Künstliche Intelligenz schreibt zwar mehr Code, aber die Softwareentwicklung wird dadurch nicht unbedingt schneller.
Eine der interessantesten Erkenntnisse, die ich bisher über KI-gestützte Programmierassistenten gelesen habe: Mehr Code bedeutet nicht automatisch mehr Software.
Eine Studie von Fiona Chen und James Stratton von Harvard analysierte Daten von über 700.000 Mitarbeitern in mehr als 700 Softwareunternehmen von 2021 bis März 2026 und untersuchte 300 Millionen Arbeitsvorgänge. Nach der Einführung von Programmierassistenten stiegen die durchschnittliche Anzahl der Codezeilen um 30 %, die Anzahl der Commits um 20 % und die Anzahl der Pull Requests um 23 %.
Die eigentliche Frage ist jedoch: Führt dies zu einer Effizienzsteigerung? Statistische Veränderungen in der Abschlussrate von Fehlern, Aufgaben und Funktionen, die in Tools wie Jira verfolgt werden, waren nicht signifikant.
Der Engpass liegt in der Code-Überprüfung. Die Zeit, die zwischen dem Senden eines Pull Requests und seiner Aufnahme in den Hauptcodebestand verging, verlängerte sich um 49 %. Die Rate der Pull Requests, bei denen Änderungen angefordert wurden, stieg fast auf das Doppelte, die Anzahl der Kommentare pro Pull Request stieg um 35 %, und der Anteil der Mitarbeiter, die Code überprüfen, erhöhte sich um 14 %. Das bedeutet, dass ein großer Teil der Geschwindigkeit, die im Programmierprozess gewonnen wurde, im Bereich der Überprüfung und Korrektur wieder verloren geht.
Unternehmen versuchen, dieses Problem ebenfalls mit KI zu lösen: Bis März 2026 verwendeten 80 % der untersuchten Unternehmen eine Art von KI-gestütztem Code-Überprüfungstool. Dennoch stammen nur 23,3 % der Überprüfungs-Kommentare von diesen Tools, und die Assistenten tragen nur zu 10,8 % der Pull Requests bei; der Großteil der Arbeit wird immer noch von Menschen erledigt. Auch die Anzahl der aktiven Mitarbeiter hat sich, zumindest im untersuchten Zeitraum, nicht signifikant verändert.
Es ist wichtig zu beachten, dass die Daten im März 2026 enden und die Tools seitdem weiterentwickelt wurden. Aber die Schlussfolgerung, die ich ziehe, ist klar: Um die Effizienz zu steigern, müssen nicht nur die Programmierzeiten, sondern auch die Bereiche Überprüfung, Fehlerbehebung und Integration beschleunigt werden.
Artikel bei Ars Technica: https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-cod…
PDF der Studie: https://fion.ac/jellyfish.pdf
Quelle: DonanımHaber
Eine Studie von Fiona Chen und James Stratton von Harvard analysierte Daten von über 700.000 Mitarbeitern in mehr als 700 Softwareunternehmen von 2021 bis März 2026 und untersuchte 300 Millionen Arbeitsvorgänge. Nach der Einführung von Programmierassistenten stiegen die durchschnittliche Anzahl der Codezeilen um 30 %, die Anzahl der Commits um 20 % und die Anzahl der Pull Requests um 23 %.
Die eigentliche Frage ist jedoch: Führt dies zu einer Effizienzsteigerung? Statistische Veränderungen in der Abschlussrate von Fehlern, Aufgaben und Funktionen, die in Tools wie Jira verfolgt werden, waren nicht signifikant.
Der Engpass liegt in der Code-Überprüfung. Die Zeit, die zwischen dem Senden eines Pull Requests und seiner Aufnahme in den Hauptcodebestand verging, verlängerte sich um 49 %. Die Rate der Pull Requests, bei denen Änderungen angefordert wurden, stieg fast auf das Doppelte, die Anzahl der Kommentare pro Pull Request stieg um 35 %, und der Anteil der Mitarbeiter, die Code überprüfen, erhöhte sich um 14 %. Das bedeutet, dass ein großer Teil der Geschwindigkeit, die im Programmierprozess gewonnen wurde, im Bereich der Überprüfung und Korrektur wieder verloren geht.
Unternehmen versuchen, dieses Problem ebenfalls mit KI zu lösen: Bis März 2026 verwendeten 80 % der untersuchten Unternehmen eine Art von KI-gestütztem Code-Überprüfungstool. Dennoch stammen nur 23,3 % der Überprüfungs-Kommentare von diesen Tools, und die Assistenten tragen nur zu 10,8 % der Pull Requests bei; der Großteil der Arbeit wird immer noch von Menschen erledigt. Auch die Anzahl der aktiven Mitarbeiter hat sich, zumindest im untersuchten Zeitraum, nicht signifikant verändert.
Es ist wichtig zu beachten, dass die Daten im März 2026 enden und die Tools seitdem weiterentwickelt wurden. Aber die Schlussfolgerung, die ich ziehe, ist klar: Um die Effizienz zu steigern, müssen nicht nur die Programmierzeiten, sondern auch die Bereiche Überprüfung, Fehlerbehebung und Integration beschleunigt werden.
Artikel bei Ars Technica: https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-cod…
PDF der Studie: https://fion.ac/jellyfish.pdf
Quelle: DonanımHaber
Kommentare 0
Schreib den ersten Kommentar, in jeder Sprache.
Zum Kommentieren anmelden