Tokenmaxxing oder warum mehr verbrannte Token weder besseren Code noch höhere Produktivität bedeuten

Im Silicon Valley ist eine neue Methode entstanden, den Erfolg eines Entwicklers zu messen. Es geht nicht um die Qualität des Codes. Es geht nicht um gelöste Probleme. Es geht um Tokens. Genauer gesagt darum, wie viele davon ein Entwickler pro Tag verbraucht. Je höher das Token-Budget, desto größer das Ehrenabzeichen. Dieses Phänomen wird zunehmend als Tokenmaxxing bezeichnet, und die Daten deuten darauf hin, dass es sich um einen der teuersten Irrtümer der heutigen Softwareentwicklung handelt.

Tokens sind die grundlegende Einheit, die KI-Werkzeuge wie Claude Code, Cursor oder GitHub Copilot zum Lesen, Schreiben und Nachdenken über Code verwenden. Die Logik des Tokenmaxxings besagt, dass mehr Tokens mehr Output, mehr Produktivität und mehr Wirkung bedeuten. Doch die Daten widerlegen das.

Was die Analyse ergab

Die Analyseplattform Jellyfish analysierte im ersten Quartal 2026 mehr als 12.000 Entwickler in 200 Unternehmen. Dabei stellte sie fest, dass ein typischer Entwickler ungefähr 51 Millionen Tokens pro Monat verbraucht. Ein erfahrener Entwickler verbraucht monatlich mehr als 380 Millionen, also über siebenmal so viele.

Was bekommt er dafür? Ein Entwickler aus der niedrigsten Stufe der Token-Ausgaben gab im gesamten ersten Quartal knapp 3 Dollar aus und reichte durchschnittlich 11 genehmigte Anfragen zur Code-Integration (Pull Requests) ein. Ein Entwickler aus der höchsten Stufe gab 1.822 Dollar aus und reichte durchschnittlich 23 Pull Requests ein. Die Kosten stiegen ungefähr um das 600-Fache, der Output verdoppelte sich jedoch lediglich.

Die Kosten pro gemergtem Pull Request reichen von 28 Cent bei der niedrigsten Nutzergruppe bis zu 89 Dollar bei der höchsten. Tokens verhalten sich also nicht wie ein linearer Input. Sie ähneln eher Raketentreibstoff: Schneller zu fliegen ist möglich, erfordert aber exponentiell mehr Ressourcen.

Die Illusion funktionierenden Codes

Das Problem ist nicht nur der Preis, sondern auch das, was nach der Annahme mit dem Code geschieht. Alex Circei, Gründer und Chef des Analyseunternehmens Waydev, das mehr als 10.000 Softwareingenieure bei 50 Kunden beobachtet, beschreibt ein Paradox, das er bei Führungskräften immer wieder sieht.

Führungskräfte rühmen sich einer Code-Akzeptanzrate von 80 bis 90 Prozent. Eine solche Zahl sieht hervorragend aus. Doch sie übersehen, was nach der Annahme geschieht: Die Entwickler müssen in den folgenden Wochen zu diesem Code zurückkehren und ihn umschreiben. Die tatsächliche Akzeptanzrate sinkt nach Abzug des umgeschriebenen Codes auf 10 bis 30 Prozent der ursprünglich generierten Menge.

GitClear stellte in seinem Bericht vom Januar fest, dass Entwickler, die KI aktiv nutzen, eine 9,4-mal höhere sogenannte Code-Churn-Rate aufweisen als ihre Kollegen ohne KI. Code Churn bezeichnet Code, der geschrieben und kurz darauf umgeschrieben oder gelöscht wird. Faros AI wiederum identifizierte in seiner Untersuchung vom März, die Daten von 22.000 Entwicklern in mehr als 4.000 Teams umfasste, bei intensiver Nutzung von KI-Werkzeugen einen Anstieg des Code Churn um 861 Prozent.

Metriken, die täuschen

Entwickler diskutieren seit Jahrzehnten über Produktivitätsmetriken. Es begann mit Codezeilen. Dann kamen Commits, Pull Requests und die Bereitstellungsgeschwindigkeit. Jede Metrik erwies sich früher oder später als unzureichend, weil sie dazu motivierte, die Metrik selbst zu optimieren, statt den tatsächlichen Output.

Tokenmaxxing ist die Fortsetzung derselben Logik. Der Token-Verbrauch ist ein Input des Prozesses, kein Output. Ihn als Produktivitätsindikator zu messen, ist nur dann sinnvoll, wenn man die stärkere Verbreitung von KI-Werkzeugen fördern möchte oder wenn man Tokens verkauft. Für eine Führungskraft, die wissen möchte, ob ihr Team effizient arbeitet, ist dies eine irreführende Zahl.

Das Problem unterscheidet sich zudem je nach Erfahrung des Entwicklers. Junior-Programmierer übernehmen deutlich mehr KI-generierten Code als erfahrenere Entwickler. Und gerade sie müssen anschließend mehr Code umschreiben. Erfahrene Entwickler schneiden besser ab, weil sie erkennen können, wo KI-Code an seine Grenzen stößt, und ihn vorbeugend korrigieren, bevor er ins Review gelangt.

Der Punkt tatsächlicher Effizienz

Jellyfish identifizierte anhand der Daten das, was die Plattform als „Sweet Spot“ der Token-Kurve bezeichnet. Die höchste Rendite bringt nicht eine kleine Gruppe von Entwicklern mit extrem hohem Token-Verbrauch. Sie entsteht dann, wenn möglichst viele Menschen in der Organisation KI-Werkzeuge konsequent und in vernünftigem Umfang nutzen. Ein solcher Ansatz schafft deutlich mehr Wert als eine Handvoll „Tokenmaxxer“, die mit voller Leistung arbeiten.

Dies erklärt zugleich, warum viele Teams das Versprechen autonomer KI-Agenten bislang noch nicht vollständig in die Realität umgesetzt haben. Solche Systeme können große Produktivitätssprünge ermöglichen, erfordern jedoch eine solide Grundlage: isolierte Testumgebungen, Orchestrierung und sogenanntes Context Engineering. Ohne diese Grundlage lässt sich die Effizienzbarriere nicht allein durch eine Steigerung des Token-Verbrauchs überwinden.

Ein altes Problem

TechCrunch erwähnt in seinem Podcast Equity, dass sich die Kluft zwischen denjenigen, die KI wirklich verstehen, und allen anderen vertieft. Und ein neues Vokabular wie „Tokenmaxxing“ hebt diese Kluft nur noch stärker hervor. Während die einen darüber debattieren, ob ein Verbrauch von 380 Millionen Tokens pro Monat angemessen ist, wissen andere noch immer nicht, wie sie KI-Werkzeuge überhaupt richtig in ihren Workflow integrieren sollen.

Waydev hat seine Plattform aufgrund des Aufkommens schneller KI-Werkzeuge in den vergangenen sechs Monaten vollständig überarbeitet und neue Analysewerkzeuge veröffentlicht, die Metadaten von KI-Agenten erfassen, also die Qualität und die Kosten ihres Codes. Atlassian kaufte vor Kurzem das ähnlich ausgerichtete Start-up DX für eine Milliarde Dollar, um Kunden dabei zu helfen, die tatsächliche Rendite ihrer Investitionen in KI-Agenten zu verstehen. Der Markt für Analysewerkzeuge für Entwickler wächst gerade deshalb so schnell, weil die KI-Werkzeuge selbst diesen Einblick nicht bieten.

Wie Circei sagt: „Dies ist eine neue Ära der Softwareentwicklung, und Sie müssen sich anpassen. Es ist keine vorübergehende Welle, die wieder abebbt.“ Sich anzupassen bedeutet jedoch nicht automatisch, mehr Tokens zu verbrauchen. Es bedeutet, zu lernen, Tokens intelligent zu verbrauchen.