Die AI Coding Falle: Warum Schnellere Aufgaben Nicht zu Schnellerer Softwarebereitstellung Führen

KI kann die Code-Erstellung beschleunigen. Die eigentliche Frage ist, ob das Entwicklungssystem die Änderung aufnehmen, überprüfen und freigeben kann.

Warum KI-Programmierwerkzeuge die Produktivität in Unternehmen nicht steigern

Ein KI-Agent kann einen Pull-Request erstellen, noch bevor ein Mensch das Ticket vollständig gelesen hat. Das erscheint zunächst wie ein Durchbruch – bis der Pull-Request in der Überprüfung hängen bleibt, aufgrund einer undokumentierten Datenregel abgelehnt wird, Nacharbeiten im Sicherheitsbereich auslöst und das Release-Fenster verpasst.

Der Code wurde schneller generiert. Die Änderung wurde jedoch nicht schneller bereitgestellt.

Das ist die Falle beim Programmieren von KI.

Programmierassistenten und Entwicklungsassistenten schaffen echten Mehrwert. Sie können Repositorys durchsuchen, unbekannten Code erläutern, Implementierungen generieren, Tests schreiben, Tools ausführen und Pull-Anfragen vorbereiten. Es ist ein Irrtum anzunehmen, dass eine schnellere Code-Erstellung automatisch zu einer schnelleren Softwarebereitstellung führt.

Die Softwarebereitstellung ist ein System. Eine Änderung muss die geschäftlichen Ziele, die Architektur, das Anwendungswissen, die Sicherheit, die Qualität, die Genehmigungen und die betrieblichen Nachweise bis in die Produktion hinein berücksichtigen. Die Beschleunigung einer einzelnen Station in diesem System führt nicht zu einer Steigerung des Gesamtdurchsatzes, wenn die umliegenden Stationen weiterhin durch Engpässe behindert werden.

Die Aufgabe wird schneller. Der Engpass verlagert sich.

Wichtigste Erkenntnisse

Die Produktivitätsumkehr

Die meisten Diskussionen zum Thema Produktivität gehen von den Entwicklern aus: Wie viel schneller kann eine Person eine Programmieraufgabe erledigen? Das ist zwar nützlich, aber unvollständig.

Ein technisches System umfasst mehrere Prozessschritte: Anforderungen, Architektur, Implementierung, Überprüfung, Tests, Sicherheit, Freigabe und Betrieb. Wenn die KI die Erzeugungsrate von Code erhöht, während die Durchlaufzeit bei der Überprüfung und Freigabe unverändert bleibt, staut sich der Arbeitsbestand. Die Wartezeit in der Warteschlange steigt. Das Unternehmen erzeugt mehr Output, ohne dabei notwendigerweise einen höheren Mehrwert zu liefern.

Dies ist ein vorhersehbarer Systemeffekt. Es handelt sich nicht um ein Versagen des Modells.

DORA beschreibt einen Teil dieses Phänomens als „Verifizierungsaufwand“: Die bei der ursprünglichen Erstellung eingesparte Zeit wird oft wieder für die Überprüfung, Korrektur und Absicherung des Ergebnisses aufgewendet, bevor diesem vertraut werden kann.[1] Je leistungsfähiger der Generator wird, desto wichtiger wird das empfangende System.

Die Diskrepanz zwischen wahrgenommener und gemessener Produktivität kann ebenfalls erheblich sein. In einer kleinen randomisierten Studie aus dem Jahr 2025 beobachtete METR 16 erfahrene Open-Source-Entwickler bei der Erledigung von 246 Aufgaben in Repositories, mit denen sie gut vertraut waren. Die Entwickler erwarteten, dass KI sie schneller machen würde, und waren auch nach Abschluss der Studie noch der Überzeugung, dass dies der Fall gewesen sei. In diesem spezifischen Umfeld verlängerte sich die Zeit bis zur Erledigung der Aufgaben um 19 %, wenn der Einsatz von KI-Tools erlaubt war.[2]

Dieses Ergebnis sollte nicht auf alle Ingenieure, Werkzeuge oder Arbeitsabläufe verallgemeinert werden. Es handelt sich um eine Momentaufnahme einer bestimmten Gruppe und einer bestimmten Aufgabenstellung. Die daraus zu ziehende Lehre ist jedoch wichtig: Die empfundene Produktivität, die erzeugte Leistung und die gemessene Lieferleistung sind unterschiedliche Dinge.

Ein Entwickler kann eine Aufgabe schneller erledigen, während das Projekt dennoch erst später fertiggestellt wird.

Vier versteckte Steuern, die den Gewinn aufzehren

Die bei der Codeerstellung eingesparte Zeit verschwindet nicht einfach. Sie taucht oft an anderer Stelle im Bereitstellungssystem wieder auf.

Jede dieser Kosten entsteht in einer anderen Phase des Lieferprozesses, doch der zugrunde liegende Mechanismus bleibt derselbe: Aufgaben, die KI ohne menschliches Zutun ausführen kann, erfordern dennoch menschliche Aufsicht, um Fehler zu erkennen, Abläufe zu koordinieren oder Arbeiten zu wiederholen.

Die nachstehende Aufschlüsselung hilft Ihnen dabei, die einzelnen Steuerarten in Ihrem Arbeitsablauf zu identifizieren, bevor sie sich auf die Durchlaufzeit auswirken.

Brownfield-Systeme verstärken die Falle

Greenfield-Demonstrationen sind nützlich, da die Annahmen dabei explizit dargelegt werden können. Die meisten technischen Projekte in Unternehmen finden nicht auf einer leeren Leinwand statt.

Dies geschieht in Anwendungen, die durch jahrelange Geschäftsregeln, Integrationen, Datenbeziehungen, Ausnahmen und operative Notlösungen geprägt sind. Ein Teil dieses Wissens ist im Code sichtbar. Ein anderer Teil findet sich in Tickets, Diagrammen, Datenbankschemata und Runbooks. Wieder ein anderer Teil existiert ausschließlich in der Erfahrung derjenigen, die das System am Laufen halten.

Aus diesem Grund ist plausibler Code nicht gleichbedeutend mit einer sicheren Änderung.

Ein Modell kann die strukturellen Muster eines Repositorys nachbilden und dennoch hinsichtlich des Datenbankschemas, in dem ein Datensatz tatsächlich gespeichert ist, fehlerhaft sein; ein geschütztes Feld, das aus einem Tresor und nicht aus einer Tabelle stammen muss; eine nicht dokumentierte Soft-Delete-Konvention; eine von mehreren erforderlichen Zugriffsrollen; ein Backfill- oder Fallback-Verhalten zur Laufzeit; oder die tatsächlich erforderliche Testtiefe für eine repositorienübergreifende Änderung.

Praxisbeispiele: Wo sich die wirtschaftlichen Rahmenbedingungen verändert haben

In einem kontrollierten Xebia-Feldversuch wurde eine reale Brownfield-Optimierung, die sich über drei Repositorys erstreckte, unter Einhaltung eines festgelegten Qualitätsstandards in die Produktion überführt. Eine gut konzipierte, eigenständige Codierungspipeline mit fünf Agenten war schneller als die gemessene menschliche Basisleistung. Allerdings erforderte sie 11 Iterationen zur Nachbearbeitung und verbrauchte 348,6 Millionen Tokens.

Nach der Einbindung deterministischer Anwendungsintelligenz und des Xebia Ace-Engineering-Systems erforderte dieselbe Produktionsänderung drei Iterationen zur Nachbearbeitung und 2,3 Millionen Token. Im Vergleich zur eigenständigen Agenten-Pipeline war die integrierte Konfiguration 8,5-mal schneller, etwa 10-mal kostengünstiger und verbrauchte rund 150-mal weniger Token.[3]

Hierbei handelt es sich um einen einzelnen, gemessenen Fall und nicht um einen allgemeingültigen Maßstab. Die Ergebnisse variieren je nach Codebasis, Team und Ausgangssituation.

Die größten Gewinne ergaben sich nicht daraus, dass der Code schneller getippt wurde. Sie ergaben sich vielmehr aus der Reduzierung des Aufwands für die Spezifikation und der Vermeidung von Review-Schulden.

Die Genauigkeit war ausschlaggebend für die Wirtschaftlichkeit. Der Mehrwert entstand durch die Vermeidung von Nacharbeit, nicht durch die Steigerung der Geschwindigkeit.

Die „Brownfield“-Lektion lässt sich in einem Satz zusammenfassen: KI kann nicht sicher verändern, was das technische System nicht versteht.

Messen Sie die erzielte Veränderung, nicht die erzeugte Leistung

Unternehmen messen häufig das, was sich am einfachsten zählen lässt: aktivierte Lizenzen, eingereichte Anfragen, generierte Codezeilen, eröffnete Pull-Requests, selbst angegebene Zeitersparnis oder den Token-Verbrauch.

Diese Signale tragen dazu bei, die Akzeptanz und die Aktivität zu erklären. Sie beweisen jedoch nicht, dass sich die Softwarebereitstellung verbessert hat.

Als nützlicherer Maßstab gilt die akzeptierte Produktionsänderung: Arbeit, die die Anforderungen erfüllt, die Qualitätsvorgaben einhält, sicher in die Produktion gelangt und das beabsichtigte Ergebnis liefert.

Sie können anhand der nachfolgend beschriebenen Maßnahmen eine kurze Selbstüberprüfung durchführen:

Messen Sie die Arbeit, die sicher in die Produktion gelangt, und nicht die Arbeit, die erzeugt wurde.

Wie Ingenieurbüros der Falle entkommen

Die Lösung besteht darin, das System an die neue Ausführungsgeschwindigkeit anzupassen, anstatt die KI zu verlangsamen.

Den Kontext in die Arbeit einbeziehen

Anforderungen, Architekturentscheidungen, Anwendungsabhängigkeiten, Datenregeln, Standards und akzeptierte Betriebsabläufe sollten mit dem Artefakt einhergehen. Die Teams sollten nicht in jeder Phase denselben Kontext neu aufbauen müssen.

Verschiebungsprüfung im vorgelagerten Bereich

Typisierte Schemata, programmatische Prüfungen, statische Analysen, automatisierte Tests, Sicherheitskontrollen und die Überprüfung der Einhaltung von Richtlinien sollten durchgeführt werden, bevor die Ausgabe einer aufwendigen manuellen Überprüfung unterzogen wird. Menschen sollten Abwägungen und Ausnahmen beurteilen und nicht wiederholt fehlerhafte oder unvollständige Ausgaben aufspüren müssen.

Halten Sie Änderungen klein und überprüfbar

KI erleichtert die Erstellung umfangreicher Änderungssätze. Umfangreiche Pull-Anfragen verlängern die Überprüfungszeit und verschleiern Risiken. Gliedern Sie die Arbeit in begrenzte, fundierte Inkremente mit expliziten Akzeptanzkriterien und einem klaren Rollback-Pfad auf.

Setzen Sie Menschen an entscheidenden Punkten ein

Die Zukunft liegt weder beim Menschen noch beim Agenten. Sie liegt in der begrenzten Autonomie. Agenten können Artefakte recherchieren, erstellen, testen und vorbereiten. Der Mensch sollte weiterhin die Verantwortung für die geschäftlichen Ziele, architektonische Kompromisse, Sicherheitsausnahmen, die Risikoakzeptanz und Release-Entscheidungen tragen.

Die Abstammungslinie bewahren und den Kreis schließen

Jede Anforderung, jede Entscheidung, jede Codeänderung, jeder Test, jede Freigabe und jede Veröffentlichung sollte miteinander verknüpft bleiben. Signale aus der Produktion und manuelle Korrekturen sollten den Kontext, die Kompetenzen, die Tests und die Kontrollmaßnahmen verbessern, die bei der nächsten Änderung zum Einsatz kommen.

Von der lokalen Beschleunigung bis hin zu bewährten Produktionsänderungen

Ein vernetztes Engineering-System wandelt die erzeugten Ergebnisse in überprüfbare, nachvollziehbare und produktionsreife Änderungen um.

Wo Xebia Ace zum Einsatz kommt

Xebia Ace zielt nicht darauf ab, die Programmierumgebungen und Entwicklertools zu ersetzen, die Ihre Teams bereits verwenden.

Xebia Ace stellt das dahinterstehende technische System bereit.

Xebia Ace überträgt den Unternehmens- und Anwendungskontext über die Phasen Anforderung, Architektur, Entwicklung, Test und Freigabe hinweg. Spezialisierte Agenten und wiederverwendbare Fähigkeiten führen die Arbeit aus, während strukturierte Ergebnisse, deterministische Arbeitsabläufe, automatisierte Auswertungen und ein aus zwölf Säulen bestehendes Quality Gate wiederholbare Kontrollen hinsichtlich des probabilistischen Modellverhaltens gewährleisten. Menschliche Genehmigungen bleiben bei den Entscheidungen, die Urteilsvermögen und Verantwortlichkeit erfordern. Die Rückverfolgbarkeit verbindet die Absicht mit den daraus resultierenden Artefakten und den Nachweisen aus der Produktion.

Dasselbe System unterstützt drei technische Aufgaben:

Das Ziel besteht darin, den Aufwand für die Rekonstruktion des Kontexts, die Überprüfung und Nachbesserungen zu reduzieren, die verhindern, dass sich die lokale KI-Produktivität in Lieferleistung umsetzt – und nicht darin, die erzeugte Output-Menge zu maximieren.

Spezialtools beschleunigen die Umsetzung. Xebia Ace verbindet die Umsetzung mit der unternehmensweiten Bereitstellung.

Der Führungswechsel

Die Codegenerierung wird sich weiter verbessern. Jede bedeutende Entwicklungsplattform wird über leistungsfähigere Agenten verfügen. Das sind gute Nachrichten. Es bedeutet jedoch auch, dass die Erstellung von Rohcode als Unterscheidungsmerkmal an Bedeutung verlieren wird.

Die knappen Ressourcen werden sich auf die Bereiche rund um das Modell beziehen: vertrauenswürdiger Unternehmens- und Anwendungskontext; umsetzbare Architektur- und Entwicklungsstandards; automatisierte Qualitäts- und Sicherheitskontrollen; menschliche Verantwortlichkeit bei den richtigen Entscheidungen; Rückverfolgbarkeit von der Absicht bis zur Produktion; sowie der Nachweis, dass das Ergebnis die Kosten gerechtfertigt hat.

Der nächste Vorteil in der Softwareentwicklung wird nicht dadurch entstehen, dass mehr Code als die Konkurrenz produziert wird. Er wird vielmehr dadurch entstehen, dass die Fülle an Ideen in vertrauenswürdige Veränderungen umgesetzt wird.

Schnellere Aufgaben sind von Vorteil. Eine schnellere Bereitstellung erfordert ein besseres System.

Möchten Sie wissen, ob Ihre eigene Lieferpipeline diese Steuern bereits entrichtet? Wenden Sie sich an einen Xebia Ace-Techniker.

Quellen:

Dies ist der zweite Beitrag einer fortlaufenden Reihe zum Thema „AI-Native Digital Engineering“. Unseren vorherigen Blogbeitrag können Sie hier lesen: „Von KI-Experimenten hin zu AI-Native Digital Engineering“.

Seien Sie gespannt auf unseren nächsten Blogbeitrag: „Kontext ist die neue technische Infrastruktur: Warum KI das, was sie nicht versteht, nicht sicher verändern kann.“