Statistiken zu KI-Code-Assistenten.

KI-Code-Assistenten sind für neugierige Entwickler kein Nebenexperiment mehr. Im Jahr 2026 ist die bessere Frage, welche Art von Akzeptanz gemeint ist: Umfragenutzung, tägliche Gewohnheit, bezahlte Lizenzen, unternehmensweite Einführung, akzeptierte Codevorschläge, Benchmark-Leistung oder überprüfter Code, der tatsächlich ausgeliefert wird.

Diese Unterscheidung ist wichtig, denn die Schlagzeilenzahlen sind groß. Stack Overflow gibt an, dass 84 % der Befragten KI-Tools in ihrem Entwicklungsprozess verwenden oder planen, sie zu verwenden, während 50,6 % der professionellen Entwickler sie täglich nutzen. JetBrains gibt an, dass 90 % der professionellen Entwickler in seiner AI Pulse-Umfrage vom Januar 2026 regelmäßig mindestens ein KI-Tool bei der Arbeit verwendeten und 74 % spezialisierte KI-Entwicklertools eingeführt hatten. Microsoft gibt an, dass GitHub Copilot über 4,7 Millionen bezahlte Abonnenten hat und von fast 140.000 Organisationen genutzt wird.

Aber große Zahlen können irreführend sein, wenn sie in den falschen Topf geworfen werden. Ein Benchmark-Score ist keine Benutzerzahl. Ein bezahlter Abonnent ist kein täglich aktiver Entwickler. Eine generierte Codezeile ist keine überprüfte, sichere, bereitgestellte Software. Die wahre Geschichte des Jahres 2026 ist, dass KI-Codierungstools Mainstream, kommerziell und zunehmend agentenbasiert sind, während die harte Arbeit nachgelagert in Überprüfung, Governance, Nachverfolgbarkeit und der Messung, ob Teams bessere Software liefern, verlagert wurde.

KI-Code-Assistenten auf einen Blick

Die Schlagzeilenzahlen verwenden unterschiedliche Nenner, daher sollten sie eher als separate Umfrage-, kommerzielle, Fähigkeits- und Governance-Signale gelesen werden als als eine einzige Zahl.

Die Akzeptanzzahlen sorgfältig lesen

Die sicherste Art, Statistiken zu KI-Code-Assistenten zu lesen, ist als Leiter. Ganz oben stehen breite Umfragesignale: ob Entwickler KI-Tools ausprobiert haben, sie täglich nutzen oder planen, sie bald zu nutzen. Die 84 % “nutzen oder planen zu nutzen”-Zahl von Stack Overflow ist ein starkes Akzeptanzsignal, aber es ist nicht dieselbe Metrik wie die 50,6 % tägliche Nutzung unter professionellen Entwicklern.

Die nächste Stufe ist die arbeitsplatzspezifische Nutzung. Die AI Pulse-Umfrage von JetBrains vom Januar 2026 ist hilfreich, da sie allgemeine KI-Tools von spezialisierten Entwicklertools trennt. Sie berichtet von 90 % regelmäßiger KI-Tool-Nutzung bei der Arbeit für Codierung und Entwicklung und 74 % Akzeptanz spezialisierter KI-Entwicklertools. Das sind immer noch Umfrageergebnisse, aber sie sind näher am professionellen Workflow als eine generische Umfrage “Entwickler mögen KI”.

Kommerzielle Skalierung ist eine andere Stufe. Microsoft veröffentlicht öffentliche Zahlen für GitHub Copilot-Benutzer, bezahlte Abonnenten und Organisationen: über 26 Millionen Benutzer, über 4,7 Millionen bezahlte Abonnenten und fast 140.000 Organisationen. Dies sind einige der stärksten öffentlichen Indikatoren für einen benannten KI-Code-Assistenten, aber jeder beantwortet eine andere Frage.

Darunter liegen Metriken zur Produktinteraktion. Die eigene Dokumentation zu Nutzungsmetriken von GitHub definiert einen aktiven Copilot-Benutzer anhand der Anzahl der vom Benutzer initiierten Interaktionen und definiert die Akzeptanzrate der Code-Vervollständigung als akzeptierte Code-Aktivität geteilt durch die Generierungsaktivität. Diese Definitionen verhindern einen häufigen Fehler: Ein akzeptierter Vorschlag ist nicht dasselbe wie ein zusammengeführter Pull Request, und ein zusammengeführter Pull Request ist nicht dasselbe wie zuverlässige Produktionssoftware.

Benchmarks befinden sich auf einem separaten Zweig. Die 500 vom Menschen validierten Instanzen von SWE-bench Verified helfen, Codierungsagenten bei Software-Engineering-Aufgaben zu vergleichen, und die breitere SWE-bench-Familie ist nützlich, um den Fortschritt der Fähigkeiten zu verstehen. Aber Benchmark-Passraten sind keine Benutzerzahlen, Kundenzahlen oder Unternehmens-ROI.

Entwicklerakzeptanz: KI ist zu einem normalen Bestandteil des Workflows geworden

Die stärksten Umfrageergebnisse weisen in dieselbe Richtung: KI-Unterstützung ist in der Softwareentwicklung mittlerweile normal. Die Stack Overflow-Umfrage 2025 berichtet von 47,1 % täglicher KI-Tool-Nutzung unter allen Befragten, 17,7 % wöchentlich, 13,7 % monatlich oder selten, 5,3 % planen die baldige Nutzung und 16,2 % haben keine Pläne, sie zu nutzen. Unter professionellen Entwicklern steigt die tägliche Nutzungszahl auf 50,6 %.

JetBrains erzählt eine ähnliche Geschichte mit einem anderen Umfragedesign. Sein Developer Ecosystem Report 2025 basiert auf 24.534 Entwicklern nach der Datenbereinigung, mit Gewichtung nach Geografie, Beschäftigung, Sprachen und Produktnutzung, plus einem expliziten Vorbehalt, dass JetBrains-Benutzer eher antworten könnten. In diesem Rahmen berichtet JetBrains von 85 % regelmäßiger KI-Nutzung für die Codierung und 62 % Abhängigkeit von mindestens einem KI-Code-Assistenten, Agenten oder Code-Editor.

Das AI Pulse-Update vom Januar 2026 macht die Marktkarte granularer. Es umfasste über 10.000 professionelle Entwickler weltweit, lokalisiert in acht Sprachen, gewichtet, um mit den Verteilungen des Developer Ecosystem 2025 übereinzustimmen. In dieser Umfrage nutzten 90 % regelmäßig mindestens ein KI-Tool bei der Arbeit, 74 % hatten spezialisierte Entwickler-KI-Tools eingeführt, GitHub Copilot wurde bei der Arbeit von 29 % genutzt, und Cursor und Claude Code wurden jeweils von 18 % genutzt.

DORA fügt eine Technologie-Organisationsperspektive hinzu. Googles DORA-Zusammenfassung 2025 besagt, dass der Bericht auf fast 5.000 Technologieexperten weltweit basierte, wobei 90 % die KI-Nutzung bei der Arbeit angaben und ein Median von zwei Stunden täglich mit KI verbracht wurde. DORA sagt auch, dass 65 % stark auf KI für die Softwareentwicklung angewiesen sind und mehr als 80 % Produktivitätssteigerungen berichten.

Der Vorbehalt ist, dass dies keine identischen Populationen sind. Stack Overflow befragt eine breite Entwicklergemeinschaft. JetBrains befragt Entwickler und liefert Gewichtungsdetails. DORA befragt Technologieexperten und untersucht Teamsysteme, nicht nur Code-Assistenten. Die Tatsache, dass alle drei auf eine hohe Akzeptanz hinweisen, ist bedeutsam; die Tatsache, dass sie unterschiedliche Nenner verwenden, ist der Grund, warum sie nicht zu einer einzigen Zahl zusammengefasst werden sollten.

GitHub Copilot ist der klarste Anker für bezahlte Akzeptanz

GitHub Copilot ist nicht der gesamte Markt für KI-Code-Assistenten, aber es ist der am besten dokumentierte kommerzielle Anker. Microsoft sagte im Geschäftsjahr 26 Q1, dass GitHub Copilot “jetzt über 26 Millionen Benutzer” habe und dass GitHub selbst über 180 Millionen Entwickler habe. Im selben Gespräch wurde erwähnt, dass 80 % der neuen Entwickler auf GitHub innerhalb ihrer ersten Woche mit Copilot beginnen und dass im vergangenen Jahr mehr als 500 Millionen Pull Requests zusammengeführt wurden.

Die bezahlte Zahl ist klarer als die Benutzerzahl. Im Geschäftsjahr 26 Q2 sagte Microsoft, Copilot habe über 4,7 Millionen bezahlte Abonnenten, ein Anstieg von 75 % gegenüber dem Vorjahr, und dass die Copilot Pro+-Abonnements für einzelne Entwickler um 77 % gegenüber dem Vorquartal gestiegen seien. Microsoft zitierte auch Siemens, das GitHub nach einer Copilot-Einführung bei über 30.000 Entwicklern breitflächig einführte, ein konkretes Unternehmensbeispiel, das nicht auf jeden Kunden verallgemeinert werden sollte.

Bis zum Geschäftsjahr 26 Q3 sagte Microsoft, dass fast 140.000 Organisationen GitHub Copilot nutzen, die Unternehmensabonnenten sich gegenüber dem Vorjahr fast verdreifacht hatten, die meisten Benutzer mehrere Modelle verwenden und die Copilot CLI-Nutzung Monat für Monat fast verdoppelt wurde. Microsoft sagte auch, dass es Copilot auf eine nutzungsbasierte Preisgestaltung umstellt, um die Preisgestaltung an die Nutzung und Kosten anzupassen.

Das Produkt selbst verändert sich ebenfalls. GitHub ist über Autovervollständigung und Chat hinaus zu einem Codierungsagenten geworden, der von Issues und Branches aus arbeitet, und zu Agent HQ, das GitHub als organisierende Schicht für Codierungsagenten positioniert. Es hat auch die Modellauswahl über OpenAI-, Anthropic- und Google-Modelle hinweg hinzugefügt. Im Jahr 2026 bedeutet “KI-Code-Assistent” zunehmend ein Ökosystem aus Modellen, Richtlinien, Agenten und Überprüfungsoberflächen – nicht nur ein Autovervollständigungsfeld.

Der Markt ist breiter als Copilot

Die sicherste Marktkarte ist nach Workflow-Oberfläche, nicht nach erfundenem Marktanteil. GitHub Copilot ist der größte öffentlich dokumentierte bezahlte Anker, aber die JetBrains-Umfrage 2026 zeigt, dass Entwickler einen Multi-Tool-Stack verwenden: Copilot hatte eine Bekanntheit von 76 % und eine 29 %ige Akzeptanz bei der Arbeit; Cursor hatte eine Bekanntheit von 69 % und eine Akzeptanz von 18 %; Claude Code erreichte 18 % Akzeptanz (24 % in den USA und Kanada); OpenAI Codex hatte innerhalb des Umfragezeitraums eine Bekanntheit von 27 % und eine Akzeptanz von 3 %; und Google Antigravity erreichte nach dem Start im November 6 %.

Diese Umfrage zeigt auch, dass allgemeine Chat-Oberflächen immer noch wichtig sind: 28 % der Entwickler nutzen ChatGPT bei der Arbeit für die Codierung, 8 % nutzen Gemini und 7 % nutzen Claudes Chatbot. Der Agenten-Tool-Bereich von Stack Overflow zeigt ebenfalls ChatGPT und GitHub Copilot als gängige Out-of-the-Box-Tools unter den Befragten, die Agenten nutzen oder entwickeln, mit Claude Code, Google Gemini, Microsoft Copilot, Replit, Tabnine, Amazon CodeWhisperer, Cody und Devin im Long Tail.

Für Gründer ist diese Karte nützlicher als eine gefälschte Rangliste. Der Verkauf eines “weiteren Code-Assistenten” ist eine schwache Position, es sei denn, das Produkt besitzt eine bestimmte Schicht: Repo-Kontext, Sicherheitsüberprüfung, Testgenerierung, Migration, Code-Suche, Codebasis-Onboarding, Terminal-Automatisierung, Cloud-Ausführung, Richtlinien, Evaluierungen, Abrechnung oder Agenten-Orchestrierung.

Produktivität: Schnellere Code-Erstellung ist real, aber kein automatischer ROI

Die am häufigsten zitierte positive Produktivitätsstudie ist GitHubs kontrolliertes Copilot-Aufgabenexperiment. Entwickler, die Copilot verwendeten, erledigten eine JavaScript-HTTP-Server-Aufgabe 55 % schneller, durchschnittlich 1 Stunde 11 Minuten gegenüber 2 Stunden 41 Minuten ohne Copilot. Dies ist ein echtes Ergebnis, aber es ist eine Aufgabenstellung – es unterstützt “Copilot kann bestimmte Codierungsaufgaben beschleunigen”, nicht “jeder Entwickler ist 55 % schneller”.

Umfrageergebnisse zeigen, dass Entwickler den Nutzen spüren. JetBrains sagt, dass fast neun von zehn Entwicklern, die KI für die Codierung nutzen, mindestens eine Stunde pro Woche sparen, und jeder Fünfte spart acht Stunden oder mehr. DORA sagt, dass mehr als 80 % glauben, dass KI die Produktivität gesteigert hat und 59 % einen positiven Einfluss auf die Codequalität berichten. GitLab sagt, dass 78 % eine schnellere Code-Ausgabe berichten und 73 % sagen, dass sich die Gesamtcodequalität seit der Einführung von KI-Codierungstools verbessert hat.

Das Problem ist nicht, ob KI Code schneller erscheinen lassen kann. Das kann sie. Das Problem ist, ob eine schnellere Code-Erstellung zu einer schnelleren, sichereren Lieferung führt. DORAs Ankündigung 2025 besagt, dass die KI-Akzeptanz eine positive Beziehung zum Durchsatz und zur Produktleistung hat, aber eine negative Beziehung zur Stabilität der Softwarelieferung. DORAs breitere Formulierung ist, dass KI das System, das ein Team bereits hat, verstärkt: Starke Teams können davon profitieren, während schwache Feedbackschleifen und eng gekoppelte Systeme aufgedeckt werden.

GitLabs Umfrage 2026 konkretisiert den nachgelagerten Engpass: 85 % stimmen zu, dass KI den Engpass vom Schreiben von Code auf dessen Überprüfung und Validierung verlagert hat, 84 % stimmen zu, dass die größte Herausforderung die Governance von KI-generiertem Code nach dessen Erstellung ist, und 82 % sagen, dass KI-generierter Code neue technische Schulden riskiert, die ihre Organisation nicht bewältigen kann. GitLab’s frühere Umfrage sagte auch, dass Teams 7 Stunden pro Woche pro Mitglied durch ineffiziente Prozesse verlieren, 49 % mehr als fünf KI-Tools verwenden und nur 37 % KI vertrauen würden, um tägliche Aufgaben ohne menschliche Überprüfung zu erledigen.

METR ist das schärfste Gegenbeispiel, weil es reale Aufgaben und nicht Selbstauskünfte gemessen hat. In seiner randomisierten kontrollierten Studie Anfang 2025 arbeiteten 16 erfahrene Open-Source-Entwickler an 246 Aufgaben in reifen Repositories. Sie erwarteten, dass KI die Bearbeitungszeit um 24 % verkürzen würde, und glaubten danach immer noch, dass KI sie um 20 % beschleunigt hatte – aber die gemessene Bearbeitungszeit war 19 % länger, wenn KI erlaubt war (METR arXiv).

Das beweist nicht, dass KI-Codierungstools schlecht sind. METRs eigene Seite warnt jetzt, dass das Ergebnis von Anfang 2025 veraltet ist, und ihr Update von 2026 besagt, dass neuere Daten schwer zu interpretieren sind, da Entwickler zunehmend auf KI-verbotene Arbeiten verzichten, Aufgaben anders auswählen und mehrere Agenten gleichzeitig verwenden. Die richtige Lesart ist nuanciert: KI-Produktivität hängt von der Art der Aufgabe, der Vertrautheit mit der Codebasis, dem Qualitätsstandard, dem Überprüfungsaufwand und davon ab, wie viel des Workflows um die Code-Generierung herum neu gestaltet wurde.

Code-Angebot, Pull Requests und Benchmarks

KI-Code-Assistenten verändern das Code-Angebot. Microsoft sagte, dass Zehntausende von AMD-Entwicklern Copilot nutzen und Hunderttausende von Codezeilen an Codevorschlägen pro Monat akzeptieren. GitHubs Dokumentation zu Nutzungsmetriken definiert die Akzeptanzrate der Code-Vervollständigung als akzeptierte Code-Aktivität geteilt durch generierte Code-Aktivität. Diese sind wertvoll für interne Rollout-Dashboards, aber es sind immer noch Interaktionsmetriken.

Die nächste Ebene ist der Pull-Request-Workflow. Microsoft sagte, dass über 500 Millionen Pull Requests im vergangenen Jahr auf GitHub zusammengeführt wurden, in derselben Diskussion über KI-Codierungsagenten und Copilot-Akzeptanz. GitHub hat einen Copilot-Codierungsagenten eingeführt, der von Issues und Branches aus arbeitet, und Agent HQ zur Verwaltung mehrerer Codierungsagenten. Dies bringt die KI-Unterstützung näher an das Liefersystem, aber es entbindet nicht von der Überprüfungsverantwortung.

Benchmarks zeigen, warum jeder in Codierungsagenten investiert. SWE-bench Verified enthält 500 vom Menschen validierte Instanzen, die als zuverlässigerer Bewertungssatz für Codierungsagenten und Sprachmodelle konzipiert sind. HumanEval bleibt als älterer Code-Generierungs-Benchmark wichtig, aber es ist ein historisches Format, kein vollständiger Ersatz für Unternehmenssoftwarearbeit. OpenAIs Hinweis, SWE-bench Verified nicht mehr als primäre Bewertung zu verwenden, ist eine nützliche Warnung: Benchmarks können sättigen oder ihre Unterscheidungskraft verlieren, wenn Modelle und Gerüste verbessert werden.

Vertrauen, Sicherheit und Governance sind das neue Zentrum des Marktes

Die Akzeptanzzahlen sind hoch, aber das Vertrauen nicht. Die Pressemitteilung von Stack Overflow 2025 besagt, dass 46 % der Entwickler der Genauigkeit der KI-Ausgabe nicht vertrauen, ein Anstieg von 31 % im Jahr 2024. Die detaillierte Umfrage besagt, dass 66 % KI-Lösungen zitieren, die “fast richtig, aber nicht ganz” sind, und 45,2 % das Debuggen von KI-generiertem Code als zeitaufwändig bezeichnen.

Für KI-Agenten ist die Besorgnis schärfer. Stack Overflow sagt, dass 87 % besorgt sind über die Genauigkeit von Informationen von KI-Agenten, und 81 % haben Sicherheits- und Datenschutzbedenken bezüglich Daten bei der Verwendung von Agenten. DORAs Vertrauensparadox weist in dieselbe Richtung: Nur 24 % berichten von viel oder großem Vertrauen in KI, während 30 % wenig oder kein Vertrauen berichten.

Governance wird hier zu einem Geschäftsproblem. GitLabs Umfrage 2026 besagt, dass 43 % nicht zuverlässig unterscheiden können zwischen KI-generiertem und von Menschen geschriebenem Code in ihrer eigenen Codebasis, 92 % berichten von Governance-Herausforderungen und 80 % stimmen zu, dass ihre Organisation KI-Tools schneller eingeführt hat, als sie Richtlinien entwickelt hat. GitLab sagt auch, dass 87 % zuversichtlich sind, innerhalb von 24 Stunden feststellen zu können, ob KI-generierter Code zu einem Produktionsvorfall beigetragen hat – aber 34 % der Organisationen, die im vergangenen Jahr einen Vorfall hatten, konnten diese Feststellung tatsächlich nicht treffen.

Sicherheitsstudien erklären, warum die Überprüfung nicht verschwinden kann. “Asleep at the Keyboard?” ist eine ältere Studie über die Risiken der Code-Generierung im Copilot-Stil. “Do Users Write More Insecure Code with AI Assistants?” ist eine weitere wichtige historische Studie über das Benutzerverhalten mit KI-Code-Unterstützung. Neuere USENIX Security 2025-Arbeiten untersuchen weiterhin, wie KI-generierter Code das Risikoprofil verändert. Die genauen Raten in älteren Papieren sollten nicht blind auf die Tools von 2026 angewendet werden, aber die dauerhafte Lehre bleibt: Generierter Code benötigt Herkunft, Überprüfung, Tests, Richtlinien und Sicherheitsscans.

Anbieter reagieren, indem sie von der reinen Generierung zu Kontrollen übergehen. GitHub entwickelt Metrik-Dashboards, Unternehmenskontrollen, Modellauswahl und Agent HQ. GitLab positioniert Governance, Nachverfolgbarkeit und Lebenszyklusintegration als die nächste Schicht nach der Code-Generierung. JetBrains positioniert Air, Central, Junie und offene Agenten-Infrastruktur um Orchestrierung, lokalen Kontext und Modellauswahl.

Was das für Engineering-Führungskräfte und Gründer bedeutet

Für Engineering-Führungskräfte weisen die Zahlen auf einen Rollout-Trichter hin. Beginnen Sie mit dem Zugang: Wer kann welche Tools nutzen, mit welchen Datengrenzen? Messen Sie dann die regelmäßige Nutzung: tägliche und wöchentliche aktive Nutzung, akzeptierte Vorschläge, delegierte Aufgaben, Agenten-Workflows. Gehen Sie dann zu den Lieferergebnissen über: Pull-Request-Zykluszeit, Überprüfungszeit, Testqualität, entgangene Fehler, Vorfallrate, Entwicklerzufriedenheit und ob KI den Engpass verändert.

Das falsche Dashboard stoppt beim Codevolumen. GitLabs 85 % Überprüfungs- und Validierungsengpass-Statistik warnt davor, dass eine schnellere Generierung die Arbeit einfach nachgelagert verlagern kann. DORAs “Spiegel- und Multiplikator”-Rahmen ist die strategische Version: KI verstärkt das System um sie herum. METRs Messschwierigkeit ist die experimentelle Version: Entwickler können sich schneller fühlen, auch wenn eine kontrollierte Aufgabe etwas anderes besagt.

Für Gründer ist der Markt eindeutig real, aber eine generische Positionierung ist schwach. “Entwickler nutzen KI” ist nicht mehr differenziert. Stärkere Produkte setzen an einem spezifischen Engpass an: Codebasis-Kontext, Migration, Tests, Sicherheitsüberprüfung, Abhängigkeits-Upgrades, Wissensabruf, PR-Überprüfung, Agenten-Orchestrierung, Evaluierungen, Berechtigungen oder Kostenkontrolle. Offizielle Produktseiten betonen zunehmend Unternehmenspakete und Workflows – GitHub Copilot-Pläne und Metriken, AWS Q Developer, Gemini Code Assist für Unternehmen, Claude Code-Kosten und JetBrains AI-Lizenzierung – nicht nur Code-Vervollständigung.

Für Beschaffungsteams spricht die Datenlage gegen eine Ein-Tool-Rangliste. GitHub Copilot hat den stärksten offengelegten Anker für bezahlte Akzeptanz, aber JetBrains zeigt eine Multi-Tool-Umgebung, Stack Overflow zeigt eine breite Nutzung von KI-Tools anstelle eines anbieterspezifischen Anteils, und GitLab zeigt, dass Organisationen bereits mit Tool-Wildwuchs zu kämpfen haben. Ein realistischer Kaufprozess vergleicht IDE-Passung, Repository-Zugriff, Modellauswahl, Richtlinienkontrollen, Auditierbarkeit, Nutzungsberichte, Datenaufbewahrung, Sicherheitsüberprüfung und ob das Tool den bestehenden Code-Review-Pfad des Unternehmens unterstützt. Die Akzeptanzzahlen zeigen, dass es Nachfrage gibt; sie sagen nicht, dass jede Organisation auf dieselbe Schnittstelle standardisieren sollte.

Die stärksten Programme behandeln die Einführung als einen verwalteten Engineering-Change, nicht als einen Software-Rollout. Ein Team kann Lizenzen schnell einführen und dennoch die Lieferergebnisse nicht ändern, wenn Entwickler die Tools nur für isolierte Snippets verwenden. Beginnen Sie mit risikoarmen Aufgaben – Dokumentation, Test-Scaffolding, Code-Erklärung, einfache Refaktorisierungen, interne Tools – und gehen Sie dann zu risikoreicheren Änderungen über, sobald das Team die Akzeptanzrate, den Überprüfungsaufwand, die Sicherheitsergebnisse und die Auswirkungen von Vorfällen beobachten kann.

Diese Zahlen in Entscheidungen umwandeln

Behandeln Sie die stärksten Statistiken als eine Reihe von Linsen, jede mit ihrem eigenen Anwendungsbereich:

Die dauerhafte Schlussfolgerung für 2026 ist, dass KI-Code-Assistenten Mainstream sind, aber der Markt von “Kann KI Code schreiben?” zu “Können Teams KI-unterstützte Softwarelieferung verwalten?” übergeht. Die Gewinner werden nicht die Teams sein, die den meisten Code generieren. Es werden die Teams sein, die wissen, welcher Code woher kam, warum er sich geändert hat, wer ihn überprüft hat, welche Tests ihn schützen und ob er das Produkt verbessert hat, ohne versteckte Risiken zu erhöhen.

Häufig gestellte Fragen

Quellen und weiterführende Literatur