KI in der Softwareentwicklung : KI macht produktiver? Wer nur die Zeit sieht, rechnet falsch

Wenn es um das Schreiben von Codes geht, gleicht die Arbeit eines Entwicklers stark der eines Autors. Ein Code entsteht Zeile für Zeile, ein Buch Kapitel für Kapitel. In beiden Fällen wächst die Komposition im Kopf mit: Zusammenhänge werden hergestellt, Entscheidungen getroffen, Brüche erkannt und korrigiert. Generative Künstliche Intelligenz (KI) verändert diesen Prozess grundlegend. Plötzlich ist da ein zweiter Autor am Werk, der in Sekundenschnelle ganze Kapitel auf den Tisch legt. Und weil KI immer schneller und zunehmend robuster Codes produzieren kann, klingen die Produktivitätshochrechnungen verführerisch einfach: Wenn Maschinen einen wachsenden Teil der Programmierarbeit übernehmen, steigt die Produktivität. Eines Tages braucht man womöglich keine Entwickler mehr.

Billigerer Code ist keine erhöhte Produktivität

Das wollten wir vom Python Software Verband nicht so stehen lassen. Deshalb führten wir im Juni 2026 unter knapp 400 Entwicklern, Data Scientists und KI-Ingenieuren eine Online-Befragung nebst Tiefeninterviews durch. Unser Ziel war es, herauszufinden, ob und in welchem Ausmaß die Jobs von Entwicklern durch den Einsatz generativer KI gefährdet sind. Um es gleich vorwegzunehmen: Kein einziger Teilnehmer sieht seinen Arbeitsplatz unmittelbar gefährdet. Stattdessen berichteten 77 Prozent der Befragten, dass sie zwar der Maschine zunehmend vertrauen und das Schreiben des Codes überlassen würden, dafür aber erheblichen Mehraufwand mit dem Prüfen und Kuratieren des KI-Outputs haben (68 Prozent). Dazu muss man wissen, dass viele Entwickler entgegen der häufigen Annahme nur noch zwischen 10 und 30 Prozent ihrer Arbeitszeit überhaupt mit dem Schreiben von Codezeilen verbringen.

Wenn sich durch KI nun noch mehr Arbeit auf Prüfen, Kuratieren und Integrieren verlagert, greift die bisherige Produktivitätsdebatte zwangsläufig zu kurz. Denn KI-generierter Code ist zunächst nichts weiter als ein Vorschlag, der im Repository landet. Produktiv wird er erst, wenn er geprüft, korrigiert, in bestehende Systeme integriert und schließlich freigegeben wird. Gemessen wird bislang vorwiegend das sichtbare Ergebnis: der Code, der am Ende übernommen wird. Unsichtbar und damit unberücksichtigt bleibt, wie viel davon geprüft, verändert oder komplett verworfen wurde, und vor allem, wie viel Arbeitszeit dafür investiert wird. Das ist der blinde Fleck vieler Produktivitätsrechnungen. Wer wissen will, ob KI die Softwareentwicklung tatsächlich produktiver macht, darf nicht nur messen, wie schnell und günstig Code erzeugt wird. Er muss den gesamten Aufwand bis zum belastbaren Ergebnis in seine Rechnung einkalkulieren. Anders gesagt: Billigerer Code ist nicht mit höherer Produktivität gleichzusetzen. Der Zeitgewinn bei der Generierung zahlt sich nur aus, wenn Review, Integration und Fehlerkorrektur ihn nicht wieder aufzehren.

Interessanterweise kann auch von einer automatischen Entlastung durch den Einsatz von KI bislang keine Rede sein. 67 Prozent der Befragten fühlen sich nach einem Arbeitstag mit hohem Review-Anteil belastet oder überfordert. Die Arbeit verschwindet nicht. Sie wird kognitiv anspruchsvoller.

Schneller Code, aber ungeklärte Verantwortung

Mit diesem KI-bedingten Skill-Shift des Entwicklers kommt noch ein zweiter blinder Fleck in Unternehmen zum Tragen. 70 Prozent aller befragten Studienteilnehmer geben an, dass die Verantwortung für fehlerhaft generierte Codes nicht explizit geregelt ist. Faktisch läge sie bei der Person, die den Code annimmt und einsetzt. Nur 11 Prozent der Entwickler geben an, dass ihr Arbeitgeber über einen entsprechenden Governance-Rahmen verfügt. Wen wundert es da noch, dass ganze 40 Prozent der Entwickler unklare Verantwortlichkeiten als größten Engpass für KI‑Vorhaben angeben? Wer sich also die Vorteile von KI bei der Softwareentwicklung zunutze machen möchte, muss klare Verantwortlichkeiten mitdenken und innerhalb der Organisation verankern. Wer aber KI-Codes schneller erzeugt, als er sie organisatorisch kontrollieren kann, handelt hingegen grob fahrlässig. Denn Modellversionen und Codeerzeugnisse ändern sich, weshalb Prüf- und Anwendungsexpertise und die entsprechenden Regeln absolut erfolgskritisch sind. Damit steht fest: KI verbilligt zwar die Code-Generierung, und macht Code-Reviews zunehmend zum Engpass. Echte Produktivitätsgewinne hängen somit davon ab, wie schnell ein Unternehmen verlässliche Ergebnisse erzeugen, freigeben und vor allem verantworten kann.

Was Unternehmen tun können

• Governance klären: CTO und Compliance-Verantwortliche sollten verbindlich festlegen und dokumentieren, nach welchen Kriterien KI-generierter Code geprüft und freigegeben wird und wer dafür die Verantwortung trägt.
• Rollenprofile weiterentwickeln: Engineering- und HR-Leitung sollten Tätigkeitsprofile und Entwicklungspfade von Softwareentwicklern an die veränderte Arbeitsteilung mit KI anpassen. Gefragt sind künftig stärker Systemverständnis, Domänenwissen, Qualitätsurteil und Kommunikationsfähigkeit.
• Prüfaufwand erfassen und einplanen: Die Engineering-Leitung sollte den Aufwand für Review, Korrektur und Integration systematisch messen und in die Kapazitätsplanung einbeziehen. Denn erst wenn Erzeugungs- und Prüfaufwand gemeinsam betrachtet werden, lässt sich belastbar beurteilen, welchen Produktivitätsbeitrag KI tatsächlich leistet.

Alexander C. S. Hendorf ist Vorsitzender des Python Software Verbandes, er leitet die Arbeitsgruppe „Open Source“ des KI-Bundesverbands, ist Fellow der Python Software Foundation und Strategieberater für KI. Er arbeitet an der Schnittstelle zwischen KI, Open Source und Transformationen.