Die KI-IDE-Kriege verändern, wie Entwickler Code schreiben – und die Funktionslücke schließt sich rasant

Als GitHub 2021 Copilot einführte, spaltete sich die Reaktion in zwei Lager. Die eine Hälfte der Entwickler war erstaunt, dass ein Sprachmodell syntaktisch korrekte und kontextuell plausible Code-Vorschläge aus einem Kommentar generieren konnte. Die andere Hälfte argumentierte leidenschaftlich, dass die Vorschläge zu oft plagiiert, unsicher oder einfach falsch seien, um nützlich zu sein. Beide Seiten hatten recht.

Diese Debatte wirkt heute antiquiert. GitHub Copilot hat 1,8 Millionen zahlende Abonnenten. Cursor – ein VS-Code-Fork, der von Grund auf um KI-Assistenz herum aufgebaut wurde – sammelte Ende 2024 400 Millionen US-Dollar bei einer Bewertung von 2,5 Milliarden US-Dollar ein. Die Stack Overflow Developer Survey 2025 ergab, dass 76 % der professionellen Entwickler KI-Coding-Tools nutzen. Die Frage ist nicht, ob KI in die IDE gehört. Die Frage ist, welche Art von KI, welche Arbeit erledigt und wer als Erster dort ankommt.

Wie wir hierher kamen

Die erste Generation von KI-Coding-Tools – Copilot, Tabnine, Kite – war im Wesentlichen eine sehr gute Autovervollständigung. Sie sagten den nächsten Token oder die nächsten Zeilen basierend auf der aktuellen Datei voraus. Nützlich für Boilerplate, für gängige Muster, für APIs, die man einmal im Jahr verwendet und sich nie merken kann. Ärgerlich, wenn sie falsch lagen, und sie lagen oft genug falsch, um ständige Überprüfung zu erfordern.

Die zweite Generation verlagerte das Paradigma von Autovervollständigung hin zu Konversation. GitHub Copilot Chat, Amazon CodeWhisperer (jetzt Q Developer) und ähnliche Tools ermöglichten es Entwicklern, Fragen zu ihrer Codebasis zu stellen, Erklärungen für unbekannten Code anzufordern oder Änderungen in natürlicher Sprache zu beschreiben. Immer noch einzeldateibasiert, immer noch reaktiv – aber eher wie ein Pair-Programmierer, der Code lesen und schreiben kann, anstatt nur Vorschläge zu machen.

Die aktuelle Generation baut auf etwas Ambitionierteres: Agents, die ein ganzes Repository verstehen, eine mehrschrittige Änderung planen, sie über viele Dateien hinweg ausführen und das Ergebnis überprüfen können. Cursors Composer-Funktion, Copilot Workspace und Zeds Agent-Modus sind frühe Versionen dieser Fähigkeit. Sie funktionieren manchmal. Sie scheitern auf vorhersehbare Weise. Sie verbessern sich rasant.

Cursor: Der VS-Code-Fork, der VS Code das Wasser abgrub

Cursor ist das meistdiskutierte Produkt in diesem Bereich unter professionellen Entwicklern. Als Fork von VS Code gebaut – was bedeutet, dass es das gesamte Erweiterungs-Ökosystem und die vertraute Oberfläche erbt – hat das Cursor-Team zwei Jahre damit verbracht, KI-Funktionen zu schichten, die sich nativ und nicht angeklebt anfühlen.

Seine „Tab“-Vervollständigung ist merklich intelligenter als Copilots einzeilige Vorschläge: Sie sagt mehrzeilige Änderungen voraus, kann ein Refactoring midflight abschließen und lernt aus Bearbeitungen innerhalb der Sitzung. Composer, die Multi-Datei-Bearbeitungsfunktion, ermöglicht es Entwicklern, eine Änderung in natürlicher Sprache zu beschreiben und zuzusehen, wie Cursor sie über die Codebasis hinweg plant und ausführt, wobei Diffs zur Überprüfung vor der Anwendung angezeigt werden.

Die wichtigste architektonische Erkenntnis bei Cursor ist die Behandlung der gesamten Codebasis als Kontext – nicht nur der geöffneten Datei. Durch Indizierung des Repositorys und semantische Suche, um relevanten Kontext zur Abfragezeit abzurufen, kann Cursor Fragen zu Code beantworten, der nicht geöffnet ist, und Änderungen vornehmen, die das Verständnis von Beziehungen zwischen Dateien erfordern. Das Kontextfenster ist der neue Wettbewerbsvorteil.

GitHub Copilot: Der Amtsinhaber kontert

Microsoft hat aggressiv reagiert. Copilot bietet jetzt mehrere zugrunde liegende Modelle – GPT-4o, Claude Sonnet und Gemini 1.5 Pro sind alle verfügbar – sodass Entwickler je nach Aufgabentyp wählen können. Copilot Workspace, seit Mitte 2024 in der Beta, nimmt eine Aufgabenbeschreibung aus einem GitHub-Issue und generiert einen Plan, einen Branch und eine Implementierung, alles im Browser. Copilot Extensions ermöglichen Drittanbieter-Integrationen für Datenbanken, Cloud-Anbieter und interne Tools.

Der Vorteil von GitHub ist die Integration über den gesamten Entwickler-Workflow: Issue-Tracking, Pull Requests, CI/CD, Code-Review und der Editor gehören jetzt alle zu Microsoft. Copilot kann im Prinzip nicht nur Ihre Codebasis sehen, sondern auch Ihre offenen Tickets, Ihre PR-Historie und Ihre Testergebnisse. Ob Microsoft diese tatsächlich kohärent integrieren kann, ist die Frage der Ausführung.

Zed: Tempo zuerst, KI an zweiter Stelle

Zed verfolgt eine andere Philosophie. In Rust geschrieben mit einer benutzerdefinierten GPU-beschleunigten Rendering-Engine, öffnet es sich sofort und bleibt unabhängig von der Dateigröße reaktionsfähig – und adressiert damit die Performance-Beschwerden, die Electron-basierte Editoren wie VS Code seit Jahren verfolgen. KI-Funktionen sind integriert, werden aber als Ergänzung zu einer schnellen, präzisen Bearbeitungserfahrung dargestellt, nicht als primäres Wertversprechen.

Das Threading-Modell von Zed ermöglicht kollaborative Echtzeitbearbeitung ohne operationelle Transformationen, und die LLM-Integration ist so ausgelegt, dass sie mit jedem Modell über eine offene API funktioniert. Der Editor ist Open Source; das Team monetarisiert über gehostete Kollaborationsfunktionen. Es hat eine treue Anhängerschaft unter Entwicklern, die VS Codes Gewicht als unerträglich empfinden und KI-Funktionen ohne das zusätzliche Gepäck wünschen.

Die anderen: JetBrains, Amazon, Google

JetBrains, dessen IntelliJ-basierte IDEs die Enterprise-Java-, Kotlin- und Python-Entwicklung dominieren, startete den JetBrains AI Assistant mit tiefer Integration in die projektsweite Analyse, die IntelliJ schon immer stark gemacht hat. Die Refactoring- und Code-Inspektionsfunktionen – bereits branchenführend – werden jetzt mit LLM-Vorschlägen ergänzt. Für Teams, die bereits im JetBrains-Ökosystem sind, sind die Migrationskosten null.

Amazon Q Developer (früher CodeWhisperer) hat eine starke Integration mit AWS-Diensten und ist für einzelne Entwickler kostenlos. Googles Project IDX und Firebase Genkit zielen auf Webentwicklungs- und Cloud-native Use Cases ab, bei denen Googles eigene Infrastruktur Kontextvorteile bietet. Keiner von beiden hat sich außerhalb ihrer jeweiligen Cloud-Ökosysteme als Kategorieführer durchgesetzt.

Was Entwicklern wirklich wichtig ist

Benchmarks für Codierungsaufgaben – HumanEval, SWE-Bench, LiveCodeBench – zeigen, dass fähige KI autonom einen sinnvollen Anteil realistischer Programmieraufgaben lösen kann. Aber erfahrene Entwickler merken an, dass die schwierigsten Teile der Softwareentwicklung nicht das Schreiben von Greenfield-Code sind. Es geht um das Verständnis bestehender Systeme, das Vornehmen von Änderungen, die nichts kaputt machen, das Schreiben von Tests, die tatsächlich Regressionen abfangen, und das Überprüfen der Arbeit anderer.

Die Tools, die in der Praxis gewinnen, sind diejenigen, die die kognitive Belastung bei der Navigation großer Codebasen reduzieren und häufige Änderungen schneller machen – nicht die, die Code völlig autonom schreiben. „Autovervollständigung auf Steroiden“ unterschätzt, was die besten Tools heute tun, aber „autonomer Entwickler“ ist immer noch Marketingsprache, keine Produktrealität. Das Fenster zwischen diesen beiden Beschreibungen ist der Ort, an dem der eigentliche Wettbewerb stattfindet.