Wie viel schneller können wir durch AI in der Softwareentwicklung werden? Ein prägnanter Überblick über aktuelle Studien und Umfragen

Im Kontext meines Workshops werde ich insbesondere von Managern und Engineering Leads häufiger gefragt: „Wie viel schneller werden wir denn nun wirklich, wenn wir AI Agents in der Softwareentwicklung einsetzen?”

Eine pauschale Antwort ist hier schwierig, da die Geschwindigkeit deines Teams von vielen Faktoren abhängt — nicht zuletzt davon, wie sehr das reine Schreiben von Code beispielsweise ein Bottleneck in euren Workflows ist. Deswegen gebe ich in meinem Workshop kein vorgefertigtes Muster vor, nach denen deine Engineers KI nach meinem Geschmack nutzen, sondern befähige euch als Team, eure eigenen Workflows zu gestalten und fundierte Entscheidungen über die Nutzung von AI Agents zu treffen.

Die oben gegebene Antwort hat ein Problem: Es sind keine Zahlen, und viele Leute, mit denen ich spreche, wollen aber Zahlen haben. Deshalb liefere ich hier einen Überblick über die neuesten Studien und Umfragen zur Adoption von AI in der Softwareentwicklung und deren Auswirkungen.

Also: Wie sehen die Zahlen aus?

Kurzgesagt: Sie geben Hoffnung darauf, dass sich die Nutzung von AI Agents in der Softwareentwicklung lohnt — und zwar massiv, wenn es richtig gemacht wird. Man muss jedoch auch die fast endlosen Freiheitsgrade und Unbekannten anerkennen, die den Daten dieser Studien zugrunde liegen.

Hier ein Kurzüberblick über die methodisch saubersten und aktuellen Studien.

1. Faros AI: AI Acceleration Whiplash

Wer?

Faros AI ist eine Observability-Plattform für Engineering-Workflows, d.h. eine Plattform zur Messung und Analyse von Engineering-Teams. Kunden sind typischerweise große Tech-Unternehmen und Engineering-Führungskräfte, die datenbasierte Entscheidungen treffen wollen.

Wann?

April 2026

Datenlage

Zwei Jahre automatisierte Telemetrie aus Commits, PRs, Reviews, Incidents, Deployments. 22.000 Entwickler aus 4.000 Teams. Wichtig: Alle Teams nutzen Faros AI, d.h. es gibt einen Bias bzgl. der Wichtigkeit von Performance und ihrer Messung.

Zahlen

So wirkt sich KI-Adoption auf Engineers aus, die mit Faros AI ihre Performance gemessen haben:

Metrik	Veränderung
Abgeschlossene Epics pro Developer	+66,2%
Bugs pro Developer	+54%
Incidents pro PR	+242,7%
Code Churn	+861%
PR-Größe	+51%
Bugs pro PR	+28%
Median Review-Zeit	5× höher
Code ohne jedes Review	+31%

Fazit

Die Zahlen klingen dramatisch: KI-Adoption erhöht die Menge an Code, aber auch die Menge an Fehlern und Incidents. Es gibt jedoch Ausreißer. Hochperformende Teams kombinieren KI mit rigoroser Code-Review-Kultur und setzen auf Senior Engineers als Quality-Gate. Faros AI beobachtet dabei, dass Senior Engineers 2–3× mehr Output durch KI erzielen als Juniors (1,2–1,5×) — Erfahrung bestimmt maßgeblich, wie gut man KI-generierten Code einordnen und prüfen kann.

Quelle

faros.ai/blog/ai-acceleration-whiplash-takeaways

2. METR-Experimente

Wer?

METR (Model Evaluation & Threat Research) ist eine unabhängige Non-Profit-Forschungsorganisation, die sich auf die wissenschaftliche Evaluierung von KI-Fähigkeiten und -Risiken spezialisiert hat.

Wann?

Juli 2025, Follow-Up Februar 2026

Datenlage

Kontrollierte Experimente, in denen erfahrene Open-Source-Entwickler zufällig in Kontrollgruppen mit oder ohne KI-Tools eingeteilt wurden.

Zahlen

Anfang 2025: KI verlangsamt um +19% (Konfidenzintervall +2% bis +39%).

Ende 2025/Anfang 2026: KI beschleunigt um -18% (Konfidenzintervall -38% bis +9%).

Fazit

Das Ergebnis ist statistisch nicht signifikant, gibt aber Hinweise auf Besserung im Vergleich zum Vorjahr.

Quellen

• Juli 2025: arxiv.org/abs/2507.09089
• Februar 2026: metr.org/blog/2026-02-24-uplift-update

3. Google DORA Umfrage

Wer?

DevOps Research and Assessment: Ein langjähriges Forschungsprogramm, das 2014 gegründet und 2018 von Google übernommen wurde. DORA entwickelte die fünf Standardmetriken zur Messung von Software-Delivery-Performance:

1. Deployment Frequency
2. Lead Time for Changes
3. Change Failure Rate
4. Mean Time to Recovery
5. Reliability

Wann?

September 2025

Datenlage

Selbsteinschätzung von weltweit ca. 5000 Befragten.

Zahlen

• 90% der Befragten Engineers nutzen inzwischen AI.
• Mehr als 4 von 5 berichten von gesteigerter Produktivität.
• Median: 2 Stunden Arbeit mit KI pro Tag.
• Aber: Meetings, Interruptions und Review-Verzögerungen kosten mehr Zeit als KI einspart.

Fazit

Die Zahlen sind schwer zu beurteilen, da es sich um Selbsteinschätzungen handelt. Ebenso ist nicht bekannt, wie viel Zeit pro Tag im Median wirklich im Code gearbeitet wird, und wie viel Zeit dadurch proportional mit KI verbracht wird.

Quelle

dora.dev/research/2025/dora-report

4. GitLab Global DevSecOps Survey 2026

Wer?

Durch GitLab durchgeführte jährliche Befragung.

Wann?

November 2025

Datenlage

Selbsteinschätzung durch weltweit ca. 3266 Befragte.

Zahlen

• 98% berichten von gesteigerter Effizienz.
• Teams verlieren pro Woche 7 Stunden durch ineffiziente KI-Prozesse.
• 49% der Befragten nutzen mehr als fünf verschiedene KI Tools.

Was sind ineffiziente KI-Prozesse?

Drei konkrete Ursachen:

1. Fehlende Cross-Team-Kommunikation: Generierter Code passt nicht zu den Erwartungen anderer Teams.
2. Mangelndes Wissens-Sharing: Nur der Engineer, der den Prompt geschrieben hat, weiß, was inhaltlich und logisch dahinter steckt. Onboarding und Wissenstransfer kommen zu kurz.
3. Tool-Wildwuchs: Die Hälfte nutzt mehr als fünf KI-Tools, was zu inkonsistenter Output-Qualität, doppelter Arbeit und Kosten durch Kontextwechsel führt.

Fazit

Die Umfrage durch GitLab bestätigt das zweigeteilte Bild: Die gesteigerte Effizienz in der Selbstwahrnehmung trifft auf große Verluste durch ineffiziente Workflows und falsche Tool-Auswahl.

Quelle

about.gitlab.com/press/releases/2025-11-10-gitlab-survey-reveals-the-ai-paradox

5. Capgemini Research Institute Umfrage

Wer?

Capgemini SE ist ein börsennotiertes französisches IT-Beratungs- und Technologieunternehmen mit Hauptsitz in Paris. Es ist der größte IT-Dienstleister europäischen Ursprungs, mit über 340.000 Mitarbeitern in mehr als 50 Ländern.

Wann?

April 2024

Datenlage

Selbstauskünfte von

• 1.098 Senior Executives (Director-Ebene und höher),
• 1.092 Software-Professionals (Entwickler, Tester, Architekten, PMs),
• Alle aus Unternehmen mit >1 Mrd. USD Jahresumsatz,
• Dazu 20 qualitative Deep-Dive-Interviews mit Branchenführern.

Es wurden nur Unternehmen mit aktiven Piloten berücksichtigt, sodass kein repräsentativer Industrie-Querschnitt vorlag.

Zahlen

Die Studie wird gerne zitiert, weil sie methodisch solide ist und echte Gewinne verspricht:

Aufgabe	Durchschnittliche Zeitersparnis	Maximale Zeitersparnis
Coding Assistance (Code schreiben/ergänzen)	9%	34%
Dokumentation erstellen/aktualisieren	10%	35%
Debugging & Testing	5%	20%
Projektmanagement (Tasks, Tickets)	1%	20%

Fazit

Eine beispielhafte Erfolgsgeschichte ist die Erhöhung der Testabdeckung durch GitHub Copilot in einem australischen Unternehmen um 30%. Niedrige Durchschnittswerte lassen auf ungleiche und unvollständige KI-Adoption und fehlendes Fachwissen schließen.

Quelle

capgemini.com/…/Final-Web-Version-Report-Gen-AI-in-Software-Engineering.pdf

Was sagen uns all diese Zahlen?

Dir ist vielleicht aufgefallen, dass die Studien ein zweigeteiltes Bild zeichnen: Wo harte Telemetriedaten vorliegen (Faros AI, METR), fallen die Ergebnisse deutlich nüchterner aus als dort, wo Entwickler ihre eigene Produktivität einschätzen (DORA, GitLab, Capgemini).

Wenn ich mich mit Engineers unterhalte, höre ich das immer wieder: Die Arbeit mit AI Agents fühlt sich extrem schnell an — sobald ich aber nach Messungen frage, wird es still. Produktteams müssen genau hier ansetzen: „Was funktioniert für uns” muss die zentrale Frage sein.

Dazu kommt: Die Tool-Landschaft bewegt sich so schnell, dass jede dieser Studien bereits eine ältere Generation von Werkzeugen abbildet. Die Zahlen sind also weniger ein Urteil als ein Ausblick: Sie zeigen die großen Chancen, aber auch die Gefahren, wenn Teams AI ohne Methodik einsetzen.

Gesamtfazit

Wer AI in der Software-Entwicklung im Jahr 2025 eingesetzt hat, konnte mit den richtigen Prozessen bereits >50% Performance-Gewinn bei Senior Engineers erzielen. Durch stärkere Modelle in 2026 können wir auf eine starke Verbesserung hoffen, und erste Datenpunkte suggerieren eine mögliche Effizienzsteigerung von 1,2- bis 3-fach (Faros AI).

Aber: AI, und insbesondere AI Agents sind ein Katalysator — sowohl für die stärksten Engineers im Team als auch für die größten Ineffizienzen und Defizite in Workflows, Kommunikation und Teamdynamik. Wer AI auf sein Problem wirft und auf das Beste hofft, muss mit erheblichen Problemen rechnen, wie einem massiven Anstieg an Bugs pro Engineer, mehr Incidents sowie längeren Review-Zeiten und gefährlichen Blind Spots im Produkt.

Wertvolle AI-Workflows entstehen in Teams, die bereit sind, zu experimentieren und zu lernen, und die einen offenen Dialog darüber führen können, was funktioniert und was schadet.

Also: Werden wir nun schneller?

Kurz: Ja, wahrscheinlich.

Werdet ihr signifikant schneller, ohne dabei größere Brände zu legen? Gut möglich. Mit der richtigen Methodik, offener Kommunikation und einem hohen Maß an Selbstdisziplin erhöht ihr eure Chancen enorm.