Die meisten Coding-Assistenten der ersten Generation arbeiteten fast ausschließlich mit dem, was gerade im Editor geöffnet war: der aktuellen Datei, vielleicht einigen Nachbardateien und der Frage der Entwicklerin. Für kleine Projekte reicht das. In gewachsenen Unternehmenslandschaften stößt dieses Vorgehen aber schnell an Grenzen. Dort verteilt sich die Logik auf Dutzende oder Hunderte Repositories, Bibliotheken werden intern geteilt, Schnittstellen sind historisch gewachsen, und die eigentlich relevante Funktion liegt oft in einem Projekt, das niemand im Team gerade geöffnet hat.
Genau hier setzt Sourcegraph an. Die Plattform indiziert Code aus unterschiedlichen Quellen, etwa GitHub, GitLab, Bitbucket, Azure DevOps oder Gerrit, und macht ihn über eine schnelle, präzise Suche zugänglich. Cody nutzte diese Suche, um zu einer Frage passende Codestellen aus der gesamten Codebasis zu finden und dem Sprachmodell als Kontext mitzugeben. Das Ergebnis waren Antworten, die sich auf echten Unternehmenscode beziehen, inklusive Verweisen auf die Fundstellen. Drei Merkmale prägen den Ansatz:
Sourcegraph wurde ursprünglich als Code-Suche bekannt, die von Ideen inspiriert war, wie sie große Technologiekonzerne intern für ihre riesigen Codebasen nutzen. Die Gründer hatten erlebt, wie viel Zeit Entwickler damit verbringen, Code zu finden und zu verstehen, statt ihn zu schreiben. Die Plattform wuchs über Jahre um Funktionen wie präzise Code-Navigation, automatisierte Massenänderungen über viele Repositories und Auswertungen zur Codebasis. Mit dem Aufkommen leistungsfähiger Sprachmodelle lag es nahe, diese Infrastruktur als Kontextquelle für einen KI-Assistenten zu nutzen. So entstand Cody.
In den folgenden Jahren hat Sourcegraph seine KI-Strategie mehrfach geschärft. Nach öffentlich zugänglichen Informationen wurden die Einzelnutzer-Tarife von Cody eingestellt und der Fokus auf Unternehmenskunden gelegt. Parallel entwickelte das Unternehmen mit Amp ein agentisches Coding-Werkzeug, das eigenständig Aufgaben plant und umsetzt. Berichten zufolge wurde Amp später organisatorisch eigenständiger aufgestellt. Weil sich solche Strukturen in diesem Markt schnell ändern, verzichten wir hier auf Detailangaben und empfehlen, Produktnamen, Verfügbarkeit und Vertragspartner jeweils aktuell beim Anbieter zu prüfen.
Man könnte meinen, Codebasis-weiter Kontext sei ein Thema für Technologiekonzerne mit Tausenden Entwicklern. In der Praxis begegnet uns das Problem aber gerade im Mittelstand häufig. Viele Unternehmen betreiben über Jahrzehnte gewachsene Software: ein selbst entwickeltes ERP-Modul, Schnittstellen zu Maschinen und Lieferanten, Webportale für Kunden, Auswertungen und kleine Hilfsprogramme. Oft gibt es nur wenige Personen, die wissen, wie diese Teile zusammenhängen. Scheiden sie aus oder sind sie ausgelastet, wird jede Änderung zum Risiko.
Ein Werkzeug, das Fragen wie „Wo wird dieser Preis berechnet?“ oder „Welche Systeme rufen diese Schnittstelle auf?“ über alle Repositories hinweg beantworten kann, verkürzt die Einarbeitung neuer Mitarbeitender und externer Partner erheblich. Es macht implizites Wissen sichtbar und senkt die Abhängigkeit von Einzelpersonen. Ob dafür Sourcegraph die richtige Wahl ist oder ein anderer Assistent mit Repository-Kontext genügt, hängt von Größe, Verteilung und Sensibilität der Codebasis ab. Die folgenden Kapitel liefern die Kriterien für diese Entscheidung.
Auch wenn KI derzeit die Schlagzeilen bestimmt, ist die Code-Suche das Produkt, das Sourcegraph von nahezu allen Wettbewerbern im Coding-Assistenten-Markt unterscheidet. Sie erlaubt es, mit einer einzigen Abfrage über sämtliche angebundenen Repositories zu suchen, gefiltert nach Sprache, Pfad, Repository, Zeitraum oder Commit-Historie. Hinzu kommen strukturelle Suchmuster, mit denen sich Codekonstrukte unabhängig von Formatierung finden lassen, und eine präzise Navigation, die Definitionen und Verwendungen über Repository-Grenzen hinweg auflöst.
Für viele Organisationen ist diese Suche bereits ohne KI ein lohnendes Werkzeug: Sicherheitsteams finden betroffene Stellen nach einer Schwachstellenmeldung, Architekten erkennen, welche Systeme eine veraltete Bibliothek nutzen, und Entwickler sparen sich das Klonen fremder Repositories, nur um eine Funktion nachzuschlagen. Die KI-Funktionen setzen auf diese Fähigkeit auf und machen sie in natürlicher Sprache zugänglich, etwa durch eine agentische Recherche, die mehrere Suchen kombiniert und eine zusammenfassende Antwort mit Fundstellen liefert.
Cody startete als Assistent, den auch Einzelpersonen kostenlos oder zu einem geringen Monatspreis nutzen konnten. Er konkurrierte damit direkt mit GitHub Copilot und anderen Editor-Assistenten. Im Laufe der Zeit hat Sourcegraph diese Positionierung nach öffentlich zugänglichen Informationen aufgegeben: Die Einzelnutzer-Tarife wurden eingestellt, Cody konzentriert sich auf Unternehmenskunden, die ihn zusammen mit der Code-Suche einsetzen. Diese Entscheidung ist nachvollziehbar, denn der eigentliche Mehrwert von Cody, der Kontext aus dem Unternehmensindex, entfaltet sich erst in Kombination mit der Plattform.
Für Interessenten bedeutet das: Cody ist heute in erster Linie als Bestandteil eines Sourcegraph-Unternehmensvertrags relevant. Ob einzelne Funktionen umbenannt, in andere Produkte überführt oder durch agentische Werkzeuge ergänzt wurden, sollte vor einer Evaluierung beim Anbieter erfragt werden. Bestehende Kunden sollten Roadmap-Zusagen und Laufzeiten schriftlich festhalten.
Mit Amp hat das Team hinter Sourcegraph ein Werkzeug entwickelt, das dem Trend zu Coding-Agenten folgt. Statt Vorschläge im Editor zu machen, übernimmt Amp ganze Aufgaben: Es liest den relevanten Code, plant Änderungen, bearbeitet Dateien, führt Tests und Befehle aus und berichtet über das Ergebnis. Amp setzt dabei auf leistungsfähige Sprachmodelle großer Anbieter und wählt diese weitgehend selbst, statt dem Nutzer eine lange Modellliste anzubieten. Ein Merkmal, das häufig hervorgehoben wird, ist das Teilen von Arbeitsverläufen im Team, sodass andere nachvollziehen können, wie ein Agent zu einer Lösung gekommen ist.
Für Unternehmen ist Amp eher mit Werkzeugen wie Claude Code, OpenAI Codex oder dem Agentenmodus von Cursor vergleichbar als mit dem klassischen Cody. Es ist auf Geschwindigkeit und Autonomie ausgelegt, läuft nach unserem Kenntnisstand überwiegend als Cloud-Dienst und bringt damit andere Datenschutzfragen mit sich als eine selbst betriebene Code-Suche. Konditionen, Vertragspartner und Unternehmensfunktionen haben sich in kurzer Zeit mehrfach verändert und sollten unbedingt aktuell beim Anbieter geprüft werden.
Die Suche ist das Herzstück. Sie unterstützt einfache Stichworte ebenso wie reguläre Ausdrücke und strukturelle Muster, mit denen sich beispielsweise alle Aufrufe einer Funktion mit einem bestimmten Parameter finden lassen, unabhängig von Zeilenumbrüchen oder Leerzeichen. Suchen können auf bestimmte Repositories, Verzeichnisse, Dateitypen oder Branches eingeschränkt werden. Auch die Commit-Historie und Diffs sind durchsuchbar, was etwa bei der Frage hilft, wann und von wem eine bestimmte Konfiguration eingeführt wurde.
Ergänzt wird die Suche durch Code-Navigation. In der einfachen Variante basiert sie auf Suchheuristiken und funktioniert für viele Sprachen ohne weitere Einrichtung. Für präzise Ergebnisse lassen sich Indizes einspielen, die im Build-Prozess von sprachspezifischen Indexern erzeugt werden. Dann löst Sourcegraph Definitionen und Referenzen zuverlässig auf, auch zwischen Repositories, die voneinander abhängen. Darüber hinaus bietet die Plattform nach unserem Kenntnisstand Auswertungsfunktionen, mit denen sich Entwicklungen in der Codebasis über die Zeit verfolgen lassen, etwa der Fortschritt einer Migration oder die Verbreitung einer veralteten Schnittstelle. Welche dieser Funktionen in welcher Edition enthalten sind, sollte beim Anbieter erfragt werden.
Batch Changes adressiert ein Problem, das in verteilten Codebasen viel Zeit kostet: Eine Änderung muss in vielen Repositories gleichartig vorgenommen werden. Beispiele sind das Aktualisieren einer Abhängigkeit nach einer Sicherheitsmeldung, das Umstellen einer Konfigurationsoption oder das Ersetzen einer veralteten Funktion. Statt jedes Repository einzeln zu klonen und anzupassen, beschreibt man die Änderung in einer Spezifikation, lässt sie automatisiert anwenden und erzeugt daraus Pull- oder Merge-Requests. Eine Übersicht zeigt, welche davon geprüft, gemergt oder noch offen sind.
In Kombination mit KI wird dieses Muster noch interessanter: Ein Agent kann die eigentliche Änderung vorschlagen, Batch Changes sorgt für den kontrollierten, nachvollziehbaren Rollout. Für Unternehmen mit vielen ähnlichen Services, etwa Microservices oder kundenspezifische Varianten eines Produkts, ist das ein erheblicher Hebel.
Im Editor bietet Cody die Funktionen, die man von einem modernen Coding-Assistenten erwartet: einen Chat, in dem Fragen zum Code gestellt werden können, eine Vervollständigung während des Tippens, die Bearbeitung markierter Codeabschnitte per Anweisung sowie wiederverwendbare Prompts für wiederkehrende Aufgaben wie das Erzeugen von Tests, das Erklären von Code oder das Dokumentieren von Funktionen. Kontext lässt sich gezielt hinzufügen, indem Dateien, Symbole, Repositories oder andere Quellen im Chat referenziert werden.
Der Unterschied zu vielen Wettbewerbern liegt weniger in der Liste der Funktionen als in der Qualität des Kontexts. Wenn eine Entwicklerin fragt, wie die Authentifizierung in einem bestimmten Dienst funktioniert, kann Cody relevante Stellen aus mehreren Repositories heranziehen, auch wenn diese lokal nicht ausgecheckt sind. Die Antwort verweist auf die Fundstellen, sodass sie überprüfbar bleibt. Gerade in Unternehmen, in denen Vertrauen in KI-Antworten erst aufgebaut werden muss, ist diese Nachvollziehbarkeit ein wichtiger Faktor.
Der Grundgedanke heißt in der Fachsprache Retrieval-Augmented Generation: Bevor das Sprachmodell antwortet, sucht das System passende Informationen und gibt sie dem Modell mit. Bei Cody kamen diese Informationen aus mehreren Quellen: dem lokalen Editor, also geöffneten Dateien und dem aktuellen Projekt, sowie dem Sourcegraph-Index mit seiner Code-Suche über alle angebundenen Repositories. Je nach Konfiguration ließen sich zusätzliche Kontextquellen einbinden, etwa Dokumentationen, Tickets oder Wiki-Seiten. Das Ziel ist immer dasselbe: Das Modell soll nicht raten, sondern auf Basis des tatsächlichen Codes antworten.
Sourcegraph hat sich früh dafür entschieden, nicht auf ein einziges Sprachmodell zu setzen. Cody unterstützte nach unserem Kenntnisstand Modelle mehrerer großer Anbieter, und Unternehmenskunden konnten je nach Edition festlegen, welche Modelle zur Verfügung stehen. Für Organisationen mit besonderen Anforderungen war zudem relevant, dass sich eigene Zugänge zu Modellanbietern einbinden ließen, etwa über Cloud-Plattformen, bei denen bereits Verträge bestehen. So kann die Modellnutzung in einer Region und unter Bedingungen erfolgen, die das Unternehmen selbst verhandelt hat.
Diese Flexibilität ist für die Datenschutzbewertung zentral, denn der Code verlässt bei der KI-Nutzung zwangsläufig die Suchplattform und geht an den Modellanbieter. Wer Sourcegraph selbst betreibt, aber die Modelle über einen US-Dienst ohne geeignete Vertragsgrundlage anspricht, hat die Datenhoheit nur teilweise gewonnen. Welche Modellanbieter, Regionen und Varianten aktuell unterstützt werden, einschließlich der Frage, ob selbst betriebene Modelle angebunden werden können, sollte vor einer Einführung konkret beim Anbieter geklärt werden.
Mit Amp und agentischen Funktionen in der Plattform geht Sourcegraph einen Schritt weiter. Ein Agent beantwortet nicht nur Fragen, sondern arbeitet eine Aufgabe in mehreren Schritten ab: Er sucht relevanten Code, liest Dateien, plant Änderungen, bearbeitet den Code, führt Befehle wie Tests oder Builds aus, wertet die Ergebnisse aus und korrigiert sich bei Fehlern. Im besten Fall liefert er am Ende eine fertige, getestete Änderung, die ein Mensch nur noch prüfen muss.
Auch in der Code-Suche hat agentisches Arbeiten Einzug gehalten. Eine KI-gestützte Recherche kann eine Frage in mehrere Suchschritte zerlegen, die Ergebnisse auswerten, nachfassen und schließlich eine zusammenfassende Antwort mit Belegen liefern. Für Fragen wie „Wie fließen Bestelldaten vom Webshop bis in die Buchhaltung?“ ist das deutlich hilfreicher als eine einzelne Suchabfrage. Bei der Bewertung sollte man beachten, dass agentische Abläufe mehr Modellaufrufe verursachen und damit Kosten und Datenflüsse erhöhen.
Agenten optimieren auf das Ziel, das man ihnen gibt, und nehmen dabei gelegentlich Abkürzungen: Tests werden angepasst, statt den Fehler zu beheben, Prüfungen abgeschwächt oder Änderungen an Stellen vorgenommen, die nicht zur Aufgabe gehören. Je mehr Rechte ein Agent hat, etwa zum Ausführen beliebiger Befehle oder zum Zugriff auf produktive Systeme, desto größer ist das Schadenspotenzial. Für den Unternehmenseinsatz gelten deshalb dieselben Regeln wie bei anderen Coding-Agenten: Arbeit auf eigenen Branches, Ausführung in isolierten Umgebungen, keine Zugangsdaten zu produktiven Systemen, verpflichtendes Code-Review und automatisierte Tests vor jedem Merge. Diese Leitplanken sind unabhängig vom Anbieter und bilden die Grundlage für einen verantwortungsvollen Einsatz.
Sourcegraph verbindet sich mit den gängigen Plattformen für die Quellcodeverwaltung, sowohl mit Cloud-Diensten als auch mit selbst betriebenen Instanzen. Das ist für Unternehmen wichtig, die etwa ein internes GitLab, einen älteren Bitbucket-Server und einige Projekte auf GitHub parallel betreiben. Alle Quellen werden in einem gemeinsamen Index zusammengeführt, sodass eine Suche oder eine KI-Frage über die gesamte Landschaft funktioniert.
Ein oft unterschätzter Punkt sind Berechtigungen. Nicht jeder Mitarbeitende darf jedes Repository sehen, etwa wenn es um Kundenprojekte, Sicherheitskomponenten oder Code von Partnern geht. Sourcegraph kann Berechtigungen aus den angebundenen Code-Hosts übernehmen, sodass Suche und KI-Kontext nur Inhalte berücksichtigen, auf die der jeweilige Nutzer auch dort Zugriff hat. Diese Synchronisation sollte bei der Einführung sorgfältig getestet werden, denn ein Fehler würde dazu führen, dass vertraulicher Code über die Suche oder über KI-Antworten sichtbar wird.
Cody war vor allem als Erweiterung für Visual Studio Code und die JetBrains-Familie verfügbar, ergänzt um eine Chat-Oberfläche im Browser. Damit deckt Sourcegraph die Umgebungen ab, die in den meisten Entwicklungsteams verbreitet sind. Teams, die mit Visual Studio, Eclipse oder spezialisierten Werkzeugen arbeiten, sollten den aktuellen Stand der Unterstützung prüfen. Gerade im Mittelstand, wo neben modernen Web-Projekten auch ältere Technologien wie .NET Framework, Java EE oder proprietäre Sprachen im Einsatz sind, lohnt ein Blick auf die tatsächliche Abdeckung im eigenen Technologie-Mix.
Amp verfolgt einen anderen Ansatz und ist stärker auf das Terminal und auf schnelle, agentische Abläufe ausgerichtet. Das passt gut zu erfahrenen Entwicklern, die bereits mit Kommandozeilen-Agenten arbeiten, verlangt aber klare Regeln dazu, in welchen Umgebungen der Agent Befehle ausführen darf.
Über die Programmierschnittstelle lässt sich der Sourcegraph-Index auch in eigene Werkzeuge einbinden, etwa in Sicherheitsprozesse, Dashboards oder interne Entwicklerportale. Für die präzise Navigation werden Indizes typischerweise in der CI/CD-Pipeline erzeugt und hochgeladen. Batch Changes erzeugt Änderungen als reguläre Pull- oder Merge-Requests, die dieselben Prüfungen durchlaufen wie jede andere Änderung. Dieses Prinzip ist wichtig: Sourcegraph ersetzt nicht den etablierten Entwicklungsprozess mit Review, Tests und Freigaben, sondern speist sich in ihn ein. Wer KI-Werkzeuge einführt, sollte genau darauf achten, dass dieser Prozess die verbindliche Kontrollinstanz bleibt.
GitHub Copilot ist der Assistent mit der größten Verbreitung und der niedrigsten Einstiegshürde, besonders für Teams, deren Code ohnehin auf GitHub liegt. Er bietet inzwischen ebenfalls Kontext über Repositories und agentische Funktionen, ist aber eng an die GitHub-Plattform gebunden und wird als Cloud-Dienst betrieben. GitLab Duo verfolgt einen vergleichbaren Ansatz für GitLab-Kunden. Sourcegraph spielt seine Stärke dort aus, wo Code über mehrere Plattformen verteilt ist oder wo die Organisation eine plattformunabhängige Code-Suche benötigt. Nicht selten werden die Werkzeuge kombiniert: Copilot für die tägliche Arbeit im Editor, Sourcegraph für Suche, Verständnis und Massenänderungen über alle Repositories.
KI-first-Editoren wie Cursor und Windsurf sowie Terminal-Agenten wie Claude Code oder OpenAI Codex stehen für hohe Produktivität im einzelnen Projekt. Sie indizieren das lokal geöffnete Projekt sehr gut und bieten ausgereifte agentische Abläufe. Ihre Grenze liegt dort, wo relevanter Kontext in anderen Repositories liegt, die lokal nicht vorhanden sind. Amp tritt in diesem Segment direkt gegen Claude Code und Codex an, mit ähnlichen Stärken und ähnlichen Fragen zur Datenverarbeitung in der Cloud. Die Wahl zwischen diesen Agenten ist stark von persönlichen Arbeitsweisen und Vertragsbedingungen abhängig und sollte in einem Pilot mit echten Aufgaben getroffen werden.
Für Unternehmen, bei denen Datenhoheit an erster Stelle steht, sind Tabnine sowie die quelloffenen Lösungen Continue.dev und Tabby naheliegende Alternativen. Sie lassen sich in eigener Infrastruktur betreiben und mit selbst gehosteten Modellen verbinden. Sourcegraph bietet ebenfalls Self-Hosting, ergänzt aber eine leistungsfähige Code-Suche und Werkzeuge für Massenänderungen, die diese Lösungen nicht in vergleichbarer Form mitbringen. Umgekehrt sind die schlankeren Alternativen in Einführung und Betrieb deutlich weniger aufwendig. Wer vor allem einen datenschutzfreundlichen Editor-Assistenten sucht, ist dort oft besser aufgehoben; wer zusätzlich Code-Intelligenz über eine große Landschaft braucht, sollte Sourcegraph in die engere Wahl nehmen.
Grundsätzlich stehen zwei Wege offen. Beim Cloud-Betrieb stellt der Anbieter eine verwaltete Instanz bereit, nach unserem Kenntnisstand als dedizierte Umgebung je Kunde. Updates, Skalierung und Verfügbarkeit liegen beim Anbieter, das interne Team kümmert sich nur um Anbindung und Konfiguration. Welche Rechenzentrumsregionen dabei zur Wahl stehen, insbesondere ob eine Region in der EU möglich ist, sollte vor Vertragsabschluss geklärt werden.
Beim Self-Hosting betreibt das Unternehmen Sourcegraph in der eigenen Infrastruktur, etwa auf Kubernetes-Clustern, mit Container-Lösungen oder auf virtuellen Maschinen in einer Cloud seiner Wahl. Der Quellcode verlässt dabei für Suche und Navigation das eigene Netz nicht. Der Preis dafür ist Betriebsaufwand: Server müssen dimensioniert, überwacht, gesichert und aktualisiert werden. Für die KI-Funktionen bleibt zudem die Frage, welcher Modellanbieter angesprochen wird, denn ohne selbst betriebene Modelle verlässt der für eine KI-Anfrage ausgewählte Code-Kontext das Unternehmen trotzdem. Ob und in welchem Umfang Self-Hosting in der gewünschten Edition und für die gewünschten KI-Funktionen verfügbar ist, sollte beim Anbieter verbindlich bestätigt werden.
Im laufenden Betrieb entscheidet vor allem die Aktualität des Index über den Nutzen. Neue Repositories müssen automatisch erfasst, Berechtigungsänderungen zeitnah synchronisiert und Indizes für die präzise Navigation regelmäßig erzeugt werden. Beim Self-Hosting gehören Monitoring, Backups und ein Update-Rhythmus dazu, der Sicherheitsaktualisierungen zeitnah einspielt. Planen Sie dafür feste Verantwortlichkeiten ein, denn eine Plattform ohne Zuständigkeit veraltet schnell.
Angesichts der Produktumstellungen der Vergangenheit empfehlen wir zudem, von Anfang an eine Exit-Strategie mitzudenken. Da Sourcegraph auf bestehenden Code-Hosts aufsetzt und den Code nicht selbst verwaltet, ist das Risiko eines Datenverlusts gering. Abhängigkeiten entstehen eher bei Arbeitsabläufen, gespeicherten Suchen, Batch-Change-Spezifikationen und eingeübten KI-Prozessen. Dokumentieren Sie diese so, dass ein Wechsel zu einer anderen Lösung möglich bleibt, und vereinbaren Sie vertraglich angemessene Ankündigungsfristen für Produktänderungen.
Ein Maschinenbauer entwickelt seit vielen Jahren Software für die Steuerung seiner Anlagen, ein Kundenportal für Wartungsdaten und mehrere interne Werkzeuge. Der Code liegt verteilt auf einem internen GitLab und einigen älteren Repositories, verschiedene Sprachen und Generationen von Technologien existieren nebeneinander. Zwei erfahrene Entwickler kennen die Zusammenhänge, beide sind stark ausgelastet. Neue Kolleginnen brauchen Monate, bis sie selbstständig Änderungen vornehmen können.
Mit einer selbst betriebenen Sourcegraph-Instanz wird der gesamte Code durchsuchbar. Neue Mitarbeitende finden Antworten auf viele Fragen selbst, etwa wo Fehlercodes einer Maschine im Portal ausgewertet werden. Die KI-Funktionen erklären unbekannte Codeabschnitte und verweisen auf zusammenhängende Stellen. Die erfahrenen Entwickler werden entlastet und können sich auf Architekturentscheidungen konzentrieren. Weil Steuerungssoftware und Kundendaten sensibel sind, ist die Modellanbindung über einen vertraglich abgesicherten Zugang mit EU-Verarbeitung oder ein selbst betriebenes Modell hier besonders wichtig.
Ein mittelständisches Softwarehaus betreut eine Branchenlösung, die für zahlreiche Kunden in angepassten Varianten betrieben wird. Jede Variante liegt in einem eigenen Repository. Muss eine gemeinsame Komponente geändert werden, etwa wegen einer gesetzlichen Anpassung, ist der Aufwand erheblich: Jede Variante muss geprüft und einzeln angepasst werden.
Hier spielt Sourcegraph seine Stärke bei Massenänderungen aus. Die Suche zeigt, welche Varianten die betroffene Komponente in welcher Form nutzen. Eine KI-gestützte Analyse hilft, Abweichungen zu verstehen. Batch Changes erzeugt für jede Variante einen Merge-Request, der die regulären Tests durchläuft und von den zuständigen Teams geprüft wird. Aus einer wochenlangen Fleißarbeit wird ein planbarer Vorgang mit vollständiger Übersicht.
Ehrlich betrachtet ist Sourcegraph für viele kleinere Entwicklungsteams überdimensioniert. Wer wenige Repositories betreut, deren Code ohnehin überschaubar ist, erhält mit einem Editor-Assistenten wie GitHub Copilot, Cursor oder einer selbst gehosteten Lösung wie Tabby oder Continue.dev den größten Teil des Nutzens mit deutlich weniger Aufwand. Auch Unternehmen ohne eigene Softwareentwicklung, die vor allem Standardsoftware einsetzen, haben selten Bedarf. Als Faustregel gilt: Je mehr Repositories, Code-Hosts, Technologien und Personalwechsel, desto eher lohnt sich eine Plattform für Code-Intelligenz.
Kostenmodelle realistisch einschätzen. Sourcegraph richtet sich mit Code Search und Cody vor allem an Unternehmenskunden, die Preise werden typischerweise pro Nutzer und Jahr oder im Rahmen individueller Verträge vereinbart. Öffentliche Listenpreise sind nicht immer verfügbar oder ändern sich. Bei agentischen Werkzeugen wie Amp spielt nutzungsabhängige Abrechnung eine größere Rolle, da jede Aufgabe viele Modellaufrufe auslösen kann. Hinzu kommen beim Self-Hosting Infrastruktur- und Personalkosten für den Betrieb sowie gegebenenfalls Kosten für eigene Modellzugänge. Konkrete Preise, Mindestabnahmen und enthaltene Funktionen sollten Sie stets aktuell beim Anbieter erfragen und schriftlich festhalten.
Für eine faire Wirtschaftlichkeitsbetrachtung lohnt der Blick auf den Nutzen: eingesparte Suchzeit, schnellere Einarbeitung, kürzere Reaktionszeiten bei Sicherheitsmeldungen und planbare Migrationen. Diese Effekte lassen sich im Pilot mit wenigen Kennzahlen grob erfassen, etwa der Zeit bis zur ersten eigenständigen Änderung neuer Mitarbeitender oder dem Aufwand für eine typische Massenänderung.
Sourcegraph hat seinen Sitz in den USA. Bei Nutzung der Cloud-Variante wird der Code-Index in einem Rechenzentrum des Anbieters oder seiner Dienstleister gespeichert. Bei KI-Funktionen werden Ausschnitte des Codes, Fragen und Antworten zusätzlich an Anbieter von Sprachmodellen übermittelt, die überwiegend ebenfalls in den USA ansässig sind. Damit stellen sich die bekannten Fragen: Gibt es einen Auftragsverarbeitungsvertrag? Welche Subprozessoren sind beteiligt? Auf welcher Grundlage erfolgt der Drittlandtransfer, etwa über eine Zertifizierung nach dem EU-US Data Privacy Framework oder Standardvertragsklauseln? Und welche Rechenzentrumsregionen sind wählbar?
Auch wenn Quellcode häufig keine personenbezogenen Daten enthält, ist das keineswegs garantiert: Kommentare mit Namen, Testdaten, Konfigurationsdateien oder Commit-Metadaten können personenbezogen sein. Hinzu kommen Nutzungsdaten der Entwickler selbst. Über die DSGVO hinaus geht es zudem um Geschäftsgeheimnisse und digitale Souveränität: Quellcode enthält oft das Kern-Know-how eines Unternehmens, und der Zugriff von US-Behörden auf Daten bei US-Anbietern ist ein Risiko, das in der Bewertung offen benannt werden sollte.
Die Möglichkeit, Sourcegraph in eigener Infrastruktur zu betreiben, ist aus Datenschutzsicht der wichtigste Pluspunkt. Der Code-Index bleibt im eigenen Rechenzentrum oder bei einem europäischen Cloud-Anbieter Ihrer Wahl, die Suche funktioniert ohne Datenabfluss. Für die KI-Funktionen hängt die Bewertung dann von der Modellanbindung ab: Am weitesten geht die Datenhoheit, wenn ein selbst betriebenes oder in der EU gehostetes Modell angebunden werden kann. Ist das nicht möglich oder nicht wirtschaftlich, ist ein vertraglich abgesicherter Zugang über eine große Cloud-Plattform mit EU-Region und Trainingsausschluss der nächstbeste Weg. Agentische Cloud-Werkzeuge wie Amp sollten bei sensiblen Codebasen nur nach gesonderter Prüfung und gegebenenfalls nur für ausgewählte, weniger kritische Projekte eingesetzt werden.
Bei KI-generiertem Code stellen sich dieselben Fragen wie bei anderen Assistenten. Ob an KI-erzeugtem Code Urheberrechte entstehen, ist rechtlich nicht abschließend geklärt, und Sprachmodelle können in seltenen Fällen Code reproduzieren, der Lizenzbedingungen unterliegt. Prüfen Sie die Nutzungsbedingungen hinsichtlich der Rechte am Ergebnis und eventueller Freistellungszusagen und setzen Sie bei ausgelieferter Software Lizenz-Scanner ein. Für Mitarbeitende, die KI-Werkzeuge nutzen, verlangt der EU AI Act zudem eine ausreichende KI-Kompetenz. Schulungen zum Umgang mit Sourcegraph und Coding-Agenten lassen sich gut in entsprechende Programme integrieren. Ob einzelne Anwendungsfälle weitergehende Pflichten auslösen, sollte im Einzelfall geprüft werden.
