Im Frühjahr 2025 arbeiteten sechzehn erfahrene Entwickler:innen an Projekten, die sie seit Jahren kennen. Eigener Code, vertraute Baustellen. Die Hälfte ihrer Aufgaben erledigten sie mit KI, die andere ohne. Danach sollten sie schätzen, wie viel schneller sie mit KI gewesen waren. Ihre Antwort: etwa 20 Prozent. Die Forschungsgruppe METR, die das Experiment durchgeführt hat, hatte das Gegenteil gemessen. Mit KI brauchten sie 19 Prozent länger. Für jedes Code Review mit KI ist das eine unbequeme Zahl.

Sechzehn Leute sind wenig, und die Tools haben sich seit Sommer 2025 verändert. Aber die Lücke zwischen gefühlt und gemessen bleibt. Wenn schon Erfahrene nicht merken, dass sie langsamer sind, wie soll jemand nach vier Monaten im Team merken, dass sein Code oder seine Doku nicht stimmt?

Code Review mit KI: Sieht fertig aus

Szenenwechsel: Im Review fragt der Senior Developer, warum eine bestimmte Lösung so entstanden ist? Kurze Pause. „Das hat die KI so vorgeschlagen.“

Wir sehen das bei uns im Team immer wieder, und nicht nur bei den unerfahrenen Kolleg:innen. In Retros und Gesprächen zwischendurch landen wir regelmäßig am selben Punkt: Etwas wurde übernommen, weil es fertig und oberflächlich plausibel aussah. Erst später fiel auf, dass es nicht stimmte. Ich finde gut, dass wir offen darüber reden. Unbequem bleibt es, wer hätte es besser machen müssen?

Erfahrung heißt hier nicht, mehr zu wissen. Es heißt zu wissen, wo man hinschauen muss. Die Stelle, an der es meistens kracht. Der Satz in der Doku, der eine Spur zu glatt klingt. Michael Polanyi, Chemiker und später Philosoph, nannte das implizites Wissen. Sein bekanntestes Beispiel: Wir erkennen ein Gesicht unter Tausenden, können aber kaum sagen, woran. Wir wissen mehr, als wir sagen können. So ist es auch mit der Stelle im Code, an der ein Senior stutzt. Fragt man ihn, warum, kommt oft nur: Das sieht komisch aus. Das ist keine Ausrede. Das Wissen steckt nicht in einer Regel, sondern im Blick. Polanyi war deshalb überzeugt, dass sich solches Können nicht per Anleitung weitergeben lässt, sondern nur durch Vormachen, wie zwischen Meister und Lehrling. Und die Skepsis dazu kommt daher, dass man oft genug falsch lag.

Wir lernen durch Machen, auch durch Fehler machen. Wenn die KI das Machen übernimmt, macht sie die Fehler. Nur lernt daraus niemand, solange sie keiner bemerkt.

Wer trotz KI gelernt hat

Anthropic, das Unternehmen hinter dem KI-Modell Claude, hat das Anfang 2026 an 52 überwiegend jungen Entwickler:innen untersucht. Sie sollten mit einer Bibliothek arbeiten, die sie nicht kannten, die eine Hälfte mit KI, die andere ohne. Schneller war die KI-Gruppe kaum. Im Verständnistest danach lag sie deutlich zurück, am stärksten beim Debugging. Also genau bei der Fähigkeit, die man braucht, um KI-Code zu prüfen.

Interessant ist, wer trotz KI gut abschnitt. Nicht die, die sie gemieden haben, sondern die, die sie anders benutzt haben. Sie stellten Verständnisfragen und suchten ihre Fehler selbst. Oder sie ließen sich Code geben und fragten nach, bis sie ihn verstanden. Wer Schreiben und Fehlersuche komplett abgegeben hat, schnitt am schlechtesten ab.

Was hilft, ist nicht neu

Lass Neue die KI erst als Gesprächspartnerin nutzen, nicht als Autorin. „Warum funktioniert das so?“ baut Verständnis auf, „Schreib mir die Funktion“ nicht. Den Fehler danach selbst suchen, auch wenn es dauert. Die Anstrengung ist kein Umweg, sie ist das Lernen.

Und setz Seniors und Juniors gemeinsam vor KI-Code. Der Senior sagt laut, wo er stutzt und warum. Implizites Wissen lässt sich nicht ganz erklären. Aber man kann zeigen, wohin man schaut. Die Best Practices sind keine KI-Praktiken. Es sind die alten Engineering-Tugenden, die jetzt wieder wichtig werden.

Wer reviewt in fünf Jahren?

Die Seniors von heute haben ihr Urteil gelernt, als es noch keine Abkürzung gab. Und laut einer Auswertung des Stanford Digital Economy Lab werden schon jetzt in KI-nahen Berufen weniger Junge eingestellt. In den USA liegt die Lücke bei fast einem Fünftel, Tendenz steigend. Gleichzeitig gibt es die ersten Erfahrenen, die gar nicht mehr hinschauen. Sie haben den Kontext sorgfältig beschrieben, die Agenten machen den Rest. Das klingt nach Reife. Nur weiß niemand, ob die Beschreibung gut war, solange niemand das Ergebnis prüft.

Von unten fehlt der Nachwuchs, der das Hinschauen noch lernen könnte. Von oben verlernen es die, die es können. Wer heute keine Juniors mehr einstellt, weil die KI ihre Aufgaben übernimmt, hat in fünf Jahren keine Seniors. Die Teampyramide wird zur Raute: oben Erfahrene, unten KI, dazwischen fehlt der Nachwuchs.

Eine fertige Antwort darauf gibt es nicht. Aber ein paar Richtungen zeichnen sich ab. Juniors bewusst weiter einstellen und ihre Lernzeit als Investition planen, nicht als Ineffizienz. Die Review-Zeit der Seniors als echte Kapazität einrechnen, weil sonst niemand die KI-Ergebnisse prüft. Und das Prüfen selbst zur Lernaufgabe machen: Juniors reviewen KI-Code gemeinsam mit einer erfahrenen Person, statt ihn nur zu erzeugen. Dann lernen sie genau das, was ihnen fehlt.

Das ist keine Zukunftsfrage. Sie stellt sich bei jeder Stelle, die besetzt wird, und bei jedem Team, das neu zusammengestellt wird. Wer lernt bei wem? Wer reviewt, wenn die Erfahrenen gehen oder nicht mehr hinsehen? Und wer bringt bei euch den Neuen bei, wo man hinschaut?

Quellen

• METR: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, Juli 2025
• Anthropic: How AI assistance impacts the formation of coding skills, Januar 2026
• Stanford Digital Economy Lab (Brynjolfsson, Chandar, Chen): Canaries in the Coal Mine?, Update August 2026
• Michael Polanyi: Personal Knowledge, 1958
• Michael Polanyi: The Tacit Dimension, 1966