AI in der Entwicklung: Warum die Produktivität sinkt

KI-Tools in der Entwicklung: Reale Produktivitätsdaten

Die Analyse von PyPI-Daten zeigt, dass Entwickler seit der Einführung von KI insgesamt keine steigende Produktivität verzeichnen. Die Anzahl neuer Pakete ist nicht gestiegen, obwohl man erwartet hatte, dass Automatisierung routinemäßige Aufgaben vereinfacht. Der Trend zu häufigen Paketaktualisierungen begann 2019 und hängt mit CI/CD-Tools wie GitHub Actions zusammen – nicht mit KI.

Wenn man Pakete in KI- und Nicht-KI-Kategorien unterteilt, offenbart sich ein entscheidender Unterschied: KI-bezogene Pakete werden doppelt so oft aktualisiert, besonders beliebte. Dies korreliert mit massiven Investitionen in den KI-Sektor, nicht mit einer allgemeinen Effizienzsteigerung. Hype-bedingte Ressourcenallokation verschleiert den Mangel an systemischer Verbesserung.

Der Bericht von Google Cloud "Einfluss generativer KI auf die Softwareentwicklung" spiegelt subjektive Wahrnehmungen wider: 75 % der Entwickler berichten von erhöhter Produktivität durch GenAI. Objektive Kennzahlen zeigen jedoch eine andere Realität:

• Die Lieferdurchsatzrate sinkt um 1,5 % bei 25 % GenAI-Auslastung.
• Die Lieferstabilität nimmt um 7,2 % ab.

Entwickler fühlen sich, als würden sie weniger wertvolle Arbeit leisten, während routinemäßige Aufgaben zunehmen – genau das Gegenteil dessen, was Automatisierung verspricht.

Fallstudien von GitHub und Unternehmen

Daten aus dem GitHub Innovation Graph zeigen keinen Anstieg der Repository-Zahl. Revolutionäre Tools sollten einen Schub an Nebenprojekten auslösen – das ist jedoch nicht eingetreten. In Unternehmensumgebungen führen KI-Coder-Einführungen durch Manager oft zu geringerer Effizienz.

Betrachten wir Notion: Die Gewinnspanne sank von 90 % auf 80 % nach Einführung von KI-Funktionen. Marktführer fühlen sich unter Druck, Trends zu folgen – ohne User-Wachstum wird dies jedoch unprofitabel.

KI überzeugt beim Prototyping, doch der Neugier-Effekt verfliegt schnell. Ähnlich wie bei KI-generierten Bildern: Die initialen Begeisterung hat sich mittlerweile in Skepsis gewandelt.

METR-Studie: Die Kluft zwischen Erwartung und Realität

Eine renommierte METR-Studie untersuchte Tools wie Cursor und Claude. Erfahrene Entwickler berichten subjektiv von einer 20-prozentigen Beschleunigung; Laien behaupten bis zu 40 %. Objektiv:

• KI verlangsamt die Arbeit um 20 %.
• Weniger manuelle Codierung, aber mehr Zeit für Überprüfung, Debugging und Warten.
• Wahrnehmung und tatsächliche Leistung divergieren über mehrere Dimensionen.

Dies bestätigt: KI beschleunigt keine Routinearbeit – sie fügt Verifizierungs-Aufwand hinzu.

Was zählt

• Objektive Metriken (Durchsatz, Stabilität) zeigen sinkende Effizienz bei GenAI-Einsatz.
• Subjektive Produktivitätsgefühle stimmen nicht mit realen Ergebnissen überein.
• Aktivitäts-Spitzen treten nur in hypebegeisterten Segmenten auf, getrieben von Finanzierung, nicht durch breite Verbesserungen.
• Unternehmensweite KI-Einführung senkt Margen ohne Nutzerwachstum.
• Für Startups ist der Engpass nicht der Code – KI löst keine Kernprobleme.

Schlussfolgerungen für Unternehmen und Entwickler

Ernsthafter KI-Einsatz in der Entwicklung ist ohne Durchbrüche nicht unausweichlich. Aktuelle Tools sind angenehm zu nutzen, beeinträchtigen aber die Lieferleistung. Unternehmen sollten sich auf ROI konzentrieren: Messen Sie Durchsatz und Stabilität, nicht nur Gefühle.

Entwickler verbringen mehr Zeit nach der Generierung: Debugging, Refactoring, Integration. Das erklärt die Verzögerung. Für mittlere bis erfahrene Ingenieure gilt: Wählen Sie gezielt ein – nutzen Sie KI für Standardcode, aber prüfen Sie rigorös.

Zukünftige Forschung ist für andere Rollen notwendig. Für jetzt gilt: Fakten deuten darauf hin, dass KI die Arbeit interessanter macht – aber nicht produktiver. Die Messung des "Genusses" des Prozesses ist eine separate Herausforderung.

— Editorial Team