Brian Houck veröffentlicht am 5. August 2026 im Engineering-Enablement-Newsletter von DX einen Text, der sich der Krise der Review-Warteschlange aus einem anderen Blickwinkel als dem der Tools nähert. Die quantifizierte Beobachtung ist eindeutig: Bei Meta stieg die Zahl signifikanter Codezeilen pro von einem Menschen gemergtem Diff in einem Jahr um 106 %, die Zahl der Diffs pro Entwickler und Monat um 51 %, wobei mehr als 80 % dieses Wachstums auf agentische KI zurückgehen; die Analyse von DX misst eine um 64 % gestiegene mediane Pull-Request-Größe. Zugleich sinkt der Anteil der innerhalb von 24 Stunden überprüften Diffs, und manche großen Organisationen häufen Tausende ausstehender Reviews an. Dennoch möchten Entwickler nur etwa 7 % ihrer Zeit für Reviews aufwenden. Mehr Review zu fordern ist keine Antwort: Die Rechnung geht nicht auf.
Bevor er KI als Rettung heranzieht, formuliert Houck die Nutzungsfrage neu: Welches Problem hat Code Review gelöst, bevor es KI gab? Wenn es ausschließlich um das Finden von Fehlern ging, ist vollständige Automatisierung unvermeidlich und wünschenswert. Doch die Modern-Code-Review-Studie von Bacchelli und Bird (ICSE 2013) stellt fest, dass fehlerbezogene Kommentare nur 14 % der tatsächlich verfassten Kommentare ausmachen, obwohl Fehlererkennung die am häufigsten genannte Motivation ist; mehr als die Hälfte der Entwickler gibt an, Review zu nutzen, um alternative Lösungen zu erkunden, Wissen zu übertragen und zu erfahren, was ihre Kollegen entwickeln.
Ein Teil der Last ist, wie er schreibt, selbstverschuldet. Die Microsoft-Studie von 2016 mit 911 Entwicklern identifizierte bereits Durchlaufzeit, Review-Größe und das Verständnis der Motivation als die drei größten Hindernisse; nur 26 % verfassten noch eine detaillierte Beschreibung. KI hat diese Situation nicht geschaffen: Sie hat sie geerbt und verstärkt.
Sobald die Grundlagen stehen, hat KI eine echte Rolle zu spielen. Die Studie AI Where It Matters von DX zeigt, dass Entwickler von ihr erwarten, Sicherheits- und Compliance-Probleme zu erkennen, riskante Änderungen zu markieren und das Routinevolumen abzufangen — aber Auto-Merge, Auto-Commit und die Übertragung der Verantwortung ablehnen. Das RADAR-System von Meta wird als die ausgereifteste Umsetzung dieser Linie vorgestellt: Automatisierung einer Teilmenge von Diffs mit niedrigem bis mittlerem Risiko, Weiterleitung des Rests an Menschen, mit behaupteten Nettoergebnissen und einem eingestandenen Zielkonflikt beim Wissenstransfer.
Das Fazit entlehnt Margaret-Anne Storey den Begriff der kognitiven Schuld und der Absichtsschuld: Die Frage ist nicht, zwischen menschlichem Review und KI-Review zu wählen, sondern zu entscheiden, welche Teile des Reviews zu wertvoll sind, um automatisiert zu werden.