KI-Coding-Agenten können Code in einem Bruchteil der Zeit erzeugen, die ein Ingenieur zum Schreiben benötigen würde. Dieses Tempo führt jedoch nicht unbedingt zu schnelleren Software-Releases: Je mehr Code sich ansammelt, desto mehr Zeit können Teams damit verbringen, sein Verhalten zu verstehen, Änderungen zu überprüfen und Fehler zu diagnostizieren.

Der von Greg, Mitgründer und CTO von Undo, verfasste Artikel beschreibt dies als eine Verschiebung des Engpasses in der Entwicklung. KI ist zunehmend gut darin, Code zu erzeugen, kann aber Schwierigkeiten haben, große, komplexe Codebasen zu debuggen. Mehrere Änderungsschichten und duplizierte Logik können es erschweren, der Funktionsweise einer Software zu folgen. Dadurch haben Ingenieure mehr Review-Arbeit und weniger Klarheit darüber, wo ein Fehler seinen Ursprung hat.

Besonders schwerwiegend können die Folgen in Bereichen wie Finanzdienstleistungen, Halbleiterdesign, Netzwerktechnik und Datenbanken sein, in denen ein Softwareausfall kritische Dienste beeinträchtigen kann. Der Artikel verweist auf den nationalen britischen Flugsicherungsdienst, der angab, ein kürzlicher Ausfall, der zu 2.000 Flugstreichungen und tagelangen Beeinträchtigungen führte, sei durch einen Fehler in einer älteren Software verursacht worden.

Die im Artikel angeführten Zahlen weisen auf eine Lücke zwischen der schnelleren Codegenerierung und messbaren Produktivitätssteigerungen hin. Demnach berichten 79 % der technischen Führungskräfte, dass sich die Release-Zyklen nicht verkürzt haben, während neun von zehn sagen, dass das Verständnis und Debugging in komplexen Umgebungen wie C/C++-Codebasen länger dauern.

Auch bei der Diagnose von Problemen stoßen KI-Agenten an Grenzen. Wenn sie sich ausschließlich auf Quellcode, Logs und Dokumentation stützen, fehlen ihnen möglicherweise Belege dafür, was beim Ausführen der Software tatsächlich geschehen ist. Dem Artikel zufolge wurde bei 93 % der Engineering-Organisationen die Grundursache eines Problems aufgrund einer KI-Halluzination falsch diagnostiziert. Infolgedessen setzen 37 % der Teams Agenten für das Verständnis und Debugging nur bei einfachen Codebasen ein.

Die vorgeschlagene Lösung besteht nicht einfach in einem größeren oder leistungsfähigeren Modell, sondern in besseren Informationen über das Laufzeitverhalten. Ein Protokoll darüber, was während der Ausführung geschehen ist, könnte Agenten dabei helfen, Fehler bis zu ihren Ursachen zurückzuverfolgen und Ingenieuren zuverlässigere Unterstützung zu bieten. Ohne diesen Kontext besteht die Gefahr, dass die schnellere Codegenerierung die Arbeitslast lediglich in nachgelagerte Phasen verlagert, statt sie zu verringern.

Quellen: TechRadar.