Der Einsatz generativer Werkzeuge in der Softwareentwicklung führt zu einer beispiellosen Flut an erzeugtem Programmcode, doch fertige Produkte erreichen Anwender kaum schneller als zuvor. Eine Längsschnittstudie der Wharton School an der University of Pennsylvania und des Massachusetts Institute of Technology zeigt, dass autonome Agenten und Assistenzsysteme die reine Programmieraktivität explodieren lassen, nachgelagerte Arbeitsabläufe das Gesamttempo jedoch drosseln. Veröffentlicht am 8. September 2026, analysiert die Arbeit die Ursachen für diese wachsende Lücke zwischen Code-Erzeugung und praktischer Software-Auslieferung.
Für die Untersuchung analysierten die Forscher Leon Musolff von der Wharton School sowie Mert Demirer und Liyuan Yang vom MIT die Aktivitäten von über 100.000 Softwareentwicklern auf GitHub über den Zeitraum von 2022 bis 2026. Dabei verglichen die Ökonomen die Effekte von drei aufeinanderfolgenden Werkzeuggenerationen. Die erste Generation einfacher Autocomplete-Hilfen steigerte die messbare Programmieraktivität um 40 Prozent. Bei der Nutzung synchroner Code-Assistenten kletterte der kumulierte Zuwachs bereits auf 140 Prozent gegenüber der Ausgangsbasis vor dem KI-Boom.
Mit dem Einzug autonom agierender, asynchroner KI-Agenten stieg die Coding-Aktivität der analysierten Entwickler schließlich um beachtliche 180 Prozent. Der tatsächliche Output fertiger Software hielt mit diesem rasanten Tempo jedoch keineswegs Schritt. Die Zahl der abgeschlossenen Softwareprojekte legte im selben Zeitraum nur um 50 Prozent zu. Bei den tatsächlich ausgelieferten Software-Releases betrug der Anstieg lediglich 30 Prozent, was den enormen Puffer zwischen generiertem Rohcode und marktreifem Endprodukt offenlegt.
Die Autoren führen dieses Missverhältnis auf organisatorische Hürden zurück, die sie als menschliche Flaschenhälse beschreiben. Während generative Agenten Entwürfe und Programmzeilen in Sekundenschnelle bereitstellen, verbleiben essenzielle Prüfschritte bei den menschlichen Entwicklern. Zeitaufwendige Code-Reviews, detaillierte Sicherheitsaudits und die fehlerfreie Einbindung in bestehende Software-Architekturen lassen sich nicht im gleichen Tempo beschleunigen. Der Engpass hat sich folglich von der Programmerstellung hin zur Qualitäts- und Sicherheitskontrolle verlagert.
Das Phänomen führt in der Praxis zu einer Überlastung erfahrener Teammitglieder, deren Arbeitsalltag zunehmend von der Fehlersuche und Freigabe fremdgenerierter Code-Bestände vereinnahmt wird. Statt neue Architekturen zu entwerfen, verbringen Spezialisten Stunden damit, automatisierte Vorschläge auf logische Fehler und Sicherheitsrisiken abzuklopfen. Ohne modernisierte Freigabeprozesse und automatisierte Verifikationsmethoden verpufft ein beträchtlicher Teil der theoretischen Produktivitätsgewinne in internen Warteschleifen.
Die Ergebnisse von Wharton und MIT markieren eine fundamentale Zäsur für betriebliche Digitalisierungsstrategien. Reine Kennzahlen zur Zahl geschriebener Codezeilen oder Git-Commits erweisen sich als trügerischer Maßstab für den tatsächlichen Mehrwert von KI-Technologien. Für IT-Führungskräfte ergibt sich daraus die Notwendigkeit, Entwicklungskapazitäten ganzheitlich zu betrachten: Investitionen in Programmier-Assistenten schaffen nur dann echten Mehrwert, wenn auch die Prüf- und Release-Strukturen mit der produzierten Datenmenge mithalten können.