Du hast dein KI-Coding-Tool so ausgewählt, wie du einen Texteditor auswählst. Ein paar ausprobiert, das genommen, das sich am flüssigsten anfühlte, und angenommen, du könntest nächstes Quartal einfach wechseln, wenn etwas Besseres kommt. So funktionieren Software-Entscheidungen normalerweise.

KI-Coding-Agents haben diese Annahme gesprengt. Und die JetBrains-Daten vom April 2026 machen den Bruch sichtbar.

JetBrains AI Pulse, veröffentlicht am 7. April 2026, hat über 10.000 professionelle Entwickler aus acht Sprachökosystemen befragt. Jeder Analyst und jeder Newsletter hat bereits die Schlagzeilen-Adoptionszahlen seziert — wer führt, wer stagniert. Aber unter dem Scoreboard liegt etwas Folgenschwereres, das niemand benchmarkt: die Akkumulation von Kontext.

Klassisches Code-Autocomplete — die Funktion, die dir die nächste Zeile vorschlägt, während du tippst — ist zustandslos. Es liest die Datei, in der du gerade bist, vielleicht ein paar benachbarte Dateien, und rät. Du kannst es in fünf Minuten austauschen. Die neue Generation von KI-Coding-Agents funktioniert anders. Claude Code — Anthropics terminalbasierter Assistent — liest dein gesamtes Repository. Cursor — ein KI-gestützter Code-Editor — indexiert deine Projektstruktur. GitHub Copilot Workspace — GitHubs Agent-Schicht, zu unterscheiden vom einfachen Copilot-Autocomplete — verfolgt deine Pull-Request-Historie und Issue-Kontexte.

Jedes dieser Tools baut ein Modell DEINER Codebase auf. Kein allgemeines Modell von 'Code" — ein spezifisches Verständnis deiner Namenskonventionen, deiner Architekturmuster, der Testvorlieben deines Teams, deiner Deployment-Eigenheiten. Jeder reviewte Pull Request, jeder behobene Bug, jedes begleitete Refactoring fügt Signal hinzu. Nach drei Monaten sind die Vorschläge des Tools nicht mehr generisch. Sie sind kalibriert.

Diese Kalibrierung ist der Lock-in.

Die Wechselkosten eines KI-Coding-Agents sind nicht der Abo-Preis — 10 bis 20 Dollar im Monat, trivial für ein Unternehmen. Die Wechselkosten sind die Wochen gedrosselter Produktivität, während das Ersatztool neu lernt, was das erste bereits wusste. Für einen Solo-Entwickler ist das nervig. Für ein Team von fünfzig ist es ein Produktivitätskrater, den niemand eingeplant hat.

Die JetBrains-Daten liefern indirekte Belege. Claude Code hat die höchste Zufriedenheit der gesamten Umfrage: einen NPS von 54 (Net Promoter Score — wie wahrscheinlich Nutzer eine Weiterempfehlung aussprechen; alles über 50 gilt als exzellent). Trotzdem liegt die Nutzung am Arbeitsplatz bei 18 %. Wäre der Wechsel reibungslos, würde sich diese Lücke zwischen Begeisterung und Verbreitung schnell schließen. Hat sie aber nicht. Zwischen den JetBrains-Umfragen von Mitte 2025 und April 2026 hat sich die Bekanntheit von Claude Code fast verdoppelt — von 31 % auf 57 % — und die Adoption stieg von rund 3 % auf 18 %, ein 6-facher Sprung, der fast ausschließlich durch Mundpropaganda getrieben wurde. Aber 18 % für den Zufriedenheits-Spitzenreiter deuten darauf hin, dass etwas die Adoption über die Bekanntheit hinaus bremst. Dieses Etwas sind die Kosten, das herauszureißen, was bereits eingebettet ist.

Cursor zeigt, wie ein Durchbruch aussieht, wenn die Qualität dramatisch genug ist. Wie Bloomberg am 2. März 2026 berichtete, erreichte Cursor 2 Milliarden Dollar Annual Recurring Revenue (jährliche Abo-Einnahmen), verdoppelt in nur drei Monaten, mit über der Hälfte der Fortune 500 als Kunden. Aber Cursors Strategie ist aufschlussreich: Es verlangt nicht, ein KI-Plugin an deinen bestehenden Editor anzuflanschen. Es ersetzt den Editor komplett. Das ist eine vollständige Kontextübernahme — Wechselkosten werden umgangen, indem von Tag eins an die gesamte Umgebung kontrolliert wird.

Und jetzt wird das Zeitfenster enger. KI-Coding-Agents bewegen sich in Richtung persistenter Speicher — Session-Historien, projektspezifische gelernte Präferenzen, akkumulierte Team-Workflows. Mit jedem Quartal, in dem sich das vertieft, steigen die Wechselkosten exponentiell. Ein Tool, das du in Q1 beiläufig ausgewählt hast, wird bis Q4 zur Infrastruktur, die du nicht mehr entfernen kannst.

Wenn dein Team gerade KI-Coding-Tools evaluiert, behandle die Entscheidung weniger wie die Wahl eines SaaS-Abos und mehr wie die Wahl einer Datenbank. Die Migrationskosten sind am ersten Tag niedrig und wachsen mit jedem Sprint. Führe deinen Piloten 90 Tage lang durch, miss an deiner echten Codebase — nicht an einem Demo-Repo — und leg dich fest. Denn in sechs Monaten wird die Entscheidung bereits für dich getroffen sein, durch akkumulierten Kontext, nicht durch einen Benchmark-Score.

Die Modell-Kriege fragten: 'Wessen KI ist die klügste?" Die Distributions-Kriege fragten: 'Wessen KI ist bereits installiert?" Die nächste Frage ist leiser und schwerer: Wessen KI kennt deinen Code bereits so gut, dass sich Wechseln anfühlt wie Neuanfang? Das ist der Lock-in, den niemand benchmarkt hat. Und bis du ihn bemerkst, ist er längst gebaut.