Skip to content
Kontakt
Alle Beiträge

Wenn KI beim Programmieren bremst – was Unternehmen über den produktiven Einsatz von KI-Tools wissen müssen

von   ·  2 Min. Lesezeit
HPPP

Große Erwartungen, ernüchternde Realität? Eine neue Studie zeigt: KI-gestützte Coding-Tools machen Entwickler:innen nicht automatisch schneller. Was das für Unternehmen bedeutet und wie man mit den richtigen Rahmenbedingungen dennoch produktiv wird.

KI in der Softwareentwicklung: Zwischen Hype und Alltag

Large Language Models (LLMs) wie Claude 3.5, GPT-4, Mistral, Replit CodeGen oder Phi unterstützen heute Softwareentwickler:innen bei einer Vielzahl von Aufgaben: von der Softwareentwicklung über die Testgenerierung bis hin zur Dokumentation.. Besonders Tools wie Cursor (Code Editor), GitHub Copilot oder CodeWhisperer versprechen einen Effizienzschub im Entwicklungsprozess.

Die Erwartungshaltung vieler Teams ist klar:

„Mit KI geht Coden schneller, einfacher und besser“

Doch eine neue Studie liefert ein differenziertes Bild und wichtige Hinweise für die Realität in Unternehmen.

Studie: KI macht (noch) nicht schneller

In einer Untersuchung mit 16 erfahrenen Open-Source-Entwicklern wurde analysiert, wie sich KI-Tools auf die tatsächliche Performance auswirken – insbesondere bei der Verwendung von Cursor in Kombination mit Claude 3.5 und 3.7.

Das Ergebnis:

  • Statt der von einigen Quellen erwarteten Produktivitätssteigerung von rund 24 %, etwa laut METR und TechSpot, arbeiteten die Entwickler:innen im Schnitt 19 % langsamer
  • Der Einsatz von KI führte zu mehr Kontextwechseln, Prompt-Iterationen und einem erhöhten Validierungsaufwand.

Die Ursachen:

  • Prompting statt Flow
    Zeit für präzise Anfragen und deren Optimierung unterbricht den natürlichen Entwicklungsfluss.
  • Erhöhter Kontrollaufwand
    KI-generierter Code muss geprüft, angepasst oder verworfen werden und  das kostet Zeit.
  • Tool-Usability
    Viele Entwickler:innen hatten wenig Erfahrung mit KI-gestützter Entwicklungsumgebung, was die Lernkurve erhöht.

Produktivität ist eine Frage der Reife – nicht des Tools

Ein wichtiger Punkt der Studie: Der erfahrenste Teilnehmer konnte die KI tatsächlich effizient nutzen.

Das zeigt: Die Einführung von KI-Tools ist kein reiner Technologie-Task – sie erfordert Erfahrung, Methodik und organisatorisches Enablement.

Bei der anacision beobachten wir ähnliche Muster in unseren KI-Projekten im Softwareumfeld:

  • KI kann sehr gute Vorschläge liefern, aber nur, wenn die Tool-Landschaft, der Kontext und die UX stimmen.
  • Produktivitätsgewinne entstehen nicht sofort, sondern über Lernprozesse.
  • Es braucht klare Nutzungsstrategien, z. B. wann Prompting sinnvoll ist – und wann klassische Entwicklung schneller wäre.

Handlungsempfehlungen für Unternehmen

Die Studie zeigt deutlich: KI ist kein magisches Produktivitäts-Upgrade. Sie ist ein Werkzeug – und muss erlernt werden.

Was Unternehmen jetzt tun können:

  • Klare Erwartungen setzen
    Erste Gehversuche mit KI-Tools bringen nicht automatisch Zeitgewinn und das ist normal.
  • Enablement & Training anbieten
    Entwickler:innen brauchen Schulungen zu Prompting, Tool-Nutzung und KI-Vertrauen.
  • Tool-Auswahl kritisch prüfen
    Die UX eines Tools wie Cursor oder Copilot kann produktivitätsentscheidend sein. Qualität > Popularität.
  • Best Practices im Team entwickeln
    Welche Prompts funktionieren gut? Wie dokumentieren wir mit KI? Wie kommunizieren wir ihre Grenzen?

Fazit

KI-Tools bieten ein großes Potenzial für die Softwareentwicklung, aber sie entfalten ihren Nutzen nicht automatisch. Unternehmen sollten den produktiven Einsatz von KI als Transformationsaufgabe begreifen: mit Raum für Lernen, methodischer Begleitung und passenden Erwartungen. Nur wer KI auch organisatorisch mitdenkt, wird langfristig davon profitieren.

 

Quellen