Immer mehr Softwareentwickler berichten, dass KI-generierter Code zwar kurzfristig den Output steigert – doch die versteckten Kosten durch minderwertige Ausgaben, erhöhten Review-Aufwand und wachsende technische Schulden fressen die Produktivitätsgewinne still und leise wieder auf.
KI-generierter Code: Studie dokumentiert wachsenden Produktivitätsverlust durch minderwertige Ausgaben
Eine qualitative Studie hat erstmals systematisch erfasst, wie Softwareentwickler minderwertige KI-generierte Inhalte – im Fachjargon zunehmend als „Slop” bezeichnet – in ihrem Arbeitsalltag wahrnehmen und welche konkreten Auswirkungen diese auf Teams und Projekte haben. Die Befunde zeichnen ein ernüchterndes Bild:
Was für den einzelnen Entwickler nach einem Produktivitätsgewinn aussieht, verursacht an anderer Stelle im Entwicklungsprozess erheblichen Mehraufwand.
Individuelle Gewinne, kollektive Kosten
Im Kern beschreiben die Studienautoren ein Phänomen, das klassischen Allmende-Problemen ähnelt: Entwickler, die KI-Tools zur Codegenerierung nutzen, können kurzfristig mehr Output produzieren. Die Kosten dieses Outputs – in Form von Reviewing-Aufwand, Fehlerkorrektur und technischen Schulden – werden jedoch auf Kollegen, Teams und die gesamte Entwickler-Community verteilt.
Reviewer müssen deutlich mehr Zeit aufwenden, um KI-generierten Code zu prüfen, der oberflächlich korrekt wirkt, aber strukturelle Schwächen, unnötige Komplexität oder schlicht falsche Ansätze enthält.
Die Studie stützt sich auf qualitative Methoden und wertet unter anderem Diskussionen auf Plattformen wie Hacker News und Reddit aus, wo Entwickler ihren Frust über minderwertige KI-Outputs dokumentieren.
Welche Qualitätsprobleme dominieren
Aus den analysierten Diskussionen kristallisieren sich wiederkehrende Muster heraus. Entwickler bemängeln vor allem Code, der zwar syntaktisch korrekt ist, aber die zugrundeliegende Problemstellung nicht wirklich versteht. Typische Kritikpunkte umfassen:
- Übermäßig verbose Lösungen, die einfache Sachverhalte unnötig verkomplizieren
- Copy-paste-artige Muster ohne echtes Verständnis der Codebasis
- Halluzinationen bei Bibliotheken oder APIs, die zwar plausibel klingen, aber in der Praxis nicht funktionieren
Besonders heikel wird die Situation in Open-Source-Projekten und bei Code Reviews in größeren Organisationen. Dort besteht das Risiko, dass minderwertige Beiträge die Qualitätsstandards eines gesamten Projekts sukzessive absenken – ein schleichender Prozess, der schwer zu messen, aber in seiner Wirkung erheblich ist.
Produktivitätsversprechen unter Vorbehalt
Die Studie liefert damit einen wichtigen Gegenpunkt zu den überwiegend positiven Produktivitätsstudien, die KI-Tool-Anbieter selbst oder deren unmittelbares Umfeld publizieren.
Metriken wie „Lines of Code per Day” oder „Tickets closed” suggerieren kurzfristige Effizienzgewinne – die indirekten Kosten durch schlechtere Codequalität bleiben dabei systematisch unterbelichtet.
Code-Reviews dauern länger, Bugfixing-Zyklen werden aufwändiger, und die kognitive Last für erfahrene Entwickler steigt, weil sie zunehmend als Qualitätsfilter für KI-Output fungieren müssen, anstatt selbst produktiv zu sein.
Dieser Befund deckt sich mit Beobachtungen aus der Praxis: In mehreren Unternehmen wurde intern berichtet, dass Senior-Entwickler überproportional viel Zeit mit dem Nachbessern und Reviewen von KI-assistiertem Code weniger erfahrener Teammitglieder verbringen.
Einordnung für deutsche Unternehmen
Für Unternehmen, die KI-Coding-Tools wie GitHub Copilot, Cursor oder ähnliche Lösungen bereits einsetzen oder deren Einführung planen, liefert die Studie praktisch relevante Hinweise:
Der Einsatz solcher Tools sollte nicht allein anhand von Output-Metriken einzelner Entwickler bewertet werden – entscheidend ist die Gesamtbilanz über den kompletten Entwicklungszyklus hinweg, inklusive Review- und Wartungsaufwand.
Unternehmen, die keine klaren Qualitätsstandards und Review-Prozesse für KI-generierten Code definieren, laufen Gefahr, kurzfristige Effizienzgewinne durch langfristig steigende technische Schulden wieder einzubüßen. Strukturierte Guidelines für den Umgang mit KI-Output sowie eine ehrliche Evaluation der tatsächlichen Gesamtproduktivität dürften sich als notwendige Investition erweisen.
Quelle: The Decoder
