Future{hacks}: Der Code ist schneller fertig. Das Projekt nicht.
Trending Topics auf Google als bevorzugte Nachrichtenquelle festlegen.
Coding Agents produzieren massiv mehr Code. Bei Releases kommt davon deutlich weniger an. Zeit, darüber zu reden, was Softwareprojekte wirklich langsam macht.
„Wir bräuchten einfach mehr Entwickler:innen.“
Den Satz höre ich seit Jahren. Backlog zu groß, Projekt zu langsam, Features kommen nicht rechtzeitig. Die Erklärung liegt schnell auf dem Tisch: Es fehlt an Entwicklungskapazität.
Jetzt bekommen wir diese zusätzliche Kapazität.
Nur anders als gedacht.
Eine 2026 in „Management Science“ veröffentlichte Untersuchung mit 4.867 Entwickler:innen kommt mit AI-Unterstützung auf rund 26 Prozent mehr erledigte Tasks. Eine aktuelle NBER-Studie mit mehr als 500.000 GitHub-Entwickler:innen misst bei autonomen Coding Agents sogar bis zu 240 Prozent mehr Coding-Aktivität. Bei den Releases bleiben davon rund 30 Prozent übrig.
Ein Commit ist noch lange kein fertiges Produkt. Aber genau diese Differenz ist interessant: Wenn wir beim Coding derart beschleunigen können, warum werden unsere Softwareprojekte nicht annähernd im selben Verhältnis schneller?
Gratuliere, der Code ist schneller fertig
AI kann Code mittlerweile beeindruckend schnell erzeugen. Produktionsreif ist er deshalb noch nicht.
Im Stack Overflow Developer Survey 2025 nennen 66 Prozent der Befragten „fast richtige“ AI-Lösungen als größte Frustration. 45 Prozent berichten, dass das Debugging AI-generierten Codes mehr Zeit beansprucht. Schneller generierter Code muss also weiterhin verstanden, geprüft und getestet werden.
Wenn wir die Codeproduktion massiv beschleunigen, wächst die menschliche Kapazität für Reviews, Tests und Security nicht automatisch mit. Dazu kommt: Software ist nach dem Release nicht fertig. Sie muss betrieben, aktualisiert und gewartet werden.
Im dümmsten Fall produzieren wir also schneller Code, damit unsere teuersten Entwickler:innen anschließend mehr davon kontrollieren und warten dürfen. Als Produktivitätsstrategie würde ich da noch einmal nachrechnen.
Danach kommt leider das echte Softwareprojekt
Selbst perfekter AI-Code würde nur einen Teil des Problems lösen. Ein Coding Agent modernisiert kein Altsystem, beschleunigt keine externe Schnittstelle und beseitigt keine Abhängigkeiten in einer über Jahre gewachsenen Architektur.
Dann kommt die Organisation dazu. Denn bevor überhaupt programmiert wird, muss jemand herausfinden, was Kund:innen tatsächlich brauchen und nicht nur, was sie im ersten Gespräch haben möchten. Gute Product Owner und Requirements Engineers übersetzen Gespräche, Rückfragen und widersprüchliche Wünsche in etwas, das ein Entwicklungsteam sinnvoll bauen kann.
AI kann dabei unterstützen. Sie nimmt uns aber weder das Verständnis für Kund:innen noch die Entscheidungen ab. Dazu kommen Freigaben, Security, externe Abhängigkeiten und Anforderungen, die sich während des Projekts ändern. Der Coding Agent kann währenddessen weiterarbeiten. Das Projekt wird dadurch keinen Tag früher fertig.
DORA beschreibt AI deshalb im Wesentlichen als Verstärker des vorhandenen Systems. Gute technische Prozesse können zusätzliche Geschwindigkeit aufnehmen. Aber wer die falschen Features baut, hat wenig davon, sie mit AI schneller zu bauen.
Ich habe letztens mit meinem Partner Christoph Ott, Founder von LEAN-CODERS, genau darüber diskutiert. Er hat es treffend direkt formuliert: „Gratuliere, ihr habt ein Drittel der Leute rausgehaut, gebt jetzt Tausende Euro für Tokens aus, liefert freiwillig eure Daten weiter und liefert trotzdem nicht mehr als davor. Vielleicht waren die Devs nie das Problem?“
Überspitzt? Natürlich. Aber die Rechnung dahinter würde ich tatsächlich gerne sehen.
Zeigt mir nicht die gesparte Zeit. Zeigt mir den Release.
Wenn mir jemand präsentiert, dass Coding-AI die Developer Productivity um 30 Prozent erhöht hat, möchte ich nicht nur wissen, wie viele Stunden theoretisch eingespart wurden.
Ich möchte wissen, wie viel schneller eine freigegebene Anforderung bei Kund:innen ankommt. Wie entwickeln sich Review-Zeiten und Nacharbeit? Releasen wir häufiger? Wie lange dauert es vom „Ja, das bauen wir“ bis zum produktiven Einsatz?
Erst dann wissen wir, ob wir das Unternehmen beschleunigt oder nur einen einzelnen Arbeitsschritt optimiert haben.
Denn wenn der Business Case für AI mit eingesparten Entwickler:innenstunden argumentiert, darf die Erfolgsmessung nicht ebenfalls bei Entwickler:innenstunden aufhören.
Unser Future{hacks} Fazit
AI kann Entwickler:innen schneller machen. Nur besteht ein Softwareprojekt eben nicht ausschließlich aus Codeproduktion.
Code muss geprüft, getestet, integriert und später gewartet werden. Dazu kommen Entscheidungen, Freigaben und all die organisatorischen Dinge, die kein Coding Agent automatisch beschleunigt. Deshalb würde ich bei der nächsten Präsentation über 30, 50 oder 100 Prozent mehr Developer Productivity nur eine Zahl daneben verlangen:
Wie viel schneller liefern wir dadurch tatsächlich?
Wenn darauf keine vernünftige Antwort kommt, würde ich vor der nächsten AI-Lizenz nachsehen, wo die gewonnene Geschwindigkeit eigentlich verloren geht.
Denn vielleicht zeigt AI uns gerade nicht, wie viele Entwickler:innen wir künftig einsparen können, sondern wie viele unserer Probleme nie bei den Entwickler:innen lagen.
Markus Kirchmaier ist Prokurist & Partner bei LEAN-CODERS und beschäftigt sich seit Jahren intensiv mit dem IT-Arbeitsmarkt sowie modernen IT-Systemen und technologischen Entwicklungen. Hier geht es zu den anderen Beiträgen aus der Future{hacks}-Reihe.
