Die Codequalität in der Spieleentwicklung ist längst keine Frage mehr, die sich nur auf das Erscheinungsbild des Codes oder die Vorlieben der Entwickler bezieht. Laut einer Präsentation, die JetBrains nach dem Game Development Day 2026 erneut veröffentlichte, umfasst Qualität sechs miteinander verbundene Dimensionen: Korrektheit der Ergebnisse, Leistung, Stabilität, Sicherheit, Wartbarkeit und Wiederverwendbarkeit.
Diese Dimensionen sind besonders bei Spielen wichtig, deren Betrieb zwischen 10 und 12 Jahre andauern kann. Langsamer oder instabiler Code bleibt kein internes Problem des Entwicklungsteams, sondern kann sich für Spieler in Form langer Ladezeiten, Abstürzen, Sicherheitslücken, negativer Bewertungen oder Rückerstattungen zeigen.
Künstliche Intelligenz beschleunigt die Entwicklung und vervielfacht den Codeumfang
Dem Beitrag zufolge veranlasst der Zeitdruck viele Teams dazu, künstliche Intelligenz zur Unterstützung beim Programmieren einzusetzen. Laut dem Unity Game Developer Report 2026 verwenden 95 % der Unity-Entwickler künstliche Intelligenz bei ihrer Arbeit, um den Programmierprozess zu unterstützen.
Dadurch lassen sich Prototypen erstellen und neue Spielmechaniken innerhalb von Tagen statt Monaten ausprobieren; zugleich sinkt der Zeitaufwand für sich wiederholende Aufgaben. Die Geschwindigkeit kann jedoch bedeuten, dass 10.000 Codezeilen entstehen, während ein Entwickler zuvor nur einige Hundert geschrieben hätte. Dadurch vergrößert sich die Oberfläche der Probleme, die überprüft werden müssen.
Eine von JetBrains angeführte Studie von CodeRabbit weist darauf hin, dass KI-generierter Code insgesamt nicht unbedingt schlechter ist als von Menschen geschriebener Code, aber auf andere Weise scheitern kann. Der Studie zufolge erzeugte er 1,7-mal mehr logische Probleme und Fehler, verbunden mit zusätzlichen Bedenken hinsichtlich Wartbarkeit und Sicherheit. Der Beitrag weist darauf hin, dass die Ergebnisse solcher Studien, darunter Daten von Anbietern von KI-Tools, kritisch geprüft werden müssen.
Was leistet die statische Analyse?
Die Präsentation schlägt vor, statische Analyse als grundlegende Ebene zur Prüfung des Codes vor seiner Integration einzusetzen. Sie kann Gesundheitsprüfungen, Grenzen der Testabdeckung, Leistung, Speicher- und Ressourcensicherheit, Ressourcenlecks, Ausnahmen, veraltete Abhängigkeiten sowie eine Flussanalyse abdecken, um komplexere Probleme zu erkennen.
Außerdem hilft sie dabei, Code-Smells, Komplexität, Code-Duplikation und die Einhaltung interner Teamstandards zu überwachen. Diese Punkte sind besonders bei automatisch generiertem Code wichtig, da künstliche Intelligenz dem Beitrag zufolge dazu neigt, Duplikation zu erzeugen, und nicht im gleichen Maß zur Refaktorierung neigt.
Der wichtigste Vorteil der statischen Analyse ist ihre Deterministik: Das Tool liefert bei der Prüfung desselben Codes dieselben Ergebnisse, und jedes Ergebnis kann mit einer bestimmten Prüfung verknüpft werden, die den Grund für das Problem erklärt. Außerdem verbraucht sie keine Tokens und ist in der Regel schneller und kostengünstiger als eine vollständig auf KI-Modellen basierende Prüfung.
Das praktische Modell: zwei Ebenen und eine Validierungsschleife
JetBrains betrachtet die statische Analyse nicht als Ersatz für künstliche Intelligenz. Eine musterbasierte Analyse versteht nicht immer die Absicht des Codes oder logische Beziehungen über Dateien und Komponenten des Projekts hinweg. In diesen Bereichen kann künstliche Intelligenz einen Mehrwert bieten.
Das vorgeschlagene Modell beginnt mit dem Schreiben des Codes, entweder durch einen Entwickler oder ein KI-Tool, gefolgt von der Ausführung der statischen Analyse innerhalb der Continuous-Integration-Pipeline. Einige Ergebnisse können automatisch durch Quick-Fixes behoben werden; ältere Probleme können in eine Baseline aufgenommen werden, damit sie neue Änderungen nicht behindern. Anschließend bearbeitet die künstliche Intelligenz logische Probleme oder Refaktorierungsaufgaben. Danach wird der Code erneut der statischen Analyse unterzogen, um vor seiner Integration zu prüfen, ob er den Qualitäts- und Sicherheitsstandards entspricht.
Der Beitrag nennt zwei Studien. Eine davon weist auf eine Verringerung des Token-Verbrauchs um 72 % bis 92 % hin, wenn statische Analyse mit Aufrufen großer Sprachmodelle kombiniert wird. Die andere stellte fest, dass sich die Zahl der Schwachstellen in sprachgeneriertem Code um bis zu 33 % reduzieren lässt, bevor dieser den Hauptbranch erreicht.
Was ändert sich praktisch für die Teams?
Die praktische Schlussfolgerung besteht nicht darin, eine lange zusätzliche Prüfphase einzuführen, sondern die Arbeit zwischen Tools aufzuteilen, von denen jedes eine klarere Funktion erfüllt. Pull Requests können in Qodana so geprüft werden, dass nur die geänderten Dateien analysiert werden. Laut dem Beitrag dauert die Prüfung dadurch ungefähr ein bis zwei Minuten. JetBrains stellt außerdem die Funktion Hooks in Rider vor. Dabei werden Codeformatierung und Problemprüfungen für jeden vom Agenten erzeugten Code aufgerufen; anschließend wird das Ergebnis an ihn zurückgegeben, damit er es gemäß den Teamstandards korrigiert.
Dieser Ansatz erfordert weiterhin eine menschliche Festlegung der Qualitätsstandards, eine kontinuierliche Überprüfung der Entwicklungs-Pipelines sowie eine unabhängige Validierung der Studien und Ergebnisse. Er bietet jedoch eine klare Grundlage: Eine höhere Geschwindigkeit bei der Codegenerierung macht die Messung seiner Qualität nicht überflüssig, sondern erhöht die Bedeutung einer systematischen Prüfung.