Zum Inhalt springen
Reality Graph

Daten

KI-Code-Statistiken 2026

Zuletzt aktualisiert: 2026-07-02Lesezeit ca. 3 Min.

Die Zahlen hinter dem KI-Coding, konsolidiert und belegt: 84 % der Entwickler nutzen KI-Tools, 96 % misstrauen dem Code und 48 % prüfen ihn konsequent; die Review-Zeit pro PR ist +91 %, der 14-Tage-Churn driftet von ~3,1 % Richtung 5,7 %, und ~45 % der KI-generierten Samples fallen durch Security-Tests. Jede Zahl unten trägt ihre Quelle und ihr Jahr. Eine lebende Referenz, aktualisiert mit der Forschung.

moduleclassclassfnfnfnfncheckout.py:118
Inhalt

Adoption und die Verifikationslücke

Die Lücke zwischen 96 % Misstrauen und 48 % Prüfung ist die prägende Zahl des Sektors; jede Zahl trägt ihre Quelle und ihr Jahr.
ZahlEvidenzbasis
Entwickler, die KI-Tools nutzen (+14 Pkt. ggü. 2023)84 %Stack-Overflow-Umfrage · 2025Unabhängige UmfrageRedaktionelle Einordnung · 2026-07
Entwickler, die KI-generiertem Code misstrauen96 %Sonar, State of Code · 2026Anbieter-StudieRedaktionelle Einordnung · 2026-07
Entwickler, die KI-Code konsequent prüfen48 %Sonar, State of Code · 2026Anbieter-StudieRedaktionelle Einordnung · 2026-07
Finden KI-Code schwerer zu reviewen als den eines Kollegen38 %Sonar, State of Code · 2026Anbieter-StudieRedaktionelle Einordnung · 2026-07
Die Lücke zwischen 96 % Misstrauen und 48 % Prüfung ist die prägende Zahl des Sektors; jede Zahl trägt ihre Quelle und ihr Jahr.

Die Lücke zwischen 96 % und 48 % ist die prägende Zahl des Sektors, aufgeschlüsselt in der Verification Gap.

Der Review-Engpass

Prozente, keine universellen Wartezeiten: Die Richtung - mehr Volumen, langsameres Review - ist über Quellen konsistent.
ZahlEvidenzbasis
Mehr gemergte PRs in KI-intensiven Teams+98 %Faros-AI-Telemetrie · 2026Anbieter-TelemetrieRedaktionelle Einordnung · 2026-07
Review-Zeit pro PR, dieselben Teams+91 %Faros-AI-Telemetrie · 2026Anbieter-TelemetrieRedaktionelle Einordnung · 2026-07
Mediane Verweildauer eines PR im Review+441 %DORA-Zyklus-Telemetrie · 2025Anbieter-nahe TelemetrieRedaktionelle Einordnung · 2026-07
Größere Pull Requests+51 %DORA-Zyklus-Telemetrie · 2025Anbieter-nahe TelemetrieRedaktionelle Einordnung · 2026-07
Erfahrene Entwickler langsamer mit Früh-2025-KI (bei gefühlter Beschleunigung)−19 %Randomisierte METR-Studie · 2025Akademisches RCTRedaktionelle Einordnung · 2026-07
Prozente, keine universellen Wartezeiten: Die Richtung - mehr Volumen, langsameres Review - ist über Quellen konsistent.

Die Mechanik steht in der Review-Engpass; das METR-Ergebnis ist die stehende Warnung, dass gefühlte und reale Produktivität auseinanderlaufen.

Codequalität und Churn

Anbieter-nahe GitClear-Signale, als Richtung gelesen; Churn ist gegen die Vor-KI-Basis bepreist.
ZahlEvidenzbasis
14-Tage-Churn-Trend mit wachsender KI-Nutzung~3,1 % → 5,7 %GitClear, 211 Mio. Zeilen · 2025Anbieter-nahe AnalyseRedaktionelle Einordnung · 2026-07
Anstieg duplizierter Code-Blöcke~8×GitClear, 211 Mio. Zeilen · 2025Anbieter-nahe AnalyseRedaktionelle Einordnung · 2026-07
Anteil verschobenen/refaktorierten CodessinkendGitClear, 211 Mio. Zeilen · 2025Anbieter-nahe AnalyseRedaktionelle Einordnung · 2026-07
Anbieter-nahe GitClear-Signale, als Richtung gelesen; Churn ist gegen die Vor-KI-Basis bepreist.

Was die Churn-Zahlen sagen und nicht sagen, steht in Code Churn nach KI-Einsatz, ihre Euro-Übersetzung in der Kostenrechnung.

Sicherheit

Der tragende Befund: Security blieb über Modellgenerationen flach, während die Funktionalität stieg.
ZahlEvidenzbasis
KI-generierte Samples, die durch Security-Tests fallen~45 %Veracode · 2025Anbieter-StudieRedaktionelle Einordnung · 2026-07
Relevante Samples ohne XSS-Abwehr (CWE-80)86 %Veracode · 2025Anbieter-StudieRedaktionelle Einordnung · 2026-07
Durchfallrate: Java / C# / JavaScript / Python72 % / 45 % / 43 % / 38 %Veracode · 2025Anbieter-StudieRedaktionelle Einordnung · 2026-07
Security über Modellgenerationen (Funktionalität stieg)flachVeracode · 2025Anbieter-StudieRedaktionelle Einordnung · 2026-07
Der tragende Befund: Security blieb über Modellgenerationen flach, während die Funktionalität stieg.

Die Klassen und Verteidigungen stehen in Sicherheitslücken in KI-Code.

Lieferkette und Secrets

Akademische Halluzinationsraten neben Anbieter-Secrets-Telemetrie - die Evidenzbasis ist pro Zeile gekennzeichnet.
ZahlEvidenzbasis
LLM-empfohlene Pakete, die nicht existieren19,7 %USENIX Security (Spracklen et al.) · 2025Akademische StudieRedaktionelle Einordnung · 2026-07
Beobachtete einzigartige halluzinierte Paketnamen205.000+USENIX Security (Spracklen et al.) · 2025Akademische StudieRedaktionelle Einordnung · 2026-07
Halluzinierte Namen, die in allen 10 Läufen wiederkehren43 %USENIX Security (Spracklen et al.) · 2025Akademische StudieRedaktionelle Einordnung · 2026-07
Neue hartkodierte Secrets auf öffentlichem GitHub 202528,65 Mio.GitGuardian · 2026Anbieter-StudieRedaktionelle Einordnung · 2026-07
Anstieg der KI-Dienst-Secret-Leaks Jahr über Jahr+81 %GitGuardian · 2026Anbieter-StudieRedaktionelle Einordnung · 2026-07
Secret-Leak-Rate KI-gestützter vs. menschlicher Commits~2×GitGuardian · 2026Anbieter-StudieRedaktionelle Einordnung · 2026-07
Akademische Halluzinationsraten neben Anbieter-Secrets-Telemetrie - die Evidenzbasis ist pro Zeile gekennzeichnet.

Diese speisen Slopsquatting und Was KI-Tools alles mitlesen.

Was diese Zahlen nicht sagen

Drei ehrliche Einschränkungen. Es gibt keine robuste Branchenzahl für „wie viel Prozent des Codes KI-generiert ist“ - Definitionen und Telemetrie unterscheiden sich zu stark, deshalb vermeidet diese Seite diese Schlagzeile. Mehrere Kernquellen sind Anbieter oder anbieter-nah (Sonar, Faros, GitClear, Veracode, GitGuardian). Sie sind die besten öffentlichen Daten und tragen ein Interesse, also als Richtung lesen und Werte bevorzugen, die über unabhängige Signale bestätigt sind - was die meisten oben sind. Und Prozente beschreiben Richtung und Größenordnung, keinen universellen Multiplikator: Die Zahlen eurer Codebasis kommen aus dem Messen, über die vier Kennzahlen, nicht aus unseren.

Wo Reality Graph ansetzt

Reality Graph zitiert diese Zahlen; es erzeugt keine eigenen. Auf dieser Seite stehen bewusst keine Reality-Graph-Statistiken - das Produkt ist in Private Beta, und Produkt-Leistungszahlen zu erfinden würde dieselbe Claim-Safety-Regel verletzen, der der Rest der Seite folgt. Was Reality Graph tut: einem Team ermöglichen, seine eigene Version dieser Zahlen zu erzeugen, aus den eigenen Runs, über die Prüfberichte und Kennzahlen - gemessen, nicht geliehen.

Diese Referenz gibt euch

  • Jede KI-Code-Kernzahl mit Quelle und Jahr
  • Thematische Tabellen, gebaut fürs Ein-Wert-Zitat
  • Die Unabhängig-vs.-Anbieter-Trennung, pro Quelle benannt
  • Eine lebende Seite, aktualisiert mit der Forschung

Sie gibt euch nicht

  • Eine robuste „X % des Codes ist KI-generiert“-Zahl - die gibt es nicht
  • Irgendwelche Reality-Graph-Leistungszahlen
  • Einen universellen Multiplikator für eure Codebasis - messt sie
  • Gewissheit aus einzelnen Anbieter-Studien - Richtung vor Evangelium
Eine belegte Referenz, keine Rangliste: Die Zahlen gehören dem Sektor, und keine davon ist eine eigene von Reality Graph.

FAQ

Wie viel Code ist KI-generiert, und wie viele Entwickler nutzen KI-Tools?
Laut Stack-Overflow-Umfrage 2025 nutzen 84 % der Entwickler KI-Tools - 14 Punkte mehr als 2023. Eine einzelne verlässliche Zahl für den Anteil KI-generierten Codes gibt es branchenweit nicht (Definitionen und Telemetrie unterscheiden sich zu stark). Deshalb berichtet diese Seite Adoption und Wirkung statt einer „X % des Codes“-Schlagzeile, die keine Quelle robust trägt.
Wie lange warten KI-Pull-Requests, und wie stark hat sich Review verlangsamt?
Faros-AI-Telemetrie über tausende Teams meldet Review-Zeit pro PR +91 % in KI-intensiven Teams, während das gemergte PR-Volumen um rund 98 % stieg. Und DORA-Zyklus-Telemetrie setzte die mediane Verweildauer eines PR im Review auf +441 % mit wachsendem KI-Volumen (2025). Eine universelle Wartezeit in Stunden gibt es nicht; die Prozente beschreiben Richtung und Größenordnung, die über Quellen hinweg konsistent sind.
Was ist die meistzitierte KI-Code-Statistik?
Sonars Befund 2026, dass 96 % der Entwickler KI-generiertem Code misstrauen, während nur 48 % ihn konsequent prüfen - die „Verification Gap“. Sie wird breit zitiert, weil sie das ganze Problem in zwei Zahlen fasst: Das Bewusstsein ist nahezu universell, die Sorgfalt nicht, und der Unterschied ist Verhalten, nicht Technik.
Stammen diese Statistiken aus unabhängiger Forschung oder von Anbietern?
Beides, und diese Seite kennzeichnet, welche. Unabhängig oder akademisch: die randomisierte METR-Studie, die USENIX-Security-2025-Slopsquatting-Studie. Anbieter-nah (verlässlich, aber mit Interesse): Sonar, Faros AI, GitClear, Veracode, GitGuardian. Wir behandeln Anbieter-Zahlen als Richtungs-Evidenz, kennzeichnen sie als solche und bevorzugen Werte, die über unabhängige Signale bestätigt sind.
Wie aktuell sind diese Zahlen?
Das ist eine lebende Referenz: Sie konsolidiert die belegten Werte des ganzen Sektors und wird aktualisiert, wenn neue Forschung landet oder eine Zahl altert, mit gebumptem sichtbarem Datum. Jede Zahl trägt ihr eigenes Jahr in den Tabellen, sodass ihr auf einen Blick seht, ob eine Statistik von 2025 oder 2026 ist - statt einem einzelnen „zuletzt aktualisiert“ zu vertrauen.
Kann ich diese Werte zitieren?
Ja - zitiert die zugrunde liegende Quelle, die in jeder Zeile genannt ist, plus ihr Jahr, nicht diese Seite. Die Tabellen sind dafür gebaut: Wert, präzise Bezeichnung, Quelle und Jahr in jeder Zeile. Wo ein Wert eine Spanne oder ein Trend ist, zitiert ihn als solchen; der größte Fehler bei KI-Code-Statistiken ist, eine Streuung als Punkt zu zitieren.

Weiterlesen

Quellen

Wollt ihr sehen, wie euer letzter Agenten-Run ausgesehen hätte?

Zugang anfragen