Zeit bis zur fertigen Funktion sank trotzdem kaum.
Das Wichtigste in Kürze
- Bei Cainiao stieg der KI-Anteil am Code laut Guo Fengzhao von 10 auf über 90 Prozent, die Lieferzeit verkürzte sich nur um rund 10 Prozent.
- Programmieren macht etwa 30 Prozent der Auslieferung aus, Anforderung, Test, Freigabe und Integration bleiben Handarbeit.
- Ein Feldversuch von METR maß bei erfahrenen Entwicklern sogar 19 Prozent mehr Zeitaufwand mit KI, obwohl sie sich schneller fühlten.
- Cainiaos Antwort ist ein Agent, der die ganze Kette abarbeitet, nicht nur den Code.
Warum bringen 90 Prozent KI-Code nur 10 Prozent Tempo?
Die Rechnung folgt einem alten Gesetz der Optimierung. Programmieren steht bei Cainiao für rund 30 Prozent der gesamten Auslieferung. Anforderungsklärung, Entwurf, Test, Freigabe und Integration füllen den Rest. Für diese Schritte gibt es bislang keine KI-Automatisierung. Beschleunigt ein Team nur diesen kleineren Anteil, bleibt der Gesamtgewinn bei wenigen Prozent.
Der zweite Bremsklotz ist die Übergabe. Zwischen jeder Phase wartet ein Mensch, der prüft, entscheidet und weiterreicht. „Solange Menschen den Prozess steuern, sind ihre Aufmerksamkeit und Zeit der Engpass der Ende-zu-Ende-Lieferung“, sagt Guo Fengzhao. Mehr KI-Code erzeugt so vor allem mehr Material, das ein Team gegenlesen und einordnen muss.
Ist das ein Einzelfall?
Nein, die Zahlen passen zu einem Muster. Das Forschungsinstitut METR ließ 16 erfahrene Open-Source-Entwickler 246 echte Aufgaben abarbeiten, mit und ohne KI-Werkzeug. Mit KI brauchten sie 19 Prozent länger, schätzten sich hinterher aber 20 Prozent schneller ein.[2] Genau diese Lücke zwischen Gefühl und Messung macht das Cainiao-Ergebnis so lehrreich.
Auf Dr. Web zieht sich der Engpass durch mehrere Fälle: Die menschliche Prüfung ermüdet Entwickler bei der KI-Programmierung, bei Linear wurde die Testpipeline zum Flaschenhals, während die Kosten aus dem Ruder laufen, sobald Agenten ohne feste Rollen arbeiten. Nicht der Code ist knapp, sondern die Kapazität, ihn zu verarbeiten.
Codezeilen sind die billigste Zutat der Softwareentwicklung geworden. Teuer bleibt alles drumherum, wo sich das Tempo von KI-Projekten wirklich entscheidet.
— Markus Seyfferth, Chefredakteur Dr. Web
Was heißt das für Teams im DACH-Raum?
Der erste Schritt ist eine ehrliche Messung. Nicht die Zeilenzahl zählt, sondern die Durchlaufzeit einer Anforderung von der Idee bis zur Produktion, wie sie die DORA-Kennzahlen abbilden. Erst danach lohnt der zweite Schritt: die Automatisierung der teuren 70 Prozent. Cainiao steuert seinen Agenten über beschriebene Abläufe, eine deterministische Aufgabenliste und eine Sandbox, statt nur ein Chat-Fenster für Code zu öffnen. Vorbilder liefern die Orchestrierung autonomer KI-Agenten und die Hebel gegen ausufernde KI-Coding-Kosten.
Bleibt die Haftung. Prüfung und Freigabe des KI-Codes bleiben beim Menschen. Unter dem EU AI Act sowie der DSGVO trägt der Betreiber die Verantwortung für das Ergebnis. Jedes neue Werkzeug wirft zudem die Frage auf, wohin es Quellcode und Projektdaten sendet. Eine Einordnung dieser Debatte liefert die KI-Themenseite von Dr. Web.
Gegenprobe aus der Forschung: Im kontrollierten Feldversuch von METR brauchten erfahrene Entwickler mit KI 19 Prozent länger, schätzten sich aber 20 Prozent schneller ein.
Cainiaos Bericht ist keine Absage an das KI-Coding, sondern eine Landkarte des nächsten Engpasses. Messen Sie den Nutzen an der Lieferzeit, automatisieren Sie Prüfung und Test entlang der ganzen Kette und behandeln Sie den KI-Anteil am Code als Nebenzahl, nicht als Ziel.
Was ist das KI-Coding-Paradox bei Cainiao?
Bei Alibabas Logistiktochter Cainiao stieg der Anteil KI-geschriebenen Codes laut Guo Fengzhao binnen rund sechs Monaten von 10 auf über 90 Prozent. Die Zeit bis zur ausgelieferten Funktion sank aber nur um etwa 10 Prozent. Ein hoher KI-Anteil am Code bedeutet also nicht automatisch eine schnellere Lieferung.
Warum beschleunigt mehr KI-Code die Auslieferung nicht im gleichen Maß?
Das reine Programmieren macht nur etwa 30 Prozent der Auslieferung aus. Anforderung, Test, Freigabe und Integration bleiben Handarbeit und laufen über Menschen. Solange dieser Teil nicht automatisiert ist, bleibt die menschliche Aufmerksamkeit der Engpass, egal wie viel Code die KI schreibt.
Wie sollten Teams den Nutzen von KI-Coding messen?
Nicht an der Zeilenzahl oder am KI-Anteil, sondern an der Durchlaufzeit einer Anforderung von der Idee bis zur Produktion. DORA-Kennzahlen wie Lead Time und Änderungsfehlerrate zeigen den echten Effekt. Ein Feldversuch von METR fand 19 Prozent Mehraufwand mit KI, obwohl sich die Entwickler schneller fühlten.
Was bedeutet das für Verantwortung und den EU AI Act?
Mit Prüfung und Freigabe des KI-Codes bleibt auch die Haftung beim Menschen. Unter dem EU AI Act und der DSGVO trägt der Betreiber die Verantwortung für das ausgelieferte Ergebnis. Beim Einsatz von KI-Coding-Tools sollten Sie zudem klären, wohin diese Werkzeuge Quellcode und Projektdaten übertragen.
Quellen
[1] InfoQ 中国: „AI Coding 贡献率超 90%，需求交付却只快了 10%“ (Vortrag Guo Fengzhao, Cainiao)
[2] METR: „Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity“
Mehr Newshunger?
- KI-Coding macht CI zum Flaschenhals: Linears Antwort auf die Testflut
- Human in the Loop am Limit: Warum KI-Programmierung die Entwickler ermüdet
- KI-Agenten sprengen das Budget: Warum feste Rollen mehr bringen als mehr Rechenleistung
- GitLab drosselt KI-Coding-Agenten mit strengeren Rate Limits
- AX: Googles quelloffener Orchestrator für autonome KI-Agenten
