Der Entwickler Steve Yegge ließ rund 60 KI-Agenten an seinem Spiel arbeiten und stand danach vor 600.000 Zeilen Verwaltungscode, halb so viel wie das Spiel selbst. KI drückt die Kosten der Softwareproduktion gegen null, die Kosten für Wartung und Verständnis bleiben hoch. Für Entwicklungsteams verschiebt sich der teuerste Posten damit vom Schreiben zum Besitzen.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Ein einzelner Entwickler, ein Spiel und ein Apparat aus KI-Agenten, der am Ende mehr verwaltet als erschafft: Der Fall Wheelhouse klingt nach Ausnahme, steht aber für ein Muster, das jedes Team mit KI-Werkzeugen kennt. KI-Code entsteht heute schneller, als ein Mensch ihn prüfen und pflegen kann.
Das Wichtigste in Kürze
- KI senkt die Kosten, Software zu erzeugen, gegen null, doch Verständnis und Wartung bleiben teuer.
- Eine große Faros-Auswertung zeigt mehr Ausstoß, aber keinen messbaren Vorteil auf Unternehmensebene.
- BetterUp und Stanford beziffern die Kehrseite als „Workslop“, plausibel wirkende, aber unbrauchbare KI-Ergebnisse.
- Der Engpass wandert von der Produktion zum Aussortieren: knapp ist das Urteil, was überhaupt existieren soll.
Warum baut KI mehr, als ein Team besitzen kann?
Weil das Erzeugen von Code fast nichts mehr kostet, das Verstehen und Pflegen aber genauso teuer bleibt wie zuvor. Jede einzelne Ergänzung wirkt vernünftig: Aus einer Fehlentscheidung wird eine Regel, aus der Regel ein Test, aus dem Test ein Kontrollmechanismus, dazu die dokumentierte Ausnahme und ihr Prüfprozess. In Yegges System wuchs daraus ein Apparat aus 450 Regel-Artefakten und 270 Commits pro Tag, samt einer eigenen Rolle, die nur veraltete Regeln aussortiert.[1] Nach eigener Rechnung floss zuletzt ein Fünftel bis ein Viertel der gesamten Arbeit in diese interne Maschinerie statt ins Produkt. Wie Teams mit solchem Wildwuchs umgehen, umreißt das Manifest für kritisches Design Engineering.
Was sagen die Zahlen zum Produktivitätsgewinn?
Der Ausstoß steigt kräftig, der Nutzen fürs Unternehmen nicht. Die Analysefirma Faros AI wertete über 10.000 Entwickler aus. Teams mit hohem KI-Einsatz mergten fast doppelt so viele Pull Requests, doch die Prüfzeit stieg um 91 % und die Fehlerquote zog an, während auf Unternehmensebene ein messbarer Vorteil bei Tempo und Ergebnis ausblieb.[2] Der Grund liegt im Nadelöhr Review: KI-Werkzeuge erzeugen Code schneller, als die Prüfung nachkommt, und der Rückstau ungeprüfter Änderungen macht den Vorsprung wieder zunichte.
Eine Studie von BetterUp und Stanford beziffert die Kehrseite: 41 % der Beschäftigten erhielten im Vormonat „Workslop“, plausibel wirkende, aber unbrauchbare KI-Ergebnisse mit fast zwei Stunden Nacharbeit je Fall.[3] Solche Aufräumarbeit hinter der KI beschäftigt inzwischen ganze Teams.
Nicht die Zeile Code ist knapp geworden, sondern das Urteil, welche Zeile überhaupt entstehen sollte. Teams, die KI nur am Ausstoß messen, verwechseln Beschäftigung mit Fortschritt.
— Markus Seyfferth, Chefredakteur Dr. Web
Was deutsche Teams jetzt tun sollten
Den internen Aufwand deckeln und Erfolg an Ergebnissen messen, nicht an Commits oder Tokens. Für Agenturen und Mittelständler, die KI-Code in Kundenprojekten pflegen, zählt weniger die Geschwindigkeit als die Frage, wer den Wust später versteht und verantwortet. Drei Hebel helfen:
- ein festes Budget für interne Regeln und Werkzeuge, damit die Maschinerie nicht mehr Ressourcen bindet als das Produkt,
- Strukturen, die sich leichter abschalten als anlegen lassen,
- Kennzahlen für Kundennutzen und Zuverlässigkeit statt für bloße Aktivität.
Die eigentliche Kompetenz verschiebt sich vom Schreiben zum Aussortieren, ganz wie in anderen Feldern der künstlichen Intelligenz, in denen Designer inzwischen ihren eigenen Code verantworten. Prüfen Sie vor dem nächsten KI-Rollout darum nicht nur, was ein Agent bauen kann, sondern was davon überhaupt existieren soll.
Quellen
[1] Simon Green: „AI Is Making Us Build Too Much“
[2] Faros AI: „The AI Productivity Paradox“ (Auswertung von über 10.000 Entwicklern)
[3] BetterUp Labs und Stanford Social Media Lab: „AI-Generated ‚Workslop‘ Is Destroying Productivity“ (Harvard Business Review)
Mehr Newshunger?
- Die Aufräum-Ära der UX: Wenn Teams hinter der KI aufräumen
- Critical Design Engineering: Ein Manifest für den Umgang mit KI-Code
- State of CSS 2026: Nur 28 Prozent des CSS kommen von der KI
- Agentische Design-Tools: Miro und Figma verschieben die Rolle der Designer
- Vom Vorschlag zur Ausführung: TeamViewers KI-Agent Tia behebt IT-Störungen selbst
- Mirafold bringt Claude Code, Codex und Gemini CLI mit generativer Oberfläche in den Browser
