Der AI Assistant ist die breite KI-Schicht in der IDE: Er vervollständigt Code, beantwortet Fragen im Chat, erklärt fremde Abschnitte, schlägt Refactorings vor, erzeugt Tests, Dokumentation und Commit-Nachrichten und hilft bei Fehlermeldungen. Junie ist der Coding-Agent von JetBrains. Er nimmt eine Aufgabe in natürlicher Sprache entgegen, erstellt einen Plan, bearbeitet mehrere Dateien, führt Tests oder Builds aus und legt das Ergebnis zur Prüfung vor. Beide Produkte teilen sich den Kontext der IDE, unterscheiden sich aber deutlich im Grad der Autonomie.
Drei Eigenschaften prägen das Angebot:
JetBrains hat seine KI-Funktionen in mehreren Schritten aufgebaut. Am Anfang stand ein Chat- und Assistenzangebot, das als Plugin in die IDEs eingebunden wurde. Daraus ist inzwischen ein umfassenderes Paket geworden, das Vervollständigung, Chat, Agent, Projektregeln, Anbindung externer Werkzeuge und Unternehmensverwaltung umfasst. Parallel hat JetBrains eigene Modelle für bestimmte Aufgaben entwickelt, etwa für schnelle Code-Vervollständigung, und bindet für anspruchsvolles Reasoning große Modelle führender Anbieter an. Wie genau die Pakete geschnitten sind und welche Funktionen in welcher Stufe enthalten sind, ändert sich regelmäßig; für eine Kaufentscheidung sollte der aktuelle Stand beim Anbieter geprüft werden.
Wichtig für das Verständnis: Die KI-Funktionen sind kein separates Programm, sondern ein Teil der IDE, der über das JetBrains-Konto beziehungsweise eine Unternehmenslizenz freigeschaltet wird. Für Administratoren bedeutet das, dass Lizenz- und Richtlinienverwaltung eng mit der bestehenden IDE-Verwaltung verknüpft werden kann – ein Vorteil gegenüber Werkzeugen, die eine komplett neue Infrastruktur verlangen.
Den größten Nutzen ziehen Teams, die bereits produktiv mit JetBrains-IDEs arbeiten und große, typisierte Codebasen pflegen – etwa Java- oder Kotlin-Backends, Python-Plattformen, .NET-Anwendungen mit Rider oder Webprojekte mit WebStorm und PhpStorm. Hier ergänzen sich die klassischen IDE-Stärken wie Inspektionen, Navigation und sichere Refactorings mit der generativen Kraft der Sprachmodelle. Wer dagegen überwiegend mit VS Code oder anderen Editoren arbeitet, wird JetBrains AI selten als Grund für einen Editorwechsel betrachten; dort sind andere Werkzeuge naheliegender.
Ein weiterer Faktor ist der regulatorische Rahmen. Unternehmen, die aus Gründen der Datenhoheit eine Verarbeitung ausschließlich in eigener Infrastruktur oder bei ausgewählten Anbietern wünschen, finden bei JetBrains mehrere Wege – von der Anbindung eigener Modellzugänge über lokal laufende Modelle bis zu einer Unternehmensvariante mit zentraler Steuerung. Diese Flexibilität ist ein wesentlicher Grund, warum JetBrains AI im Mittelstand häufig in die engere Wahl kommt.
JetBrains strukturiert sein KI-Angebot in mehrere Stufen, die sich grob nach Nutzungsumfang und Zielgruppe unterscheiden: eine Einstiegsstufe mit begrenztem Kontingent, die vor allem zum Ausprobieren dient, eine oder mehrere bezahlte Stufen für den regelmäßigen professionellen Einsatz mit größerem Kontingent für Cloud-Funktionen und Agentenläufe sowie eine Unternehmensstufe mit Verwaltungs-, Richtlinien- und Betriebsfunktionen. Manche Funktionen, etwa die lokal laufende Zeilenvervollständigung, sind in den IDEs teilweise bereits ohne gesonderte KI-Lizenz verfügbar. Zudem waren KI-Leistungen in der Vergangenheit teils Bestandteil größerer JetBrains-Abonnements.
Konkrete Preise, Kontingente und Paketzuschnitte nennen wir an dieser Stelle bewusst nicht: Sie haben sich in den vergangenen Jahren mehrfach verändert und hängen von Lizenzmodell, Vertragslaufzeit und Unternehmensgröße ab. Für eine belastbare Kalkulation sollten Sie die aktuellen Konditionen beim Anbieter oder bei einem autorisierten Partner prüfen. Entscheidend für die Planung ist das Prinzip: Einfache, häufige Funktionen sind günstig oder lokal, intensive Cloud-Nutzung und lange Agentenläufe verbrauchen Kontingent.
Im Markt der Coding-Assistenten verfolgt JetBrains eine klare Linie. Während einige Anbieter eigene KI-first-Editoren bauen und andere als Plugin in möglichst viele Editoren drängen, setzt JetBrains auf die Stärke der eigenen IDEs. Das Argument lautet: Die beste KI-Unterstützung entsteht dort, wo das tiefste Verständnis des Codes vorhanden ist – und das ist für viele Sprachen die JetBrains-IDE mit ihren Inspektionen, Typanalysen und Refactoring-Werkzeugen. Die KI soll dieses Fundament nutzen und erweitern, nicht ersetzen.
Gleichzeitig öffnet sich JetBrains zunehmend für andere Werkzeuge. So können in JetBrains-IDEs auch Assistenten von Drittanbietern als Plugin genutzt werden, und JetBrains engagiert sich bei offenen Schnittstellen, über die externe Agenten in die IDE eingebunden werden können. Für Unternehmen ist das eine gute Nachricht: Die Entscheidung für JetBrains-IDEs zwingt nicht zur ausschließlichen Nutzung der JetBrains-KI, sondern lässt ein Werkzeugportfolio zu.
Viele Funktionen sind direkt in bekannte Bedienelemente eingebunden: in das Kontextmenü am Code, in die Inspektionen, in den Commit-Dialog, in das Terminal oder in die Fehleranzeige. Dadurch muss man die KI nicht ausdrücklich aufrufen, sondern begegnet ihr dort, wo eine Aufgabe ohnehin ansteht. Das erhöht die Akzeptanz, weil die Arbeitsweise kaum verändert werden muss.
JetBrains unterscheidet bei der Vervollständigung zwischen verschiedenen Varianten. Eine lokal laufende Zeilenvervollständigung arbeitet mit kompakten Modellen direkt auf dem Rechner der Entwicklerin oder des Entwicklers und schlägt die Fortsetzung der aktuellen Zeile vor, ohne dass Code den Rechner verlassen muss. Darüber hinaus gibt es eine cloudgestützte Vervollständigung, die mehrzeilige Vorschläge liefert und dabei auf leistungsfähigere, zum Teil eigens von JetBrains für Code trainierte Modelle zurückgreift. Diese Aufteilung ist aus Datenschutzsicht interessant: Für besonders sensible Projekte kann man sich bewusst auf die lokale Variante beschränken und trotzdem spürbare Unterstützung erhalten.
Im Alltag wirkt die Vervollständigung vor allem bei wiederkehrenden Mustern: beim Ausschreiben von Datenklassen, beim Anlegen von Abfragen, bei Standard-Fehlerbehandlung oder beim Fortsetzen von Tests nach einem erkennbaren Schema. Wie bei allen Werkzeugen dieser Art gilt: Ein Vorschlag ist ein schneller Entwurf, kein geprüftes Ergebnis. Die IDE hilft hier zusätzlich, weil ihre Inspektionen offensichtliche Fehler in übernommenem Code unmittelbar markieren.
Der Chat ist in ein Seitenfenster der IDE eingebettet und kann den aktuellen Projektkontext einbeziehen: die geöffnete Datei, markierte Abschnitte, ausgewählte Symbole oder weitere Dateien, die man ausdrücklich referenziert. Typische Einsatzfälle sind Fragen wie „Was macht diese Klasse?“, „Warum schlägt dieser Test fehl?“ oder „Wie würde man diese Methode thread-sicher gestalten?“. Ergebnisse lassen sich direkt als Änderung in den Code übernehmen, wobei die IDE den Unterschied nachvollziehbar anzeigt.
Besonders nützlich sind die kontextbezogenen Aktionen am Code. Über das Kontextmenü lässt sich ein Abschnitt erklären, umbenennen, vereinfachen oder in eine andere Form überführen. Die KI schlägt etwa aussagekräftigere Namen vor, erzeugt Dokumentationskommentare oder bietet an, eine Methode aufzuteilen. Hier zeigt sich der Vorteil der IDE-Integration: Wo die klassische Refactoring-Engine sichere, regelbasierte Umbauten durchführen kann, bleibt sie im Spiel; die KI ergänzt dort, wo kreative oder fachlich interpretierende Umbauten gefragt sind.
Zum Funktionsumfang gehören weitere Helfer, die in der Summe viel Zeit sparen können. Der AI Assistant erzeugt Entwürfe für Unit-Tests zu ausgewählten Methoden oder Klassen und orientiert sich dabei am verwendeten Testframework. Er schreibt Dokumentationskommentare und kann Markdown-Dokumentation entwerfen. Im Commit-Dialog schlägt er eine Commit-Nachricht vor, die die Änderungen zusammenfasst. Bei Laufzeitfehlern oder fehlschlagenden Builds kann er Stacktraces erklären und Lösungsansätze vorschlagen. Im Terminal hilft er dabei, aus einer Beschreibung in natürlicher Sprache einen passenden Befehl zu formulieren.
Diese Funktionen sind einzeln unspektakulär, entfalten aber in der Summe eine erhebliche Wirkung, weil sie viele kleine Unterbrechungen im Arbeitsfluss beseitigen. Gleichzeitig verdienen sie die gleiche kritische Prüfung wie jeder generierte Code: Ein automatisch erzeugter Test ist nur dann wertvoll, wenn er tatsächlich das richtige Verhalten prüft und nicht lediglich den aktuellen, möglicherweise fehlerhaften Zustand festschreibt. Eine automatisch erzeugte Commit-Nachricht sollte die Absicht einer Änderung wiedergeben, nicht nur deren technische Oberfläche.
Junie arbeitet in einem eigenen Fenster der IDE. Man beschreibt eine Aufgabe in natürlicher Sprache, etwa „Füge dem Bestellservice eine Validierung für leere Lieferadressen hinzu und ergänze passende Tests“. Junie analysiert daraufhin das Projekt, erstellt einen Plan mit einzelnen Schritten, öffnet und ändert die betroffenen Dateien, führt Tests oder Builds aus und reagiert auf Fehler, indem es den eigenen Ansatz korrigiert. Am Ende stehen die Änderungen zur Durchsicht bereit, und die Entwicklerin oder der Entwickler entscheidet, was übernommen wird.
Junie unterscheidet typischerweise zwischen einem Modus, in dem Code tatsächlich geändert wird, und einem Fragemodus, in dem der Agent das Projekt nur analysiert und Antworten liefert, ohne etwas zu verändern. Der Fragemodus eignet sich hervorragend für die Einarbeitung in unbekannte Codebasen oder für die Vorbereitung einer größeren Änderung: Man lässt sich erst erklären, wie ein Bereich funktioniert, und entscheidet dann, ob und wie Junie ihn umbauen soll.
Für die Nachvollziehbarkeit ist wichtig, dass Junie seine Schritte sichtbar macht. Plan, ausgeführte Aktionen und Ergebnisse von Tests werden angezeigt, sodass man den Verlauf verfolgen und bei Bedarf eingreifen kann. Diese Transparenz ist kein Detail, sondern Voraussetzung für einen verantwortungsvollen Einsatz: Je länger ein Agent ohne Zwischenkontrolle arbeitet, desto schwerer lässt sich im Nachhinein verstehen, warum welche Entscheidung getroffen wurde. Bewährt hat sich, größere Vorhaben in kleinere, prüfbare Aufgaben zu zerlegen.
Wie andere Agenten lässt sich Junie über projektbezogene Richtlinien steuern. In einer im Repository abgelegten Richtliniendatei können Teams festhalten, welche Konventionen gelten, welche Bibliotheken bevorzugt werden, wie Tests aufgebaut sein sollen und welche Bereiche nicht angefasst werden dürfen. Diese Richtlinien werden Teil des Kontexts und verbessern die Passgenauigkeit der Ergebnisse spürbar. Sie sollten versioniert und gemeinsam gepflegt werden, damit alle Teammitglieder von derselben Grundlage profitieren.
Darüber hinaus unterstützen AI Assistant und Junie die Anbindung externer Werkzeuge und Datenquellen über offene Protokolle wie das Model Context Protocol. Damit kann ein Agent etwa auf eine Datenbank, ein Ticketsystem oder eine interne Dokumentation zugreifen. Das erweitert die Möglichkeiten erheblich, vergrößert aber auch die Angriffsfläche. Jede angebundene Quelle ist ein möglicher Weg für ungewollte Datenabflüsse oder für sogenannte Prompt-Injection, bei der manipulierte Inhalte das Verhalten des Agenten beeinflussen. Für den Unternehmenseinsatz empfehlen wir deshalb eine Freigabeliste erlaubter Werkzeuge, restriktive Berechtigungen und Bestätigungspflichten für Aktionen mit Außenwirkung.
Bei der Frage, wie viel Autonomie man Junie zugesteht, gilt das Prinzip der geringsten Rechte. Terminalbefehle, das Löschen von Dateien oder Zugriffe auf externe Systeme sollten bestätigt werden müssen, solange ein Team noch keine belastbaren Erfahrungen gesammelt hat. Auch wenn JetBrains Mechanismen zur Freigabe und Einschränkung solcher Aktionen bietet, bleibt die organisatorische Regel entscheidend: Ein Agent ersetzt nicht die Review, er erzeugt Vorschläge, die wie jede andere Änderung über einen Pull Request mit menschlicher Prüfung laufen.
JetBrains erweitert Junie schrittweise über die IDE hinaus, etwa in Richtung von Abläufen, die direkt an Repositories oder Automatisierungen anknüpfen. Zudem öffnen sich die JetBrains-IDEs für Agenten anderer Anbieter, die über standardisierte Schnittstellen in die Oberfläche eingebunden werden können. Welche dieser Möglichkeiten zum Zeitpunkt Ihrer Entscheidung allgemein verfügbar, in Vorschau oder nur für bestimmte Stufen freigeschaltet sind, sollten Sie beim Anbieter prüfen, da sich dieser Bereich besonders schnell entwickelt. Für die Strategie bedeutet das: Die IDE wird zunehmend zur Plattform, auf der mehrere Agenten nebeneinander arbeiten können – mit der Aufgabe für das Unternehmen, festzulegen, welche davon erlaubt sind.
Weil der AI Assistant in die IDE eingebettet ist, profitiert er automatisch von allem, was die IDE ohnehin kann: Anbindung an Build-Systeme wie Maven, Gradle, npm oder MSBuild, Testläufer, Datenbankwerkzeuge, Docker- und Kubernetes-Unterstützung, Debugger und Profiler. Junie kann auf diese Werkzeuge zurückgreifen, um Änderungen zu verifizieren. Das ist ein echter Vorteil gegenüber Agenten, die ausschließlich über Kommandozeilenbefehle arbeiten, weil die IDE strukturierte Informationen über Fehler, Testergebnisse und Code-Zusammenhänge liefert.
Für Teams mit gemischten Werkzeuglandschaften ist wichtig: Die KI-Funktionen stehen in den IDEs der JetBrains-Familie zur Verfügung, nicht aber automatisch in jedem anderen Werkzeug. Wer einen Teil des Teams in VS Code und einen anderen in IntelliJ arbeiten lässt, sollte prüfen, ob ein gemeinsames Werkzeug für beide Welten sinnvoller ist oder ob man bewusst zwei Lösungen nebeneinander betreibt – mit den entsprechenden Folgen für Richtlinien, Verträge und Schulung.
Im Zusammenspiel mit Git unterstützt der AI Assistant vor allem die Arbeit rund um den Commit: Er formuliert Commit-Nachrichten, hilft beim Verstehen fremder Änderungen und kann bei der Auflösung von Konflikten Vorschläge machen. In Richtung CI/CD und automatisierter Code-Review entwickelt JetBrains sein Angebot weiter, unter anderem in Verbindung mit eigenen Plattformen für Build und Qualitätsanalyse. Wie weit diese Integrationen im konkreten Fall reichen, hängt stark von der eingesetzten Plattform ab und sollte vor einer Entscheidung praktisch erprobt werden.
Unabhängig vom Werkzeug empfehlen wir, KI-gestützte Änderungen in CI-Pipelines genauso zu behandeln wie manuelle: mit automatisierten Tests, statischer Analyse, Sicherheitsprüfungen und einer verpflichtenden menschlichen Review. Ergänzend kann eine spezialisierte KI-Code-Review sinnvoll sein, die Pull Requests auf typische Muster prüft – sie ersetzt aber nicht die fachliche Beurteilung durch erfahrene Kolleginnen und Kollegen.
JetBrains AI ist besonders dann naheliegend, wenn ein Team bereits mit JetBrains-IDEs arbeitet und diesen Standard beibehalten möchte. Die KI kommt ohne Editorwechsel, nutzt das tiefe Code-Verständnis der IDE und lässt sich zentral über bestehende JetBrains-Lizenzen und Verwaltungswerkzeuge steuern. Hinzu kommen die vielfältigen Betriebsoptionen, die von Cloud-Modellen über eigene Modellzugänge bis zu lokal laufenden Modellen reichen, sowie ein Herstellersitz in der EU, der vertragliche Gespräche für viele Unternehmen vereinfacht.
Auch für stark typisierte, große Codebasen mit hohen Anforderungen an sichere Umbauten spricht viel für JetBrains AI. Die Kombination aus deterministischen Refactorings der IDE und generativen Vorschlägen der KI ist hier ein echter Vorteil, weil sie das Beste aus beiden Welten verbindet: Wo Regeln genügen, arbeitet die IDE regelbasiert und sicher, wo Interpretation gefragt ist, ergänzt die KI.
GitHub Copilot ist oft die bessere Wahl, wenn ein Unternehmen tief im GitHub- und Microsoft-Ökosystem verankert ist und Teams mit unterschiedlichen Editoren einheitlich ausstatten möchte; Copilot steht dabei auch als Plugin in JetBrains-IDEs zur Verfügung. Cursor passt zu Teams, die ohnehin VS-Code-nah arbeiten und eine konsequent KI-zentrierte Bedienung suchen. Claude Code und andere terminalbasierte Agenten eignen sich für stark automatisierte, kommandozeilenlastige Abläufe und für die Einbettung von KI-Läufen in Skripte und Pipelines.
In der Praxis sehen wir häufig Kombinationen: JetBrains AI als Standard in der IDE, ergänzt um einen terminalbasierten Agenten für bestimmte Automatisierungsaufgaben oder um eine spezialisierte Lösung für Code-Review. Weitere Alternativen wie Tabnine mit ausgeprägten Self-Hosting-Optionen oder Windsurf mit eigenem Plugin für JetBrains-IDEs sollten bei besonderen Anforderungen in die Bewertung einbezogen werden. Die Entscheidung ist damit weniger eine Frage von „entweder oder“ als von einem bewusst gestalteten Portfolio mit klaren Regeln.
Welches Modell passt, hängt von drei Fragen ab: Wie sensibel ist der Code, welche Leistungsfähigkeit wird benötigt, und welcher Betriebsaufwand ist tragbar? Für Projekte ohne besondere Vertraulichkeit ist der Cloud-Betrieb über JetBrains mit aktivierten Datenschutzeinstellungen häufig ausreichend. Wer bereits Verträge mit einem großen Cloud-Anbieter und dessen KI-Diensten in einer EU-Region hat, kann über eigene Modellzugänge eine einheitliche Vertragsbasis schaffen. Für besonders schützenswerten Code, etwa mit Berufsgeheimnissen oder sicherheitskritischen Bezügen, sind lokale oder unternehmenseigene Modelle die konsequentere Lösung, auch wenn sie in der Ergebnisqualität hinter den stärksten Cloud-Modellen zurückbleiben können.
In vielen Unternehmen ist ein gestuftes Modell sinnvoll: Standardprojekte nutzen leistungsstarke Cloud-Modelle unter klaren Bedingungen, sensible Projekte arbeiten mit lokaler Vervollständigung und unternehmenseigener Modellanbindung, und einzelne Repositories werden gänzlich von KI-Funktionen ausgenommen. JetBrains unterstützt solche Abstufungen über Ausschlussdateien, mit denen sich Dateien und Verzeichnisse vom KI-Kontext fernhalten lassen, und über zentrale Richtlinien.
Technisch ist die Einführung bei JetBrains-Teams vergleichsweise einfach, weil die IDEs bereits verteilt und lizenziert sind. Organisatorisch sollte der Rollout dennoch strukturiert erfolgen: mit einem klaren Zielbild, einer Pilotgruppe, einer KI-Richtlinie, einer Liste freigegebener Modelle und Werkzeuge sowie einer Schulung, die nicht nur Funktionen, sondern auch die Haltung vermittelt, generierte Ergebnisse kritisch zu prüfen. Für die zentrale Verwaltung lohnt es sich, die Unternehmenswerkzeuge von JetBrains zu nutzen, mit denen sich Lizenzen zuweisen, Einstellungen vorgeben und Nutzung nachvollziehen lassen.
Im laufenden Betrieb ist eine verantwortliche Rolle wichtig, die Modellwahl, Kontingente, Kosten und Datenschutzbedingungen regelmäßig überprüft. Weil JetBrains seine KI-Funktionen in hoher Taktung weiterentwickelt, können sich Standardeinstellungen, verfügbare Modelle und Paketzuschnitte ändern. Was zum Zeitpunkt der Einführung sauber konfiguriert war, sollte deshalb in festen Abständen erneut geprüft werden – idealerweise mit einer kurzen Checkliste, die auch neue Agenten- und Integrationsfunktionen berücksichtigt.
Im Mittelstand begegnen uns immer wieder ähnliche Ausgangslagen: ein kleines Kernteam, das eine geschäftskritische Individualsoftware über viele Jahre gepflegt hat, ergänzt um externe Dienstleister; dazu ein hoher Anteil an implizitem Wissen, das nirgends dokumentiert ist. In dieser Situation kann JetBrains AI erheblich helfen, etwa indem es Code erklärt, Dokumentation entwirft und Tests als Sicherheitsnetz aufbaut. Gleichzeitig sind die Risiken spezifisch: Wenn das Team klein ist, fehlt oft die Kapazität für sorgfältige Reviews, und es besteht die Versuchung, KI-Vorschläge ungeprüft zu übernehmen.
Ein weiterer Stolperstein ist die Rolle externer Dienstleister. Wenn Partner mit eigenen Lizenzen und eigenen KI-Werkzeugen am Code arbeiten, verliert das Unternehmen leicht den Überblick, welche Daten wohin fließen. Wir empfehlen, die Nutzung von KI-Werkzeugen ausdrücklich in Dienstleistungsverträgen zu regeln und – wo möglich – den Partnern Zugänge über die eigene, zentral verwaltete Lizenz bereitzustellen.
Der Nutzen von KI-Assistenten wird gern mit pauschalen Produktivitätsversprechen beworben. Für eine mittelständische Entscheidung ist ein nüchterner Blick hilfreicher: Spürbare Entlastung entsteht bei Routinearbeit, Einarbeitung und Testerstellung, geringer ist der Effekt bei neuartiger Fachlogik und komplexen Architekturentscheidungen. Statt auf Herstellerzahlen zu vertrauen, sollten Unternehmen im Pilot eigene Indikatoren beobachten, etwa Durchlaufzeit von Tickets, Zufriedenheit der Entwicklerinnen und Entwickler, Fehlerquote nach dem Merge und Testabdeckung.
Für viele Mittelständler kommt ein strategischer Aspekt hinzu: Die Verfügbarkeit von Fachkräften ist begrenzt, und Wissen über geschäftskritische Systeme konzentriert sich häufig auf wenige Personen. Ein gut eingeführter KI-Assistent kann helfen, dieses Wissen breiter zugänglich zu machen und neue Mitarbeitende schneller arbeitsfähig zu machen. Dieser Effekt ist schwer in Euro zu beziffern, aber für die Zukunftsfähigkeit der eigenen Softwarelandschaft oft bedeutsamer als eine eingesparte Stunde Tipparbeit.
Die Kosten von JetBrains AI setzen sich aus der KI-Lizenz je Nutzerin oder Nutzer, gegebenenfalls zusätzlichem Kontingent für intensive Cloud- und Agentennutzung sowie – bei eigenen Modellzugängen – den direkten Kosten beim Modellanbieter zusammen. Hinzu kommen interne Aufwände für Einführung, Schulung, Richtlinien und laufende Betreuung, die in Business Cases häufig unterschätzt werden. Konkrete Preise ändern sich regelmäßig und sind beim Anbieter zu prüfen. Für die Planung entscheidend ist, dass Agentenläufe deutlich mehr Ressourcen verbrauchen als einfache Vervollständigungen und dass eine bewusste Modell- und Aufgabenwahl die Kosten spürbar beeinflusst.
Der europäische Sitz von JetBrains ist ein Vorteil: Der Vertragspartner unterliegt unmittelbar dem europäischen Rechtsrahmen, und vertragliche Fragen lassen sich häufig einfacher klären als mit Anbietern außerhalb der EU. Daraus folgt aber nicht automatisch, dass sämtliche Verarbeitung in der EU stattfindet. Sobald Chat oder Agent große Sprachmodelle von Drittanbietern nutzen, werden Code-Ausschnitte an diese Anbieter übermittelt, deren Server sich je nach Konfiguration auch außerhalb der EU befinden können. Damit sind ein Auftragsverarbeitungsvertrag, die Liste der Subprozessoren, die Verarbeitungsorte und ein möglicher Drittlandtransfer mit den dafür vorgesehenen Garantien zu prüfen und zu dokumentieren.
Für maximale Datenhoheit bieten sich drei Wege an. Erstens die lokale Zeilenvervollständigung und lokal betriebene Modelle, bei denen der Code das Unternehmen nicht verlässt. Zweitens eigene Modellzugänge bei Cloud-Anbietern mit EU-Region und belastbaren Datenschutzzusagen. Drittens der Unternehmensbetrieb mit zentraler Steuerung der freigegebenen Modelle. In vielen Fällen ist eine Kombination sinnvoll, abgestuft nach Sensibilität der jeweiligen Projekte. Ergänzend gilt das wichtigste Prinzip des Datenschutzes: Datenminimierung. Personenbezogene Testdaten, Zugangsdaten und Konfigurationen mit Kundennamen gehören nicht in den Kontext eines Sprachmodells.
Aus Sicht des geistigen Eigentums sind zwei Fragen zentral. Erstens: Eigener, schutzwürdiger Quellcode wird als Kontext an Modelle übergeben. Mit belastbarem Trainingsausschluss, klarer Aufbewahrungsregel und vertraglicher Grundlage ist das beherrschbar; ohne diese Grundlagen ist es ein Risiko für Geschäftsgeheimnisse. Zweitens: Generierter Code kann Muster aus Trainingsdaten reproduzieren, was Fragen zur Lizenzkonformität aufwerfen kann. Interne Regeln, welche Projekte mit welchen Modellen bearbeitet werden dürfen, und eine sorgfältige Review sind hier die wichtigsten Schutzmaßnahmen.
Organisatorisch gehören drei Bausteine zusammen: die Erfassung im Verzeichnis von Verarbeitungstätigkeiten, die Prüfung einer Datenschutz-Folgenabschätzung bei erhöhtem Risiko und eine interne KI-Richtlinie. Hinzu kommen Sicherheitsmaßnahmen für den Agenten, etwa eingeschränkte Berechtigungen, Bestätigungspflichten für kritische Aktionen, eine Freigabeliste für externe Werkzeuge und eine geeignete Isolation der Ausführungsumgebung. Mit Blick auf die europäische KI-Verordnung empfiehlt es sich zudem, den Einsatz von KI-Werkzeugen in der Entwicklung transparent zu dokumentieren und Mitarbeitende zu schulen. Diese Hinweise ersetzen keine Rechtsberatung.
