Die Schätzungen variieren stark, aber Umfragen großer Entwicklungsplattformen deuten darauf hin, dass bei 20 bis 40 Prozent des in aktiven Codebasen eingecheckten Codes KI-Unterstützung in irgendeiner Form beteiligt ist. Die Zahl hängt stark davon ab, wie man „KI-generiert“ definiert und welche Art von Arbeit man misst.
Warum die Zahl schwer zu bestimmen ist
KI-Unterstützung existiert auf einem Spektrum. An einem Ende akzeptiert ein Entwickler einen einzelnen Autovervollständigungsvorschlag für einen Variablennamen. Am anderen Ende wird ein gesamtes Modul von einem Coding-Agenten gerüstet und vor dem Merge überprüft. Beide Fälle zählen in den meisten Umfragen als „KI-generiert“, was die Schlagzeilenprozentsätze schwer interpretierbar macht.
Das Messproblem verstärkt dies. Die meisten Organisationen instrumentieren ihre Editoren nicht, um Akzeptanzraten zu verfolgen. Umfragedaten beruhen auf Selbstauskünften, die dazu neigen, in Richtung der Antwort zu tendieren, die zum Befragungszeitpunkt sozial akzeptabel erscheint.
Klarer ist, dass der Anteil steigt. Schätzungen aus 2023 und 2024 zeigen eine konsistente Aufwärtsbewegung, und das Tooling hat sich in diesem Zeitraum erheblich verbessert.
Wo KI-Output am stärksten ist
KI-Unterstützung ist nicht gleichmäßig über eine Codebasis verteilt. Sie konzentriert sich tendenziell auf:
- Boilerplate: Konfigurationsdateien, Serialisierer, Test-Scaffolding
- Repetitive Muster: CRUD-Endpunkte, Datentransformationen, Formularvalidierung
- Erste Entwürfe: neue Dateien, bei denen der Entwickler einen Überblick gibt und eine Ausgangsstruktur akzeptiert
- Dokumentation und Inline-Kommentare
Zentrale Geschäftslogik, sicherheitsrelevanter Code und alles, was tiefes Wissen über die Geschichte eines bestimmten Systems erfordert, beinhaltet tendenziell mehr menschliche Autorenschaft oder zumindest eine stärkere Bearbeitung des KI-Outputs.
Was „KI-generiert“ verdeckt
Die nützlichere Frage lautet, wie viel Code vor dem Commit wirklich verstanden wurde. Wie viel davon aus einem Modell stammt, ist weniger wichtig. Ein Entwickler, der KI-Vorschläge liest, testet und dafür Verantwortung übernimmt, steht ganz anders da als einer, der Ausgaben ungeprüft einfügt.
Dieser Unterschied ist für die Qualität, das Debugging und die Sicherheit relevant. Wie Sie KI-generierten Code prüfen beschreibt die praktischen Unterschiede, die dieser Review-Prozess mit sich bringen sollte. Die Gewohnheiten rund um Human-in-the-loop-Engineering gewinnen an Bedeutung, je mehr der reine Umfang der KI-generierten Ausgaben zunimmt.
Organisationen, die den Prozentsatz als Produktivitätskennzahl betrachten, ohne die Qualität des Reviews zu hinterfragen, häufen technische Schulden schneller an, als ihnen bewusst ist. KI-Modelle sind selbstsicher und gewandt; sie erzeugen plausibel wirkendem Code, der eine oberflächliche Prüfung bestehen, aber unter Last versagen, bei Grenzfällen scheitern oder subtile Sicherheitsprobleme einführen kann.
Wie die Teamstruktur die Zahl beeinflusst
Teams, die Agentic-Coding-Workflows nutzen, bei denen ein Agent mehrstufige Aufgaben eigenständig übernimmt, werden höhere Anteile verzeichnen als Teams, die Inline-Suggestion-Tools einsetzen. Wie die Arbeit zwischen Mensch und Modell aufgeteilt wird, verschiebt diese Zahl erheblich.
Auch die Seniorität spielt eine Rolle. Erfahrenere Engineers nutzen KI-Unterstützung tendenziell für einen größeren Anteil weniger kritischer Aufgaben (Scaffolding, Tests, Dokumentation) und schreiben die entscheidende Logik häufiger selbst. Junior-Engineers kehren das manchmal um: Sie generieren komplexe Logik aus Prompts, die sie nicht vollständig verstehen, und schreiben die trivialen Teile selbst.
Was die Zahl nicht aussagt
Ein Team, bei dem 50 Prozent des Codes KI-generiert und sorgfältig geprüft wird, ist wahrscheinlich besser aufgestellt als ein Team, bei dem 10 Prozent KI-generiert und ohne gründliche Prüfung eingecheckt wird. Der Prozentsatz ist ein Indikator für Geschwindigkeit, nicht für Qualität oder Risiko.
Für die Teams, in die Miyagami Engineers vermittelt, gilt die Arbeitshypothese, dass KI-Unterstützung ein normaler Bestandteil der Entwicklung von Produktionssoftware ist und dass die eigentliche Engineering-Kompetenz darin besteht, das Ergebnis zu steuern, zu prüfen und zu verantworten, nicht darin, die Tools zu meiden.
Was wir prüfen
Unser Auswahlverfahren bildet das direkt ab. Das AI-native Assessment bewertet bei Engineers die Prüfung von AI-Output: Erkennen sie erfundene APIs, subtil falsche Logik oder Sicherheitslücken im generierten Code, bevor er live geht? Die Risikoeinschätzung, die in beiden Assessments bewertet wird, greift ein verwandtes Problem auf. Ein Agent liefert eine Textänderung und eine Zahlungsmigration gleich schnell und mit gleicher Sicherheit, und gute Engineers behandeln beides nicht gleich. Mehr dazu unter So prüfen wir.
Kurze Antworten
Wie viel Prozent des Codes sind 2024 KI-generiert?
Die Schätzungen variieren, Umfragen legen jedoch nahe, dass 20–40 % des eingecheckten Codes unter Einsatz von KI-Unterstützung entsteht. Der Wert hängt davon ab, wie Unterstützung definiert und gemessen wird, und ist von Jahr zu Jahr kontinuierlich gestiegen.
Verursacht KI-generierter Code mehr Fehler?
Nein, nicht grundsätzlich. KI-Code, der ohne ordentliche Prüfung committet wird, bringt aber Fehler mit sich, die sich schwerer nachverfolgen lassen. Das Risiko liegt im Review-Prozess. Die Generierung selbst birgt es nicht.
Sollten Teams erfassen, wie viel ihres Codes KI-generiert ist?
Das kann als Ausgangsbasis nützlich sein, aber der aussagekräftigere Indikator ist die Review-Abdeckung und die Fehlerrate nach Codeherkunft. Ein reiner Prozentsatz sagt wenig über Qualität oder Risiko aus.
