Thesis
Einfluss von GenAI auf die Produktivität in der Softwareentwicklung – Eine Mixed-Methods-Untersuchung zentraler Einflussfaktoren
Generative Künstliche Intelligenz hat den Arbeitsalltag vieler Softwareentwickler in kurzer Zeit verändert. Werkzeuge wie ChatGPT oder GitHub Copilot erzeugen auf einfache Anweisungen hin Texte und Programmcode. Laut DORA-Report 2025 nutzen rund 90 Prozent der befragten Technologieexperten KI bei ihrer Arbeit. Über den tatsächlichen Produktivitätsgewinn herrscht jedoch Uneinigkeit. Während ein kontrolliertes Experiment 55 Prozent kürzere Bearbeitungszeiten ermittelte (Peng et al., 2023), kam eine Untersuchung mit erfahrenen Entwicklern in realen Projekten auf eine Verlangsamung um 19 Prozent (Becker et al., 2025). Wie lassen sich diese Unterschiede erklären?
Was nach der Prüfung übrig bleibt
Die Masterthesis untersucht, welche Faktoren den Einfluss von GenAI auf die Produktivität in der Softwareentwicklung bestimmen. Ein KI-Vorschlag kann innerhalb weniger Sekunden entstehen, muss anschließend jedoch geprüft, angepasst und in den jeweiligen Projektkontext eingeordnet werden. Entscheidend ist daher nicht nur die eingesparte Zeit, sondern welcher Vorteil nach diesen zusätzlichen Aufwänden tatsächlich verbleibt. Untersucht wurde dies mit einer Befragung von 196 Softwareentwicklern, die sich jeweils auf eine konkrete, mit GenAI bearbeitete Aufgabe bezogen. Erfasst wurden unter anderem Aufgabenkomplexität, Ergebnisqualität sowie der Aufwand für Prüfung und Korrektur. Fünf anschließende Experteninterviews dienten dazu, die statistischen Zusammenhänge anhand praktischer Erfahrungen näher zu erklären.
Schneller zum ersten Ergebnis, nicht unbedingt schneller fertig
Ein besonders deutlicher Befund zeigt sich beim Vergleich zwischen dem ersten brauchbaren Ergebnis und der gesamten Bearbeitungszeit. Fast vier von fünf Befragten gelangten mit GenAI schneller zu einem ersten nutzbaren Ergebnis. Bei der Gesamtbearbeitungszeit fiel der Vorteil jedoch deutlich geringer aus.
Mehr als ein Viertel der Befragten benötigte insgesamt sogar mehr Zeit. Eine Entwicklungsaufgabe endet schließlich nicht mit der Generierung eines Vorschlags. Tests, Reviews und die Integration in bestehende Systeme bleiben erforderlich. Schneller fertig zu sein und insgesamt mehr zu schaffen sind daher zwei unterschiedliche Formen von Produktivität. Wie groß der Nutzen ausfällt, hängt außerdem stark von der Tätigkeit ab. Besonders positiv wurden das Schreiben von Tests, Dokumentationsaufgaben sowie Datenverarbeitung und kleinere Skripte bewertet, deren Ergebnisse sich meist schnell überprüfen lassen. Neue Funktionen und die Überarbeitung bestehenden Codes lagen im Mittelfeld. Bei der Fehlersuche wurde dagegen im Durchschnitt kein eindeutiger Produktivitätsgewinn wahrgenommen.
Qualität und Prüfaufwand als Schlüsselfaktoren
Eine Schlüsselrolle spielt die Qualität der KI-generierten Ergebnisse. Mit zunehmender Aufgabenkomplexität wurde sie tendenziell schlechter bewertet, zugleich ging eine höhere Ergebnisqualität mit einer höheren wahrgenommenen Nettoproduktivität einher. Dieser Vorteil kann jedoch durch zusätzlichen Prüfaufwand wieder reduziert werden. Je mehr Zeit für die Kontrolle eines KI-generierten Ergebnisses erforderlich war, desto geringer fiel der wahrgenommene Produktivitätsgewinn aus.
Fazit
Das zentrale Ergebnis der Arbeit lässt sich daher einfach zusammenfassen: Der Produktivitätsgewinn durch GenAI entsteht nicht bereits durch die schnelle Erzeugung von Code. Entscheidend ist, wie effizient aus einem KI-generierten Vorschlag eine verlässliche und im jeweiligen Projekt tatsächlich einsetzbare Lösung wird.