Mehr als jedes fünfte Code-Review auf GitHub wird inzwischen von einem KI-Reviewer durchgeführt: Copilot Code Review überschritt im März 2026 die Marke von 60 Millionen Reviews, weniger als ein Jahr nach der allgemeinen Verfügbarkeit (GitHub Blog, 2026). Auch das zu prüfende Volumen steigt: GitHub-Nutzer mergten 2025 im Durchschnitt 43,2 Millionen Pull Requests pro Monat, ein Plus von 23% gegenüber dem Vorjahr (GitHub Octoverse 2025). Das Vertrauen hat nicht Schritt gehalten, denn 96% der Entwickler vertrauen KI-generiertem Code nicht vollständig (Sonar State of Code Developer Survey 2026), und 85% der befragten Entwickler und Technologieeinkäufer stimmen zu, dass KI den Engpass vom Schreiben des Codes auf das Reviewen verlagert hat (GitLab AI Accountability Report 2026). Wir haben Daten aus der Stack Overflow Developer Survey, dem GitHub Octoverse, GitLabs DevSecOps-Forschung, Googles DORA-Report, Sonar, Qodo, Veracode, CodeRabbit, Faros AI, METR, JetBrains, Atlassian und Gartner zusammengeführt. Für die Seite des Code-Schreibens siehe unsere ergänzende Zusammenstellung zu Statistiken zur KI-Codegenerierung.
TL;DR
- Copilot Code Review macht mehr als jedes fünfte Code-Review auf GitHub aus, mit 60 Millionen abgeschlossenen Reviews (GitHub Blog, 2026)
- 85% stimmen zu, dass KI den Engpass vom Schreiben von Code auf das Reviewen und Validieren verlagert hat (GitLab AI Accountability Report 2026)
- 96% der Entwickler vertrauen KI-generiertem Code nicht vollständig, aber nur 48% prüfen ihn immer vor dem Commit (Sonar State of Code 2026)
- 10,2% der Entwickler nutzen KI überwiegend zum Committen und Reviewen von Code; 58,7% haben das nicht vor (Stack Overflow Developer Survey 2025)
- Teams mit hoher KI-Nutzung mergen 98% mehr PRs, während die PR-Review-Zeit um 91% steigt (Faros AI Productivity Paradox Report 2025)
- 81% der Entwickler, die KI-Review nutzen, sahen Qualitätsgewinne, gegenüber 55% bei ähnlich schnellen Teams ohne sie (Qodo State of AI Code Quality 2025)
- 45% der KI-generierten Codebeispiele bestanden Sicherheitstests über mehr als 100 LLMs hinweg nicht (Veracode GenAI Code Security Report 2025)
- PRs mit KI-Beteiligung haben 10,83 Probleme pro PR gegenüber 6,45 bei rein menschlichen PRs (CodeRabbit State of AI vs Human Code Generation 2025)
- 72,6% der Nutzer von Copilot Code Review sagen, es habe ihre Effektivität verbessert (GitHub Octoverse 2025)
- 80% sagen, ihre Organisation habe KI-Tools schneller eingeführt, als sie Richtlinien zu deren Steuerung aufgebaut hat (GitLab AI Accountability Report 2026)
- 90% der Technologieprofis nutzen KI inzwischen bei der Arbeit, aber 30% haben wenig oder kein Vertrauen in KI-generierten Code (Google DORA 2025)
- 90% der Software-Ingenieure in Unternehmen werden bis 2028 KI-Code-Assistenten nutzen, gegenüber unter 14% Anfang 2024 (Gartner, 2025)
1. KI-Nutzung bei Entwicklern: Die Ausgangsbasis für automatisiertes Review
Automatisiertes Review ist eine Folge des automatisierten Schreibens. 90% der Technologieprofis nutzen inzwischen KI bei der Arbeit (Google DORA State of AI-assisted Software Development 2025), sodass nahezu jeder Pull Request, der in eine Review-Warteschlange gelangt, mit gewisser Wahrscheinlichkeit maschinell geschriebenen Code enthält. Das verändert den Zweck des Reviews: Es ist nicht mehr nur eine Prüfung unter Kollegen, sondern die zentrale Kontrollstelle für Code, den kein Mensch vollständig verfasst hat.
Die Nutzung ist außerdem tief, nicht nur breit. Sonars Befragte sagen, dass 42% des von ihnen eingecheckten Codes bereits KI-generiert oder KI-unterstützt ist, und JetBrains stellt fest, dass sich 62% der Entwickler auf mindestens einen KI-Coding-Assistenten, Agenten oder KI-Code-Editor stützen. Die Frage für Engineering-Verantwortliche lautet nicht mehr, ob Teams KI nutzen, sondern wie viel ungeprüfte KI-Ausgabe ihre Pipeline verkraftet.
| Metrik | Wert | Quelle |
|---|---|---|
| Technologieprofis, die KI bei der Arbeit nutzen | 90% (+14% gegenüber dem Vorjahr) | Google DORA State of AI-assisted Software Development 2025 |
| Mediane tägliche Zeit mit KI | 2 Stunden | Google DORA 2025 |
| Entwickler, die KI-Tools nutzen oder nutzen wollen | 84% (gegenüber 76% im Jahr 2024) | Stack Overflow Developer Survey 2025 |
| Professionelle Entwickler, die täglich KI-Tools nutzen | 51% | Stack Overflow Developer Survey 2025 |
| Entwickler, die KI regelmäßig zum Programmieren und Entwickeln nutzen | 85% | JetBrains State of Developer Ecosystem 2025 |
| Entwickler, die sich auf mindestens einen KI-Coding-Assistenten, Agenten oder KI-Editor stützen | 62% | JetBrains State of Developer Ecosystem 2025 |
| Entwickler, die KI-Coding-Tools ausprobiert haben und sie nun täglich nutzen | 72% | Sonar State of Code Developer Survey 2026 |
| DevSecOps-Profis, die KI im SDLC nutzen oder nutzen wollen | 97% | GitLab Global DevSecOps Report 2025 |
Kontexthinweis: Diese Umfragen nutzen unterschiedliche Grundgesamtheiten (Stack Overflow steht allen Entwicklern offen, DORA richtet sich an Technologieprofis, JetBrains befragte 24.534 Entwickler in 194 Ländern), daher lassen sich die Nutzungsraten am besten als konsistente Spanne von 84% bis 97% lesen statt als einzelne Zahl. Den vollständigen Fragewortlaut finden Sie auf der KI-Ergebnisseite der Stack Overflow Survey 2025 und in JetBrains’ State of Developer Ecosystem 2025. Breitere branchenübergreifende Zahlen stehen in unserer Zusammenstellung zu Statistiken aus Entwicklerumfragen.
2. Verbreitung und Umfang von KI-Code-Review
Das Review ist die Phase im Workflow, in der Entwickler am zögerlichsten Kontrolle abgeben, und die Umfragedaten zeigen das. Nur 10,2% der Entwickler nutzen KI überwiegend zum Committen und Reviewen von Code, und 58,7% sagen, dass sie das nicht planen (Stack Overflow Developer Survey 2025). Die Plattform-Telemetrie erzählt jedoch eine andere Geschichte: KI-Review wird auf Organisationsebene eingeschaltet und läuft bei jedem Pull Request, ob der einzelne Entwickler es wollte oder nicht.
Diese Lücke zwischen persönlicher Absicht und organisatorischen Voreinstellungen ist das prägende Merkmal dieses Marktes im Jahr 2026. GitHub sagt, die Nutzung von Copilot Code Review sei seit dem Start um das 10-Fache gewachsen und mehr als 12.000 Organisationen führten es automatisch bei jedem Pull Request aus (GitHub Blog, 60 Millionen Copilot-Code-Reviews). Mehrere Tools zugleich sind die Regel: 91% der Organisationen in GitLabs Umfrage 2026 haben zwei oder mehr KI-Coding-Tools aktiv im Einsatz.
| Metrik | Wert | Quelle |
|---|---|---|
| Abgeschlossene Copilot-Code-Reviews seit dem Start im April 2025 | 60 Millionen | GitHub Blog, März 2026 |
| Anteil aller Code-Reviews auf GitHub, die Copilot Code Review erledigt | Mehr als jedes fünfte | GitHub Blog, März 2026 |
| Organisationen, die Copilot Code Review automatisch bei jedem PR ausführen | über 12.000 | GitHub Blog, März 2026 |
| Copilot-Code-Reviews mit umsetzbarem Feedback | 71% (durchschnittlich 5,1 Kommentare pro Review) | GitHub Blog, März 2026 |
| Nutzer von Copilot Code Review, die sagen, es habe ihre Effektivität verbessert | 72,6% | GitHub Octoverse 2025 |
| Entwickler, die KI überwiegend / teilweise zum Committen und Reviewen von Code nutzen | 10,2% / 22,6% | Stack Overflow Developer Survey 2025 |
| Entwickler, die planen, KI für diese Aufgabe teilweise / überwiegend zu nutzen | 31,4% / 16,3% | Stack Overflow Developer Survey 2025 |
| Organisationen mit zwei oder mehr / drei oder mehr KI-Coding-Tools im aktiven Einsatz | 91% / 54% | GitLab AI Accountability Report 2026 |
Hinweis zu Ausreißern: Die Quote von 71% umsetzbarem Feedback bedeutet auch, dass 29% der Copilot-Reviews keine Kommentare liefern, was GitHub als bewusste Designentscheidung (Schweigen, wenn nichts falsch ist) und nicht als Fehler darstellt. Das Feature Copilot Code Review erreichte laut GitHub Octoverse 2025 am 4. April 2025 die allgemeine Verfügbarkeit. Ein früheres Beispiel stammt von Google, wo ein internes ML-Modell bei einem Präzisionsziel von 50% rund 52% der Reviewer-Kommentare adressieren konnte und die Code-Autoren 40% bis 50% der vorab angezeigten vorgeschlagenen Änderungen übernahmen (Google Research, 2023). Neueste verfügbare Daten für diese interne Studie: Google Research, 2023.
3. Vertrauen und Genauigkeit: Die Verifikationslücke
Das Vertrauen bewegt sich in die entgegengesetzte Richtung wie die Nutzung. 96% der Entwickler vertrauen nicht vollständig darauf, dass KI-generierter Code funktional korrekt ist, doch nur 48% prüfen ihn immer vor dem Commit (Sonar State of Code Developer Survey 2026). Diese Lücke von 48 Punkten zwischen Zweifel und Sorgfalt ist genau der Raum, in den Tools für automatisiertes Review verkauft werden: Wenn Menschen KI-Ausgaben nicht konsequent prüfen, muss etwas anderes es tun.
Das Muster wiederholt sich in unabhängigen Stichproben. Stack Overflow stellte fest, dass zwei Drittel der Entwickler auf KI-Antworten stoßen, die fast richtig, aber nicht ganz richtig sind, und DORA fand, dass 30% wenig oder kein Vertrauen in KI-generierten Code haben, selbst wenn über 80% Produktivitätsgewinne melden. Entwickler haben sich darauf eingestellt, KI als schnellen, aber fehlbaren Mitarbeiter zu behandeln, dessen Arbeit geprüft werden muss, weshalb Sonars Befragte das Reviewen und Validieren von KI-generiertem Code auch als wichtigste einzelne Fähigkeit für das KI-Zeitalter einstuften.
| Metrik | Wert | Quelle |
|---|---|---|
| Entwickler, die nicht vollständig darauf vertrauen, dass KI-generierter Code funktional korrekt ist | 96% | Sonar State of Code Developer Survey 2026 |
| Entwickler, die KI-Code immer vor dem Commit prüfen | 48% | Sonar State of Code Developer Survey 2026 |
| Entwickler, die zustimmen, dass KI Code erzeugt, der korrekt aussieht, aber nicht verlässlich ist | 61% | Sonar State of Code Developer Survey 2026 |
| Entwickler, die der Genauigkeit von KI-Ausgaben stark vertrauen / aktiv misstrauen | 3,1% / 46% | Stack Overflow Developer Survey 2025 |
| Entwickler, die von KI-Lösungen frustriert sind, die fast richtig, aber nicht ganz richtig sind | 66% | Stack Overflow Developer Survey 2025 |
| Technologieprofis mit wenig oder keinem Vertrauen in KI-generierten Code | 30% | Google DORA 2025 |
| Befragte, die darauf vertrauen, dass KI Alltagsaufgaben ohne menschliche Prüfung erledigt | 37% | GitLab Global DevSecOps Report 2025 |
| Entwickler, die sowohl wenige Halluzinationen als auch hohe Sicherheit beim Ausliefern von KI-Code melden | 3,8% | Qodo State of AI Code Quality 2025 |
Kontexthinweis: Stack Overflows eigenes Leadership-Briefing nennt für 2025 ein Vertrauen in die KI-Genauigkeit von 29%, nach 40% im Jahr 2024, während die öffentliche Ergebnisseite 33% zeigt, wenn man die Antworten ‘etwas’ und ‘stark’ vertrauen zusammenfasst; der Unterschied ergibt sich aus der Gruppierung der Antworten, und beide deuten auf einen Rückgang hin (Stack-Overflow-Umfrage 2025 für Führungskräfte). Qodo ergänzt, dass 25% der Entwickler schätzen, dass einer von fünf KI-Vorschlägen sachliche Fehler oder irreführenden Code enthält, und dass Entwickler, die weniger Halluzinationen sehen, mit 2,5-mal höherer Wahrscheinlichkeit Code ohne Review mergen (24% gegenüber 9%).
4. Produktivität und der Review-Engpass
Am schnellsten erkennt man, warum KI-Review wächst, wenn man sieht, wohin die Zeit geflossen ist. Teams mit hoher KI-Nutzung mergen 98% mehr Pull Requests, während die PR-Review-Zeit um 91% steigt (Faros AI, The AI Productivity Paradox Research Report 2025). Schreiben wurde billiger; Lesen nicht. Faros stellte außerdem fest, dass die durchschnittliche PR-Größe um 154% stieg, sodass Reviewer mit mehr und größeren Pull Requests konfrontiert sind.
Selbstberichtete Daten stimmen damit überein. GitLabs Umfrage 2026 ergab, dass 78% der Befragten sagen, Entwickler schrieben und committeten Code schneller, und 85% stimmen zu, dass KI den Engpass auf das Reviewen und Validieren verlagert hat. Eine kontrollierte Studie von METR mahnt zur Vorsicht bei der Wahrnehmung: Erfahrene Open-Source-Entwickler brauchten mit KI-Tools 19% länger, um Issues abzuschließen, obwohl sie hinterher noch glaubten, KI habe sie 20% schneller gemacht (METR, Juli 2025).
| Metrik | Wert | Quelle |
|---|---|---|
| Veränderung der gemergten PRs bei Teams mit hoher KI-Nutzung | +98% | Faros AI Productivity Paradox Report 2025 |
| Veränderung der PR-Review-Zeit bei Teams mit hoher KI-Nutzung | +91% | Faros AI Productivity Paradox Report 2025 |
| Veränderung der durchschnittlichen PR-Größe | +154% | Faros AI Productivity Paradox Report 2025 |
| Veränderung der abgeschlossenen Aufgaben pro Entwickler | +21% | Faros AI Productivity Paradox Report 2025 |
| Veränderung der pro Entwickler und Tag bearbeiteten Pull Requests | +47% | Faros AI Productivity Paradox Report 2025 |
| Entwickler, die sagen, das Reviewen von KI-Code erfordere mehr Aufwand als das Reviewen von Code der Kollegen | 38% | Sonar State of Code Developer Survey 2026 |
| Auf GitHub gemergte Pull Requests pro Monat (Durchschnitt 2025) | 43,2 Millionen (+23% gegenüber Vorjahr) | GitHub Octoverse 2025 |
| Veränderung der Aufgabenbearbeitungszeit mit KI-Tools in einer randomisierten Studie (16 Entwickler, 246 Issues) | 19% langsamer | METR, 2025 |
Kontexthinweis: Faros fand keine signifikante Korrelation zwischen KI-Nutzung und DORA-Kennzahlen auf Unternehmensebene, das heißt, individuelle Gewinne verpufften, bevor sie die Lieferergebnisse erreichten. Atlassians State of Developer Experience 2025 (3.500 Entwickler und Manager) zeigt denselben Ausgleich: 68% sparen mit KI mehr als 10 Stunden pro Woche, während 50% 10 oder mehr Stunden pro Woche durch organisatorische Reibung verlieren (Atlassian, 2025). Automatisiertes Review ist einer der wenigen Hebel, die auf die Phase zielen, in der sich die Zeit tatsächlich staut.
5. Erkenntnisse zu Codequalität und Sicherheit
Die Qualitätsdaten zerfallen klar in zwei Geschichten. KI-geschriebener Code enthält ungeprüft messbar mehr Defekte. Pull Requests mit KI-Beteiligung hatten durchschnittlich 10,83 Probleme pro PR gegenüber 6,45 bei rein menschlichen PRs, etwa 1,7-mal mehr (CodeRabbit, State of AI vs Human Code Generation Report 2025), und Veracode stellte fest, dass 45% der KI-generierten Codebeispiele Sicherheitstests nicht bestanden und OWASP-Top-10-Schwachstellen einführten.
Die zweite Geschichte ist, dass ein Review im Ablauf das Ergebnis verändert. Qodo fand, dass 81% der Entwickler mit KI-Code-Review Qualitätsverbesserungen meldeten, gegenüber 55% bei gleich schnellen Teams ohne es, und dass Anwender von KI-Review auch dann Qualitätsgewinne sahen, wenn die Produktivität gleich blieb (36% gegenüber 17%). Zusammen gelesen legen die Zahlen nahe, dass das Risiko in ungeprüfter KI-Ausgabe liegt, nicht in KI-Ausgabe an sich. Wer die breitere Bedrohungslage verfolgt, kann diese Zahlen mit unseren Cybersicherheitsstatistiken vergleichen.
| Metrik | Wert | Quelle |
|---|---|---|
| KI-generierte Codebeispiele, die Sicherheitstests nicht bestanden (über 100 LLMs) | 45% | Veracode GenAI Code Security Report 2025 |
| Sicherheitsversagensquote nach Sprache: Java / C# / JavaScript / Python | 72% / 45% / 43% / 38% | Veracode GenAI Code Security Report 2025 |
| Beispiele, in denen die KI Cross-Site-Scripting (CWE-80) nicht abwehrte | 86% | Veracode GenAI Code Security Report 2025 |
| Probleme pro PR: mit KI-Beteiligung vs rein menschlich (470 Open-Source-PRs) | 10,83 vs 6,45 | CodeRabbit State of AI vs Human Code Generation 2025 |
| Sicherheitsprobleme in PRs mit KI-Beteiligung vs rein menschlichen PRs | Bis zu 2,74-mal höher | CodeRabbit State of AI vs Human Code Generation 2025 |
| Qualitätsverbesserungen mit KI-Review vs ohne (bei schnellen Teams) | 81% vs 55% | Qodo State of AI Code Quality 2025 |
| Befragte, die einen positiven KI-Einfluss auf die Codequalität melden | 59% | Google DORA 2025 |
| Repositories mit CodeQL-Warnungen zu fehlerhafter Zugriffskontrolle | über 151.000 (+172% gegenüber Vorjahr) | GitHub Octoverse 2025 |
Kontexthinweis: Veracode berichtet, dass größere, neuere Modelle keinen sichereren Code erzeugten, sodass Modell-Upgrades allein kein Ersatz für Review sind. Positiv vermerkt GitHubs Octoverse 2025, dass sich die Zeiten für Schwachstellenbehebungen im vergangenen Jahr um 30% verbesserten und 26% weniger Repositories kritische Warnungen erhielten. Faros ergänzt einen Anstieg der Bugs pro Entwickler um 9% bei Teams mit hoher KI-Nutzung. Die Zusammenfassung des Veracode-Reports listet die vollständige Methodik auf.
6. Governance, Herausforderungen für Unternehmen und was als Nächstes kommt
Unternehmen kauften KI-Coding-Tools schneller, als sie Regeln dafür schrieben. 80% der Befragten sagen, ihre Organisation habe KI-Tools schneller eingeführt, als sie Richtlinien zu deren Steuerung entwickelt habe, und 92% berichten von irgendeiner Form von Governance-Herausforderung bei KI-generiertem Code (GitLab AI Accountability Report 2026). Die nächste Phase des automatisierten Reviews dreht sich daher weniger um das Aufspüren von Tippfehlern als um Herkunft: zu wissen, welcher Code von einem Modell stammt, welches Tool ihn erzeugt hat und wer ihn freigegeben hat.
Die Zahlen zur Nachverfolgbarkeit sind die besorgniserregendsten. 87% sind zuversichtlich, innerhalb von 24 Stunden feststellen zu können, ob KI-generierter Code zu einem Produktionsvorfall beigetragen hat, doch 34% der Organisationen, die im vergangenen Jahr tatsächlich einen Vorfall hatten, konnten diese Feststellung nicht treffen. Gleichzeitig steigt der Anteil KI-geschriebenen Codes weiter, was bedeutet, dass sich das Governance-Problem jedes Quartal verschärft. Unsere Statistiken zur KI-Einführung in Unternehmen behandeln dasselbe Muster der Richtlinien-Verzögerung außerhalb von Software-Teams.
| Metrik | Wert | Quelle |
|---|---|---|
| Organisationen, die KI schneller einführen als Governance-Richtlinien / die eine Governance-Herausforderung melden | 80% / 92% | GitLab AI Accountability Report 2026 |
| Befragte, die KI-generierten Code nicht zuverlässig von menschlich geschriebenem unterscheiden können | 43% | GitLab AI Accountability Report 2026 |
| Befragte, die sagen, KI-Code berge eine neue Form technischer Schulden | 82% | GitLab AI Accountability Report 2026 |
| Befragte, die sagen, KI erhöhe die Komplexität des Compliance-Managements | 70% | GitLab Global DevSecOps Report 2025 |
| Befragte, die nach dem Deployment mehr Compliance-Probleme entdecken als während der Entwicklung | 76% | GitLab Global DevSecOps Report 2025 |
| Eingecheckter Code, der KI-generiert oder KI-unterstützt ist: heute vs erwartet bis 2027 | 42% vs 65% | Sonar State of Code Developer Survey 2026 |
| Software-Ingenieure in Unternehmen, die KI-Code-Assistenten nutzen: Anfang 2024 vs Prognose für 2028 | Unter 14% vs 90% | Gartner Top Strategic Trends in Software Engineering 2025 |
Kontexthinweis: Der Befund von 76% zur Compliance nach dem Deployment aus GitLabs DevSecOps-Report 2025 (3.266 Fachleute, durchgeführt von The Harris Poll) ist ein direktes Argument dafür, Prüfungen in die Review-Phase zu verlagern (GitLab-Pressemitteilung, November 2025). Die Gartner-Prognose wird hier über die Berichterstattung von DevOps Digest zur Gartner-Veröffentlichung vom Juli 2025 wiedergegeben; dieselbe Veröffentlichung sagt voraus, dass bis 2027 mindestens 55% der Software-Engineering-Teams LLM-basierte Funktionen entwickeln werden. Beim ROI sagen 60% der GitLab-Befragten von 2026, der ROI von KI-Coding habe die Erwartungen übertroffen, der Druck besteht also darin, KI-Code zu steuern, nicht sich zurückzuziehen.
Zusammenfassung: KI-Code-Review in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Anteil der GitHub-Code-Reviews, die Copilot Code Review erledigt | Mehr als jedes fünfte | GitHub Blog, 2026 |
| Abgeschlossene Copilot-Code-Reviews | 60 Millionen | GitHub Blog, 2026 |
| Organisationen, die KI-Review bei jedem PR ausführen (Copilot) | über 12.000 | GitHub Blog, 2026 |
| Nutzer von Copilot Code Review, die verbesserte Effektivität melden | 72,6% | GitHub Octoverse 2025 |
| Entwickler, die KI überwiegend zum Committen und Reviewen von Code nutzen | 10,2% | Stack Overflow Developer Survey 2025 |
| Entwickler ohne Pläne, KI zum Committen und Reviewen von Code zu nutzen | 58,7% | Stack Overflow Developer Survey 2025 |
| Technologieprofis, die KI bei der Arbeit nutzen | 90% | Google DORA 2025 |
| Entwickler, die KI-generiertem Code nicht vollständig vertrauen | 96% | Sonar State of Code 2026 |
| Entwickler, die KI-Code immer vor dem Commit prüfen | 48% | Sonar State of Code 2026 |
| Entwickler, die der Genauigkeit von KI-Ausgaben aktiv misstrauen | 46% | Stack Overflow Developer Survey 2025 |
| KI hat den Engpass vom Schreiben auf das Reviewen von Code verlagert | 85% stimmen zu | GitLab AI Accountability Report 2026 |
| Veränderung der PR-Review-Zeit bei Teams mit hoher KI-Nutzung | +91% | Faros AI 2025 |
| Veränderung der gemergten PRs bei Teams mit hoher KI-Nutzung | +98% | Faros AI 2025 |
| Qualitätsverbesserungen mit KI-Review vs ohne | 81% vs 55% | Qodo State of AI Code Quality 2025 |
| KI-generierte Codebeispiele, die Sicherheitstests nicht bestehen | 45% | Veracode GenAI Code Security Report 2025 |
| Probleme pro PR, mit KI-Beteiligung vs rein menschlich | 10,83 vs 6,45 | CodeRabbit 2025 |
| Organisationen, die KI schneller einführen als Governance-Richtlinien | 80% | GitLab AI Accountability Report 2026 |
| Technologieprofis mit wenig oder keinem Vertrauen in KI-generierten Code | 30% | Google DORA 2025 |
| KI-Anteil am eingecheckten Code, heute vs Erwartung für 2027 | 42% vs 65% | Sonar State of Code 2026 |
| Software-Ingenieure in Unternehmen mit KI-Code-Assistenten bis 2028 | 90% (Prognose) | Gartner, 2025 |
Methodik und Quellen
- Stack Overflow Developer Survey 2025, KI-Abschnitt: Nutzung, Vertrauen, Frustrationen und KI-Einsatz beim Committen und Reviewen von Code (33.662 Befragte beantworteten die Fragen zur KI-Nutzung).
- Stack Overflow 2025 Developer Survey für Führungskräfte, KI-Nutzung: Vertrauensvergleich im Jahresvergleich (2024 vs 2025).
- GitHub Octoverse 2025: Effektivität von Copilot Code Review, PR- und Commit-Volumen, CodeQL- und Daten zu Zeiten für Schwachstellenbehebungen.
- GitHub Blog, 60 Millionen Copilot-Code-Reviews und es werden mehr (März 2026): Review-Volumen, Anteil an GitHub-Reviews, Zahl der Organisationen, Quote umsetzbaren Feedbacks.
- Pressemitteilung zum GitLab AI Accountability Report 2026: The Harris Poll, 1.528 Entwickler und Technologieeinkäufer in sechs Ländern, veröffentlicht am 23. Juni 2026.
- Pressemitteilung zum GitLab Global DevSecOps Report 2025: The Harris Poll, 3.266 DevSecOps-Fachleute, veröffentlicht am 10. November 2025.
- Google Cloud, Ankündigung des DORA-Reports 2025 und Zusammenfassung des DORA-Reports 2025 im Google Blog: fast 5.000 Technologieprofis sowie über 100 Stunden qualitativer Daten.
- Sonar State of Code Developer Survey 2026 und Sonars Analyse der KI-Vertrauenslücke: über 1.100 professionelle Entwickler, veröffentlicht im Januar 2026.
- Qodo State of AI Code Quality 2025: 609 Entwickler aus Unternehmen unterschiedlicher Größe und Regionen.
- Veracode 2025 GenAI Code Security Report: über 100 LLMs, getestet mit Java, Python, C# und JavaScript, veröffentlicht am 30. Juli 2025.
- CodeRabbit State of AI vs Human Code Generation Report: 470 Open-Source-PRs (320 mit KI-Beteiligung, 150 rein menschlich), veröffentlicht am 17. Dezember 2025.
- Faros AI, The AI Productivity Paradox Research Report: Telemetrie von über 10.000 Entwicklern in 1.255 Teams, veröffentlicht im Juli 2025.
- METR, Messung der Auswirkung von KI Anfang 2025 auf die Produktivität erfahrener Open-Source-Entwickler: randomisierte kontrollierte Studie, 16 Entwickler, 246 Issues.
- JetBrains State of Developer Ecosystem 2025: 24.534 Entwickler in 194 Ländern, befragt von April bis Juni 2025.
- Atlassian State of Developer Experience 2025: 3.500 Entwickler und Manager in sechs Ländern.
- Google Research, Auflösen von Code-Review-Kommentaren mit ML (2023): intern per ML vorgeschlagene Änderungen für Reviewer-Kommentare.
- Gartner Top Strategic Trends in Software Engineering 2025, über DevOps Digest: Gartners ursprüngliche Veröffentlichung war nicht öffentlich abrufbar; die Zahlen werden wie berichtet zitiert.
- Zhong et al., From Human-Centric to Agentic Code Review (arXiv, Juli 2026): Analyse von 1,02 Millionen geprüften PRs aus 207 GitHub-Projekten, mit dem Befund, dass Reviews unter Beteiligung von Agenten mit schnelleren Entscheidungen, aber nicht mit besserer Review-Qualität einhergehen; nur als qualitativer Kontext verwendet.
- Daten-Hinweis: Von Anbietern durchgeführte Forschung (GitHub, Sonar, Qodo, CodeRabbit, Faros AI) stammt von Unternehmen, die KI-Coding- oder Review-Tools verkaufen, daher ist ihre Darstellung mit Vorsicht zu behandeln, auch wenn die Methodik offengelegt wird. Die Stichprobe von 470 PRs bei CodeRabbit und die Studie mit 16 Entwicklern bei METR sind klein; ihre Richtung deckt sich mit größeren Umfragen, aber die genauen Multiplikatoren sollten nicht verallgemeinert werden. Stack Overflow veröffentlicht für 2025 zwei Vertrauenswerte (29% im Leadership-Briefing, 33% auf der Ergebnisseite) wegen unterschiedlicher Antwortgruppierungen. Googles Daten zum ML-Code-Review stammen aus dem Jahr 2023 (neueste verfügbare Daten für diese interne Studie). Wir haben Marktgrößenschätzungen für KI-Code-Review-Tools ausgeschlossen, weil wir sie nicht über zwei Firmen mit offengelegter Methodik gegenprüfen konnten. Neue Daten erwartet: die Stack Overflow Developer Survey 2026, der GitHub Octoverse 2026 und der DORA-Report 2026.
Zuletzt aktualisiert: 3. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn GitHub den Octoverse 2026 veröffentlicht.