Hinter dem Projekt steht die Continue Dev, Inc., ein Start-up mit Sitz in den USA, das die Erweiterung unter der Apache-2.0-Lizenz veröffentlicht. Die Lizenz erlaubt die Nutzung, Anpassung und Weitergabe auch im kommerziellen Umfeld, ohne dass eigene Änderungen offengelegt werden müssen. Rund um den quelloffenen Kern bietet der Hersteller kostenpflichtige Leistungen für Teams und Unternehmen an, etwa zentrale Verwaltung von Konfigurationen, Rechte und Richtlinien. Die eigentliche Erweiterung lässt sich aber vollständig ohne Konto beim Hersteller betreiben.
Im Markt der Coding-Assistenten nimmt Continue damit eine Sonderrolle ein. Die meisten bekannten Produkte, allen voran GitHub Copilot, Cursor oder Windsurf, bündeln Editor oder Erweiterung, Modellzugang und Cloud-Infrastruktur zu einem Paket. Das ist bequem, bindet Unternehmen aber an die Modelle, Serverstandorte und Vertragsbedingungen eines Anbieters. Continue trennt diese Ebenen: Die Oberfläche kommt aus dem Open-Source-Projekt, das Modell kommt von dort, wo das Unternehmen es haben möchte. Drei Merkmale prägen das Werkzeug:
Continue startete als schlanke Erweiterung, die Chat und Autovervollständigung mit beliebigen Modellen in den Editor brachte. Gerade in der Phase, als lokale Open-Weight-Modelle für Code brauchbar wurden, entwickelte sich das Projekt zu einem der populärsten Wege, diese Modelle im Arbeitsalltag zu nutzen. Viele Anleitungen zur Kombination von Ollama und VS Code empfehlen Continue bis heute als Standard-Oberfläche.
Seitdem hat der Hersteller das Angebot schrittweise ausgebaut: Ein Agentenmodus mit Werkzeugaufrufen kam hinzu, ebenso Unterstützung für das Model Context Protocol (MCP), ein Hub zum Teilen von Assistenten-Bausteinen und eine Kommandozeilenanwendung, mit der sich Agenten außerhalb der IDE ausführen lassen, etwa in Pipelines oder bei Pull Requests. Unter dem Schlagwort „Continuous AI“ positioniert der Hersteller Continue zunehmend als Baukasten, um KI-gestützte Abläufe in den gesamten Entwicklungsprozess einzubetten. Welche Teile davon kostenlos, quelloffen oder an kostenpflichtige Pläne gebunden sind, ändert sich gelegentlich und sollte vor einer Entscheidung beim Anbieter geprüft werden.
Die Zielgruppe sind Entwicklerinnen und Entwickler sowie Teams, die einen leistungsfähigen Assistenten wollen, ohne sich auf einen Modellanbieter festzulegen. Im Mittelstand sind das typischerweise interne IT- und Entwicklungsabteilungen von Industrie-, Handels- und Dienstleistungsunternehmen, Softwarehäuser mit Kundenprojekten unter strengen Vertraulichkeitsvereinbarungen sowie Organisationen mit besonderen Schutzanforderungen, etwa im Gesundheitswesen, in der Finanzbranche oder bei Zulieferern mit sicherheitskritischem Wissen.
Weniger geeignet ist Continue für Anwender, die keinerlei technische Konfiguration übernehmen möchten. Zwar gibt es vorgefertigte Assistenten im Hub, die den Einstieg erleichtern, doch die Stärken des Werkzeugs entfalten sich erst, wenn jemand Modelle, Regeln und Kontextquellen bewusst auswählt und pflegt. In Unternehmen ist das eine Aufgabe für die IT oder ein kleines Plattformteam, nicht für jede einzelne Entwicklerin.
Herzstück ist die Erweiterung für VS Code und die JetBrains-IDEs wie IntelliJ IDEA, PyCharm, WebStorm, PhpStorm oder Rider. Sie bringt eine Seitenleiste für Chat und Agent, Inline-Bearbeitung und Autovervollständigung mit. Konfiguriert wird sie über eine YAML-Datei, in der Modelle, Rollen und weitere Bausteine beschrieben sind. Frühere Versionen nutzten ein JSON-Format, das in älteren Anleitungen noch auftaucht. Wer heute neu beginnt, sollte sich an der aktuellen Dokumentation orientieren.
Da VS Code die Basis zahlreicher abgeleiteter Editoren ist, funktioniert die Erweiterung in der Regel auch in Varianten wie VSCodium, die ohne Telemetrie von Microsoft auskommen. Für Unternehmen, die ihre Entwicklungsumgebung möglichst unabhängig von großen Plattformanbietern aufstellen wollen, ergibt sich damit eine vollständig quelloffene Kette aus Editor, Assistent und lokalem Modell.
Der Continue Hub ist eine Plattform, auf der Assistenten aus Bausteinen zusammengesetzt und geteilt werden. Bausteine sind etwa Modellkonfigurationen, Regeln, Prompt-Vorlagen, Dokumentationsquellen oder MCP-Server. Ein Team kann so einen gemeinsamen Assistenten definieren, der überall gleich arbeitet, statt dass jede Person ihre eigene Konfiguration pflegt. Für Organisationen bietet der Hersteller Pläne mit zentraler Verwaltung, Rollen, Richtlinien und der Möglichkeit, Modellschlüssel zentral zu hinterlegen. Leistungsumfang und Preise unterscheiden sich je nach Plan; die aktuellen Konditionen sollten direkt beim Anbieter geprüft werden.
Wichtig für die Datenschutzbewertung: Der Hub ist ein Cloud-Dienst eines US-Anbieters. Wer ihn nutzt, verarbeitet zumindest Konto- und Konfigurationsdaten dort. Der eigentliche Code-Kontext fließt nach Herstellerangaben direkt von der IDE zum gewählten Modell, nicht über den Hub, sofern Schlüssel lokal hinterlegt sind. Diese Aussage sollte bei der Prüfung anhand der Dokumentation und gegebenenfalls technisch verifiziert werden, insbesondere wenn zentrale Schlüsselverwaltung oder Proxy-Funktionen des Herstellers genutzt werden.
Qualitativ lässt sich Continue als offene Infrastruktur für KI-Assistenz beschreiben. Es konkurriert weniger über das beste eigene Modell, denn ein solches bietet der Hersteller im Kern nicht, sondern über Flexibilität, Transparenz und Integrationsfähigkeit. Damit spricht Continue zwei Gruppen an: Entwickler, die experimentieren und die besten verfügbaren Modelle kombinieren wollen, und Unternehmen, die aus Gründen der Datenhoheit eine kontrollierbare Lösung brauchen. Für die zweite Gruppe ist Continue im Zusammenspiel mit lokalen oder europäischen Modellen eine der wenigen ausgereiften Alternativen zu den großen US-Komplettpaketen.
Die Qualität eines Coding-Assistenten hängt weniger vom Modell allein ab als vom Kontext, den es erhält. Continue arbeitet dafür mit sogenannten Kontextanbietern, die im Chat über ein At-Zeichen eingebunden werden. Typische Quellen sind einzelne Dateien und Ordner, der aktuell geöffnete Code, Terminalausgaben, Git-Änderungen, Probleme aus der IDE, Dokumentationsseiten oder eine Suche über die gesamte Codebasis. Für diese Suche kann Continue das Projekt lokal indexieren und mit Einbettungsmodellen durchsuchbar machen. Auch hier gilt: Wer ein lokales Einbettungsmodell nutzt, hält den Index vollständig im eigenen Haus.
Über Dokumentationsquellen lässt sich der Assistent zudem mit internen oder externen Handbüchern verbinden, etwa mit der Dokumentation eines eingesetzten Frameworks oder mit einem internen Wiki. Das ist besonders wertvoll bei Technologien, die in den Trainingsdaten der Modelle schwach vertreten sind, zum Beispiel bei branchenspezifischen Bibliotheken, älteren Systemen oder selbst entwickelten Frameworks.
Regeln sind dauerhafte Anweisungen, die Continue jedem relevanten Gespräch mitgibt: Codierrichtlinien, bevorzugte Bibliotheken, Namenskonventionen, Sprache von Kommentaren oder verbotene Muster. Sie können global, pro Projekt oder für bestimmte Dateitypen gelten und lassen sich als Dateien im Repository ablegen. Damit wird das Wissen eines Teams, das sonst in Köpfen oder Wiki-Seiten steckt, für den Assistenten nutzbar und gleichzeitig versionierbar.
Prompt-Vorlagen sind wiederverwendbare Anweisungen für häufige Aufgaben, etwa „Unit-Tests nach unserem Muster schreiben“, „Code-Review nach Checkliste“ oder „Docstring im Firmenstandard ergänzen“. Teams, die solche Vorlagen pflegen, erzielen deutlich gleichmäßigere Ergebnisse, weil nicht jede Person ihre eigenen Formulierungen erfinden muss. Im Hub lassen sich Regeln und Vorlagen als Bausteine teilen und in mehreren Assistenten wiederverwenden.
Eine Stärke, die in der Praxis oft unterschätzt wird, ist die Zuordnung von Modellen zu Rollen. Continue unterscheidet unter anderem zwischen Modellen für Chat, Bearbeitung, Autovervollständigung, Einbettung und Neu-Sortierung von Suchergebnissen. So kann ein Unternehmen ein kleines lokales Modell für die latenzkritische Autovervollständigung einsetzen, ein mittelgroßes selbst gehostetes Modell für die meisten Chat-Fragen und ein leistungsstarkes Cloud-Modell nur für ausgewählte, nicht vertrauliche Aufgaben. Diese Mischung ist bei geschlossenen Komplettprodukten kaum möglich und erlaubt eine feine Balance zwischen Qualität, Kosten und Datenschutz.
Entscheidend für die Qualität des Agenten ist das gewählte Modell. Agentisches Arbeiten setzt voraus, dass ein Modell Werkzeuge zuverlässig aufruft, längere Pläne verfolgt und mit Fehlern umgehen kann. Große kommerzielle Modelle sind darin derzeit in der Regel stärker als kleine lokale Modelle. Open-Weight-Modelle holen allerdings schnell auf, und mittelgroße Modelle auf einem eigenen GPU-Server können für viele Alltagsaufgaben bereits ausreichen. Unternehmen sollten das mit eigenen, typischen Aufgaben testen, statt sich auf allgemeine Bestenlisten zu verlassen.
Continue unterstützt das Model Context Protocol, einen offenen Standard, über den KI-Anwendungen externe Werkzeuge und Datenquellen nutzen können. Über MCP-Server kann der Agent etwa Tickets aus einem Issue-Tracker lesen, Datenbankschemata abfragen, einen Browser für Oberflächentests steuern oder interne Schnittstellen ansprechen. Das macht Continue sehr erweiterbar, verlangt aber Sorgfalt: Jeder angebundene Server erweitert, was der Agent sehen und tun kann.
Für Unternehmen empfiehlt sich eine Liste geprüfter MCP-Server, die zentral über die Konfiguration verteilt wird, statt dass jede Person beliebige Server aus dem Internet einbindet. Server, die schreibend auf Produktivsysteme zugreifen, gehören grundsätzlich nicht in die Entwicklungsumgebung, oder nur mit Testzugängen und eng begrenzten Rechten. Ebenso wichtig ist das Bewusstsein für sogenannte Prompt-Injection: Inhalte aus Tickets, Webseiten oder Dokumenten können Anweisungen enthalten, die den Agenten zu unerwünschten Aktionen verleiten. Freigabepflichten für Befehle und schreibende Werkzeuge sind deshalb keine Bürokratie, sondern Schutzmechanismus.
Mit der Kommandozeilenanwendung lässt sich der Agent von Continue auch ohne IDE nutzen: interaktiv im Terminal, ähnlich wie andere Terminal-Agenten, oder nicht interaktiv in Skripten. Damit werden Szenarien möglich, in denen KI-Aufgaben automatisch bei Ereignissen im Repository laufen, etwa eine erste Prüfung neuer Pull Requests auf Einhaltung der Teamregeln, das Aktualisieren von Dokumentation nach Codeänderungen oder das Zusammenfassen fehlgeschlagener Pipeline-Läufe. Der Hersteller fasst diese Idee unter „Continuous AI“ zusammen und bietet dafür zunehmend auch verwaltete Hintergrund-Agenten an.
Für den Mittelstand ist dieser Bereich vielversprechend, aber noch in Bewegung. Funktionsumfang, Namensgebung und Lizenzierung der Automatisierungsangebote haben sich in der Vergangenheit verändert. Wer solche Abläufe einführen will, sollte klein beginnen, mit lesenden Aufgaben und Kommentaren statt mit automatischen Commits, und die Ausführung möglichst auf eigenen Runnern mit selbst kontrollierten Modellen betreiben.
Continue unterstützt die großen kommerziellen Modellanbieter ebenso wie Cloud-Plattformen mit europäischen Regionen und lokale Laufzeitumgebungen. Für den Mittelstand lassen sich drei Gruppen unterscheiden, die in der Praxis oft kombiniert werden:
Besonders für europäische Unternehmen interessant ist die Kombination mit Modellen von Mistral AI, etwa dem auf Code spezialisierten Codestral, das als Cloud-Dienst aus der EU oder als Open-Weight-Variante mit eigener Lizenz verfügbar ist. Die genauen Lizenzbedingungen für kommerzielle Selbst-Hosting-Nutzung unterscheiden sich zwischen Modellen und sollten vor dem Einsatz geprüft werden.
Offiziell unterstützt werden VS Code und die JetBrains-Familie. Damit ist ein Großteil der im Mittelstand verbreiteten Entwicklungsumgebungen abgedeckt: Web- und Backend-Entwicklung in VS Code, Java- und Kotlin-Projekte in IntelliJ, Python in PyCharm, .NET in Rider. Erfahrungsgemäß ist die VS-Code-Variante funktional oft etwas weiter, während neue Funktionen in der JetBrains-Erweiterung mit Verzögerung folgen können. Wer überwiegend mit JetBrains arbeitet, sollte die benötigten Funktionen gezielt im Pilotbetrieb testen. Visual Studio, Eclipse oder Xcode werden nicht direkt unterstützt; hier sind andere Werkzeuge oder die CLI die naheliegende Wahl.
In der IDE kann Continue Git-Änderungen als Kontext nutzen, etwa um Commit-Nachrichten vorzuschlagen oder den aktuellen Stand vor einem Commit zu prüfen. Über die CLI und die Automatisierungsangebote lässt sich Continue in Pipelines von GitHub, GitLab oder anderen CI-Systemen einbinden. Typische Einsatzzwecke sind automatische Erstprüfungen von Merge Requests, das Erzeugen von Änderungsprotokollen oder die Pflege von Dokumentation. Da der Agent in der Pipeline auf eigenen Runnern laufen kann, lässt sich auch dieser Teil vollständig in der eigenen Infrastruktur halten, wenn ein selbst betriebenes Modell genutzt wird.
Über MCP-Server können zudem Issue-Tracker, Wikis, Datenbanken oder interne Schnittstellen angebunden werden. In der Praxis bewährt sich ein schrittweises Vorgehen: zuerst lesende Integrationen wie Dokumentation und Tickets, später und nur bei Bedarf schreibende Zugriffe.
GitHub Copilot, Cursor und Windsurf bieten ein sehr rundes Nutzungserlebnis. Autovervollständigung, Chat und Agent sind auf die Modelle des Anbieters abgestimmt, die Infrastruktur ist optimiert, und zentrale Verwaltung ist fester Bestandteil der Business-Pläne. Wer keine besonderen Anforderungen an Datenhoheit hat und die Verarbeitung bei einem US-Anbieter vertraglich akzeptiert, erreicht mit diesen Produkten oft schneller hohe Produktivität. Continue punktet dagegen dort, wo diese Pakete an Grenzen stoßen: bei vollständig lokalem Betrieb, bei der freien Kombination von Modellen, bei der Prüfbarkeit des Quellcodes und bei der Unabhängigkeit von einem einzelnen Anbieter.
Bei der Autovervollständigung haben spezialisierte kommerzielle Produkte häufig einen Vorsprung, weil sie eigene, auf Geschwindigkeit optimierte Modelle und Infrastruktur nutzen. Mit Continue hängt die Qualität stark vom gewählten Modell und von der Hardware ab. Ein gut gewähltes Code-Modell auf ausreichend schneller Hardware liefert gute Ergebnisse, ein überlastetes kleines Modell auf schwachem Notebook dagegen nicht.
Cline ist ebenfalls quelloffen und modellfrei, setzt seinen Schwerpunkt aber klar auf den autonomen Agenten in VS Code. Continue ist breiter aufgestellt, mit Autovervollständigung, Chat, Bearbeitung und Agent sowie JetBrains-Unterstützung. Beide schließen sich nicht aus; manche Teams nutzen Continue für den Alltag und Cline für größere agentische Aufgaben. Aider ist ein quelloffener Terminal-Assistent mit starker Git-Integration und spricht vor allem Entwickler an, die bevorzugt in der Kommandozeile arbeiten.
Tabby verfolgt einen anderen Ansatz: Es ist ein selbst gehosteter Server, der Modelle zentral bereitstellt und eigene IDE-Erweiterungen mitbringt. Für Unternehmen, die eine zentrale, selbst betriebene Plattform mit Verwaltungsoberfläche suchen, kann Tabby passend sein. Continue ist dagegen eher die flexible Oberfläche, die mit unterschiedlichen Backends zusammenarbeitet, auch mit einem selbst gehosteten Inferenzserver. Tabnine schließlich ist ein kommerzielles Produkt mit starkem Fokus auf Datenschutz und einer Enterprise-Option für den Betrieb in eigener Infrastruktur. Wer einen Anbieter mit Support und Gewährleistung für eine abgeschottete Installation sucht, sollte Tabnine in die Auswahl einbeziehen.
Continue ist besonders dann erste Wahl, wenn mindestens eine der folgenden Bedingungen zutrifft: Quellcode darf das Unternehmen nicht verlassen, es sollen europäische oder selbst betriebene Modelle zum Einsatz kommen, das Team arbeitet gemischt in VS Code und JetBrains, oder man möchte eine einheitliche Oberfläche, hinter der sich Modelle je nach Aufgabe und Schutzbedarf austauschen lassen. Weniger geeignet ist es, wenn maximaler Komfort ohne jede Konfiguration im Vordergrund steht und keine Kapazität für Pflege vorhanden ist.
Der häufigste Stolperstein beim Einsatz von Continue mit lokalen Modellen ist die Hardware. Kleine Modelle für die Autovervollständigung laufen auf modernen Notebooks mit ausreichend Arbeitsspeicher oder Grafikspeicher meist flüssig; Rechner mit Apple-Silicon-Prozessoren sind dafür erfahrungsgemäß gut geeignet. Für Chat und erst recht für den Agentenmodus sind größere Modelle sinnvoll, die auf Arbeitsplatzrechnern schnell an Grenzen stoßen. Dann lohnt sich ein zentraler GPU-Server im eigenen Rechenzentrum oder bei einem deutschen Hosting-Anbieter, auf dem ein Inferenzserver das ganze Team bedient.
Konkrete Hardwareanforderungen hängen von Modellgröße, Quantisierung, gleichzeitigen Nutzern und gewünschter Antwortzeit ab und sollten im Pilotbetrieb ermittelt werden. Wichtig ist eine realistische Erwartungshaltung: Selbst betriebene Open-Weight-Modelle sind in vielen Alltagsaufgaben gut, erreichen aber bei komplexen, agentischen Aufgaben nicht immer das Niveau der stärksten kommerziellen Modelle. Eine Mischstrategie mit klaren Regeln, welche Aufgaben an welches Modell gehen, ist deshalb oft der pragmatischste Weg.
Continue sammelt standardmäßig anonymisierte Nutzungsdaten zur Produktverbesserung. Laut Dokumentation lässt sich diese Telemetrie in der Konfiguration abschalten. Im Unternehmen sollte das zentral festgelegt und dokumentiert werden. Gleiches gilt für Updates: Die Erweiterung wird häufig aktualisiert. Es empfiehlt sich, Updates nicht unkontrolliert automatisch einzuspielen, sondern neue Versionen kurz in einer Testgruppe zu prüfen, insbesondere wenn sich das Konfigurationsformat oder das Verhalten des Agenten ändert.
In Umgebungen ohne direkten Internetzugang ist zu beachten, dass die Erweiterung über den Marketplace der jeweiligen IDE oder als Paketdatei installiert wird. Alle Modellzugriffe müssen dann auf intern erreichbare Server zeigen. Funktionen, die den Hub oder Herstellerdienste voraussetzen, stehen in solchen abgeschotteten Umgebungen nicht zur Verfügung; die lokale Konfiguration per Datei funktioniert dagegen unabhängig davon.
Ein offener, flexibler Assistent braucht klare Zuständigkeiten. Bewährt hat sich ein kleines Kernteam, oft eine Person aus der Plattform- oder DevOps-Rolle und eine erfahrene Entwicklerin, das Modelle auswählt, die gemeinsame Konfiguration pflegt und Regeln mit den Teams abstimmt. Ohne diese Rolle zerfasert die Nutzung schnell: Jede Person nutzt andere Modelle, andere Schlüssel und andere Einstellungen, und der Datenschutz lässt sich kaum noch nachvollziehen.
Unabhängig vom Szenario sind es meist ähnliche Aufgaben, bei denen Continue den größten Nutzen bringt: Unit-Tests für bestehenden Code schreiben, alten Code erklären und dokumentieren, wiederkehrende Strukturen wie Datenklassen, Schnittstellen-Clients oder Konfigurationsdateien erzeugen, kleinere Refactorings durchführen und Fehlermeldungen analysieren. Gerade in Teams, die viel Bestandscode pflegen, wirkt die Kombination aus Codebasis-Suche und Regeln oft stärker als die reine Autovervollständigung.
Für größere Aufgaben wie die Migration eines Moduls auf eine neue Framework-Version oder das Einführen eines neuen Musters über viele Dateien eignet sich der Agentenmodus, sofern ein ausreichend starkes Modell zur Verfügung steht. Hier zeigt sich, wie wichtig die Modellstrategie ist: Ein kleines lokales Modell kann bei komplexen, dateiübergreifenden Aufgaben überfordert sein, während es bei Tests und Erklärungen gute Dienste leistet.
Aus Einführungsprojekten lassen sich einige wiederkehrende Erfolgsfaktoren ableiten. Erstens: eine gemeinsame Konfiguration statt Wildwuchs, mit zentral gepflegten Modellen, Regeln und Vorlagen. Zweitens: realistische Erwartungen an lokale Modelle und ein klarer Plan, welche Aufgaben an welches Modell gehen. Drittens: Schulung nicht nur in der Bedienung, sondern im Umgang mit Kontext, also wie man Dateien, Dokumentation und Regeln gezielt einbindet. Viertens: Code-Review bleibt Pflicht, auch und gerade bei Code aus dem Agentenmodus. Und fünftens: Einbindung des Betriebsrats und der Datenschutzbeauftragten von Anfang an, weil die Einführung eines KI-Werkzeugs je nach Ausgestaltung mitbestimmungs- und dokumentationspflichtig sein kann.
Die quelloffene Erweiterung selbst ist kostenlos nutzbar. Kosten entstehen an anderen Stellen: bei der Nutzung von Cloud-Modellen in der Regel verbrauchsabhängig nach verarbeiteten Tokens beim jeweiligen Modellanbieter, beim Selbst-Hosting durch Hardware, Strom, Hosting und Betriebsaufwand, und bei Nutzung der Team- und Enterprise-Angebote des Herstellers durch entsprechende Lizenzgebühren. Hinzu kommt interner Aufwand für Einrichtung, Pflege der Konfiguration und Schulung. Aktuelle Preise und Planinhalte sollten direkt beim Hersteller und bei den Modellanbietern geprüft werden.
In der Gesamtbetrachtung kann Continue günstiger oder teurer als ein Komplettprodukt sein. Bei kleinen Teams mit moderater Nutzung von Cloud-Modellen fallen häufig geringe Kosten an. Ein eigener GPU-Server lohnt sich eher ab einer gewissen Teamgröße oder wenn Datenhoheit ohnehin zwingend ist. Ein wesentlicher Vorteil ist die Kostentransparenz: Unternehmen sehen genau, welches Modell wie viel verbraucht, und können teure Modelle gezielt auf Aufgaben beschränken, bei denen sie echten Mehrwert bringen.
Für die Datenschutzbewertung ist entscheidend, welche Daten an welche Stelle gelangen. Bei Continue gibt es drei mögliche Empfänger: das Modell, die Dienste des Herstellers und gegebenenfalls angebundene MCP-Server. Beim vollständig lokalen Betrieb mit lokalem Modell, lokaler Konfiguration und abgeschalteter Telemetrie verlassen Code und Prompts das Unternehmen nicht. Das ist die DSGVO-freundlichste Variante und zugleich der beste Schutz für geistiges Eigentum.
Werden Cloud-Modelle genutzt, gelten die Bedingungen des jeweiligen Anbieters. Bei Anbietern außerhalb der EU sind Serverstandort, Drittlandtransfer, Auftragsverarbeitungsvertrag, Speicherdauer und die Frage zu prüfen, ob Eingaben für das Training genutzt werden. Viele Anbieter schließen Training bei geschäftlicher API-Nutzung vertraglich aus und bieten EU-Regionen an, die Details unterscheiden sich aber. Die Nutzung des Continue Hub und der Team-Funktionen bedeutet zudem eine Datenverarbeitung bei einem US-Unternehmen, mindestens für Konto- und Konfigurationsdaten. Ob und in welchem Umfang dabei weitere Daten übertragen werden, etwa bei zentral verwalteten Schlüsseln oder Proxy-Diensten, sollte anhand der aktuellen Unterlagen des Herstellers geprüft werden.
Neben dem Datenschutz spielt das geistige Eigentum eine Rolle. Bei lokalem Betrieb bleibt der eigene Code vollständig unter Kontrolle. Offen ist bei jedem KI-Assistenten die Frage, ob erzeugter Code Fragmente urheberrechtlich geschützten oder lizenzpflichtigen Codes enthalten kann. Kommerzielle Anbieter bieten teils Filter und vertragliche Freistellungen an, die bei Continue mit lokalen Modellen naturgemäß fehlen. Unternehmen sollten deshalb Code-Review und gegebenenfalls Lizenz-Scanner in ihre Prozesse einbinden. Außerdem sind die Lizenzen der eingesetzten Open-Weight-Modelle zu beachten, die nicht immer uneingeschränkte kommerzielle Nutzung erlauben.
Im Kontext des EU AI Act ist ein Coding-Assistent in der Regel kein Hochrisikosystem. Dennoch gelten Pflichten zur KI-Kompetenz der Beschäftigten, und Unternehmen sollten dokumentieren, welche Systeme sie wofür einsetzen. Dieser Abschnitt stellt keine Rechtsberatung dar, sondern eine praxisorientierte Einordnung.
