Das Schreiben von Code, der allein funktioniert, ist laut Ardit Sulce, einem Python-Lehrer, dessen Kurse auf Udemy von mehr als 650.000 Studierenden besucht wurden, kein ausreichender Beleg mehr dafür, dass man Programmieren gelernt hat. Da Werkzeuge der künstlichen Intelligenz große Teile von Anwendungen erzeugen können, verlagert sich der Schwerpunkt vom Schreiben jeder einzelnen Zeile auf das Verständnis der von den Werkzeugen erzeugten Ergebnisse, deren Überprüfung, das Erkennen ihrer Fehler und das Wissen darüber, wie die Komponenten eines Systems miteinander verbunden sind.
Diese Sichtweise wurde in einem von JetBrains Blog veröffentlichten Interview mit Sulce dargelegt, der über 10 Jahre Erfahrung im Unterrichten von Programmierung verfügt und einen Masterabschluss in Geotechnologien von der University of Münster in Deutschland besitzt. Außerdem ist er Gründer und leitender Entwickler der Plattform ActiveSkill Dev, die künstliche Intelligenz als persönlichen Tutor zum Erlernen von Programmierung und Softwareentwicklung einsetzt.
Künstliche Intelligenz hat die Fragen verändert, aber die Rolle der Lehrkraft nicht abgeschafft
Sulce sagt, die Zahl der täglichen Fragen, die er von Studierenden erhält, sei auf fünf bis zehn Mal weniger als vor der Verbreitung generativer künstlicher Intelligenz gesunken. Wenn ein Studierender auf ein Problem stößt, kann er sofort eine Antwort erhalten, statt eine Frage auf der Diskussionsseite zu veröffentlichen und auf die Lehrkraft oder den Tutor zu warten.
Die verbliebenen Fragen seien seiner Beschreibung zufolge jedoch größer und stärker von Urteilsvermögen abhängig: Welcher Weg sollte eingeschlagen werden? Eignet sich das Projekt für das Portfolio? Und wie fügt sich das, was der Studierende lernt, in das größere Gesamtbild ein? Aus dieser Perspektive beschränkt sich die Rolle eines Kurses nicht darauf, eine konkrete Frage zu beantworten, sondern besteht darin, einen strukturierten Weg durch ein Gebiet anzubieten, in dem ein Anfänger nicht einmal seine grundlegenden Fragen kennt.
Auch die Erwartungen der Lernenden haben sich verändert. Ein Python-Kurs, der den Zusammenhang der Sprache mit künstlicher Intelligenz ignoriert, wirkt auf sie veraltet; sie möchten lernen, Werkzeuge zur Beschleunigung des Codings zu nutzen und Anwendungen zu entwickeln, die auf Sprachmodellen, Agenten und Automatisierung basieren. Gleichzeitig bleibt die Lehrkraft wichtig, um festzulegen, was in welcher Reihenfolge gelernt werden sollte, und um die Motivation und Neugier zu vermitteln, deren wiederholte Erzeugung Sulce zufolge für Werkzeuge der künstlichen Intelligenz weiterhin schwierig ist.
Nicht jede Lernanstrengung ist gleichwertig
Sulce unterscheidet zwischen der Anstrengung, die Verständnis aufbaut, und der Reibung, die Zeit verschwendet. Zu versuchen herauszufinden, warum eine Schleife ein weiteres Mal ausgeführt wird, oder den Datenfluss innerhalb des Programms nachzuverfolgen, kann Teil des Lernens sein. Probleme bei der Installation eines defekten Treibers, ein unklarer Konfigurationsfehler oder eine veraltete Lektion, die nicht mehr mit der aktuellen Umgebung kompatibel ist, sind dagegen Hindernisse, die an künstliche Intelligenz delegiert werden können, ohne einen offensichtlichen Lernverlust zu verursachen.
Nach dieser Regel sollte ein Anfänger fragen: Wird mir die Lösung dieses Problems ein Verständnis vermitteln, das ich später nutzen kann, oder bringt sie mich lediglich zu dem Punkt zurück, an dem ich begonnen habe? Sulce betont, dass das manuelle Schreiben von Code in der Lernphase weiterhin wichtig ist, weil es dabei hilft, ein mentales Modell von Variablen, Schleifen und Datenfluss aufzubauen. In der professionellen Arbeit kann das manuelle Schreiben des gesamten Codes jedoch weniger wichtig werden als die Überprüfung dessen, was die Werkzeuge erzeugen.
Drei Fähigkeiten für Entwickler am Anfang ihrer Laufbahn
- Code lesen, den sie nicht selbst geschrieben haben: Entwickler sollten GitHub-Repositorien, ihre älteren Projekte und die Ausgaben von Agenten lesen und entscheiden, ob der Code korrekt bleibt und bei veränderten Eingaben weiterhin geeignet ist.
- Das Gewünschte präzise ausdrücken: Sulce ist der Ansicht, dass eine gute Anfrage an ein Modell eine Spezifikation ist, die festlegt, was der Code tun und was er nicht tun sollte und wie er sich in Randfällen verhalten soll. Das ähnelt dem Konzept der Anforderungen, für das häufig eine andere Partei verantwortlich war.
- Verständnis auf Systemebene: Es reicht nicht aus, einzelne Teile des Codes zu kennen; Entwickler müssen die Komponenten der Anwendung und ihre Verknüpfung verstehen. Diese Fähigkeit macht sie zu Aufsehern der künstlichen Intelligenz, statt sie zu Abhängigen ihrer Ausgaben werden zu lassen.
Daraus ergibt sich eine Veränderung bei der Bewertung von Studierenden und Bewerbern. Statt lediglich den Bau einer Anwendung zu verlangen, schlägt Sulce vor, von künstlicher Intelligenz erzeugten Code mit einem präzisen Problem vorzulegen, etwa einem Fehler bei den Grenzen einer Schleife, dem stillen Verschlucken von Ausnahmen oder einem falschen Verhalten bei einer leeren Eingabe, und anschließend die Fähigkeit der Person zu prüfen, das Problem zu erkennen und zu erklären. Außerdem kann eine direkte Debugging-Sitzung durchgeführt werden, um zu beobachten, wie die Person den Fehler eingrenzt.
Ein schrittweiser Weg vom Code zur Aufsicht
Sulce teilt das Lernen in drei Phasen ein: Zunächst werden kleine echte Programme manuell in einer integrierten Entwicklungsumgebung geschrieben; anschließend wird künstliche Intelligenz als Lehrkraft genutzt, um während des Übergangs zu größeren Projekten Dinge zu erklären, die der Lernende nicht versteht; schließlich wird sie als Arbeitskollegin eingesetzt, die Teile des Codes schreibt, während der Lernende sie überprüft.
Diese Entwicklung setzt voraus, dass die Größe der Projekte schrittweise zunimmt: von einem Skript zu einer Anwendung, die eine Datenbank verwendet, dann zu einem Projekt, das mit Benutzern arbeitet, anschließend zu einem veröffentlichten Dienst und zu einer Anwendung, die eine API aufruft. In der Praxis verbindet dieser Weg Kenntnisse der Syntax mit einem Verständnis von Systemen, statt davon auszugehen, dass architektonisches Verständnis nach Jahren des Codings automatisch entsteht.
Das Interview bestätigt, dass das Lernen in einer professionellen Entwicklungsumgebung kein nebensächliches Detail ist. Projekte, die auf künstlicher Intelligenz basieren, enthalten API-Schlüssel in Umgebungsdateien, virtuelle Umgebungen, Abhängigkeitskonflikte, Unterschiede zwischen Paketversionen sowie Dateien, die von Agenten erstellt oder geändert werden. Daher entscheidet die Fähigkeit, das Projekt auszuführen, Änderungen zu überprüfen, Fehler zu beheben und Code sicher anzupassen, darüber, ob der Lernende das Werkzeug tatsächlich beaufsichtigt oder sich lediglich damit begnügt, seine Ergebnisse zu akzeptieren.