Use Case
Dev-KI: KI-Unterstützung für Ihr Entwicklungsteam.
Interner Copilot, Code-Suche und technische Dokumentation auf Knopfdruck – ohne Quellcode in externe Dienste zu schicken.
Interner Copilot, Code-Suche und technische Dokumentation auf Knopfdruck – ohne Quellcode in externe Dienste zu schicken.
Entwicklungsteams arbeiten täglich mit großen Codebases, internen Libraries und technischer Dokumentation. KI kann dabei direkt unterstützen, ohne dass Quellcode das Unternehmen verlässt.
Code-Vervollständigung, Refactoring-Vorschläge und Erklärungen – basierend auf Ihrer eigenen Codebase, nicht auf öffentlichem Training.
„Wie funktioniert Modul X?" – die KI kennt Ihr Repository und beantwortet technische Fragen direkt aus dem Quellcode und der Doku.
Semantische Suche im Code: Finden Sie Implementierungen, ähnliche Muster oder Stellen, die zu einer Fehlermeldung passen – schneller als grep.
Zum Nutzen von Codeassistenten gibt es inzwischen belastbare Untersuchungen. Sie kommen allerdings zu unterschiedlichen Ergebnissen. Wer mit einer festen Prozentzahl wirbt, hat sich eine davon ausgesucht.
Auswertungen über zehntausende Entwickler zeigen erhebliche Zuwächse bei Commits und abgeschlossenen Pull Requests, bei agentischer Nutzung noch mehr. Am Ende der Kette bleibt davon weniger übrig: Bei tatsächlich ausgelieferten Releases fällt der Zuwachs deutlich kleiner aus, weil das Review zum Engpass wird.
In einzelnen Messungen unter kontrollierten Bedingungen arbeiteten Entwickler mit Assistenz langsamer als ohne. Beim Einarbeiten in eine unbekannte Bibliothek fielen die Verständnisergebnisse sogar schlechter aus, ohne dass Zeit gespart wurde. Die Stichproben sind dort klein, aber die Richtung ist bemerkenswert.
Langzeitauswertungen großer Codebestände zeigen einen Nebeneffekt: Es wird spürbar weniger aufgeräumt und umgebaut, während doppelte Codeblöcke zunehmen. Der Assistent schreibt lieber neu, als Vorhandenes zu verwenden. Wer nicht gegensteuert, zahlt das später bei der Wartung.
Unser Fazit daraus ist unspektakulär: Ein Codeassistent hilft, aber er ersetzt kein Review und keine Einarbeitung. Er lohnt sich dort am deutlichsten, wo viel Bekanntes wiederholt wird, und am wenigsten dort, wo jemand etwas Neues verstehen muss.
Was an einen externen Dienst geht, kann dort zur Verbesserung der Modelle weiterverwendet werden, je nach Vertrag und Tarif. Bei Quellcode heißt das: Ihre Lösungswege verlassen das Haus. Dazu kommt, was oft unbeabsichtigt mitgeht: Zugangsdaten und Schlüssel, die im Kontext stehen, und interne Systemzusammenhänge, die sich aus dem Code ablesen lassen.
Enthält der Code personenbezogene Daten, kommt die datenschutzrechtliche Seite hinzu, sobald die Verarbeitung außerhalb der EU stattfindet. Läuft das Modell auf Ihrer eigenen Hardware, stellt sich die Frage nicht. Die Daten bleiben, wo sie ohnehin liegen.
„Offene Gewichte“ heißt nicht automatisch freie kommerzielle Nutzung. Modelle unter Apache 2.0, etwa aus der Mistral- und Qwen-Reihe, sind unkritisch. Andere binden die Nutzung an Bedingungen: Nutzerobergrenzen, ab denen eine eigene Lizenz nötig wird, Vorgaben zur Namensnennung in der Oberfläche oder Verbote, die Ausgaben zum Training konkurrierender Modelle zu verwenden. Wir prüfen die Lizenz, bevor ein Modell in ein Kundensystem geht.
Eine Textsuche findet, was Sie wörtlich eingeben. Wer die Namenskonvention im Projekt nicht kennt, findet nichts. Die Stelle heißt eben nicht so, wie er sucht.
Bei der semantischen Suche wird der Code zunächst geparst und entlang seiner logischen Einheiten geschnitten, also an Funktions- und Klassengrenzen statt nach Zeilenzahl. Diese Abschnitte werden in Vektoren überführt und lassen sich dann nach Bedeutung durchsuchen: Die Frage „wo prüfen wir die Berechtigung beim Upload“ führt zur richtigen Stelle, auch wenn dort kein einziges dieser Wörter steht.
Ergänzt um die Aufrufbeziehungen kommt hinzu, was eine reine Suche nicht liefert: wer wen aufruft und was davon abhängt.
Für Autovervollständigung reicht ein kompaktes Modell, das komprimiert mit wenigen Gigabyte Grafikspeicher auskommt. Eine einzelne kräftige Grafikkarte genügt. Größere, auf Code spezialisierte Modelle brauchen entsprechend mehr. Konkrete Zahlen aus unserem eigenen Betrieb finden Sie auf Lokale KI.
Die Studienlage ist uneinheitlich, und wer mit einer festen Prozentzahl wirbt, hat sich eine davon ausgesucht. Große Erhebungen über zehntausende Entwickler zeigen deutlich mehr Commits und abgeschlossene Pull Requests. Am Ende der Kette bleibt davon weniger übrig, weil das Review zum Engpass wird. In einzelnen kontrollierten Messungen arbeiteten Entwickler mit Assistenz sogar langsamer. Am deutlichsten hilft es dort, wo viel Bekanntes wiederholt wird.
Das ist ein reales Risiko, kein theoretisches. Langzeitauswertungen großer Codebestände zeigen, dass spürbar weniger aufgeräumt und umgebaut wird, während doppelte Codeblöcke zunehmen: Der Assistent schreibt lieber neu, als Vorhandenes zu verwenden. Wer nicht gegensteuert, zahlt das später bei der Wartung. Deshalb gehören Review und Tests weiterhin dazu.
Je nach Vertrag und Tarif kann er zur Verbesserung der Modelle weiterverwendet werden. Bei Quellcode heißt das, dass Ihre Lösungswege das Haus verlassen. Häufig geht mehr mit, als beabsichtigt: Zugangsdaten und Schlüssel, die im Kontext stehen, und interne Systemzusammenhänge, die sich aus dem Code ablesen lassen. Enthält der Code personenbezogene Daten, kommt die datenschutzrechtliche Seite hinzu, sobald außerhalb der EU verarbeitet wird.
Sie findet nach Bedeutung statt nach Wortlaut. Dafür wird der Code geparst und entlang seiner logischen Einheiten geschnitten, also an Funktions- und Klassengrenzen statt nach Zeilenzahl. Die Frage „wo prüfen wir die Berechtigung beim Upload" führt damit zur richtigen Stelle, auch wenn dort keines dieser Wörter steht. Ergänzt um die Aufrufbeziehungen kommt hinzu, wer wen aufruft und was davon abhängt.
Für Autovervollständigung genügt ein kompaktes Modell, das in komprimierter Form mit wenigen Gigabyte Grafikspeicher auskommt; eine einzelne kräftige Grafikkarte reicht dafür aus. Größere, auf Code spezialisierte Modelle brauchen entsprechend mehr, und ab einer gewissen Größe wird aus der Workstation ein Server mit passender Kühlung. Konkrete Zahlen aus unserem eigenen Betrieb stehen auf der Seite zur lokalen KI.
Wir zeigen wie das sicher und ohne Quellcode-Abfluss umgesetzt werden kann.
Direkter Kontakt – ohne Umwege. Wir melden uns innerhalb eines Werktages.