Das Produktivitätsparadox: 19 Prozent langsamer, aber 20 Prozent schneller gefühlt

Neunzig Prozent Adoption, ein Viertel KI-generierter Code bei den Tech-Giganten — die naheliegende Schlussfolgerung lautet: KI macht produktiver. Die rigoroseste verfügbare Studie zeigt das Gegenteil. Im METR-Experiment, einem randomisierten Kontrollversuch mit 16 erfahrenen Open-Source-Entwicklern und 246 Aufgaben, brauchten die Teilnehmer mit KI-Unterstützung 19 Prozent länger — schätzten sich aber 20 Prozent schneller ein METR 2025.

Wofür der Befund spricht: Er steht nicht allein. Parallele Daten zeigen dasselbe Muster auf Organisationsebene: mehr abgeschlossene Tasks und mehr Pull Requests pro Entwickler, aber keine entsprechend bessere Delivery-Performance — mehr Aktivität ist eben nicht dasselbe wie mehr Ergebnis. Und der Stack-Overflow-Survey zeigt eine Vertrauenslücke von über 50 Prozentpunkten zwischen Adoption und tatsächlichem Vertrauen in die Genauigkeit der Tools.

Wogegen zumindest die Verallgemeinerung spricht: Die METR-Studie untersuchte erfahrene Entwickler auf vertrauten, komplexen Codebasen — genau die Konstellation, in der menschliche Expertise am meisten wiegt und der Overhead des KI-Einsatzes am stärksten reibt. Zudem ist der Befund eine Momentaufnahme: Mit jedem Modell-Update verschiebt sich die Qualitätsschwelle, während Architektur und Anforderungsqualität sich nicht von selbst verbessern. Genau deshalb lautet die eigentliche These nicht „KI macht langsamer”, sondern: KI ist ein Verstärker — gute Methodik plus KI ergibt Exzellenz, schlechte Methodik plus KI ergibt schneller produzierte Probleme.

→ Mehr zum Buch „Methodologie der KI-gestützten Softwareentwicklung”