Große Sprachmodelle schreiben Code im Sekundentakt, sauber lesbar und sofort lauffähig. Neue Daten zeigen jedoch, dass dieselbe Geschwindigkeit eine wachsende Wartungslast hinterlässt, die kaum ein Team einplant.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügenKI-Code entsteht heute schneller, als ihn ein Team prüfen kann, und genau darin liegt das Problem. Der Code-Analysedienst GitClear hat 623 Millionen Code-Änderungen aus den Jahren 2023 bis 2026 ausgewertet und einen klaren Trend gefunden: Kopierte Blöcke häufen sich, während das saubere Umbauen von Code fast verschwindet.
Das Wichtigste in Kürze
- GitClear hat 623 Millionen Code-Änderungen ausgewertet; doppelte Code-Blöcke sind seit 2023 um 81 % gestiegen.
- Refaktorierung, also das saubere Umbauen von bestehendem Code, ist von 21 % (2022) auf 3,8 % eingebrochen.
- Die Ursache steckt im Werkzeug: Sprachmodelle überblicken selten das ganze Projekt und schreiben lieber neu, statt Vorhandenes wiederzuverwenden.
- Für Teams zählt jetzt die Wartbarkeit, nicht die Tippgeschwindigkeit; feste Review-Regeln bremsen die technischen Schulden.
Warum schreibt KI so viel doppelten Code?
Fehlender Überblick. Ein Sprachmodell erzeugt Code lokal und funktional vollständig, ohne die gesamte Codebasis im Blick zu behalten. Die bereits vorhandene Hilfsfunktion kennt das Modell oft nicht und formuliert dieselbe Logik lieber ein zweites Mal.
In der Entwickler-Diskussion auf Hacker News wird eingewandt, dass selbst klare Vorgaben daran wenig ändern: Modelle greifen trotz Anweisung häufig nicht auf bestehende Abstraktionen zurück, sondern bauen sie neu. Ein Teilnehmer berichtet, dass längere Regel-Listen die Trefferquote eher senken als heben.
Dabei hilft ordentlicher Ausgangscode durchaus: Eine kontrollierte Studie hat bereits gezeigt, dass sauberer Code die Trefferquote von KI-Agenten hebt. Der vielbeachtete Beitrag auf unstack.io bringt den Kern auf den Punkt[1]: Entscheidend ist nicht, dass die KI Code liefert, sondern ob ein Mensch ihn später noch versteht und ändern kann.
Was 623 Millionen Änderungen verraten
Duplikate statt Umbau. GitClear verfolgt seit Jahren, wie sich Codebasen verändern. 2026 übersteigt kopierter Code erneut den Anteil sauber umgebauter Zeilen; der Anteil kopierter Zeilen ist von 9,4 % (2022) auf 15,7 % in der ersten Jahreshälfte 2026 geklettert.[2]
Weniger Wiederverwendung. Noch deutlicher fällt der Rückgang bei der Wiederverwendung aus: Die Zahl der Methodenaufrufe je tausend geänderte Zeilen ist seit 2023 um 35 % gesunken. Weniger Aufrufe bedeuten, dass frischer Code seltener an bestehende Bausteine andockt und häufiger isoliert nebenherläuft.
Wartung bleibt liegen. Der Anteil an Code, der langfristig gepflegt wird, ist um 74 % gefallen; Konstrukte, die Fehler eher verdecken als lösen, haben um 47 % zugenommen. Dass KI-Code oft lauffähig, aber selten produktionsreif ist, hat sich schon früher gezeigt, und klassische Coding-Benchmarks messen diese Qualität kaum.
GitClear hat 623 Millionen Code-Aenderungen aus den Jahren 2023 bis 2026 ausgewertet. Fuenf Kennzahlen zeigen, wie das Tempo der KI die Wartung belastet.
Die KI senkt die Kosten fürs Schreiben von Code und hebt zugleich die Kosten fürs Verstehen. Ein Team, das nur auf die Geschwindigkeit schaut, bezahlt die Rechnung später mit Zinsen.
— Markus Seyfferth, Chefredakteur Dr. Web
Was heißt das für Ihr Team im Mittelstand?
Prüfen vor Tempo. Für Unternehmen im DACH-Raum, die KI-Assistenten wie Copilot oder Claude Code einführen, verschiebt sich der Engpass von der Erstellung zur Prüfung. Der Produktivitätsgewinn entsteht erst, wenn ein Team den generierten Code mit festen Regeln in Schach hält.
Vier Maßnahmen dämmen die Wartungslast ein:
- Eine projektweite Konventionsdatei pflegen, die wiederkehrende Muster und erlaubte Bausteine dokumentiert.
- Verbindliche Review-Schritte vor jedem Commit einziehen, mit gezieltem Blick auf Duplikate und tote Abstraktionen.
- Dubletten regelmäßig messen, etwa per Code-Analyse im Build, statt sie erst im Störfall zu bemerken.
- Produktive Systeme technisch sperren, sodass ein Agent sie nicht allein über einen Prompt erreicht.
In der Diskussion wird betont, dass Prompts allein kritische Zugriffe nicht absichern; echte Grenzen gehören in die Technik, nicht in die Anweisung. Rechtlich wächst der Druck zusätzlich, denn die überarbeitete EU-Produkthaftungsrichtlinie bezieht Software ausdrücklich ein, unabhängig davon, ob ein Mensch oder ein Modell die Zeile geschrieben hat.
Wartbarkeit zuerst. Der schnellste Code bleibt wertlos, wenn ihn beim nächsten Feature niemand mehr durchdringt. Messen Sie Duplikate und Refaktorierung in Ihrer Codebasis, bevor die KI-Ersparnis in stille technische Schulden umschlägt. Wie weit die Agenten heute überhaupt reichen, ordnet der Senior SWE-Bench ein.
Quellen
[1] unstack.io: „Write code like a human will maintain it“ ↩
[2] GitClear: „The Maintainability Gap: 2026 AI Code Quality Research“ ↩
