Programmieren mit KI lehren, ohne Vibe-Coder zu erschaffen: Ein pädagogisches Framework für 2026

Wenn Sie im Jahr 2026 Programmieren lehren, haben Sie zwei Optionen, die nicht funktionieren, und eine, die es tut. Die beiden, die nicht funktionieren, sind bekannt: Das Verbieten von KI in Ihrem Kurs (nicht durchsetzbar, treibt die Nutzung in den Untergrund, lässt Absolventen unvorbereitet auf die Industrie) oder das freie Nutzenlassen von KI für Studenten (produziert Absolventen, die Prompts schreiben, aber nicht logisch denken können). Die Option, die funktioniert, ist schwieriger. Sie erfordert, dass Sie neu gestalten, wie KI im Lernprozess auftritt – nicht als Problemlöser, nicht als verbotenes Werkzeug, sondern als sorgfältig strukturierte andauernde Unterstützung (Scaffolding), die den Studenten die kognitive Arbeit überlässt, die die KI gerade im Begriff war, für sie zu tun.

Dies ist das pädagogische Framework, das Sie benötigen. Keine Liste von KI-Richtlinien. Kein Wettrüsten der Erkennung. Ein echtes Unterrichtsmodell, das auf drei Jahrzehnten lernwissenschaftlicher Forschung zu Scaffolding und der Zone der proximalen Entwicklung basiert, angepasst an das Zeitalter der agentischen Codierungstools, die jeden Aufgaben-Prompt meistern können.

Dieser Leitfaden richtet sich an Programmierlehrer, die den Lehrplan aufbauen möchten, der im Jahr 2026 echte Programmierer hervorbringt. Wir werden die pädagogischen Grundlagen, das siebenstufige Framework für den KI-gestützten Programmierunterricht, die im Unterricht bewährten Muster von CS1 bis zum Abschlussprojekt und die Werkzeugebene – einschließlich Plagly.ai – durchgehen, die das Framework in großem Maßstab praktikabel macht.

Warum beide Extreme in den Jahren 2024-2025 scheiterten

Das zweijährige Experiment ist vorbei und das Urteil liegt vor. Die Programme, die KI komplett verboten haben (eine kleine Welle von Informatik-Fakultäten im Jahr 2024), sahen die Durchsetzung innerhalb eines Semesters zusammenbrechen, stellten fest, dass Studenten die Richtlinie stillschweigend umgingen, und sahen eine wachsende Kluft zwischen ihren Absolventen und den Anforderungen der Arbeitswelt. Die Programme, die den entgegengesetzten Weg einschlugen – keine Richtlinie, Studenten nutzen, was sie wollen – brachten Kohorten hervor, die in der Arbeitswelt ankamen, ohne ihren eigenen Code debuggen zu können. Personalverantwortliche reagierten mit Live-Codierungs-Interviews und Kompetenz-Audits, bei denen akkreditierte Absolventen reihenweise scheiterten.

Beide Fehlermodi teilen dieselbe Ursache: Sie behandelten KI als eine Ja/Nein-Frage statt als eine pädagogische Variable. Die richtige Frage ist nicht, ob Studenten KI nutzen sollten. Sie lautet: An welchem Punkt des Lernzyklus sollte die KI eingreifen, und in welchem Modus? Das ist die Frage, die dieses Framework beantwortet.

Die pädagogische Grundlage: Produktiver Kampf und Scaffolding

Zwei Konzepte aus den Lernwissenschaften bilden die Grundlage für alles, was folgt. Das erste ist der produktive Kampf: der kognitive Zustand, in dem ein Lernender genug Informationen hat, um Fortschritte zu machen, aber nicht genug, um dies mühelos zu tun. Die Forschung zeigt konsistent, dass Lernen im produktiven Kampf stattfindet. Aufgaben, die zu einfach sind, bauen keine Fähigkeiten auf. Aufgaben, die zu schwer sind, erzeugen nur Frustration. Der optimale Mittelweg – die Zone der proximalen Entwicklung – ist der Ort, an dem sich die neuronalen Bahnen zur Problemlösung tatsächlich bilden.

Das zweite Konzept ist das Scaffolding (andauernde Unterstützung): die temporäre Unterstützung, die ein fähigerer Anderer (traditionell ein Lehrer, ein Mitschüler oder ein Lehrbuch) bereitstellt, damit der Lernende knapp über seiner unabhängigen Leistungsfähigkeit agieren kann. Das Scaffolding wird schrittweise abgebaut, wenn der Lernende die zugrunde liegende Fähigkeit verinnerlicht. Ein gutes Scaffolding löst das Problem nicht; es hilft dem Studenten, das Problem selbst zu lösen.

Das pädagogische Problem des Vibe Codings wird in diesem Rahmen nun sichtbar: Ein LLM, das eine fertige Lösung liefert, zerstört den produktiven Kampf, indem es die kognitive Arbeit eliminiert, die das Lernen erzeugt. Es ist das Äquivalent zu einem Nachhilfelehrer, der jedes Problem in dem Moment löst, in dem der Student die Stirn runzelt. Der Student bleibt auf dem Stuhl sitzen, aber es findet kein Lernen statt, weil kein Kampf stattfindet.

Die pädagogische Chance ist ebenfalls sichtbar. Dasselbe LLM, das so konfiguriert ist, dass es den produktiven Kampf bewahrt – also diagnostische Fragen stellt, Teilhinweise gibt und sich weigert, Code zu schreiben, den der Student sich noch nicht erarbeitet hat – ist das mächtigste Scaffolding-Werkzeug, das je erfunden wurde. Es ist geduldig. Es ist unendlich verfügbar. Es passt sich jedem Studenten an. Es wird nie frustriert.

Jüngste Forschungen, die im November 2025 auf arXiv veröffentlicht wurden (Scaffolding Metacognition in Programming Education), bestätigten dies empirisch. Die Studie ergab, dass Studenten betonten, dass KI-Systeme sich „dagegen wehren sollten, zu schnell vollständige Antworten zu geben“, und stattdessen strukturierte Ansätze mit Schritt-für-Schritt-Hinweisen und adaptiven Fragen bevorzugten. Die Studenten baten nicht um weniger KI-Unterstützung. Sie baten um besser gestaltete KI-Unterstützung.

Das siebenstufige Framework für KI-gestützten Programmierunterricht

Hier ist das Framework, das wir in den letzten achtzehn Monaten mit Programmierlehrern aller Stufen verfeinert haben. Es unterteilt den Lernzyklus in sieben verschiedene Stufen und schreibt vor, was die KI in jeder Stufe tun und lassen sollte.

Stufe 1: Begegnung mit dem Problem

Der Student liest die Problemstellung. Die Rolle der KI ist hier keine. Der Student muss sein eigenes erstes Verständnis aufbauen, bevor irgendeine KI-Unterstützung erlaubt ist. Dies ist nicht verhandelbar. Der KI zu erlauben, die Aufgabenstellung in dieser Stufe zusammenzufassen oder zu erklären, unterbricht das Verstehen. In der Praxis kann dies durch Kurskonventionen („keine KI in den ersten zehn Minuten“), Abgaberegeln (muss eine schriftliche Umformulierung des Problems vor der KI-Unterstützung enthalten) oder einfach durch eine konsequent verstärkte Kultur der Eigeninitiative durchgesetzt werden.

Stufe 2: Dekomposition

Der Student zerlegt das Problem in Teilprobleme. Die Rolle der KI ist hier diagnostische Fragen zu stellen. Der Student schreibt einen Entwurf der Dekomposition, und die KI stellt sokratische Fragen dazu: „Was ändert sich, wenn die Eingabe leer ist?“ „Wie geht Ihr Plan mit doppelten Elementen um?“ „In welchem Ihrer Teilprobleme findet die eigentliche algoritmische Arbeit statt?“ Der KI ist es untersagt, eine eigene Dekomposition vorzuschlagen; sie darf nur die des Studenten prüfen.

Stufe 3: Ansatz-Auswahl

Der Student entscheidet sich für eine algoritmische Strategie (Rekursion vs. Iteration, Map vs. Array usw.). Die Rolle der KI ist hier die Analyse von Kompromissen und Vergleiche. Sobald der Student einen Ansatz vorgeschlagen hat, kann die KI ihn mit Alternativen vergleichen, die Vor- und Nachteile artikulieren und fragen, ob die Wahl des Studenten zu den Einschränkungen passt. Die KI wählt nicht aus. Die KI hilft dem Studenten zu verstehen, was seine Wahl bedeutet.

Stufe 4: Implementierung

Der Student schreibt Code. Die Rolle der KI ist hier am differenziertesten. Der Standard ist nur Syntax- und Idiom-Unterstützung: Die KI kann antworten, „wie lautet die Python-Syntax für eine List Comprehension, die filtert und transformiert“, aber nicht „schreibe die List Comprehension, die ich für dieses Problem benötige“. Für fortgeschrittene Studenten oder Abschlussprojekte kann dies gelockert werden: Die KI als Pair Programmer, bei dem der Student die Führung übernimmt. Für CS1 sollte dies nicht der Fall sein.

Stufe 5: Testen und Debuggen

Der Student führt Tests aus und stößt auf Fehler. Die Rolle der KI ist hier die angeleitete Hypothesengenerierung. Wenn ein Test fehlschlägt, sagt die KI nicht, „der Fehler liegt in Zeile 12“. Sie fragt: „Wo im Code könnte Ihrer Meinung nach der Fehler liegen? Was gibt Ihre Funktion zurück, wenn die Eingabe leer ist? Gehen Sie mit mir Schritt für Schritt durch, was bei diesem Testfall passiert.“ Hier findet das meiste Lernen statt – und die größte Versuchung zur Abkürzung. Eine hier gut konfigurierte KI schult die Debugging-Intuition, die ein Leben lang hält.

Stufe 6: Refactoring und Reflexion

Der Student hat funktionierenden Code. Die Rolle der KI ist hier Kritik und Präsentation von Alternativen. Die KI kann nun zeigen, wie ein erfahrener Entwickler denselben Code schreiben würde, erklären, warum seine Version besser oder anders ist, und den Studenten bitten, den Vergleich zu bewerten. Dies ist die Stufe, in der die KI am generativsten sein kann – das zugrunde liegende Lernen hat bereits stattgefunden, und der Mehrwert ist die Exposition gegenüber Mustern höherer Qualität.

Stufe 7: Generalisierung

Der Student muss die Fähigkeit auf ein leicht anderes Problem übertragen. Die Rolle der KI ist hier wieder keine. Eine kleine Variante des ursprünglichen Problems wird präsentiert, und der Student löst sie ohne KI-Unterstützung. Dies ist der Moment der Bewertung. Wenn der Student die Fähigkeit verinnerlicht hat, ist die Variante einfach. Wenn nicht, legt die Variante die Lücke offen.

Das Framework in Unterrichtsmuster übersetzen

Das Framework ist das Prinzip. Die Unterrichtsmuster unten sind die Praxis. Jedes Muster setzt eine oder mehrere Stufen des Frameworks in einer konkreten Aufgabe oder Aktivität um. Lehrer berichten konsistent, dass diese Muster funktionieren.

• Die Zwei-Wege-Aufgabe. Jede bedeutende Aufgabe hat einen Solo-Teil (Stufe 7 Generalisierung, keine KI) und einen Werkzeug-Teil (Stufen 1-6, strukturierte KI). Der Solo-Teil ist kürzer, wird aber gleich bewertet. Dies fängt ab, was der Student wirklich kann.
• Die Dekomposition-Zuerst-Abgabe. Bevor Code geschrieben wird, reicht der Student eine schriftliche Dekomposition ein. KI ist hier verboten. Es wird nach der Klarheit des Denkens bewertet, nicht nach der schlussendlichen Korrektheit. Macht oft 20 bis 30 % der Note aus.
• Der sokratische KI-Chatbot. Stellen Sie Studenten einen kursspezifischen KI-Tutor zur Verfügung (ein System-Prompt, das die Stufen 2-5 des Frameworks durchsetzt), der sich weigert, direkten Code zu liefern. Code.org und Universitäten wie Stanford nutzen ähnliche Ansätze.
• Die reine Debugging-Bewertung. Geben Sie Studenten von KI generierten Code mit subtilen Fehlern und bewerten Sie ihre Fähigkeit, diese zu finden und zu beheben. Dies schult Stufe 5 direkt und belohnt die Fähigkeit, die die KI am schlechtesten beherrscht.
• Die Prompt-und-Bewertungs-Übung. Studenten leiten die KI an, ein Problem zu lösen, bewerten die Antwort auf Korrektheit und Effizienz, identifizieren Fehler oder Stilprobleme und reichen sowohl den Prompt als auch eine korrigierte Version ein – inklusive Analyse. Behandelt KI-Fluenz als bewertete Fähigkeit.
• Die mündliche Verteidigung. Fünf Minuten pro Student bei bedeutenden Aufgaben. Zwei Fragen: Erklären Sie mir diese Funktion und modifizieren Sie sie vor Ort für eine kleine Variante. Die Signalqualität ist hervorragend.
• Der Verifizierungs-Scan der Kohorte. Jede Abgabe durchläuft eine Verifizierungsebene, die auffällige Abgaben zur genaueren Prüfung markiert. Dies hält die soziale Norm aufrecht, die Arbeit selbst zu tun.

Die Werkzeugebene: Praktikabilität in großem Maßstab

Eine CS1-Klasse mit 200 Studenten kann nicht jede Abgabe manuell verifizieren, jede KI-Interaktion manuell strukturieren oder bei jeder Aufgabe mündliche Verteidigungen durchführen. Die Werkzeugebene muss das Arbeitsvolumen übernehmen, sodass der Mensch für die wertvollsten Momente frei bleibt. Dies ist die Rolle von Plagly.ai in einem Kurs, der um dieses Framework herum aufgebaut ist.

• Verifizierung der Code-Abgabe. Jede hochgeladene Datei durchläuft einen KI-Generierungs-Scan, der einen Konfidenzwert und Zeilen-Markierungen liefert. Plagly.ai erreicht 99 % Genauigkeit bei GPT-5.5, Claude 4.6, Gemini 3.1 und agentischen Codierungstools.
• Kohortenübergreifende Musteranalyse. Wenn mehrere Studenten in einer Sektion Lösungen mit identischer Variablenbenennung, identischer Kommentardichte und demselben defensiven Grenzfallmuster einreichen, wird die Gruppe automatisch markiert.
• Verifizierung des Prozesspfads. Für größere Projekte erstellt der Agentic Council von Plagly.ai – sieben Domain-Expertenmodelle – einen referenzierten Bericht, der dokumentiert, ob die Abgabe die Spuren iterativer Autorenschaft aufweist, die echte studentische Arbeit auszeichnet.
• Umgekehrte Humanisierung für den Unterricht. Die Humanize-Funktion zeigt, wie typischer KI-Code aussieht. Im Unterricht eingesetzt, wird sie zum Lehrmittel: Zeigen Sie eine Funktion im KI-Stil neben einer idiomatischen Studentenfunktion und lassen Sie die Unterschiede erarbeiten.
• Mehrsprachige Abdeckung. Die Signale funktionieren in Python, JavaScript, Java, TypeScript, C++, Rust, Go und anderen weit verbreiteten Sprachen. Das Lehrplan-Design muss sich nicht den Einschränkungen der Werkzeuge beugen.

Das Framework nach Kursniveau

Das Framework bleibt über die Kursniveaus hinweg konsistent, aber die Kalibrierung ändert sich. Je fortgeschrittener ein Student ist, desto mehr Autonomie erhält er in jeder Stufe.

CS1 (Einführung in die Programmierung)

Strikte Anwendung des Frameworks. Die Stufen 1, 4 und 7 haben minimalen KI-Zugriff. Die Stufen 2-3 nutzen die KI nur im Fragenmodus. Das Debugging der Stufe 5 ist stark strukturiert. Das Ziel in CS1 ist der Aufbau der kognitiven Infrastruktur: Code lesen, Ausführung nachvollziehen, Hypothesen bilden. Diesen Prozess in CS1 an die KI abzugeben, verhindert die Entwicklung dieser Fähigkeiten. Kombinieren Sie dies mit verpflichtender Problemlösung im Unterricht und mündlicher Verteidigung.

Datenstrukturen und Algorithmen

Moderate Anwendung des Frameworks. Die Stufen 4-6 können leicht gelockert werden. Die KI kann nun als Pair Programmer für die Implementierung genutzt werden, aber erst, nachdem der Student sich unabhängig für einen Ansatz entschieden hat (Stufe 3). Das Debugging bleibt stark strukturiert. Die Generalisierungsaufgaben der Stufe 7 werden abstrakter: Beweisen Sie, dass Ihr Algorithmus in O(n log n) läuft, oder modifizieren Sie die Implementierung unter einer zusätzlichen Einschränkung.

Abschlussprojekt und Software Engineering

Lockere Anwendung des Frameworks, hohe Prozesstransparenz. Im Abschlussjahr sollten Studenten nahe am Modell der Arbeitswelt agieren: KI als Kollaborateur, Student als Leiter. Die Verifizierungsebene verschiebt sich von der KI-Erkennung pro Abgabe zur Prozesstransparenz: Commit-Historie, Dokumentation von Architekturentscheidungen, aufgezeichnete Code-Review-Sitzungen. Die mündliche Verteidigung wird zur Design-Review – kann der Student Architekturentscheidungen rechtfertigen und das Design anpassen?

Was Sie im Jahr 2026 nicht mehr tun sollten

Fünf Praktiken aus dem Lehrplan der Vor-KI-Zeit, die jetzt verschwinden müssen, da sie das Framework aktiv untergraben:

• Aufgaben für zu Hause nicht mehr mit mehr als 70 % der Gesamtnote gewichten. Der Bewertungszyklus ist vollständig automatisierbar. Gewichtungen müssen sich zu Problemlösung im Unterricht, mündlichen Verteidigungen und überwachten Projektmeilensteinen verschieben.
• Den Autograder nicht mehr als einzige Benotungsinstanz nutzen. Der Autograder weiß nicht, wer den Code geschrieben hat. Kombinieren Sie die Autograder-Punkte mit der Verifizierungsebene.
• Keine Standard-Aufgaben mit weit verbreiteten Lösungen mehr stellen. Wenn das Problem auf LeetCode oder in Lehrbüchern vor 2024 steht, kennt die KI die Lösung. Kursspezifische Problemstellungen und Datensätze zwingen die KI zum Arbeiten statt zum Erinnern.
• KI nicht mehr als außerhalb des Lehrplans behandeln. KI-Fluenz ist Teil dessen, was Entwickler in der Industrie tun. Aufgaben zur Bewertung von KI-Ausgaben oder zum Debuggen von KI-Code lehren Fähigkeiten, die die Arbeitswelt benötigt.
• Die Verifizierungsebene nicht mehr verheimlichen. Sagen Sie Studenten offen, dass Abgaben auf KI-Generierung gescannt werden, was das Framework erwartet und was die Konsequenzen von Missbrauch sind. Transparenz fördert die soziale Norm.

Häufig gestellte Fragen

Funktioniert dieses Framework für asynchrone Kurse im eigenen Tempo?

Ja, mit zwei Anpassungen. Erstens wird die mündliche Verteidigung zu einem kurzen Erklärungsvideo, das der Student einreicht. Das Video (2 bis 5 Minuten) beantwortet zwei Diagnosefragen. Zweitens wird das sokratische KI-Scaffolding wichtiger, da kein Dozent im Raum ist, um Studenten vom reinen „Löser-Modus“ abzuhalten.

Was ist mit Studenten, die am besten durch das Lesen von funktionierendem Code lernen?

Das Framework passt sich dem in Stufe 6 (Refactoring und Reflexion) explizit an. Nachdem der Student seinen eigenen funktionierenden Code erstellt hat, ist der Kontakt mit KI-Alternativen oder Experten-Refactorings von großem Wert. Die Einschränkung ist die Reihenfolge: Die KI als Vorbild kommt nach der eigenen Arbeit des Studenten, nicht davor. Das Lesen von großartigem Code lehrt, wenn der Leser das Problem bereits selbst versucht hat.

Wie gehe ich mit Studenten um, die bereits stark auf KI setzen und sich dem Framework widersetzen?

Präsentieren Sie die Argumente explizit, idealerweise am ersten Tag. Zeigen Sie die CodeRabbit-Daten vom Dezember 2025 über 1,7-mal höhere Fehlerraten bei KI-Code. Verweisen Sie auf den dev.to-Artikel „30 Tage ohne KI“. Sprechen Sie über Live-Codierungs-Interviews in der Industrie. Studenten, die sich dem Framework widersetzen, sind meist diejenigen, die es am dringendsten benötigen. Viele haben sich noch nicht mit den Konsequenzen des Vibe Codings auseinandergesetzt, und wenn sie es tun (oft im ersten technischen Vorstellungsgespräch), wünschen sie sich meist, sie hätten das Framework früher ernst genommen.

Kann ich das Framework schrittweise einführen, statt meinen Kurs auf einmal umzustrukturieren?

Ja. Die minimal praktikable Einführung besteht darin, drei Dinge zu Ihrem bestehenden Kurs hinzuzufügen: eine Verpflichtung zur Dekomposition-Zuerst-Abgabe bei einer wichtigen Aufgabe, eine kurze mündliche Verteidigung bei derselben Aufgabe und eine Verifizierungsebene (ein Werkzeug, das Abgaben scannt und Muster erkennt), die im Hintergrund läuft. Diese drei Ergänzungen bringen Sie den größten Teil des Weges voran.

Was ist, wenn meine Institution noch keine klaren KI-Richtlinien verabschiedet hat?

Die meisten haben das nicht und suchen den Input der Fakultät. Die Einführung des Frameworks auf Kursebene gibt Ihnen ein verteidigungsfähiges Modell für Richtliniengespräche auf Fachbereichsebene: Das ist es, was wir in CS1 tun, hier ist die Begründung, hier sind die Ergebnisse. Professoren, die proaktiv eine gute Pädagogik in diesem Bereich vorleben, gestalten zunehmend die institutionelle Politik. Das Framework ist darauf ausgelegt, in diesen Gesprächen vertreten zu werden – die lerngeschichtlichen Zitate und der explizite Bezug auf produktiven Kampf dienen als Argumentationshilfe.