GenAI Code Quality Survey

Codurance ist Ihr Technologiepartner für nachhaltiges Wachstum

Wir verstehen dass jedes Unternehmen vor anderen Herausforderungen steht. Unsere pragmatische Vorgehensweise ermöglicht es, sich auf Ihre wichtigsten Aufgaben zu fokussieren. Wir arbeiten projektbezogen verzahnt in Ihren Teams und verbessern dabei Plattformen, Prozesse und Fähigkeiten, während wir moderne, nachhaltige, skalierbare Lösungen erschaffen.

Beantworten Sie die folgenden 14 Fragen und erhalten Sie ein erste Beurteilung über Ihre Stärken und Schwächen bei der Adaptierung von GenAI.

genai_adoption_code_quality_light_1784732841361-removebg-preview

Wie nutzen Sie GenAI?

Wie sichern Sie die Code-Qualität?

Wie beeinflusst KI die Betriebskosten / die Teameffizienz?

Kontaktdaten

Wie nutzen Sie GenAI?

Anteil KI-generierten Codes

Wie viel Prozent des Codes lassen Ihre Teams derzeit von KI-Assistenten (z.B. Claude, Copilot, Cursor, ...) generieren?

Weniger als 25 %

25 % bis 50 %

Über 50 %

Wir wissen es nicht / erfassen diese Metrik nicht

Standardisierung der KI-Toolsets

Wie standardisiert sind die GenAI-Entwickler-Toolsets und wie kollaborativ wird deren Konfiguration erstellt?

Zentral verwaltete, versionskontrollierte benutzerdefinierte Prompt-Regeln (z.B. .cursorrules) und Standardeinstellungen, mit aktivem Wissensaustausch über KI-Workshops oder die Community

Einzelne Entwickler konfigurieren ihre eigenen benutzerdefinierten Vorlagen und Prompts und teilen Tipps informell über Slack oder Wiki-Seiten

Standardmäßig vordefinierte Assistentenkonfigurationen ohne gemeinsam angepasste Vorlagen oder Kooperationsrichtlinien

Entwickler verwenden die KI-Tools, die sie für angemessen halten

Anleitung und Leitplanken für KI-Nutzung

Welche Anleitung, Schulung oder Guardrails haben Entwickler (insbesondere Junioren) bei der Nutzung von KI-Coding-Assistenten?

Obligatorische Schulung zu Prompt-Sicherheit, Lizenzprüfungen und kritischer Code-Evaluierung sowie obligatorisches Pairing bei KI-PRs von Junioren

Strukturierte Richtlinien und Pair-Programming-Sitzungen, Senior-Engineers führen besonders eingehende Code-Reviews durch

Allgemeine Richtlinie ohne formelle Aufsicht, normale Code-Reviews

Insbesondere Junior-Entwickler sind mit KI-Tools produktiver, wir vertrauen darauf, dass sie die Tools angemessen einsetzen

Datenschutz und IP-Schutz

Wie setzt Ihre Organisation den Datenschutz durch und verhindert das Abfließen von geistigem Eigentum (IP), wenn Entwickler GenAI-Tools verwenden?

Verpflichtende Enterprise-Accounts mit Richtlinien zur datenschutzkonformen Zero-Data Retention und automatisiertem Scannen nach IP-Lecks

Strukturierte Unternehmensrichtlinie, die LLM-Prompts auf nicht sensible Elemente beschränkt, aber keine automatisierten Scans

Einfache Entwicklerrichtlinien ohne formelle Überwachung, keine Enterprise Verträge zum Datenschutz

Entwickler können KI auf jede erdenkliche Weise nutzen, wir vertrauen darauf, dass sie die Tools angemessen einsetzen

Wie sichern Sie die Code-Qualität?

Test-Driven-Development-Praktiken

Nutzt Ihr Team Test-Driven Development (TDD) oder werden Unit-Tests geschrieben, bevor die KI gepromptet wird?

Ja, TDD ist streng vorgeschrieben und Unit-Tests werden zuerst geschrieben

Entwickler schreiben Tests, aber nicht im TDD-Stil

Unit-Tests werden nach der Generierung des Produktivcodes von der KI generiert

Wir schreiben keine Tests, bevor wir Änderungen freigeben

Sicherheits- und Lizenzprüfung

Wie stellen Sie sicher, dass KI-generierter Code keine Sicherheitslücken oder Copyleft-Lizenzen (wie GPL) einführt?

Verpflichtende automatisierte SAST/DAST- und Lizenz-Compliance-Scans in der CI/CD-Pipeline

Manuelle Überprüfung anhand von Checklisten während der Peer-Reviews

Gelegentlich durchgeführte Sicherheits- und/oder Lizenzscans

Wir prüfen nicht / es werden keine Scans durchgeführt

Architekturgrenzen und Duplizierungsmanagement

Wie setzen Sie Architekturgrenzen durch und verwalten Sie Code-Duplizierung angesichts von durch LLMs generierten Shortcuts?

Zentralisierte Design-Systeme, automatisierte Duplizierungsprüfungen und automatisierte Architekturvalidierung in der CI/CD-Pipeline

Strenge manuelle Überprüfung durch Senior-Software-Architekten während geplanter Refactoring- und Code-Review-Zyklen

Ad-hoc und reaktiv gelöst, wenn Grenzverletzungen oder doppelte Module Probleme verursachen

Da KI das Refactoring von Code einfach macht, machen wir uns keine Sorgen über Architekturgrenzen oder Code-Duplizierung

Code-Churn-Trends

Wie hat sich Ihre Code-Churn-Rate (Code, der innerhalb von 30 Tagen nach dem letzten Commit neu geschrieben/gelöscht wurde) seit der Einführung von KI verändert?

Verringert oder stabil geblieben

Leicht gestiegen

Deutlich gestiegen, mehr Code Smells und Fehler müssen behoben werden

Wir überwachen weder Code-Churn- noch Refactoring-Metriken

Überwachung der Codebasis-Komplexität

Überwachen Sie aktiv Komplexitätsmetriken der Codebasis, um die Auswirkungen von KI-Tools zu bewerten?

Automatische Erfassung in jedem CI-Build (z.B. zyklomatische Komplexität, Wartbarkeitsindex)

Regelmäßige Erfassung während der Sprintplanung oder Retrospektiven

Analyse nur, wenn technische Schulden die Entwicklungsteams ausbremsen

Komplexitätsmetriken der Codebasis werden überhaupt nicht erfasst

Wie beeinflusst KI die Betriebskosten / die Teameffizienz?

Pull-Request-Zykluszeit

Wie hat sich Ihre durchschnittliche Pull-Request-Zykluszeit (PR-Cycle-Time) seit dem Einsatz von KI-Tools verändert?

Verkürzt, PRs werden schneller als zuvor zusammengeführt

Unverändert

Verlängert, der Review-Prozess dauert länger als zuvor

Wir wissen es nicht / erfassen diese Metrik nicht

Review-Prozess für KI-generierte PRs

Haben Sie den Code-Review-Prozess für KI-generierte Pull Requests angepasst?

Wir setzen strenge PR-Größenbeschränkungen durch und/oder schreiben vor, dass Autoren die KI-Logik erklären bzw. Reviewer die Logik eingehend hinterfragen.

Wir nutzen dieselben Standard-Peer-Reviews wie zuvor.

Reviewer winken komplexe, große Diffs oft schnell durch, um die Pipeline nicht zu blockieren.

Wir haben die Anforderungen an Peer-Reviews gelockert oder umgehen menschliche Reviews für KI-generierten Code, um die Liefergeschwindigkeit zu optimieren.

Gemeinsame Code-Verantwortung und Wartbarkeit

Wie stellt Ihr Team die gemeinsame Code-Verantwortung und Wartbarkeit für Systeme sicher, die größtenteils von KI generiert werden?

Obligatorische tiefgehende Code-Reviews, Architektur-Walkthroughs und strenge Standards für selbst-dokumentierenden Code

Wir verlassen uns auf Standard-Peer-Reviews, kein formeller Wissensaustausch für generierte Komponenten

Code wird hauptsächlich von dem Entwickler überprüft, der diesen Teil der Codebasis am besten kennt

Mit KI ist jeder in der Lage, alle Teile der Codebasis zu ändern und die Änderungen selbst zusammenzuführen

Verhältnis Feature-Entwicklung zu Debugging-Zeit

Wie hat sich das Verhältnis der Zeit für das Schreiben neuer Features im Vergleich zum Debugging/Fehlersuche seit der Einführung von GenAI verändert?

Wir verbringen deutlich weniger Zeit mit der Fehlersuche, da KI-unterstützter Code durch umfassende Tests und eine robuste Architektur abgesichert ist

Das Verhältnis ist unverändert; wir schreiben Code zwar schneller, verbringen aber im Verhältnis die gleiche Zeit mit Debugging und Testen wie zuvor

Wir schreiben Code schneller, verbringen aber mehr Zeit als zuvor mit dem Debuggen subtiler Laufzeitfehler, Randfälle, Regressionen, Code Smells, Architektur- oder Qualitätsproblemen.

Wir haben den Vorher-Nachher-Vergleich nicht durchgeführt und können es nicht sagen.

KI-unterstütztes Legacy-Code-Refactoring

Wie nutzt Ihr Team GenAI-Tools beim Refactoring von Legacy-Code oder bei der Änderung bestehender komplexer Systeme?

Wir verlangen ein umfassendes Test-Sicherheitsnetz (z.B. Unit- & Integrationstests und/oder Charakterisierungstests) vor dem Prompten und validieren Änderungen inkrementell

Wir nutzen KI zum Refactoring unter manueller Anleitung und führen bestehende Regressionstests aus, um das Verhalten zu überprüfen

Entwickler nutzen KI, um Legacy-Dateien ohne vollständige Testabdeckung einem Refactoring zu unterziehen oder neu zu schreiben, und verlassen sich auf manuelle Tests

Wir vermeiden das Refactoring von Legacy-Systemen mittels KI oder lassen KI Legacy-Komponenten neu schreiben und stellen diese ohne Validierungsprüfungen bereit

Wie nutzen Sie GenAI?

Anteil KI-generierten Codes

Standardisierung der KI-Toolsets

Anleitung und Leitplanken für KI-Nutzung

Datenschutz und IP-Schutz

Wie sichern Sie die Code-Qualität?

Test-Driven-Development-Praktiken

Sicherheits- und Lizenzprüfung

Architekturgrenzen und Duplizierungsmanagement

Code-Churn-Trends

Überwachung der Codebasis-Komplexität

Wie beeinflusst KI die Betriebskosten / die Teameffizienz?

Pull-Request-Zykluszeit

Review-Prozess für KI-generierte PRs

Gemeinsame Code-Verantwortung und Wartbarkeit

Verhältnis Feature-Entwicklung zu Debugging-Zeit

KI-unterstütztes Legacy-Code-Refactoring

Latest Blogs

Contact Us