17. Juli 2026Aktualisiert am Fathy Shalaby11 Min. Lesezeit
KI-Coding-Produktivität 2026: Bauen wurde billig, Entscheiden nicht
KI-Tools haben das Bauen von Software günstiger und verbreiteter gemacht. Die Evidenz zur Geschwindigkeit ist gemischt, und die Kosten, das Falsche zu bauen, haben sich nicht bewegt. Das sagen die Daten von 2025–2026 tatsächlich.
Teilen
Dieser Artikel wurde aus dem Englischen übersetzt. Original lesen
Die KI-Coding-Produktivität ist vor allem in der Reichweite gestiegen, weniger in nachgewiesener Geschwindigkeit. 2025 nutzten oder planten 84 % der Entwickler KI-Tools, doch METRs kontrollierte Studien fanden erfahrene Entwickler Anfang 2025 um 19 % langsamer und Ende 2025 nur schwache Hinweise auf einen Geschwindigkeitsgewinn. Gleichzeitig nennen 43 % der gescheiterten Startups weiterhin fehlenden Product-Market-Fit. Bauen wurde günstiger; zu wissen, was man bauen sollte, nicht.
Das Wichtigste in Kürze
KI-Coding ist jetzt der Standard. 84 % der Entwickler nutzen KI-Tools oder planen es, und 50,6 % der professionellen Entwickler nutzen sie täglich (Stack Overflow, 2025). Fast 80 % der neuen GitHub-Entwickler nutzen Copilot in ihrer ersten Woche (GitHub Octoverse, 2025).
Geschwindigkeitsgewinne hängen von der Aufgabe ab. Entwickler erledigten in einer Studie von 2023 eine Greenfield-Aufgabe mit einem HTTP-Server mit Copilot 55,8 % schneller, aber erfahrene Entwickler in großen, gewachsenen Codebasen waren in METRs Studie von Anfang 2025 mit KI 19 % langsamer.
Menschen überschätzen den Gewinn. METRs Entwickler erwarteten ein Plus von 24 % an Geschwindigkeit und glaubten, nachdem sie ausgebremst worden waren, immer noch, KI habe sie 20 % schneller gemacht.
Die teure Hälfte hat sich nicht bewegt. In der Analyse von CB Insights 2026 über 431 VC-finanzierte Schließungen nannten 43 % fehlenden Product-Market-Fit (CB Insights, 2026).
Die meisten Features bleiben ungenutzt. Pendo fand, dass 80 % der Features im durchschnittlichen Produkt selten oder nie genutzt werden (Pendo, 2019).
Wie viele Entwickler nutzen 2026 KI-Coding-Tools?
Fast alle, in irgendeiner Form. Die aktuellsten großen Umfragen sind sich bei der Verbreitung einig, auch wo sie bei der Wirkung auseinanderliegen.
Was der Stack Overflow Developer Survey 2025 ergeben hat
Die im Juli 2025 veröffentlichte Umfrage 2025 berichtet, dass 84 % der Befragten KI-Tools in der Entwicklung nutzen oder planen, bei 33.662 Antworten. Unter professionellen Entwicklern nutzen 50,6 % sie täglich.
KI-Agenten stehen früher auf der Kurve: 14,1 % der Befragten nutzen KI-Agenten bei der Arbeit täglich, 9 % wöchentlich, und 37,9 % planen gar nicht, sie zu nutzen (Stack Overflow, 2025).
Was GitHub Octoverse 2025 ergeben hat
GitHubs am 28. Oktober 2025 veröffentlichter Octoverse-Report zählt über 180 Millionen Entwickler auf der Plattform, davon mehr als 36 Millionen, die 2025 dazukamen. Die Aktivität wuchs mit:
Fast 1 Milliarde Commits wurden 2025 gepusht, ein Plus von 25 % gegenüber dem Vorjahr.
518,7 Millionen Pull Requests wurden gemergt, ein Plus von 29 %.
Mehr als 1,1 Millionen öffentliche Repositories importieren ein LLM-SDK, ein Plus von 178 %.
Mehr Code wird von mehr Menschen ausgeliefert. Das bedeutet „Bauen wurde billig“ in der Praxis (GitHub, 2025). Es bedeutet auch mehr Produkte, die um dieselben Käufer konkurrieren, zunehmend innerhalb von KI-Antworten; siehe Produkt-Erklärbarkeit.
Macht KI Entwickler tatsächlich schneller?
Manchmal deutlich, manchmal gar nicht. Die Antwort hängt von der Aufgabe, der Codebasis und der Messmethode ab.
Studie
Wer und was
Ergebnis
Peng et al., 2023 (kontrollierte Studie)
Rekrutierte Entwickler schrieben einen HTTP-Server in JavaScript
Copilot-Gruppe war 55,8 % schneller fertig
METR, Anfang 2025 (randomisierte Studie)
16 erfahrene Open-Source-Entwickler, 246 reale Aufgaben in Repositories mit durchschnittlich über 1 Mio. Codezeilen
19 % langsamer mit erlaubter KI (95-%-Konfidenzintervall +2 % bis +39 %)
METR, Update Ende 2025 (veröffentlicht im Feb. 2026)
57 Entwickler, über 800 Aufgaben; 10 wiederkehrend, 47 neu
Wiederkehrende Entwickler −18 % Zeit (Konfidenzintervall −38 % bis +9 %); neue Entwickler −4 % (Konfidenzintervall −15 % bis +9 %)
Greenfield vs. gewachsener Code. Einen kleinen neuen Server von Grund auf zu schreiben, ist die Paradedisziplin der KI. Eine Codebasis mit einer Million Zeilen zu ändern, die man gut kennt, lässt weniger Raum für Hilfe und mehr für Review-Aufwand.
Wahrnehmung vs. Messung. METRs Entwickler von Anfang 2025 prognostizierten ein Plus von 24 % an Geschwindigkeit und glaubten hinterher, 20 % schneller gewesen zu sein, während die Uhr 19 % langsamer zeigte. Selbstberichtete Produktivität ist keine Evidenz.
Selektionseffekte. Im Update von Ende 2025 berichtet METR, dass 30 % bis 50 % der Entwickler beschlossen, manche Aufgaben nicht einzureichen, und dass Entwickler, die nicht ohne KI arbeiten wollten, die Teilnahme ablehnten. METR sagt, der wahre Geschwindigkeitsgewinn könnte bei den aussortierten Aufgaben deutlich höher liegen, und nennt die eigenen Daten nur sehr schwache Evidenz für einen Anstieg seit Anfang 2025.
Wie steht es um Vertrauen und Qualität?
In der Stack-Overflow-Umfrage misstrauen 46 % der Entwickler der Genauigkeit von KI-Output, und nur 33 % vertrauen ihm. Der größte Frust, genannt von 66 %, sind Antworten, die „fast richtig, aber nicht ganz“ sind. Schnelleres Tippen hilft nicht, wenn Review und Nacharbeit den Gewinn auffressen.
Die ehrliche Zusammenfassung zur KI-Coding-Produktivität: KI macht das Erzeugen von Code günstiger und zugänglicher und bei neuer oder klar abgegrenzter Arbeit oft schneller. Dass sie reife Teams dramatisch schneller darin macht, das Richtige auszuliefern, ist nicht belegt.
Wenn Bauen billiger ist, warum scheitern Produkte trotzdem?
Weil der Engpass nie nur die Tippgeschwindigkeit war.
Startups scheitern an der Nachfrage, nicht am Code
Die Analyse von CB Insights vom März 2026 untersuchte 431 VC-finanzierte Unternehmen, die seit 2023 dichtgemacht haben, und identifizierte bei 385 davon die Gründe:
70 % hatten kein Kapital mehr, was CB Insights fast immer als letzte Ursache und nicht als eigentliches Problem bezeichnet.
43 % hatten schlechten Product-Market-Fit.
29 % nannten schlechtes Timing oder makroökonomische Bedingungen.
19 % hatten nicht tragfähige Unit Economics.
Unternehmen nennen mehrere Gründe, deshalb ergeben die Werte zusammen mehr als 100 % (CB Insights, 2026). Günstigerer Code lässt die Runway pro Feature länger reichen. Für ein Produkt, das niemand braucht, ändert er nichts.
Die meisten ausgelieferten Features werden kaum genutzt
Pendos Feature Adoption Report 2019 analysierte 615 Pendo-Abonnements über drei Monate. Er fand, dass 80 % der Features im durchschnittlichen Produkt selten oder nie genutzt werden und dass 12 % der Features 80 % des täglichen Nutzungsvolumens erzeugen. Pendo rechnete hoch, dass börsennotierte Cloud-Software-Unternehmen bis zu 29,5 Milliarden Dollar in den Bau dieser Features investiert haben (Pendo, 2019). Wir gehen dieser Statistik im Detail in Warum 80 % der Features selten oder nie genutzt werden nach.
Produktteams spüren das Risiko
Atlassians State of Product 2026 befragte mehr als 1.000 Produktprofis in den USA und Europa und fand, dass 84 % der PMs fürchten, dass ihre Produkte scheitern werden (Atlassian, 2026). Mind the Products Zusammenfassung desselben Reports hält fest, dass 80 % der Teams Engineers weiterhin nicht in Ideenfindung, Problemdefinition oder Roadmap-Erstellung einbeziehen (Mind the Product, 2026).
KI-Coding-Produktivität und Produktversagen: die Zahlen auf einen Blick
Was
Zahl
Quelle und Jahr
Entwickler, die KI-Tools nutzen oder planen
84 %
Stack Overflow, 2025
Professionelle Entwickler, die KI täglich nutzen
50,6 %
Stack Overflow, 2025
Entwickler, die der Genauigkeit von KI-Output misstrauen
46 %
Stack Overflow, 2025
Neue GitHub-Entwickler, die in Woche eins Copilot nutzen
Fast 80 %
GitHub Octoverse, 2025
Auf GitHub gemergte Pull Requests in einem Jahr
518,7 Millionen (+29 %)
GitHub Octoverse, 2025
Geschwindigkeitsgewinn bei einer Greenfield-Coding-Aufgabe
55,8 % schneller
Peng et al., 2023
Effekt bei erfahrenen Entwicklern, gewachsene Repos
19 % langsamer
METR, 2025
Gescheiterte VC-finanzierte Startups mit schlechtem PMF
43 %
CB Insights, 2026
Selten oder nie genutzte Features
80 %
Pendo, 2019
PMs, die fürchten, dass ihr Produkt scheitert
84 %
Atlassian, 2026
Was sollten Teams bauen, wenn Code billig ist? Eine Methode in 6 Schritten
Wenn ein Feature Tage statt Wochen kostet, verschiebt sich das Risiko von „Können wir das bauen?“ zu „Sollten wir?“. Sechs Schritte verhindern, dass billiges Bauen zu billiger Verschwendung wird:
Schreib das Problem vor der Lösung auf. Ein Absatz: Wer hat das Problem, wie oft, und was kostet es die Person? Nutze unsere Vorlage für ein Product Problem Statement, wenn du ein Format brauchst.
Zähl die Evidenz. Liste die Calls, Tickets und Nutzungsdaten hinter dem Problem auf. Weniger als 3 unabhängige Quellen heißt: Du rätst.
Mach zuerst den günstigsten Test. Ein Fake Door, ein Concierge-Test oder fünf Interviews klären die Frage oft schneller als ein Build.
Prototypen als Test, nicht als Verpflichtung. Mit KI baust du in Stunden einen funktionierenden Prototyp; nutze ihn, um echten Nutzern zuzusehen, und entscheide dann. Unser 7-Tage-Plan zur Validierung eines KI-Prototyps behandelt diesen Schritt.
Lege vor dem Launch ein Kill-Kriterium fest. Zum Beispiel: „Wenn weniger als 20 % der aktiven Accounts es innerhalb von 30 Tagen nutzen, entfernen wir es.“
Prüfe die Adoption nach dem Launch. Die meisten Teams schauen nie wieder hin, und so häufen sich die 80 % an.
Ein durchgerechnetes Beispiel: Was kostet eine falsche Wette heute?
Illustratives Szenario: Ein Startup mit 6 Personen liefert pro Quartal 10 Features aus. KI-Tools senken die Bauzeit pro Feature von 2 Engineer-Wochen auf 4 Engineer-Tage, sodass der Build-Aufwand des Quartals von 20 auf 8 Engineer-Wochen sinkt.
Wenn das Pendo-Muster gilt und 8 dieser 10 Features selten genutzt werden, verbringt das Team trotzdem 6,4 Engineer-Wochen damit, Features zu bauen, die niemand braucht. Außerdem zahlt es weiter für Wartung, Dokumentation und Support aller 8. Günstigeres Bauen hat den Preis jeder falschen Wette gesenkt; die Anzahl der falschen Wetten hat es nicht gesenkt.
Nehmen wir nun an, das Team investiert pro Feature 1 zusätzlichen Tag in Evidenz (Schritte 1–3 oben) und streicht 4 der 8 schwachen Ideen vor dem Bau. Das sind 10 Tage Discovery, um 16 Engineer-Tage Build zu sparen, plus den laufenden Unterhalt von 4 Features. Der Ertrag kommt aus besseren Entscheidungen, nicht aus schnellerem Code.
Was zeigen diese Daten nicht?
Pendos Zahl stammt von 2019 und von Pendo-Kunden. Sie ist die bekannteste Messung, kein Naturgesetz.
CB Insights deckt nur VC-finanzierte Schließungen ab. Bootstrapped und noch lebende Unternehmen sind nicht in der Stichprobe.
METRs Studien sind klein (16 und 57 Entwickler) und konzentrieren sich auf Open-Source-Arbeit. METR selbst warnt davor, die zentrale Schätzung als allgemeinen Effekt von KI zu lesen.
Umfragestichproben selektieren sich selbst. Stack-Overflow-Befragte und GitHub-Nutzer sind nicht alle Entwickler.
Keine dieser Studien verknüpft KI-Coding mit Feature-Adoption. Die Behauptung, dass günstigeres Bauen die Verschwendung erhöht, ist eine Schlussfolgerung aus den Zahlen, kein gemessenes Ergebnis.
Wo Specky ins Spiel kommt
Specky arbeitet an der teuren Hälfte. Es liest Kundengespräche, Feedback, Slack, Jira und Analytics in einen Product Graph, entwirft Specs mit den Kundenbelegen als Inline-Quellenangaben und prüft nach dem Launch, ob die Wette aufgegangen ist. Wenn du Tools für diese Aufgabe auswählst, behandelt unser Vergleich von KI-Tools fürs Produktmanagement Specky und sieben Alternativen, auch dort, wo andere besser passen. Weil KI Output billig macht, verschiebt sich auch die Preisgestaltung; siehe Per-Seat-Pricing stirbt.
Häufig gestellte Fragen
Macht KI Entwickler produktiver?
Das hängt von der Aufgabe ab. Eine kontrollierte Studie von 2023 fand, dass Entwickler mit Copilot einen neuen HTTP-Server 55,8 % schneller fertigstellten. METRs Studie von 2025 fand, dass erfahrene Entwickler, die in ihren eigenen großen Codebasen arbeiteten, mit KI 19 % langsamer waren. METRs Folgestudie von Ende 2025 deutete auf einen Geschwindigkeitsgewinn hin, aber ihre Konfidenzintervalle schlossen null ein; die Evidenz für einen großen allgemeinen Gewinn ist also weiterhin schwach.
Wie viel Prozent der Entwickler nutzen KI-Coding-Tools?
Im Stack Overflow Developer Survey 2025 nutzten 84 % der Befragten KI-Tools in ihrem Entwicklungsprozess oder planten es, und 50,6 % der professionellen Entwickler nutzten sie täglich. GitHubs Octoverse 2025 berichtet, dass fast 80 % der neuen Entwickler auf GitHub innerhalb ihrer ersten Woche Copilot nutzen.
Was hat die METR-Studie zu KI und Entwicklerproduktivität ergeben?
METRs randomisierte Studie von Anfang 2025 gab 16 erfahrenen Open-Source-Entwicklern 246 reale Aufgaben. Mit erlaubter KI dauerten die Aufgaben 19 % länger, obwohl die Entwickler ein Plus von 24 % an Geschwindigkeit erwartet hatten und hinterher glaubten, 20 % schneller gewesen zu sein. Ein Update vom Februar 2026 mit 57 Entwicklern fand Punktschätzungen von 4 % bis 18 % Geschwindigkeitsgewinn, mit breiten Konfidenzintervallen.
Warum scheitern Startups 2026?
Die Analyse von CB Insights vom März 2026 über 431 VC-finanzierte Schließungen ergab, dass 70 % das Kapital ausging, meist die letzte und nicht die eigentliche Ursache. Unter den zugrunde liegenden Gründen nannten 43 % schlechten Product-Market-Fit, 29 % schlechtes Timing oder makroökonomische Bedingungen und 19 % nicht tragfähige Unit Economics. Viele Unternehmen nannten mehr als einen Grund.
Stimmt es, dass 80 % der Software-Features selten genutzt werden?
Die Zahl stammt aus Pendos Feature Adoption Report 2019, der 615 Pendo-Abonnements über drei Monate analysierte und fand, dass 80 % der Features im durchschnittlichen Produkt selten oder nie genutzt werden. Es ist eine echte Messung, aber veraltet und auf Pendo-Kunden beschränkt; sieh sie also als starkes Signal, nicht als universelle Konstante.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing