Längsschnittstudie findet KI-Produktivitätssteigerungen bei 10 %, nicht 10-fach

Vorläufige Daten aus einer Längsschnittstudie zur KI-Wirkung zeigen, dass die Produktivitätsgewinne durch KI-Tools bescheidener ausfallen als oft behauptet. Die Studie analysierte Daten von 40 Unternehmen zwischen November 2024 und Februar 2026, um zu verfolgen, ob Teams mehr Pull Requests ausliefern, wenn die KI-Adaption zunimmt.
Wichtige Erkenntnisse
Während des Studienzeitraums nahm die KI-Nutzung deutlich zu – im Durchschnitt um 65 %. Der PR-Durchsatz stieg jedoch nur um 9,97 %. Dieser Wert ist besonders robust, da die Forscher potenzielle Gamification-Effekte herausfilterten, indem sie Teams ausschlossen, die PR-Durchsatzziele für einzelne Ingenieure festlegten, was eher zu einer Aufblähung der Metriken als zu echter Leistungssteigerung führen könnte.
Was das für Entwicklungsteams bedeutet
Der Gewinn von ~10 % entspricht dem, was Führungskräfte in der Entwicklung allgemein berichten: Die meisten Organisationen landen im Bereich von 8–12 %. Während dies eine echte Verbesserung darstellt, ist es weit entfernt von den 2–3-fachen Steigerungen, die viele Führungskräfte und Vorstände von der KI-Adaption erwarten.
Warum die Gewinne nicht höher sind
Entwickler aus mehreren Organisationen erklärten, dass das Schreiben von Code nie der Engpass war. Wie ein Senior-Entwickler anmerkte: "Die einfachen Aufgaben sind ein wenig einfacher. Die mühsamen Aufgaben sind ein wenig weniger nervig. Eine vier Tage dauernde Aufgabe könnte drei Tage dauern. Aber das bedeutet nicht, dass ich 3-mal mehr PRs ausliefere."
KI mag den Programmieranteil der Arbeit beschleunigen, aber das Programmieren macht einen relativ kleinen Teil davon aus, wie Ingenieure ihre Zeit tatsächlich verbringen. Planung, Abstimmung, Abgrenzung, Code-Review und Übergaben – die menschlichen Teile des SDLC – bleiben von aktuellen KI-Tools weitgehend unberührt.
Studienmethodik
Die Studie ist eine Längsschnittstudie, was bedeutet, dass sie Veränderungen über die Zeit verfolgt, anstatt eine Momentaufnahme zu liefern. Die vollständige Studie wird untersuchen, warum einige Teams mehr Nutzen ziehen als andere und was Führungskräfte tun können, um diese Lücke zu schließen.
📖 Read the full source: HN AI Agents
👀 Siehe auch

CC v2.1.122: Entfernung von Systemanweisungen, Debugging-Update und Erhöhung der Planungssicherheit
Claude Code CC v2.1.122 entfernt den eigenständigen Prompt für Phase vier des Planmodus, verbessert den Fallback des Daemon-Debug-Kontexts und erhöht die Konfidenzschwelle für das Angebot von /schedule von 70 %+ auf 85 %+.

OpenClaw v2026.6.10: Automatischer Schnellmodus, Modell-Routing-Korrekturen und vertrauenswürdige Tool-Richtlinien
OpenClaw v2026.6.10 fügt automatischen Fast-Modus hinzu, behebt Modell-Routing für Z.ai GLM-5, verbessert die Sitzungsidentität über Kanäle hinweg und macht vertrauenswürdige Tool-Richtlinien zuverlässiger.

Google-Konto nach OpenClaw-Integrationsversuch gesperrt
Das brandneue Google-Konto eines Entwicklers wurde innerhalb von 48 Stunden nach der Einrichtung des API-Zugangs für die OpenClaw-Integration gesperrt und trotz manueller Erstellung als Bot-Aktivität eingestuft.

KI-Agenten benötigen Rollback-Primitive, nicht nur Autonomie
Ein Entwickler argumentiert, dass Agent-Frameworks Datenbankkonzepte wie ACID, Sagas und kompensierende Aktionen übernehmen müssen, um partielle Fehler zu behandeln, anstatt sich darauf zu verlassen, dass LLMs das „irgendwie regeln“.