KI-Programmierassistent: Was Studien über Tempo, Qualität und Erfahrung zeigen

Ein KI-Programmierassistent wie GitHub Copilot macht schneller, aber nicht jeden gleich: was große Studien zu Produktivität, Erfahrung und Sicherheit zeigen.

KI & Automation · · 8 Min.

Titelbild zum Artikel „KI-Programmierassistent: Was Studien über Tempo, Qualität und Erfahrung zeigen“ von Felix Schmitz (KI & Automation)

Kurz gesagt

  • Ein KI-Programmierassistent schlägt Code vor, erklärt ihn und findet Fehler, von der Autovervollständigung im Editor bis zum Agenten, der ganze Aufgaben umsetzt.
  • Eine Analyse von über 30 Millionen GitHub-Commits schätzt, dass Ende 2024 rund 29 % der Python-Funktionen in den USA mit deutlicher KI-Hilfe entstanden.
  • Messbare Produktivitätsgewinne fanden die Forscher nur bei erfahrenen Entwicklern, Berufseinsteiger nutzten die Werkzeuge häufiger, aber ohne nachweisbaren Vorteil.
  • In Open-Source-Projekten stieg mit GitHub Copilot die Zahl der Beiträge, gleichzeitig wuchs der Aufwand für Abstimmung.
  • Funktionierender Code ist nicht automatisch sicherer Code, deshalb gehört eine Prüfung zu jedem Einsatz.
Mit ChatGPT, Claude oder Perplexity weiterdenken
Inhalt8 Abschnitte

Ein KI-Programmierassistent ist ein Werkzeug, das beim Schreiben von Software mitarbeitet: Er vervollständigt Code, schreibt Funktionen nach einer Beschreibung, erklärt bestehenden Code und hilft bei der Fehlersuche. Große Studien zeigen messbare, aber moderate Produktivitätsgewinne, und zwar vor allem bei Menschen, die schon viel Erfahrung mitbringen. Funktionierender Code aus dem Assistenten ist außerdem nicht automatisch sicherer Code.

Ich baue viel mit KI. Meine iOS-App quik connect habe ich mit Claude Code in zwei Wochen gebaut, wie ich im Artikel Claude Code für Gründer beschreibe. Dort geht es um meinen Ablauf mit einem einzelnen Werkzeug. Hier geht es um die Frage dahinter: Was weiß die Forschung über KI-Programmierassistenten insgesamt, und was folgt daraus für Gründer, die keine gelernten Entwickler sind?

Ich habe dafür vor allem Studien mit gemessenen Daten statt Umfragen gelesen: Millionen von Code-Beiträgen auf GitHub, Nutzungsdaten von Copilot und Experimente mit Blickmessung. Keine davon untersucht Gründer oder kleine Teams direkt. Ich übertrage also und sage dazu, wo die Übertragung wackelt.

Was ein KI-Programmierassistent ist

Unter dem Begriff laufen heute drei recht verschiedene Werkzeuge. Für mich ist die Unterscheidung wichtig, weil jede Stufe mehr Verantwortung an dich zurückgibt.

Stufe Was der Assistent tut Was du tust Beispiel
Autovervollständigung Schlägt die nächste Zeile oder Funktion vor Schreiben, annehmen oder ablehnen Vorschläge im Editor während des Tippens
Chat Beantwortet Fragen, schreibt und erklärt Abschnitte Fragen stellen, Code einfügen, prüfen Chatfenster in der Entwicklungsumgebung
Agent Plant, ändert mehrere Dateien, führt Befehle aus Ziel vorgeben, Plan lesen, Ergebnis prüfen Claude Code oder Agent-Modi anderer Anbieter

Je weiter unten in der Tabelle, desto mehr Code entsteht, den du nicht selbst getippt hast. Das ist praktisch und gleichzeitig der Grund, warum Prüfen mit jeder Stufe wichtiger wird. Wer den Agenten ganz ohne Prüfung arbeiten lässt, ist beim Vibe Coding angekommen. Dem habe ich einen eigenen Artikel gewidmet.

Wie verbreitet KI-Code schon ist

Die beeindruckendste Studie zum Thema ist 2026 in Science erschienen. Daniotti, Wachs, Feng und Neffke haben ein Modell trainiert, das KI-generierte Python-Funktionen von menschlich geschriebenen unterscheiden kann. Damit haben sie über 30 Millionen Commits von 160.097 Entwicklern aus sechs Ländern untersucht, aus den Jahren 2019 bis 2024. Ein Commit ist ein gespeicherter Arbeitsschritt im Code.

Kennzahlen-Grafik zum KI-Programmierassistenten: rund 29 % der Python-Funktionen in den USA mit KI-Hilfe, 3,6 % mehr Commits, 5,9 % mehr Code-Beiträge in Open-Source-Projekten und 8 % mehr Zeit für Abstimmung
Die Effekte sind real, aber moderat, und sie bringen neue Kosten wie mehr Abstimmung mit sich.

Die Autoren schätzen, dass Ende 2024 rund 29 % der Python-Funktionen in den USA mit deutlicher KI-Unterstützung entstanden. Für Deutschland kommen sie auf 24 %, für Frankreich auf 23 %. Die Produktivität, gemessen an der Zahl der Commits pro Quartal, stieg nach ihrer Schätzung um 3,6 %.

Diese Zahl hat mich zuerst überrascht, weil sie so klein wirkt. Sie misst allerdings etwas anderes als die Werbung der Anbieter. Die Studie schaut auf den gesamten Output über viele Monate, nicht auf eine einzelne Aufgabe unter Laborbedingungen. Und die Zahl der Commits sagt nichts darüber, wie groß oder wie gut ein Beitrag ist. Ich lese die 3,6 % deshalb als vorsichtige Untergrenze für einen echten, breiten Effekt.

Wer profitiert: Erfahrung wirkt als Verstärker

Der wichtigste Befund aus der Science-Studie betrifft die Frage, wer profitiert. Die Produktivitätsgewinne und auch das Ausprobieren neuer Programmbibliotheken fanden die Forscher nur bei erfahrenen Entwicklern. Berufseinsteiger nutzten KI sogar häufiger, zeigten aber keine messbaren Vorteile.

Eine zweite Studie zeigt die Kehrseite bei Anfängern. Salib und Sharafi (2026) haben in IEEE Transactions on Software Engineering ein Experiment mit Blickmessung durchgeführt. Programmieranfänger lösten Aufgaben einmal mit GitHub Copilot und einmal mit einem menschlichen Partner im Chat. Mit Copilot waren die Lösungen häufiger korrekt, 50 % gegenüber 32 % mit dem menschlichen Partner. Gleichzeitig brauchten die Teilnehmenden mit Copilot mehr Zeit und zeigten eine höhere kognitive Belastung. Wie viele Menschen teilgenommen haben, nennt das Abstract nicht.

Vergleichsgrafik zum KI-Programmierassistenten: Erfahrene Entwickler werden messbar produktiver und probieren mehr neue Bibliotheken aus, Einsteiger nutzen KI häufiger, zeigen aber keinen messbaren Produktivitätsvorteil
Der Assistent verstärkt vorhandenes Können, er ersetzt es nicht.

Ich lese beide Studien zusammen so: Der Assistent liefert Vorschläge, aber den Wert eines Vorschlags erkennt nur, wer weiß, wie gute Lösungen aussehen. Erfahrene nehmen das Brauchbare und verwerfen den Rest. Anfänger bekommen zwar öfter eine korrekte Lösung, müssen sich die aber mühsam erarbeiten.

Für Gründer ohne Entwicklerhintergrund ist das unbequem. Genau darauf hoffen viele von uns: dass KI die fehlende Erfahrung ersetzt. Bei quik connect habe ich gelernt, dass KI das Tempo ändert, nicht das Verstehen. Die Studien liefern dazu die Zahlen. Mein Schluss daraus: Nutze den Assistenten auch als Lehrer. Lass dir erklären, warum ein Vorschlag funktioniert, statt ihn nur zu übernehmen.

Mehr Code, mehr Abstimmung

Eine dritte Studie schaut auf Teams. Song, Agarwal und Wen (2026) haben in Information Systems Research GitHubs eigene Nutzungsdaten zu Copilot mit öffentlichen Daten aus Open-Source-Projekten verknüpft. Mit Copilot stiegen die Code-Beiträge auf Projektebene um 5,9 %. Mehr Entwickler beteiligten sich am Code, ein Plus von 3,4 %, und jeder Einzelne trug 2,1 % mehr bei.

Der Preis: Die Zeit für Abstimmung stieg um 8 %, und es wurde mehr über Code diskutiert. Unterm Strich blieb der Effekt positiv, weil mehr Beiträge rechtzeitig übernommen wurden. Bei Entwicklern am Rand eines Projekts fiel der Zuwachs an Beiträgen kleiner und der Zuwachs an Abstimmung größer aus als beim Kernteam.

Open-Source-Projekte sind keine Gründerteams. Den Mechanismus halte ich trotzdem für übertragbar. Wenn KI mehr Code erzeugt, muss jemand mehr Code lesen. In einem Team von zwei Personen heißt das: Die Person, die prüft, wird schnell zum Engpass. Wer allein baut, ist Autor und Prüfer zugleich, und das Lesen kostet Zeit, die in keiner Tempo-Rechnung auftaucht.

Welche Aufgaben sich für einen KI-Programmierassistenten eignen

Aus den Studien lässt sich keine fertige Liste ableiten, welche Aufgaben ein Assistent gut erledigt. Sie geben aber zwei Hinweise. Erstens profitieren die, die einen Vorschlag schnell beurteilen können. Zweitens steigt mit jedem zusätzlichen Stück Code der Aufwand, es zu lesen und abzustimmen. Daraus ergibt sich für mich eine einfache Faustregel: Gib dem Assistenten Aufgaben, deren Ergebnis du leicht überprüfen kannst und bei denen ein Fehler wenig kostet.

Aufgabe Eignung Warum
Kleines Skript für die eigene Auswertung Sehr gut Ergebnis sofort sichtbar, Fehler bleiben intern
Bestehenden Code erklären lassen Sehr gut Du lernst, und nichts wird verändert
Tests zu vorhandenem Code schreiben Gut Tests zeigen selbst, ob sie stimmen
Neues Feature in einer bestehenden App Mit Plan Mehrere Dateien betroffen, Plan zuerst lesen
Login, Zahlungen, Umgang mit Nutzerdaten Nur mit zweiter Prüfung Fehler sind teuer und oft unsichtbar
Architektur für ein Produkt mit vielen Nutzern Als Sparringspartner Die Entscheidung trägt nur, wer sie versteht

Die Tabelle ist meine Einschätzung, keine Studienaussage. Sie folgt aber der Logik, die die Forschung nahelegt. Je leichter sich ein Ergebnis überprüfen lässt, desto mehr Arbeit kannst du abgeben. Je teurer ein unentdeckter Fehler wäre, desto mehr Erfahrung braucht die Person, die am Ende draufschaut.

Ein Beispiel zur Einordnung: Angenommen, eine Coachin möchte ihre Buchungen aus einem Kalender-Export monatlich auswerten. Ein kleines Skript, das die Termine pro Kunde zählt, ist eine ideale erste Aufgabe. Stimmt eine Zahl nicht, merkt sie es beim ersten Blick. Soll dasselbe Skript dagegen Rechnungen erzeugen und verschicken, ist ein Fehler plötzlich teuer und für Kunden sichtbar. Dann gehört jemand dazu, der den Code wirklich lesen kann.

Funktionierender Code ist nicht sicherer Code

Für Gründer ist dieser Punkt der heikelste, weil Fehler hier echten Schaden anrichten. Armstrong und Hartley (2025) haben auf einer Konferenz für Cybersicherheit getestet, wie gut GitHub Copilot Schwachstellen vermeidet. Sie haben das Werkzeug mit Szenarien aus einem Datensatz gefüttert, der typische Sicherheitslücken provoziert, in Python, JavaScript und C.

Das Ergebnis: 97,03 % der erzeugten Codeschnipsel funktionierten. 30,6 % enthielten aber mindestens eine Schwachstelle. In JavaScript war der Code weniger sicher als in Python und C.

Zwei Einschränkungen gehören dazu. Es ist ein Konferenzbeitrag, keine Zeitschriftenstudie, und die Szenarien wurden gezielt so gewählt, dass Sicherheit eine Rolle spielt. Der Anteil gilt also nicht für jeden Alltagscode. Die Richtung finde ich trotzdem eindeutig. Ob Code funktioniert, siehst du sofort. Ob er sicher ist, siehst du oft erst, wenn jemand die Lücke findet.

Ein KI-Programmierassistent macht Code billig. Das Prüfen wird dadurch nicht billiger.

Gerade JavaScript ist für Gründer relevant, weil fast jede Website und viele Web-Apps darauf laufen. Formulare, Logins und alles, was Eingaben von außen annimmt, würde ich deshalb nie ungeprüft übernehmen.

Wie ich einen KI-Programmierassistenten als Gründer einsetzen würde

Aus den Studien und meinen Learnings aus quik connect ergeben sich für mich sechs Regeln:

  1. Die Stufe passend zur Aufgabe wählen. Für einen kleinen Helfer reicht der Chat. Ein Agent lohnt sich, wenn ein klar beschriebenes Feature über mehrere Dateien geht.
  2. Erklären lassen, bevor du übernimmst. Bei allem, was du nicht verstehst, frag nach dem Warum. Das gleicht einen Teil der fehlenden Erfahrung aus, die die Science-Studie als Engpass zeigt.
  3. Prüfzeit einplanen. Rechne für das Lesen und Testen so viel Zeit ein wie für das Erzeugen. Die Abstimmungskosten aus der Open-Source-Studie verschwinden im kleinen Team nicht, sie landen bei dir.
  4. Sicherheitskritische Stellen separat prüfen. Eingaben von außen, Zugangsdaten, Zahlungen und Nutzerdaten bekommen eine eigene Prüfrunde, notfalls durch jemanden mit Erfahrung.
  5. Mit kleinen, klaren Aufgaben anfangen. Interne Werkzeuge sind ein guter Start. Ich nutze KI zum Beispiel für kleine Skripte, die Daten aus CSV-Dateien verarbeiten. Wenn dort etwas schiefgeht, ist der Schaden klein.
  6. Jeden funktionierenden Stand sichern. Mit Git kannst du zu einem guten Stand zurückspringen, wenn ein Vorschlag mehr zerstört als löst.

Für einfache Abläufe zwischen bestehenden Tools brauchst du oft gar keinen eigenen Code. Wann eine Low-Code-Plattform reicht, steht im Artikel über Low-Code-Automatisierung. Und wenn du mit KI-Hilfe in kurzer Zeit ein erstes Produkt bauen willst, findest du meinen Plan im Artikel MVP in zwei Wochen.

Fazit

Ein KI-Programmierassistent ist heute Alltag in der Softwareentwicklung. Die besten Studien zeigen echte, aber moderate Gewinne, und sie zeigen, dass vor allem Erfahrene profitieren. Mehr Code bedeutet außerdem mehr Lesen und Abstimmen, und funktionierender Code kann trotzdem unsicher sein.

Mein Vorschlag für diese Woche: Nimm eine kleine interne Aufgabe, die du schon lange automatisieren willst, und lass sie dir von einem Assistenten bauen. Lass dir danach jeden Abschnitt erklären, bis du ihn einem Freund beschreiben könntest. Was ich beim Bauen mit KI dazulerne, teile ich in den Unternehmer Thoughts.

Mit KI weiterdenken

Frag deine KI zu diesem Artikel

Öffnet den Dienst in einem neuen Tab. Erst mit dem Klick geht der Prompt an den Anbieter, vorher wird nichts übertragen.

Häufige Fragen

Was ist ein KI-Programmierassistent?

Ein KI-Programmierassistent ist ein Werkzeug auf Basis eines Sprachmodells, das beim Programmieren hilft. Es vervollständigt Code, schreibt Funktionen nach einer Beschreibung, erklärt bestehenden Code und hilft bei der Fehlersuche. Bekannte Beispiele sind GitHub Copilot, Chat-Assistenten in Entwicklungsumgebungen und agentische Werkzeuge wie Claude Code.

Macht ein KI-Programmierassistent wirklich schneller?

Große Studien finden messbare, aber moderate Effekte. In einer Analyse von GitHub-Daten stieg die Zahl der Commits um geschätzte 3,6 %, und zwar nur bei erfahrenen Entwicklern. Wie groß der Gewinn bei einer einzelnen Aufgabe ausfällt, hängt stark von der Aufgabe und deiner Erfahrung ab.

Ist Code von GitHub Copilot sicher?

Nicht automatisch. In einem Test mit sicherheitskritischen Szenarien war fast jeder erzeugte Codeschnipsel funktional korrekt, knapp ein Drittel enthielt aber mindestens eine Schwachstelle. Code aus einem Assistenten gehört deshalb genauso geprüft wie Code von Menschen.

Lohnt sich ein KI-Programmierassistent für Anfänger?

Für das Lernen und kleine Aufgaben ja, denn er erklärt Code und macht den Einstieg leichter. Die Forschung zeigt aber, dass Einsteiger bisher weniger messbar profitieren als Erfahrene. Wer die Vorschläge nicht beurteilen kann, übernimmt auch ihre Fehler.

Quellen4 Quellen
  1. Daniotti, Wachs, Feng et al. (2026): Who is using AI to code? Global diffusion and impact of generative AI. Science (öffnet in neuem Tab)
  2. Song, Agarwal, Wen (2026): The Impact of Generative AI on Collaborative Open-Source Software Development: Evidence from GitHub Copilot. Information Systems Research (öffnet in neuem Tab)
  3. Salib, Sharafi (2026): AI or Ally? Understanding Student Reliance on GitHub Copilot and Human Peers Through Eye Tracking. IEEE Transactions on Software Engineering (öffnet in neuem Tab)
  4. Armstrong, Hartley (2025): Artificially Insecure: Examining GitHub Copilot’s AI-based Vulnerability Prevention System. Silicon Valley Cybersecurity Conference (SVCC) (öffnet in neuem Tab)

Passt dazu

Alle Artikel