Zum Inhalt springen

Wissensbasis

DX AI Impact Report: KI-gestützte Entwicklung im Benchmark

Der DX-Benchmark für Q1 2026 über 400+ Unternehmen fand 92,7% KI-Adoption und 3,9 Stunden Ersparnis pro Entwickler:in und Woche. Die Qualität schwankte in beide Richtungen, und CI-Wartezeiten und Meetings kosten weiter mehr Zeit, als KI spart. Enablement und Messung entschieden über das Ergebnis, nicht die Toolwahl.

Verfasst von

Aktualisiert:

Belege 7

Unsere Position. Adoption lässt sich leicht messen und sagt euch fast nichts. Brächte die Installation der Tools die Gewinne, liefen Nutzungskurve und Durchsatzkurve gemeinsam. Das tun sie nicht, und der Abstand zwischen beiden ist die Organisation (unsere Lesart der DX-Forschung (öffnet in einem neuen Tab)).

Die Zahlen von DX bestätigen das. Der Quartals-Benchmark misst 400+ Unternehmen mit einer einzigen Methodik und berichtet die Veränderung zum Vorquartal. Näher an eine neutrale Referenz kommt die Branche nicht (State of AI Impact in Engineering: Q1 Report (öffnet in einem neuen Tab)). Die Adoption liegt über 90%. Beim PR-Durchsatz trennt Nicht-Nutzer:innen und tägliche Nutzer:innen weniger als ein Pull Request pro Woche.

Zeitraum: 2025-10-17 bis 2026-02-01 Stichprobe: 400+ Unternehmen, <50 bis 10.000+ Mitarbeitende, Nordamerika / Lateinamerika / Europa / APAC Erscheinungsrhythmus: quartalsweise (Nachfolger des Reports zu Q4 2025, DX plant weitere Quartalsausgaben)

Was hat DX bei 400+ Unternehmen gemessen?

Adoption und Zeitersparnis

Adoption und Zeitersparnis
Metrik Wert Veränderung zu Q4 2025
KI-Adoption der Branche (monatlich+) 92,7% vorher ~90%
Nicht-Nutzer:innen / keine Daten 7,3% -
Durchschnittliche Zeitersparnis pro Woche 3,9 Std. vorher 3,6 Std.
Zeitersparnis täglicher Nutzer:innen 4,72 Std./Woche -
Zeitersparnis wöchentlicher Nutzer:innen 4,04 Std./Woche -
Zeitersparnis monatlicher Nutzer:innen 3,63 Std./Woche -
Zeitersparnis von Schatten-KI-Nutzer:innen 3,34 Std./Woche -

KI-geschriebener Code

KI-geschriebener Code
Kohorte % KI-geschrieben Veränderung
Durchschnitt 27,4% ~5 pp mehr
Tägliche Nutzer:innen 30,8% vorher 24,1%
Wöchentliche Nutzer:innen 26,9% vorher 21,8%
Monatliche Nutzer:innen 24,5% vorher 20,2%
Unbekannt / ohne Telemetrie 22,3% vorher 20,2%

PR-Durchsatz (Median pro Woche)

PR-Durchsatz (Median pro Woche)
Kohorte Q1 2026 Q4 2025
Tägliche Nutzer:innen 2,4 2,2
Wöchentliche Nutzer:innen 1,9 1,7
Monatliche Nutzer:innen 1,6 1,5
Nicht-Nutzer:innen 1,5 1,2

DX hat zusätzlich eine eigene Längsschnittstudie von November 2024 bis Februar 2026 durchgeführt. Sie zeigte nur 10-15% mehr PR-Durchsatz, weit weniger, als die per Self-Report erhobene Zeitersparnis nahelegt. Die KI-Produktivitätsstudien finden dieselbe Lücke zwischen gefühlter und gemessener Geschwindigkeit.

Tools im Vergleich (PR-Durchsatz täglicher Nutzer:innen, pro Woche)

  • Cursor: 4,1 (im Q4 noch 2,8, +46% QoQ)
  • Claude: >4,0 bei wöchentlichen/monatlichen Nutzer:innen (vorher 2,6/2,2)
  • GitHub Copilot: 3,61 (vorher 2,5)
  • Tabnine: 1,83 (niedrigster Wert, vor allem in großen Unternehmen im Einsatz)

Neuere KI-native und agentische Tools führen mit wachsendem Abstand.

Die Qualität schwankt

DX hat Change Failure Rate, Change Confidence und Code Maintainability pro Unternehmen von Quartal zu Quartal verfolgt.

  • Bei manchen Unternehmen stieg die CFR um bis zu ~2 Prozentpunkte, bei einem Branchen-Benchmark von 4%. Das sind rund 50% mehr ausgelieferte Defekte.
  • Bei Change Confidence und Maintainability schwankten Unternehmen deutlich in beide Richtungen.
  • Ein einheitliches Muster “KI verbessert die Qualität” oder “KI verschlechtert die Qualität” gibt es nicht. Das Ergebnis hängt von Messung, Training und Integrationsstrategie ab, nicht von der Toolwahl.

Onboarding von Entwickler:innen

  • Time-to-10th-PR: 33 Tage für tägliche KI-Nutzer:innen. In Q3 2025 waren es noch 39 Tage, seit Q1 2024 hat sich der Wert mehr als halbiert.
  • Die Onboarding-Kurve wird von Quartal zu Quartal steiler.

Rollen im Wandel

  • Engineering Manager:innen, die KI täglich nutzen, liefern 4x so viel Code wie Nicht-Nutzer:innen. Im Q4 war es noch 2x. DX nennt das den “player-coach shift”.
  • 75% der Designer:innen und Produktmanager:innen nutzen KI (im Q4 ~60%). Die Übergabe von Design und PM an Engineering verläuft mit weniger Reibung.

Unternehmensgröße: die Umkehr

  • Q4 2025: Größere Unternehmen (1.000+ Devs) sparten mehr Zeit.
  • Q1 2026: Kleinere Unternehmen (<200 Devs) führen jetzt bei der Zeitersparnis pro Entwickler:in. Dabei haben größere Unternehmen insgesamt die höhere Adoption.
  • Deutung: Kleinere Firmen schlossen ihre Rollouts zuerst ab und wechselten zu anspruchsvollen Use Cases mit höherem Wert.

Enterprise-Segment

  • Traditionelle und regulierte Unternehmen führen bei der Adoption vor Big Tech. Sie rollen bewusster, strukturierter und mit mehr Governance aus. Langfristig korreliert das mit höherer Adoption.

Schatten-KI

  • Auch Nutzer:innen ohne Telemetrie aus freigegebenen Tools berichten nennenswerte wöchentliche Nutzung, Zeitersparnis und KI-geschriebenen Code.
  • DX empfiehlt Acceptable Use Policies statt Zugriffssperren und bessere interne Alternativen.

Gewinne nach Sprache

  • Moderne Sprachen (Python, Java, Go) bringen die größte Zeitersparnis, weil die Modelle auf ihnen trainiert sind.
  • Rust hat im Q1 2026 die anderen Sprachen überholt. Der Rust-Compiler dient Agents als Feedback-Partner, mit dem sie sich in Schleifen selbst prüfen. Claude 3.7 und Gemini 3.0 überschritten bei Rust-spezifischen Problemen (Lifetimes, async) eine Reasoning-Schwelle.

Faktoren jenseits von KI dominieren weiter

CI-Wartezeiten, aufgeblähte Meetings, Freigabe-Bottlenecks und Kontextwechsel kosten Entwickler:innen aufs Jahr gerechnet Zeit. Diese verlorene Zeit übersteigt die Zeit, die KI beim Coden spart. Das Fazit von DX:

AI is a local optimizer. Global optimization requires fixing the human and systemic processes surrounding the code.

Was sagen Praktiker:innen im Report?

Zu Context Engineering und systematischen Prompts

Teams at Google are starting to set some team norms about how they interact with their code base in the form of standard prompts so that every agent that’s deployed to their code base follows a certain set of prescripted prompts that helps standardize the way that the code is written.

Gemeint sind standardisierte Prompts auf Teamebene, nicht das Prompt-Geschick Einzelner.

Zu verschwimmenden Rollen

We’re blurring the line between an engineer and other disciplines. The path from an idea to a prototype to something that can be passed on to an engineer has widely changed in the past few months, and I think it’s going to speed up the way we can develop and ship features.

Zu KI als lokalem Optimierer (zentrale Empfehlung)

AI is saving nearly 5 hours a week for top users, but CI wait times and meeting bloat still eclipse these gains. AI is a local optimizer. Global optimization requires fixing the human and systemic processes surrounding the code.

Zu Enablement als Erfolgsfaktor

For engineering leaders, these findings underscore that successful AI integration requires more than just tool deployment; it demands thoughtful measurement, implementation strategies, and proper training.

Wie misst DX den Impact von KI?

DX ordnet seine Metriken drei Säulen zu:

Wie misst DX den Impact von KI?
Säule Metriken
Nutzung Nutzung von KI-Tools (DAUs/WAUs), % KI-gestützter PRs, % KI-generierter Code unter dem committeten Code, an Agents vergebene Tasks
Impact Core 4: PR-Durchsatz, wahrgenommene Liefergeschwindigkeit, DXI, Code Maintainability, Change Confidence, Change Fail %; Human-Equivalent Hours (HEH)
Kosten KI-Ausgaben pro Entwickler:in, Netto-Zeitgewinn pro Entwickler:in, Stundensatz der Agents (HEH / KI-Ausgaben)

Der tragende Gedanke trennt KI-Metriken (was passiert) von Core-Metriken (ob es wirkt). Adoption ohne Ergebnis ist eine Vanity-Zahl. Ein Ergebnis ohne Adoption lässt sich nicht zuordnen.

Was hat sich gegenüber dem Vorquartal geändert?

  1. Junior Engineers haben Staff+ Engineers bei der täglichen Zeitersparnis zum ersten Mal überholt. Konstant häufige Nutzung brachte Juniors auf der Lernkurve zur Spitzeneffizienz (4,9 gegenüber 4,8 Std./Woche).
  2. Kleinere Unternehmen (<200 Devs) führen jetzt bei der Effizienz. Im Q4 war es umgekehrt.
  3. Rust hat die anderen Sprachen bei der Zeitersparnis überholt. Dahinter stehen bessere Reasoning-Modelle und der Compiler als Feedback-Schleife.
  4. Engineering Manager:innen haben ihren Output erneut verdoppelt, von 2x auf 4x. Die Player-Coach-Rolle festigt sich.

Die drei Empfehlungen von DX für 2026 in Kurzform:

  1. Das Schatten-KI-Risiko ist hoch. Statt zu blockieren, stellt ihr interne Alternativen bereit.
  2. CFR-Schwankungen von ~2% bedeuten 50% mehr Defekte. Der Fokus verschiebt sich von Geschwindigkeit zu Validierung. KI-gestütztes automatisiertes Testen ist nicht mehr optional.
  3. KI ist ein lokaler Optimierer. Repariert die menschlichen und systemischen Prozesse rund um den Code.

Ein vierter Punkt zieht sich durch den Report, ohne als Empfehlung aufzutauchen: Strukturiertes Enablement und Messung entscheiden über den Erfolg mit KI, nicht die Toolwahl.

Verwandte Seiten

Quellen

Artikel

Studien und Reports