Zwei Jahre nach der Verbreitung von KI-Coding-Tools zeichnet sich ein Phänomen ab: In manchen Teams hat sich die Anzahl der Code-Commits verdoppelt, die Produktauslieferung ist nicht schneller geworden, aber die Fehlerzahl ist gestiegen.
TechCrunch hat kürzlich einen Begriff aufgegriffen: Tokenmaxxing. Gemeint ist, dass Entwickler das Token-Budget von KI-Tools als Statussymbol betrachten – je größer das Kontingent, desto produktiver fühlt man sich. Die Daten sprechen jedoch eine andere Sprache.
Mehr Tokens, schneller gelöschter Code
Zunächst die Zahlen:
- GitClear, Januar 2026: Entwickler, die KI-Tools nutzen, haben eine Code-Churn-Rate (gelöschte/geänderte Zeilen im Verhältnis zu neuen Zeilen), die 9,4-mal höher ist als bei Kollegen ohne KI.
- Faros AI, März 2026: Eine Analyse von zwei Jahren Kundendaten zeigt, dass bei hoher KI-Nutzung der Code-Churn um 861 % gestiegen ist.
- Jellyfish, Q1 2026: Ingenieure mit dem größten Token-Budget haben einen doppelt so hohen Durchsatz wie der Durchschnitt, aber die Kosten sind 10-mal so hoch.
Das soll nicht heißen, dass KI-Tools nutzlos sind. Sondern dass ein Großteil des Codes, der als "Produktivitätssteigerung" verbucht wird, oft nur wenige Wochen überlebt.
Die Wahrheit hinter der 80%-Akzeptanzrate
Entwickler akzeptieren im Durchschnitt 80–90 % des von KI generierten Codes. Diese Zahl sieht hoch aus und wird von vielen Unternehmen als Kernindikator für den "KI-ROI" verwendet.
Alex Circei, CEO von Waydev, hat jedoch Daten von über 50 Unternehmen und mehr als 10.000 Ingenieuren analysiert und ein Muster entdeckt:
Die anfängliche Akzeptanzrate liegt bei 80–90 %, aber nach einigen Wochen beträgt der tatsächlich verbleibende Code nur 10–30 %.
Mit anderen Worten: Nur weil ein Entwickler auf "Akzeptieren" klickt, heißt das nicht, dass der Code wirklich nützlich ist. Große Mengen KI-generierten Codes werden in späteren Iterationen stillschweigend gelöscht oder neu geschrieben – diese Löschungen tauchen in keinem Bericht über "durch KI eingesparte Zeit" auf.
Wenn das Token-Budget zur KPI wird
Die Entstehung des Begriffs Tokenmaxxing zeigt eines: Die Einführung von KI-Tools ist von einem technischen zu einem organisatorischen Managementproblem geworden.
Wenn Engineering-Teams beginnen, "wie viele KI-Tokens pro Monat verbraucht wurden" als Leistungsindikator zu verwenden, entsteht ein Problem. Entwickler nutzen KI gezielt, um große Mengen Code zu generieren und so ihre Arbeitsleistung zu demonstrieren, anstatt kritisch zu beurteilen, welcher Code wirklich von KI geschrieben werden sollte.
Atlassian hat 1 Milliarde US-Dollar für die Übernahme der Entwickleranalyse-Plattform DX ausgegeben, genau wegen dieses Trends – Unternehmen brauchen Werkzeuge, um den tatsächlichen ROI ihrer KI-Investitionen zu verstehen, anstatt sich durch den Token-Verbrauch selbst zu täuschen.
Der Produktivitätsengpass hat sich verlagert
KI-Coding-Tools sind durchaus nützlich. Eine Studie von McKinsey vom Februar 2026 zeigt, dass KI-Tools die Zeit für Routine-Codierungsaufgaben im Durchschnitt um 46 % verkürzen.
Verkürzt wird jedoch die Zeit zum "Schreiben", nicht die Zeit zum "Ändern" und "Löschen".
Daten von Jellyfish zeigen, dass Ingenieure wöchentlich 11,4 Stunden mit der Überprüfung von KI-Code verbringen, während sie nur 9,8 Stunden mit dem Schreiben neuen Codes verbringen – dieses Verhältnis war 2024 noch umgekehrt.
Die Code-Generierung ist schneller geworden, die Code-Überprüfung ist zum neuen Engpass geworden. Geschwindigkeit mit Qualität gleichzusetzen, ist der grundlegendste Fehler von Tokenmaxxing.
Quelle: CocoLoop, 'Tokenmaxxing' is making developers less productive than they think (TechCrunch)