Studie zeigt: „Tokenmaxxing“ beeinträchtigt die Produktivität von Entwicklern

Es gibt eine klassische Managementweisheit: Was gemessen wird, wird auch gesteuert. Und in der Regel bekommt man mehr von dem, was man misst.

Softwareentwickler diskutieren seit Jahrzehnten über Produktivitätskennzahlen, angefangen bei der Anzahl der Codezeilen. Doch da die neue Generation von KI-Codierungsassistenten mehr Code als je zuvor produziert, wird immer unklarer, was ihre Manager eigentlich messen sollten.

Riesige Token-Budgets – im Wesentlichen die Menge an KI-Rechenleistung, die ein Entwickler nutzen darf – sind unter Entwicklern im Silicon Valley zu einem Statussymbol geworden. Das ist jedoch eine seltsame Art, über Produktivität nachzudenken. Die Messung eines Inputs für den Prozess macht wenig Sinn, wenn man vermutlich mehr Wert auf den Output legt. Es mag logisch sein, wenn man versucht, die Einführung von KI zu fördern (oder Token zu verkaufen), aber nicht, wenn das Ziel darin besteht, effizienter zu werden.

Betrachten wir die Erkenntnisse einer neuen Kategorie von Unternehmen im Bereich „Einblicke in die Entwicklerproduktivität“. Sie stellen fest, dass Entwickler, die Tools wie Claude Code, Cursor und Codex nutzen, deutlich mehr akzeptierten Code generieren als zuvor. Sie entdecken jedoch auch, dass Ingenieure viel häufiger zurückkehren müssen, um diesen akzeptierten Code zu überarbeiten, was die Behauptungen über gesteigerte Produktivität untergräbt.

Alex Circei, CEO und Gründer von Waydev, entwickelt eine Intelligence-Schicht, um diese Dynamiken zu verfolgen. Sein Unternehmen arbeitet mit 50 verschiedenen Kunden zusammen, die über 10.000 Software-Ingenieure beschäftigen. (Circei hat in der Vergangenheit Beiträge für TechCrunch verfasst, aber dieser Reporter hatte ihn zuvor noch nie getroffen.)

Er sagt, dass Entwicklungsleiter Code-Akzeptanzraten von 80 % bis 90 % beobachten – also den Anteil des von KI generierten Codes, den Entwickler genehmigen und beibehalten. Dabei übersehen sie jedoch die anschließende Fluktuation, die entsteht, wenn Ingenieure diesen Code in den folgenden Wochen überarbeiten müssen, was die tatsächliche, dauerhafte Akzeptanzrate auf 10 % bis 30 % senkt.

Der Aufstieg von KI-Codierungstools veranlasste Waydev, das 2017 gegründet wurde, um Entwickleranalysen anzubieten, seine Plattform in den letzten sechs Monaten komplett zu überarbeiten, um der Verbreitung von Schnellcodierungstools Rechnung zu tragen. Nun bringt das Unternehmen neue Tools auf den Markt, die die von KI-Agenten generierten Metadaten verfolgen und Analysen zur Qualität und zu den Kosten ihres Codes liefern, um Engineering-Managern tiefere Einblicke sowohl in die KI-Einführung als auch in deren Effektivität zu gewähren.

Während Analyseunternehmen ein Interesse daran haben, die von ihnen festgestellten Probleme hervorzuheben, mehren sich die Anzeichen dafür, dass große Organisationen noch dabei sind, herauszufinden, wie sie KI-Tools effizient einsetzen können. Große Unternehmen nehmen dies zur Kenntnis – Atlassian hat im vergangenen Jahr DX, ein weiteres Startup im Bereich Engineering Intelligence, für 1 Milliarde US-Dollar übernommen, um seinen Kunden zu helfen, den Return on Investment von Programmieragenten zu verstehen.

Daten aus der gesamten Branche zeichnen ein einheitliches Bild: Es wird mehr Code geschrieben, aber ein unverhältnismäßig großer Teil davon bleibt nicht bestehen.

GitClear, ein weiteres Unternehmen in diesem Bereich, veröffentlichte im Januar einen Bericht, der ergab, dass KI-Tools die Produktivität steigern. Die Daten zeigten jedoch auch, dass „regelmäßige KI-Nutzer im Durchschnitt eine 9,4-mal höhere Code-Fluktuation aufwiesen als ihre Kollegen ohne KI“ – mehr als doppelt so viel wie die Produktivitätsgewinne, die die Tools lieferten.

Faros AI, eine Engineering-Analytics-Plattform, stützte sich für ihren Bericht vom März 2026 auf Kundendaten aus zwei Jahren. Das Ergebnis: Die Code-Fluktuation – gelöschte Codezeilen im Vergleich zu hinzugefügten – war bei hohem KI-Einsatz um 861 % gestiegen.

Jellyfish, das sich selbst als Intelligence-Plattform für KI-integriertes Engineering bezeichnet, sammelte im ersten Quartal 2026 Daten von 7.548 Ingenieuren. Das Unternehmen stellte fest, dass Ingenieure mit den höchsten Token-Budgets die meisten Pull-Requests (vorgeschlagene Änderungen an einer gemeinsamen Codebasis) erzeugten, die Produktivitätssteigerung jedoch nicht skalierbar war. Sie erzielten den doppelten Durchsatz bei zehnfachen Token-Kosten. Mit anderen Worten: Die Tools generieren Volumen, nicht Wert.

Diese Art von Statistiken bestätigen sich, wenn man mit Entwicklern spricht, die feststellen, dass sich der Aufwand für Code-Reviews und die technische Schuld häufen, auch wenn sie die neuen Funktionen dieser Tools genießen. Eine häufige Erkenntnis ist der Unterschied zwischen erfahrenen und unerfahrenen Ingenieuren, wobei Letztere weitaus mehr KI-generierten Code akzeptieren und folglich mit einem größeren Umfang an Umschreibungen konfrontiert sind.

Doch selbst wenn Entwickler daran arbeiten, genau zu verstehen, was ihre KI-Assistenten tun, rechnen sie nicht damit, in absehbarer Zeit wieder davon abzurücken.

„Dies ist eine neue Ära der Softwareentwicklung, und man muss sich anpassen. Unternehmen sind gezwungen, sich anzupassen“, sagte Circei gegenüber TechCrunch. „Es ist kein vorübergehender Trend.“