Sauber heißt nicht korrekt: Qualität sichern, wenn die KI den Code schreibt

KI-generierter Code hat eine unangenehme Eigenschaft: Er sieht richtig aus. Er kompiliert, er läuft, er besteht die offensichtlichen Tests — und genau hinter dieser glatten Oberfläche können subtile Probleme schlummern, die sich erst zeigen, wenn das System wächst oder in Randfälle gerät.

Wofür es spricht: Architektonische Führung wirkt messbar gegen die Duplikations-Warnung der Branche. SonarSource 2026 dokumentiert auf Basis von GitClear-Daten ein vierfach beschleunigtes Wachstum duplizierter Code-Blöcke in KI-Projekten im Durchschnitt — die Duplikationsanalyse des im Buch beschriebenen Selbstversuchs liegt dagegen bei unter einem Prozent redundanter Zeilen. Ein konsistentes Repository-Pattern, klare Naming-Konventionen und die explizite Vorgabe, bestehende Abstraktionen wiederzuverwenden, reichten aus, damit die KI weitgehend konsistenten Code erzeugte.

Wogegen es spricht: Über vier eigene KI-gestützte Projekte hinweg — vom gate-maximalen Controlling-System bis zum vibe-codeten Wegwerf-Tool — lagen die strukturellen Kennzahlen durchweg im akzeptablen Bereich und unterschieden sich kaum mit dem Methodengrad: Komplexität, Wartbarkeitsindex und Duplikation waren auch ohne Gates unauffällig. Eines dieser vier Projekte hatte sogar den höchsten Wartbarkeitsindex — und zugleich eine wirkungslose Mandanten-Isolation in der ausgelieferten Version, einen sicherheitskritischen Defekt, der erst auffiel, als die bis dahin übersprungenen Integrationstests scharf geschaltet wurden.

Strukturmetriken messen eben Form, nicht Korrektheit. Der eigentliche Methoden-Hebel sitzt nicht in der Mikro-Code-Qualität, sondern im durchgesetzten Netz aus Tests, die wirklich laufen, und Gates, die wirklich blockieren.

→ Mehr zum Buch und zum Kapitel „Qualität sichern: Code Review, Testing und Technical Debt”