Source Trace misst, welcher AI-Code wirklich bleibt

Worum es geht

Source Trace ist ein Entwickler-Tool fuer Teams, die mit Copilot, Cursor, Claude Code, Codex, OpenCode oder anderen Coding-Agenten arbeiten und wissen wollen, was davon im Repository wirklich ankommt. Das Produkt besteht aus einer VS-Code-Erweiterung, lokalen Attributionen und einem Dashboard fuer Teams.

Der Punkt ist schlicht: AI-Coding ist nicht mehr nur ein Experiment. Wenn Teams mehrere Agenten und Modelle bezahlen, brauchen sie nicht nur Gefuehl, sondern Messwerte zu Nutzung, Nacharbeit und ueberlebendem Code.

Was Source Trace tatsaechlich macht

Source Trace markiert Codezeilen lokal nach Herkunft: Mensch, Erweiterung, Terminal-Agent oder Modell. Danach misst das Tool, welche AI-generierten Zeilen bis zum Commit ueberleben und welche vorher wieder geloescht oder stark umgeschrieben werden. Die Visual-Studio-Marketplace-Seite beschreibt AI Git Blame, Modellvergleiche und automatische Unterstuetzung fuer viele AI-Tools ohne Agent-Hooks.

Fuer Teams gibt es ein Dashboard mit Coverage, Adoption, Rework, Agenten, Modellen und Repository-Sichten. Laut Source Trace bleibt der Quellcode auf der Maschine; hochgeladen werden Metadaten wie Line Counts, Dateipfade und gehashte Identifikatoren. Das ist wichtig, weil Code-Attribution selbst schnell zum Datenschutz- und IP-Thema wird.

Warum das wichtig ist

Die zentrale Frage bei Coding-Agenten lautet nicht mehr nur: Kann das Modell Code schreiben? Sondern: Spart es im echten Projekt Wartungsaufwand oder erzeugt es versteckte Nacharbeit? Eine 2026 veroeffentlichte Studie zur Lebensdauer von AI-generiertem Open-Source-Code zeigt, wie relevant diese Frage geworden ist: Sie untersuchte 201 Projekte und mehr als 200.000 Codeeinheiten und fand, dass sich Aenderungsmuster zwischen menschlichem und agentischem Code unterscheiden.

Source Trace macht aus dieser Debatte eine praktische Team-Messung. Statt ein globales Benchmark-Ranking zu glauben, kann ein Backend-Team sehen, ob Modell A in der eigenen Codebasis weniger Rework erzeugt als Modell B. Ein Frontend-Team kann andere Ergebnisse haben. Genau diese lokale Sicht ist wertvoll.

Einfach erklaert

Source Trace ist wie farbige Textmarker in einem Gruppenaufsatz. Jeder Satz bekommt eine Farbe: Mensch, Modell A, Modell B. Beim Abgeben sieht man nicht nur, wer viel geschrieben hat, sondern welche Saetze nach der Korrektur noch im Text stehen.

Praktisches Beispiel

Ein SaaS-Team mit 18 Entwicklern nutzt drei Coding-Assistenten. Im Monat entstehen 140.000 AI-generierte Zeilen, aber nur 52.000 Zeilen ueberleben bis zum Commit. Source Trace zeigt, dass ein Modell bei UI-Komponenten 72 Prozent Survival Rate hat, im Datenbankcode aber nur 38 Prozent. Das Team aendert daraufhin seine Regeln: Modell A fuer UI-Prototypen, Modell B fuer Tests, kritische Migrationen weiter mit enger manueller Kontrolle. Nach vier Wochen sinkt der AI-Discard-Rate-Abstand zur manuellen Baseline um 11 Prozentpunkte.

Einordnung und Grenzen

• Attribution ist nur so gut wie die Instrumentierung. Source Trace selbst warnt, dass niedrige Coverage die Aussagekraft von Modell- und Repo-Vergleichen verzerren kann.
• Formatierer, grosse Refactors und nachtraegliche automatische Transformationen koennen die Herkunft einzelner Zeilen verwischen.
• Das Tool misst Codebewegungen, nicht automatisch Architekturqualitaet, Sicherheitsrisiko oder Produktwert.

Der sinnvolle naechste Test ist klein: Extension in einem Repo installieren, zwei bis vier Wochen Daten sammeln, Coverage pruefen und erst danach Agenten oder Modelle anhand von Rework und Survival Rate vergleichen.

SEO- und GEO-Schluesselbegriffe

Source Trace, AI Git Blame, AI code attribution, coding agents, Codex, Claude Code, OpenCode, VS Code extension, model comparison, code survival rate, software engineering metrics, AI developer tools