Studie zu KI-generierter Software KI-Code glänzt im Review und schwächelt in der Produktion

New Relics „2026 State of AI Coding Report“ meldet einen harten Widerspruch: 94 Prozent der befragten Tech-Entscheider bewerten KI-generierten Code im Review als hochwertiger als menschlichen Code. Nach dem Go-live berichten aber 78 Prozent von mehr Incidents. Der Grund laut Report: KI-Tools lesen den Quellcode, nicht den Trace. Observability soll die Lücke schließen.

Der Observability-Anbieter New Relic hat seinen „2026 State of AI Coding Report“ [registrierungspflichtig] veröffentlicht. Die gemeinsam mit Hanover Research durchgeführte Studie befragte Führungskräfte aus IT und Engineering, die generative und Agentic AI in der Softwareentwicklung einsetzen. Der zentrale Befund: Der positive Ersteindruck beim Code-Review deckt sich nicht mit der Performance im Live-Betrieb.

Gute Noten beim Review, hohe Kosten danach

Beim Review bevorzugen laut Report 94 Prozent der Befragten KI-generierten Code – 61 Prozent bewerten ihn als etwas hochwertiger, 33 Prozent als deutlich hochwertiger. Nach dem Go-live kehrt sich das Bild jedoch um. Nach Angaben des Unternehmens berichten 78 Prozent von einem Anstieg der Incidents, und 86 Prozent geben an, dass Senior Engineers mehr Zeit mit Reparatur und Fehlerbehebung verbringen.

Weiter zeigt die Studie, dass 74 Prozent der Befragten mindestens ein Viertel des KI-generierten Codes der vergangenen zwölf Monate erheblich überarbeiten mussten. 82 Prozent erlebten in den vergangenen sechs Monaten mindestens einen Produktionsausfall, der auf KI-generierten Code zurückzuführen war. Nur 19 Prozent berichten den Angaben zufolge von einem störungsfreien Umgang mit KI-Code in diesem Zeitraum.

KI schreibt den Großteil des Codes

Die Verlagerung der Code-Erstellung auf KI betrifft dem Report zufolge nicht mehr nur Startups. Zwei Drittel der befragten IT-Entscheider (67 Prozent) geben an, dass KI zwischen 51 und 75 Prozent der wöchentlichen Code-Produktion ihres Unternehmens generiert oder einem umfangreichen Refactoring unterzieht.

Zugleich deuten die Daten auf ein hohes Maß an Vertrauen im frühen Entwicklungsprozess hin: 62 Prozent der Führungskräfte berichten, dass ihre Teams KI-generiertem Code oft so weit vertrauen, dass sie ihn ohne manuelle zeilenweise Überprüfung ausliefern. Zudem hätten 88 Prozent der Unternehmen Vibe Coding in formelle Produktionsrichtlinien aufgenommen.

„Agent Debt“ als neue Herausforderung

AI Coding Agents vervollständigten nicht mehr nur einzelne Codezeilen, sondern trieben inzwischen den Großteil der Softwareentwicklung in Unternehmen voran. Der Report zeige einen Trend, den New Relic als „Agent Debt“ bezeichne: Teams übernähmen mit dem von Agenten erzeugten Code unbemerkt Architektur- und Designentscheidungen, die nicht ausreichend geprüft seien und sich später im Produktivbetrieb als Störungen bemerkbar machten. Diese „Agent Debt“ zu begrenzen werde zu einer zentralen Aufgabe für Engineering-Organisationen.

Vor diesem Hintergrund stufen den Angaben zufolge 96 Prozent der technischen Führungskräfte Observability im Umgang mit KI-generiertem Code als sehr oder äußerst wichtig ein. 78 Prozent weisen KI-Tools inzwischen per Prompt an, Telemetriedaten wie Logs, Traces und Metriken direkt in den generierten Code zu integrieren.

Warum der gute Ersteindruck trügt

Die Studie beschreibt damit vor allem das Symptom: Code, der im Review überzeugt und im Betrieb Probleme macht. Die Frage nach der Ursache beantwortet sie nur am Rande. Eine Erklärung liefert Simon Ritter, Deputy CTO beim Java-Spezialisten Azul, und kommt dabei unabhängig von New Relic zu einem ganz ähnlichen Befund.

Ritters Ausgangspunkt ist die Mehrdeutigkeit natürlicher Sprache: Während Programmiersprachen deterministisch seien und eine Anweisung genau eine Bedeutung habe, sei natürliche Sprache kontextabhängig und interpretierbar. Das Ergebnis sei Code, der auf den ersten Blick funktioniere, unter der Oberfläche aber das umsetze, was das Modell verstanden habe und nicht zwingend das, was gemeint war. In einer Demo falle das oft nicht auf, im Produktivbetrieb könne es aber teuer werden. Genau hier setzt die Parallele zum „Agent Debt“-Befund an: Was beim Review gut aussieht, transportiert unbemerkt Entscheidungen, die niemand bewusst getroffen hat.

Ritter verweist zudem auf unabhängige Daten: Nach einer Untersuchung von Veracode enthalten 45 Prozent der mit KI generierten Anwendungen ausnutzbare Sicherheitslücken; laut einer Stack-Overflow-Erhebung ist die Skepsis der Entwickler gegenüber KI-generiertem Code binnen eines Jahres von 31 auf 46 Prozent gestiegen. Besonders kritisch sieht er den Einsatz bei langlebigen, unternehmenskritischen Java-Systemen in Banken, Gesundheitswesen oder öffentlichem Sektor, die über Jahre wartbar bleiben müssten. Vibe Coding erschwere dort die Nachvollziehbarkeit, weil die Intention hinter dem Code kaum noch erkennbar sei.

Als Anbieter von Java-Support plädiert Ritter dafür, KI gezielt und unter fachlicher Aufsicht einzusetzen, etwa beim Refactoring oder bei klar abgegrenzten Aufgaben. Unternehmen mit kritischen Java-Systemen bräuchten nicht weniger, sondern mehr Java-Expertise, um KI-Output zu bewerten und nur produktionsreifen Code in den Betrieb zu lassen.

Kontrolle statt blindem Vertrauen

KI verlagert die Softwareentwicklung in hohem Tempo, doch die Qualitätssicherung hält nicht Schritt. Wenn laut New Relic 62 Prozent der Teams KI-Code ohne zeilenweise Prüfung ausliefern und zugleich 82 Prozent der Unternehmen Produktionsausfälle durch eben diesen Code erleben, liegt der Schluss nahe, dass zwischen Vertrauen und Verifikation eine Lücke klafft. Der Review-Eindruck allein ist kein Qualitätsmaßstab mehr. Wer KI-generierten Code produktiv einsetzt, braucht Prozesse, die dessen Verhalten im Betrieb messbar machen und Menschen, die die Ergebnisse bewerten können.

(ID:50887452)