Der Grundgedanke unterscheidet sich deutlich von reinen Coding-Assistenten. Werkzeuge wie ein KI-Editor oder ein terminalbasierter Agent konzentrieren sich auf den Moment, in dem Code entsteht. GitLab Duo dagegen versucht, KI entlang der gesamten Wertschöpfungskette der Softwareentwicklung verfügbar zu machen – vom Ticket bis zum Deployment. Das ist möglich, weil GitLab selbst bereits Quellcodeverwaltung, Planung, Pipelines, Paket- und Container-Registry, Sicherheitsscans und Betriebsfunktionen in einer Anwendung bündelt. Die KI kann auf genau diese Daten zugreifen: auf den Code, auf die Diskussion im Merge Request, auf das Log eines fehlgeschlagenen Jobs oder auf den Befund eines Sicherheitsscanners.
Drei Eigenschaften prägen GitLab Duo:
GitLab hat seine KI-Funktionen schrittweise aufgebaut. Am Anfang standen einzelne, klar abgegrenzte Helfer – Code-Vorschläge, das Erklären eines Code-Abschnitts, das Zusammenfassen eines Merge Requests. Mit der Zeit kamen ein übergreifender Chat, Funktionen für Tests, Refactoring und Fehleranalyse sowie Werkzeuge zur Messung der KI-Wirkung hinzu. Inzwischen verschiebt sich der Schwerpunkt, wie im gesamten Markt, hin zu agentischen Abläufen: KI-Agenten, die mehrere Schritte selbstständig planen und ausführen, Werkzeuge der Plattform aufrufen und Ergebnisse als Merge Request zurückgeben. Welche dieser Funktionen in welcher Version allgemein verfügbar, als Beta gekennzeichnet oder an bestimmte Editionen gebunden ist, ändert sich laufend. Für jede konkrete Planung gilt daher: den aktuellen Stand in der Dokumentation und beim Anbieter prüfen.
Den größten Nutzen ziehen Organisationen, die GitLab nicht nur als Git-Server, sondern als durchgängige Plattform einsetzen – mit Issues, Merge-Request-Workflow, CI/CD-Pipelines und idealerweise den integrierten Sicherheitsscans. Je mehr Kontext in GitLab liegt, desto mehr kann die KI damit anfangen. Typische Zielgruppen sind Softwarehäuser, IT-Abteilungen von Industrie- und Handelsunternehmen, Entwicklungsteams im Maschinen- und Anlagenbau mit eigener Embedded- oder Steuerungssoftware sowie Organisationen im öffentlichen oder regulierten Umfeld, die GitLab ohnehin selbst betreiben.
Weniger zwingend ist Duo für Teams, die GitLab nur als reines Code-Repository nutzen und ihre Pipelines, Tickets und Reviews in anderen Systemen abwickeln. Dort bleibt vor allem die Code-Assistenz in der IDE übrig – und in dieser Disziplin muss sich Duo mit spezialisierten Werkzeugen messen lassen, die teils mehr Modellauswahl oder ausgefeiltere Editor-Funktionen bieten. Für sehr kleine Teams ohne eigenes GitLab ist der Einstieg über einen schlanken Editor-Assistenten häufig unkomplizierter.
Die Plattform selbst gibt es in einer kostenlosen Variante sowie in den kostenpflichtigen Stufen Premium und Ultimate. Die KI-Funktionen setzen auf diesen Editionen auf. Grob lassen sich drei Ebenen unterscheiden: ein Grundpaket mit zentralen IDE-Funktionen, das in jüngeren Versionen bestimmten kostenpflichtigen Plattform-Editionen beiliegt; eine Pro-Stufe als Add-on mit erweitertem Funktionsumfang für Entwicklerinnen und Entwickler; und eine Enterprise-Stufe, die zusätzlich Funktionen über den gesamten Lebenszyklus hinweg – etwa Schwachstellenbehebung, Fehleranalyse in Pipelines, erweiterte Zusammenfassungen und Auswertungen zur KI-Wirkung – sowie Optionen für selbst gehostete Modelle umfasst. Daneben entwickelt GitLab eine Agenten-Plattform, deren Lizenz- und Abrechnungslogik teils von den klassischen Sitzlizenzen abweicht.
Wichtig für das Verständnis: Duo ist nie losgelöst von der Plattform-Edition zu betrachten. Manche KI-Funktionen setzen Plattformfunktionen voraus, die nur in höheren Editionen existieren. Die KI-gestützte Erklärung und Behebung von Schwachstellen ergibt beispielsweise nur Sinn, wenn die entsprechenden Sicherheitsscanner im Einsatz sind – und diese sind traditionell vor allem in der höchsten Edition umfassend enthalten. Wer Duo plant, plant also faktisch immer auch die passende GitLab-Edition mit. Für Unternehmen, die bisher die kostenlose Variante oder eine kleinere Edition nutzen, kann die Einführung von Duo deshalb eine Lizenzentscheidung auf Plattformebene nach sich ziehen.
GitLab positioniert Duo bewusst nicht als „besseren Autocomplete“, sondern als KI für die gesamte DevSecOps-Kette mit Fokus auf Sicherheit, Datenschutz und Transparenz. Zwei Argumente stehen dabei im Vordergrund. Erstens der Plattformvorteil: Weil Planung, Code, Pipelines und Sicherheitsbefunde in einem System liegen, kann die KI Zusammenhänge herstellen, die ein reiner Editor-Assistent nicht sieht. Zweitens die Betriebsflexibilität: GitLab betont, dass Kundencode nicht zum Training der eingesetzten Modelle verwendet werde, und bietet mit selbst gehosteten Modellen eine Option für Organisationen, die keine Daten an externe KI-Dienste senden dürfen. Beide Aussagen sollten Sie sich für Ihren konkreten Vertrag und Ihre Konfiguration bestätigen lassen – sie sind aber ein erkennbarer Teil der Produktstrategie.
Daneben existieren Kooperationen mit großen Cloud-Anbietern, etwa eine gemeinsame Variante mit einem Hyperscaler für Kunden, die GitLab auf dessen Infrastruktur betreiben. Solche Angebote können für bestimmte Konstellationen interessant sein, ändern aber an der Grundlogik wenig: Entscheidend bleibt, welche Modelle über welchen Weg angesprochen werden und wo die Verarbeitung stattfindet.
Code Suggestions arbeitet in zwei Modi. Die Vervollständigung schlägt beim Tippen die nächsten Zeilen vor und ist auf kurze Antwortzeiten optimiert. Die Generierung erzeugt größere Blöcke, etwa eine komplette Funktion, wenn man im Kommentar beschreibt, was sie leisten soll. Für den Kontext bezieht die Erweiterung neben der aktuellen Datei auch geöffnete Tabs und je nach Konfiguration weitere Projektinformationen ein. Eine projektweite Indexierung des gesamten Repositorys, wie sie manche KI-Editoren in den Mittelpunkt stellen, war lange nicht der Schwerpunkt von Duo; GitLab baut die Kontextfähigkeiten aber erkennbar aus. Wie weit der Kontext in Ihrer Version reicht, sollten Sie im Pilot gezielt testen.
Der Chat ist die flexibelste Funktion. In der IDE erklärt er markierten Code, schlägt Tests vor, refaktoriert oder behebt Fehler. In der Weboberfläche kann er sich zusätzlich auf GitLab-Objekte beziehen: „Fasse dieses Issue zusammen“, „Welche offenen Punkte gibt es in diesem Epic?“ oder „Erkläre mir diesen fehlgeschlagenen Job“. Gerade diese Verbindung zu Planungs- und Prozessdaten ist der Punkt, an dem Duo sich von reinen Editor-Assistenten abhebt – der Chat kennt nicht nur den Code, sondern auch die Diskussion darüber.
Für viele Teams liegt der eigentliche Engpass nicht beim Schreiben, sondern beim Prüfen und Integrieren von Code. Hier setzen die Merge-Request-Funktionen an: Die KI fasst Änderungen zusammen, schlägt Beschreibungen vor und kann als zusätzlicher Reviewer Kommentare zu potenziellen Problemen hinterlassen. Das ersetzt kein menschliches Review, kann aber den Einstieg in große Änderungen beschleunigen und offensichtliche Fehler früher sichtbar machen. Ähnlich pragmatisch ist die Ursachenanalyse fehlgeschlagener Pipelines: Statt sich durch lange Logs zu scrollen, erhält man eine Einschätzung, woran ein Job gescheitert ist, und einen Lösungsvorschlag.
Im Sicherheitsbereich erklärt Duo Befunde der integrierten Scanner – was eine Schwachstelle bedeutet, wie sie ausgenutzt werden könnte und wie man sie behebt. In höheren Stufen kann die KI einen Merge Request mit einem Korrekturvorschlag anlegen. Das senkt die Hürde, Sicherheitsbefunde tatsächlich abzuarbeiten, statt sie im Backlog altern zu lassen. Ergänzend bietet GitLab Auswertungen, die den Einsatz der KI-Funktionen mit Kennzahlen aus dem Entwicklungsprozess in Beziehung setzen, sodass sich Wirkung beobachten statt nur behaupten lässt.
Unter dem Dach einer Agenten-Plattform bündelt GitLab mehrere Bausteine. Es gibt einen agentischen Chat, der nicht nur antwortet, sondern Dateien lesen, Änderungen vorschlagen und Werkzeuge der Plattform aufrufen kann. Es gibt vorgefertigte, spezialisierte Agenten – etwa für Planung, Sicherheitsanalyse oder Software-Entwicklung –, und es gibt Flows, also definierte Abläufe, in denen ein oder mehrere Agenten eine Aufgabe von einem Ausgangspunkt bis zu einem Ergebnis bearbeiten, zum Beispiel von einem Issue bis zu einem Merge Request mit Umsetzung und Tests. Ergänzend lassen sich eigene Agenten mit spezifischen Anweisungen und Werkzeugen definieren und in einem Katalog teilen. Benennung, Verfügbarkeit und Reifegrad dieser Bausteine entwickeln sich schnell; für Produktionsentscheidungen ist der jeweils aktuelle Status maßgeblich.
Ein typischer agentischer Ablauf beginnt mit einer klar formulierten Aufgabe – idealerweise einem gut beschriebenen Issue. Der Agent analysiert das Repository, entwirft einen Plan, setzt Änderungen über mehrere Dateien um, führt Tests in einer abgeschotteten Umgebung aus, etwa in einem CI-Runner, und legt das Ergebnis als Merge Request zur Prüfung vor. Für wiederkehrende, gut abgrenzbare Aufgaben ist das attraktiv: Abhängigkeits-Updates, Migration veralteter APIs, das Ergänzen fehlender Tests, die Behebung einfacher Sicherheitsbefunde oder das Umsetzen kleiner Fachanforderungen nach bestehendem Muster.
Der Vorteil gegenüber Agenten, die nur lokal im Editor oder Terminal laufen, liegt in der Einbettung: Ergebnisse landen dort, wo das Team ohnehin arbeitet, nämlich im Merge Request mit Pipeline, Review-Regeln und Freigabeprozess. Damit greifen bestehende Kontrollmechanismen – geschützte Branches, verpflichtende Approvals, Sicherheitsscans – automatisch auch für KI-erzeugte Änderungen. Das ist ein Governance-Argument, das in der Diskussion über Agenten häufig unterschätzt wird.
GitLab öffnet seine KI zunehmend für externe Werkzeuge. Über das Model Context Protocol, einen sich etablierenden Standard für die Anbindung von Datenquellen und Werkzeugen an KI-Systeme, können Duo-Agenten auf zusätzliche Systeme zugreifen, und umgekehrt können externe KI-Clients GitLab-Daten nutzen. Zudem lassen sich Agenten anderer Anbieter in GitLab-Abläufe einbinden. Für Unternehmen bedeutet das Flexibilität, aber auch zusätzliche Prüfpflichten: Jede angebundene Quelle ist ein weiterer Datenfluss, der dokumentiert und bewertet werden muss.
Aus unserer Projektpraxis lässt sich eine nüchterne Faustregel ableiten: Agenten liefern dort gute Ergebnisse, wo die Aufgabe klar beschrieben, das Ergebnis über Tests überprüfbar und der Eingriff lokal begrenzt ist. Je mehr implizites Fachwissen, Architekturentscheidungen oder Abstimmung mit anderen Teams nötig sind, desto häufiger bleibt der Agent bei einem brauchbaren Entwurf stehen, der erhebliche Nacharbeit braucht. Sinnvoll ist daher ein gestuftes Vorgehen: mit risikoarmen, gut messbaren Aufgaben beginnen, Erfahrungen sammeln und die Autonomie erst dann ausweiten, wenn Review-Prozesse und Testabdeckung nachweislich tragen.
GitLab stellt offizielle Erweiterungen für die verbreitetsten Entwicklungsumgebungen bereit, darunter Visual Studio Code, die JetBrains-IDEs, Visual Studio sowie weitere Editoren wie Neovim; Unterstützung für zusätzliche Umgebungen kommt schrittweise hinzu. Technisch nutzen die Erweiterungen einen gemeinsamen Sprachserver, was dafür sorgt, dass Funktionen über Editoren hinweg einigermaßen einheitlich verfügbar sind. Allerdings erreichen neue Funktionen nicht immer alle Editoren gleichzeitig – häufig ist VS Code der Vorreiter. Wer gemischte Umgebungen hat, etwa Java-Teams in IntelliJ und Web-Teams in VS Code, sollte im Pilot prüfen, ob der Funktionsumfang in allen genutzten IDEs ausreicht.
Zusätzlich ist Duo in die Web-IDE von GitLab integriert, die direkt im Browser läuft. Das ist praktisch für kleinere Änderungen, für Kolleginnen und Kollegen ohne vollständig eingerichtete lokale Umgebung oder für Situationen, in denen auf einem Arbeitsplatz keine Software installiert werden darf. Für komplexe Entwicklungsarbeit bleibt die lokale IDE allerdings der Standard.
Der eigentliche Integrationsvorteil von Duo liegt in der Plattform selbst. Weil Repositorys, Merge Requests, Issues, Pipelines und Sicherheitsberichte in derselben Anwendung liegen, muss kein zusätzlicher Konnektor eingerichtet werden, damit die KI diese Daten sieht. Sie respektiert dabei grundsätzlich das bestehende Berechtigungsmodell: Wer ein Projekt nicht sehen darf, bekommt auch über den Chat keine Inhalte daraus. Dieses Prinzip sollten Sie im Pilot dennoch gezielt verifizieren, insbesondere bei vertraulichen Projekten und Gruppen mit komplexen Vererbungen.
Für CI/CD ergeben sich zwei Integrationspunkte. Zum einen analysiert Duo fehlgeschlagene Jobs und hilft bei der Pflege der Pipeline-Konfiguration, etwa beim Schreiben oder Erklären von Pipeline-Definitionen. Zum anderen nutzen agentische Abläufe die vorhandene Runner-Infrastruktur, um Änderungen in einer isolierten Umgebung zu bauen und zu testen. Das bedeutet auch: Wer Agenten einsetzt, sollte Runner-Kapazitäten, Netzwerkzugriffe und Geheimnisse wie Zugangsdaten und Tokens in den Pipelines sauber trennen, damit ein Agent nicht mehr erreicht, als er soll.
Über Schnittstellen und offene Protokolle lässt sich Duo mit weiteren Werkzeugen verbinden – etwa mit Ticket-Systemen, Dokumentationsquellen oder Observability-Plattformen. Auch die umgekehrte Richtung ist möglich: Andere KI-Assistenten können über standardisierte Schnittstellen auf GitLab-Daten zugreifen. Für Unternehmen, die neben GitLab weitere Werkzeuge im Einsatz haben, ist das ein Pluspunkt; gleichzeitig steigt mit jeder Verbindung die Komplexität der Datenflüsse. Wir empfehlen, Integrationen bewusst zu inventarisieren und nur dort einzurichten, wo ein konkreter Nutzen erkennbar ist.
Duo spielt seine Stärken aus, wenn GitLab bereits die zentrale Plattform ist und der Nutzen über die reine Code-Vervollständigung hinausgehen soll. Wer Merge-Request-Reviews entlasten, Pipeline-Fehler schneller verstehen und Sicherheitsbefunde konsequenter abarbeiten will, findet in Duo eine Lösung ohne zusätzlichen Anbieter. Besonders stark ist die Position bei Organisationen mit strikten Anforderungen an Datenhoheit: Die Kombination aus selbst betriebenem GitLab und selbst gehosteten Modellen ermöglicht Szenarien, die mit reinen Cloud-Assistenten kaum abbildbar sind.
Liegt der Code auf GitHub, ist GitHub Copilot die naheliegende Entsprechung mit vergleichbarer Plattformlogik und sehr ausgereifter Editor-Integration. Wer überwiegend auf einer bestimmten Hyperscaler-Infrastruktur entwickelt, findet im Assistenten dieses Anbieters oft engere Bezüge zu Cloud-Diensten. Für Teams ohne Plattformbindung, die vor allem einen datensparsamen Code-Assistenten mit Self-Hosting-Option suchen, sind unabhängige Anbieter wie Tabnine oder Open-Source-Lösungen eine Alternative. Und wer maximale Agenten-Tiefe im Editor oder Terminal sucht, kombiniert häufig ein spezialisiertes Werkzeug wie einen KI-Editor oder einen Terminal-Agenten mit der Plattform. In vielen Unternehmen ist die Antwort deshalb kein Entweder-oder: Duo für Review, Pipeline und Sicherheit auf Plattformebene, ergänzt um ein spezialisiertes Werkzeug für besonders anspruchsvolle Entwicklungsarbeit – sofern Datenschutz und Budget das zulassen.
GitLab.com (SaaS) ist die Multi-Tenant-Cloud-Variante. Betrieb, Updates und KI-Anbindung übernimmt GitLab. Die KI-Funktionen laufen über eine zentrale Vermittlungsschicht des Anbieters, das sogenannte AI Gateway, das Anfragen an die eingesetzten Modellanbieter weiterleitet. Das ist der Weg mit dem geringsten Aufwand, aber auch mit der geringsten Kontrolle über Datenflüsse.
Self-Managed bedeutet, dass ein Unternehmen GitLab auf eigener Infrastruktur oder in einer eigenen Cloud-Umgebung betreibt. Der Code liegt damit im eigenen Rechenzentrum oder in einer selbst gewählten Region. Für die KI-Funktionen gibt es zwei Wege: Entweder verbindet sich die Instanz mit dem AI Gateway von GitLab, dann verlassen Prompts und Code-Kontext für die KI-Verarbeitung die eigene Infrastruktur. Oder das Unternehmen nutzt die Option selbst gehosteter Modelle und betreibt die KI-Komponenten ebenfalls selbst.
GitLab Dedicated ist eine Single-Tenant-SaaS-Variante: GitLab betreibt eine isolierte Instanz exklusiv für einen Kunden, typischerweise in einer wählbaren Cloud-Region. Ob und in welchen europäischen Regionen Dedicated verfügbar ist und welche KI-Optionen dort unterstützt werden, sollte im Einzelfall beim Anbieter geprüft werden.
Mit der Self-Hosted-Option können Self-Managed-Kunden Duo-Funktionen mit Modellen betreiben, die sie selbst hosten oder über eine eigene, vertraglich kontrollierte Cloud-Umgebung beziehen. GitLab unterstützt dafür eine Auswahl an Modellen und Bereitstellungswegen – etwa offene Modelle auf eigener GPU-Infrastruktur über gängige Inferenz-Server oder Modelle aus eigenen Konten bei großen Cloud-Plattformen. Auch der Betrieb in abgeschotteten Umgebungen ohne Internetverbindung ist grundsätzlich vorgesehen. Welche Modelle für welche Funktionen offiziell unterstützt werden, ändert sich mit den Versionen; hier gilt besonders: aktuelle Kompatibilitätsliste prüfen.
Der Preis für die Datenhoheit ist Betriebsaufwand. Wer Modelle selbst hostet, braucht passende GPU-Ressourcen, Know-how für Inferenz-Server, Monitoring und Updates sowie ein realistisches Bild davon, dass offene oder kleinere Modelle in manchen Aufgaben schwächer abschneiden können als die größten Cloud-Modelle. Für viele mittelständische Unternehmen ist ein hybrider Ansatz realistisch: unkritische Projekte über das AI Gateway, sensible Projekte mit selbst gehosteten Modellen oder ganz ohne KI.
In unseren Projekten begegnen uns drei wiederkehrende Konstellationen. Erstens das gewachsene Self-Managed-GitLab in der kostenlosen oder einer kleineren Edition, betrieben von einer kleinen IT-Mannschaft, oft mit zögerlichen Update-Zyklen. Hier ist Duo nur sinnvoll, wenn Edition, Version und Betrieb ohnehin auf einen aktuellen Stand gebracht werden – die KI-Funktionen setzen meist neuere Versionen voraus. Zweitens die professionell betriebene Plattform eines Softwarehauses oder einer größeren IT-Abteilung mit Premium- oder Ultimate-Lizenz. Dort ist Duo eine naheliegende Erweiterung, bei der es vor allem um Datenschutzkonfiguration, Kosten und Akzeptanz geht. Drittens Unternehmen mit Software als Teil eines physischen Produkts, etwa im Maschinenbau, in der Medizintechnik oder Automatisierung. Hier stehen Fragen zu geistigem Eigentum, Exportkontrolle und Kundenvorgaben im Vordergrund, und selbst gehostete Modelle sind häufig die einzige akzeptable Variante.
Der schnellste Nutzen entsteht selten dort, wo das Marketing ihn verortet. In mittelständischen Teams beobachten wir die stärkste Wirkung bei der Einarbeitung in fremden oder alten Code, etwa wenn langjährige Entwickler in Rente gehen und Wissen gesichert werden muss, beim Schreiben von Tests für bislang ungetestete Bestandssoftware, bei der Analyse fehlgeschlagener Pipelines und bei der Dokumentation. Merge-Request-Zusammenfassungen helfen kleinen Teams, in denen ein oder zwei Personen fast alle Reviews übernehmen. Die Erklärung von Sicherheitsbefunden hilft Teams ohne eigene Sicherheitsspezialisten, Befunde überhaupt einzuordnen.
Weniger realistisch ist die Erwartung, dass Agenten in kurzer Zeit große Teile der Entwicklungsarbeit übernehmen. Bestandssysteme im Mittelstand sind häufig über Jahre gewachsen, schwach dokumentiert und voller impliziter Fachlogik. Hier liefert KI wertvolle Entwürfe und Erklärungen, aber die Verantwortung für Architektur und Korrektheit bleibt bei erfahrenen Menschen.
Die Einführung von Duo ist auch ein Kulturthema. Erfahrene Entwicklerinnen und Entwickler stehen KI-Vorschlägen mitunter skeptisch gegenüber, Berufseinsteiger übernehmen sie manchmal zu unkritisch. Beides lässt sich adressieren: durch gemeinsame Regeln, durch Schulungen anhand echter Aufgaben aus dem eigenen Code und durch das klare Signal, dass KI ein Werkzeug zur Entlastung ist und kein Instrument zur Leistungskontrolle. Ebenso wichtig ist die Einbindung von Betriebsrat und Datenschutzbeauftragten von Beginn an, denn Nutzungsauswertungen und Kennzahlen zur KI-Wirkung können Rückschlüsse auf einzelne Personen zulassen und sind in Deutschland mitbestimmungsrelevant.
Die Kosten von GitLab Duo setzen sich aus mehreren Bausteinen zusammen: der benötigten Plattform-Edition, der gewählten Duo-Stufe als Add-on pro Nutzer, gegebenenfalls nutzungsabhängigen Komponenten für agentische Funktionen und – bei selbst gehosteten Modellen – den Kosten für GPU-Infrastruktur, Betrieb und Know-how. Konkrete Preise nennen wir hier bewusst nicht, weil sie sich regelmäßig ändern und stark von Vertragsvolumen und Laufzeit abhängen; aktuelle Konditionen erfahren Sie beim Anbieter oder bei Vertriebspartnern. Wichtig für die Planung: Der Sprung in eine höhere Plattform-Edition kann den größeren Kostenblock darstellen als das KI-Add-on selbst. Eine ehrliche Kalkulation vergleicht deshalb Gesamtkosten mit beobachtbarem Nutzen im Pilot.
Neben dem Datenschutz stehen Fragen zum geistigen Eigentum. KI-generierter Code kann in seltenen Fällen öffentlichem Code ähneln, der unter bestimmten Lizenzen steht. Unternehmen sollten daher klären, welche Zusicherungen der Anbieter hinsichtlich Haftung und Freistellung bietet, und intern regeln, wie mit Vorschlägen umzugehen ist, die nach übernommenem Fremdcode aussehen. Für Unternehmen, deren Quellcode selbst wertvolles Know-how darstellt, ist zudem entscheidend, wo dieser Code verarbeitet wird – ein weiteres Argument für Self-Managed mit selbst gehosteten Modellen bei besonders schutzwürdigen Projekten. Auf technischer Ebene gehören Berechtigungskonzepte für Agenten, geschützte Branches, verpflichtende Approvals und der Schutz vor Prompt-Injection über Issue- oder Merge-Request-Inhalte zur Grundausstattung.
Der Ausgangspunkt jeder DSGVO-Betrachtung ist die Frage, ob überhaupt personenbezogene Daten verarbeitet werden. Quellcode enthält häufiger welche, als man denkt: Namen in Kommentaren und Commit-Historien, Testdaten mit realen Personenbezügen, Konfigurationen mit E-Mail-Adressen, Issues mit Kundennamen. Sobald das der Fall ist, braucht es eine Rechtsgrundlage, einen Auftragsverarbeitungsvertrag mit dem Anbieter, eine Bewertung der Subprozessoren und bei Übermittlungen in Drittländer eine tragfähige Transfergrundlage. Hinzu kommt die Abwägung, ob US-Rechtsvorschriften Zugriffe auf Daten ermöglichen könnten, die beim Anbieter oder seinen Modellpartnern verarbeitet werden.
Für Unternehmen mit hohen Anforderungen ergibt sich daraus eine klare Stufung. Die datenschutzfreundlichste Variante ist ein selbst betriebenes GitLab mit selbst gehosteten Modellen auf eigener oder europäischer Infrastruktur, bei der weder Code noch Prompts das kontrollierte Umfeld verlassen. Eine Zwischenstufe bilden Dedicated-Instanzen in einer EU-Region und Modelle aus eigenen, regional gebundenen Cloud-Konten. Die Standard-SaaS-Variante mit AI Gateway ist für viele Projekte vertretbar, erfordert aber eine sorgfältige vertragliche Absicherung und eine klare Regel, welche Projekte damit bearbeitet werden dürfen. In jedem Fall gehört der Einsatz ins Verzeichnis von Verarbeitungstätigkeiten, und bei höherem Risiko ist eine Datenschutz-Folgenabschätzung zu prüfen.
