"Ich kann dir den Code schreiben, aber verstehst du auch, was er macht?" – Diese Frage hat mir Claude letzte Woche gestellt. Und ehrlich gesagt hat sie mich mehr beschäftigt als jede Fehlermeldung seit Wochen.
Das Taxi-Problem beim Programmieren
Wer kennt es nicht: Cursor blinkt, Problem liegt vor, und statt Stack Overflow zu durchwühlen tippt man heute einfach einen Prompt – drei Sekunden später erscheinen 47 Zeilen sauberer Code. Genial. Und gleichzeitig irgendwie... leer. Als hätte man beim Marathon ein Taxi genommen.
Dieses Gefühl ist kein Zeichen von Schwäche, sondern von gesundem Instinkt. Das Imposter-Syndrom bekommt durch KI-Tools eine neue Dimension: "Die KI kann das besser als ich." Stimmt sogar – sie tippt schneller, kennt mehr Syntax, macht weniger Tippfehler. Aber sie versteht dein Problem nicht wirklich. Sie weiß nicht, warum du diese Funktion brauchst, welche Constraints dein Projekt hat, oder was in drei Monaten passiert, wenn sich die Anforderungen ändern.
Der entscheidende Perspektivwechsel: Du bist nicht der Code-Schreiber, der von KI überholt wird. Du bist der Dirigent eines Orchesters, in dem KI ein sehr fähiges Instrument spielt.
Die goldene Regel: Nichts mergen, was du nicht erklären kannst
Das klingt simpel, ist aber radikaler als es aussieht. Nicht "ungefähr verstehen". Nicht "wird schon stimmen". Sondern wirklich: Was macht diese Zeile? Warum ist sie nötig? Was passiert bei einem Edge Case?
Genau hier passiert das eigentliche Lernen. Lass dir den Code erklären – nicht nur was er macht, sondern warum so und nicht anders. Stelle Rückfragen. Baue Mini-Versionen selbst nach und vergleiche dann. Der Prozess ist nicht "KI generiert, du kopierst", sondern: KI schlägt vor, du verstehst, du entscheidest, du verantwortest.
Das ist der Unterschied zwischen einem Copy-Paste-Developer und jemandem, der KI als echten Lernbeschleuniger nutzt.
Das Ping-Pong-Prinzip in der Praxis
Der Workflow, der den Unterschied macht, funktioniert in kleinen, schnellen Schleifen – nicht als einmaliger Dump von "schreib mir eine Login-Funktion".
Erst planen, dann prompten
Bevor die KI ins Spiel kommt: Schreib auf, was du eigentlich brauchst. Eingaben, Ausgaben, Randbedingungen, Qualitätskriterien. Klingt bürokratisch, macht aber den Prompt zehnmal besser – und zwingt dich, das Problem selbst zu durchdenken.
Review als Kernkompetenz
Wenn der Code da ist, beginnt deine eigentliche Arbeit: alles durchlesen, Unklares markieren, nachfragen, Edge Cases testen, Security prüfen. KI-generierter Code kann Bugs haben, Sicherheitslücken enthalten, oder – das nennt sich Halluzination – einfach Funktionen erfinden, die gar nicht existieren. Die Verantwortung dafür liegt am Ende bei dir, nicht beim Tool.
Iteration statt Perfektion
Dann kommt das eigentliche Ping-Pong: Du findest ein Problem, beschreibst es präzise, KI schlägt eine Lösung vor, du prüfst wieder. Kleine Schritte, schnelle Feedbackschleifen. Jede Iteration lehrt dich etwas – und du behältst dabei die Kontrolle.
Welche Skills jetzt wirklich zählen
Na ja, die Frage "Was muss ich noch lernen, wenn KI Code schreiben kann?" ist berechtigt. Die Antwort: mehr als je zuvor – nur andere Dinge. Der Skill-Stack verschiebt sich von "Syntax auswendig können" zu "Probleme verstehen und Lösungen orchestrieren". Problemlösung statt Syntax-Memorieren. Architektur statt Boilerplate. Kritisches Review statt Copy-Paste.
Das ist eigentlich eine gute Nachricht: Die interessanten Teile der Entwicklung bleiben bei dir.
Wer tiefer in diesen Ansatz einsteigen möchte – auf blackforest-webcraft.de findet sich der vollständige Originalartikel mit noch mehr Details zum Workflow und zu mentalen Strategien fürs Lernen im KI-Zeitalter.
Ein Tischler ist nicht weniger Handwerker, weil er eine Oberfräse nutzt. Und du bist kein schlechterer Entwickler, weil du KI-Tools einsetzt – solange du weißt, was du damit baust.
Wie handhabst du das in deinem Alltag: Setzt du KI eher als Beschleuniger ein, oder merkst du, dass du dabei weniger lernst als früher?
Top comments (0)