Ein Arbeitspapier der Harvard-Forscher Fiona Chen und James Stratton, das Ars Technica im Oktober 2026 aufgegriffen hat, zeigt, dass AI Coding Agents die von Entwicklern geschriebene Codemenge um etwa 30% erhöhen, jedoch nicht die von Unternehmen ausgelieferte Software. Die Studie stützt sich auf Jellyfish-Engineering-Daten von mehr als 700 Unternehmen; die Zeit vom Öffnen eines Pull Requests bis zu dessen Zusammenführung stieg um 49%.
Was die Studie ergab
Laut dem Bericht von Ars Technica analysierten die Autoren rund 300 Millionen Arbeitsereignisse von mehr als 700.000 Mitarbeitenden in Softwareunternehmen zwischen 2021 und März 2026. Nach der Einführung von AI Coding Agents stieg die Gesamtzahl der Codezeilen um 30%, die Commits stiegen um 20% und die Pull Requests um 23%.
Die Lösungsrate für Jira-Issues und Epics, die die Autoren als Näherungsgröße für abgeschlossene Features verwenden, veränderte sich nicht in statistisch signifikanter Weise. Die Forscher stellten auch keine Verschiebung in Größe oder Komplexität dieser Issues fest und konnten keine signifikanten Beschäftigungsveränderungen auf KI zurückführen.
Wohin der zusätzliche Code geflossen ist
Die Gewinne verlagerten sich in den Review-Prozess. Die durchschnittliche Zeit zwischen dem Einreichen und dem Zusammenführen eines Pull Requests stieg um 49%. Der Anteil der Pull Requests mit angeforderten Änderungen hat sich nahezu verdoppelt, die Kommentare pro Pull Request stiegen um 35%, und der Anteil der Mitarbeitenden, die Code-Reviews durchführen, stieg um 14%.
AI-Review-Tools waren bis März 2026 weit verbreitet: 80% der Unternehmen nutzten eines. Dennoch schrieben AI Agents nur 23,3% der Review-Kommentare, sodass Menschen nach wie vor den Großteil der Reviews übernahmen. Die Autoren schlussfolgern, dass die Vorteile der KI-Einführung Investitionen in nachgelagerte Review-Kapazitäten erfordern und nicht lediglich mehr Code-Output.
Was das für Engineering-Teams bedeutet
Die Studie ist beobachtend und erfasst Unternehmen, die Jellyfish nutzen; sie beschreibt daher ein Muster und belegt keine Kausalität. Ihr praktischer Kernpunkt gilt dennoch für jedes Team, das Entwicklern Coding Agents zur Verfügung stellt: Der Engpass verlagert sich vom Schreiben von Code hin zum Prüfen desselben. Ein Team, das die Erzeugung verdoppelt, ohne seinen Review-Prozess anzupassen, wird längere Warteschlangen erleben, keine schnelleren Releases.
Damit wird Review-Kapazität zu etwas, das eingeplant werden muss. Teams können Pull Requests klein halten, Anforderungen und Tests vor dem Code verfassen und festlegen, wer die Befugnis hat, agent-generierten Code zu genehmigen.
Was das für die Einstellung von Entwicklern bedeutet
Wenn der Review der Engpass ist, sind die Entwickler am wertvollsten, die eine umfangreiche Änderung schnell lesen und beurteilen können, ob sie korrekt ist. Das ist eine Fähigkeit auf Senior-Niveau, und ein Lebenslauf mit einer Liste von AI-Tools belegt sie nicht. Unser Auswahlverfahren prüft sie direkt, in einer echten Codebasis mit den eigenen Agents des Kandidaten im Einsatz.
Um zu erfahren, wie wir Entwickler vermitteln, die auf diese Weise arbeiten, lesen Sie mehr über unsere AI-native Engineers.
Quellen
