Code Execution - KI-Modelle als ausführende Werkzeuge - aiMOOC

Einleitung

Code Execution bedeutet im Kontext moderner KI, dass ein KI-Modell nicht nur Text erzeugt, sondern über eine umgebende Softwareumgebung auch Werkzeuge nutzen kann: Es kann zum Beispiel Quellcode schreiben, diesen in einer begrenzten Sandbox ausführen, Testergebnisse auswerten, Dateien ändern, Fehler analysieren oder einen nächsten Arbeitsschritt planen. Das Large Language Model selbst ist dabei nicht magisch ausführend. Es berechnet zunächst wahrscheinliche nächste Token und formuliert daraus Vorschläge, Pläne oder Werkzeugaufrufe. Ausführung entsteht erst, wenn eine kontrollierende Anwendung diesen Vorschlag an ein echtes Werkzeug weitergibt. Genau diese Kopplung aus Sprachmodell, Werkzeugzugriff, Programmierumgebung, Tests und menschlicher Verantwortung verändert die Softwareentwicklung grundlegend.

{{#ev:youtube| https://www.youtube.com/watch?v=fyFk0lrEWS8 |500|center}}

Der Übergang vom Vibe-Coding zum Agentic-Coding beschreibt zwei unterschiedliche Arbeitsweisen mit KI beim Programmieren. Beim Vibe-Coding beschreibst Du in natürlicher Sprache, was ungefähr entstehen soll, lässt Dir Code erzeugen, probierst ihn aus und steuerst mit weiteren Prompts nach. Diese Arbeitsweise eignet sich besonders für Ideen, Prototypen, Lernexperimente und kreative Exploration. Beim Agentic-Coding wird die KI stärker als zielorientierter, werkzeugnutzender Software-Agent eingesetzt: Sie kann Aufgaben zerlegen, Dateien durchsuchen, Änderungen vornehmen, Tests starten, Fehlermeldungen interpretieren und in Schleifen verbessern. Je autonomer ein System handelt, desto wichtiger werden klare Ziele, Grenzen, Prüfungen, Datenschutz, Informationssicherheit und menschliche Kontrolle.

Dieser aiMOOC führt Dich Schritt für Schritt in die Idee von KI-Modellen als ausführende Werkzeuge ein. Du lernst, wie ein Prompt zu ausführbarem Code werden kann, warum Tests und Reviews unverzichtbar sind, wie sich Vibe-Coding und Agentic-Coding unterscheiden und wie Du KI-Werkzeuge verantwortungsvoll in Schule, Ausbildung, Studium oder Beruf nutzt. Ziel ist nicht, menschliches Denken durch KI zu ersetzen, sondern ein gutes Verständnis dafür zu entwickeln, wann KI beschleunigt, wann sie irrt und wie Du Ergebnisse prüfbar machst.

Grundbegriffe

Large Language Model

Ein Large Language Model ist ein großes Sprachmodell, das auf sehr vielen Texten und weiteren Daten trainiert wurde. Es kann Texte zusammenfassen, Fragen beantworten, Code erklären, Programmiersprachen nachahmen und Vorschläge für Programme erzeugen. Ein solches Modell versteht Code jedoch nicht wie ein Mensch mit Bewusstsein oder Absicht. Es arbeitet mit statistisch gelernten Mustern, Kontextinformationen und Wahrscheinlichkeiten. Deshalb kann es hilfreiche Lösungen formulieren, aber auch Fehler, erfundene Bibliotheken, unvollständige Annahmen oder unsichere Programmiermuster erzeugen.

Für die Codearbeit ist entscheidend: Ein LLM kann häufig erklären, wie Code aussehen sollte. Es weiß aber nicht automatisch, ob der Code in Deiner konkreten Umgebung funktioniert. Dazu braucht es Code Execution, also die Möglichkeit, Code tatsächlich auszuführen und die Ergebnisse mit der Aufgabenstellung zu vergleichen. Erst durch Ausführen, Testen und Überarbeiten entsteht belastbare Qualität.

Tool Use und Werkzeugaufrufe

Tool Use bedeutet, dass ein KI-System mit externen Werkzeugen verbunden wird. Ein Werkzeug kann eine Suchfunktion, ein Dateisystem, eine Datenbank, ein Compiler, ein Interpreter, ein Testframework oder eine Programmierschnittstelle sein. Das Modell entscheidet nicht völlig frei, sondern erzeugt einen strukturierten Vorschlag: etwa "Führe diesen Python-Code aus" oder "Öffne diese Datei". Die umgebende Software prüft, ob dieser Werkzeugaufruf erlaubt ist, führt ihn aus und gibt das Ergebnis zurück.

Dieses Muster erzeugt eine Schleife:

Aufgabe: Ein Mensch beschreibt ein Ziel.
Planung: Das KI-Modell schlägt Schritte oder Code vor.
Werkzeugaufruf: Eine kontrollierte Umgebung führt erlaubte Aktionen aus.
Beobachtung: Das Ergebnis, eine Fehlermeldung oder ein Testbericht wird zurückgegeben.
Iteration: Das Modell oder der Mensch verbessert den nächsten Schritt.

Sandbox

Eine Sandbox ist eine begrenzte Ausführungsumgebung. Sie soll verhindern, dass ausprobierter Code beliebig auf Geräte, private Daten, Netzwerke oder wichtige Systeme zugreift. Eine gute Sandbox beschränkt Ressourcen, Dateizugriffe, Laufzeiten und Netzwerkverbindungen. Für Lernende ist sie besonders wichtig, weil Experimente mit Code Fehler enthalten dürfen, ohne sofort großen Schaden anzurichten. Trotzdem ist eine Sandbox kein Freibrief: Datenschutz, Urheberrecht, Sicherheit und Schulregeln gelten weiterhin.

Kontextfenster

Das Kontextfenster umfasst die Informationen, die ein KI-Modell während einer Anfrage berücksichtigen kann: Aufgabenstellung, bisherige Antworten, Codeausschnitte, Fehlermeldungen, Dateien, Tests, Projektregeln und Beispiele. Schlechte Ergebnisse entstehen oft nicht, weil die KI "dumm" ist, sondern weil der Kontext unvollständig, widersprüchlich oder zu groß ist. Wer mit KI programmiert, muss deshalb lernen, relevanten Kontext auszuwählen: Was ist das Ziel? Welche Dateien sind wichtig? Welche Einschränkungen gelten? Welche Tests müssen bestehen? Welche Daten dürfen nicht geteilt werden?

Code Execution als Arbeitsprinzip

Vom Text zum laufenden Programm

Beim klassischen Programmieren schreibt ein Mensch Quellcode, führt ihn aus, prüft das Ergebnis und verbessert Fehler. Bei KI-gestützter Codearbeit bleibt dieser Zyklus erhalten, aber die Rollen verschieben sich. Du formulierst stärker Absichten, Beispiele und Qualitätskriterien. Das Modell schlägt Code vor. Die Ausführungsumgebung liefert harte Rückmeldungen: Läuft der Code? Sind Tests erfolgreich? Stimmen Ausgaben und Anforderungen überein?

Ein sinnvoller Ablauf sieht so aus:

Anforderung: Formuliere präzise, welches Problem gelöst werden soll.
Akzeptanzkriterium: Beschreibe, woran eine gute Lösung erkennbar ist.
Prompt: Gib dem Modell Kontext, Grenzen und Beispiele.
Codegenerierung: Lass einen kleinen, überschaubaren Lösungsschritt erzeugen.
Ausführung: Führe den Code in einer sicheren Umgebung aus.
Test: Prüfe Funktion, Randfälle, Fehlerverhalten und Lesbarkeit.
Review: Lies den Code selbst oder mit anderen kritisch gegen.
Refactoring: Verbessere Struktur, Namen, Dokumentation und Wartbarkeit.

Warum Ausführung wichtig ist

Ohne Ausführung bleibt KI-generierter Code eine Behauptung. Ein Modell kann überzeugend erklären, dass eine Lösung funktioniert, obwohl sie Syntaxfehler enthält, eine Bibliothek falsch verwendet, Sonderfälle übersieht oder Sicherheitsprobleme einbaut. Code Execution macht Aussagen überprüfbar. Fehlermeldungen, Testberichte und konkrete Ausgaben werden zu Lernmaterial. Genau darin liegt ein großer didaktischer Wert: Du lernst nicht nur "die richtige Antwort", sondern den Prozess der Annäherung an eine funktionierende Lösung.

Grenzen der Ausführung

Ausführung zeigt nicht alles. Ein Programm kann die vorhandenen Tests bestehen und trotzdem falsch, unsicher, unfair, langsam oder schlecht wartbar sein. Tests decken nur ab, was geprüft wurde. Deshalb brauchst Du zusätzlich Fachverständnis, Codeverständnis, Qualitätskriterien und Verantwortungsbewusstsein. Besonders vorsichtig solltest Du bei personenbezogenen Daten, Login-Systemen, Zahlungen, medizinischen Aussagen, rechtlichen Entscheidungen, sicherheitskritischer Software und fremdem Code sein.

Vibe-Coding

Bedeutung

Vibe-Coding beschreibt eine lockere, stark dialogorientierte Form des KI-gestützten Programmierens. Du beschreibst eine Idee in natürlicher Sprache, lässt Dir Code oder eine Anwendung erzeugen, schaust Dir das Ergebnis an und gibst neue Impulse: "Mach es moderner", "Füge eine Suche hinzu", "Der Button funktioniert nicht", "Erkläre mir den Fehler". Der Fokus liegt auf Fluss, schneller Rückmeldung und kreativem Experimentieren.

Diese Arbeitsweise kann sehr motivierend sein, weil sie den Einstieg senkt. Lernende erleben schnell sichtbare Ergebnisse und können Ideen umsetzen, bevor sie jede Syntaxregel perfekt beherrschen. Gleichzeitig entsteht ein Risiko: Wer Code nur akzeptiert, weil er "irgendwie läuft", baut leicht technische Schulden auf. Unverstandener Code ist schwer zu warten, schwer zu sichern und schwer zu erklären.

Stärken des Vibe-Codings

Prototyp: Ideen können schnell sichtbar gemacht werden.
Motivation: Lernende erleben rasch Erfolgserlebnisse.
Kreativität: Varianten, Layouts und Funktionsideen lassen sich spielerisch testen.
Lernen durch Fehler: Fehlermeldungen werden zum Anlass für Nachfragen und Erklärungen.
Barrierefreiheit: Auch Personen mit wenig Syntaxwissen können erste Anwendungen entwerfen.

Risiken des Vibe-Codings

Scheinsicherheit: Ein überzeugender KI-Text kann fehlerhafte Lösungen verschleiern.
Black Box: Lernende wissen nicht mehr, warum der Code funktioniert.
Technische Schulden: Schnell erzeugter Code kann unübersichtlich und schwer wartbar sein.
Sicherheitslücke: Unsichere Muster können unbemerkt übernommen werden.
Abhängigkeit: Wer nur promptet, entwickelt weniger eigene Debugging- und Strukturkompetenz.

Agentic-Coding

Bedeutung

Agentic-Coding nutzt KI-Systeme als zielorientierte Agenten. Ein Agent erhält ein Ziel, analysiert den Kontext, plant Teilschritte, nutzt Werkzeuge, beobachtet Ergebnisse und verbessert seine Lösung. Im Programmierkontext kann ein Agent zum Beispiel ein Repository durchsuchen, eine Datei ändern, Tests ausführen, Fehlermeldungen auswerten und einen Änderungsvorschlag erstellen. Agentic-Coding ist damit näher an professioneller Softwareentwicklung als reines Ausprobieren im Chat.

Typische Bestandteile eines Coding-Agenten

Zielbeschreibung: Der Agent braucht eine klare Aufgabe und klare Grenzen.
Planung: Die Aufgabe wird in überprüfbare Teilschritte zerlegt.
Werkzeugzugriff: Der Agent nutzt Editor, Terminal, Testsystem oder Dokumentation.
Speicher: Projektinformationen, Entscheidungen oder Zwischenergebnisse werden berücksichtigt.
Beobachtung: Testergebnisse, Fehlermeldungen und Dateiinhalte fließen zurück.
Kontrollpunkt: Ein Mensch entscheidet bei wichtigen Änderungen, Freigaben oder Risiken.

Agentisch heißt nicht grenzenlos autonom

Ein häufiger Irrtum lautet: "Ein Agent erledigt alles allein." Gute agentische Systeme arbeiten jedoch mit Grenzen. Sie benötigen Berechtigungen, Abbruchregeln, Testpflichten, Protokolle und menschliche Freigaben. In der Schule oder Ausbildung sollte Agentic-Coding nie als Ersatz für Verstehen eingesetzt werden. Es ist ein Anlass, systematisch über Aufgabenzerlegung, Qualitätssicherung, Verantwortung und Zusammenarbeit zwischen Mensch und Maschine zu lernen.

Vergleich: Vibe-Coding und Agentic-Coding

Aspekt	Vibe-Coding	Agentic-Coding
Grundidee	Schnelles dialogisches Erzeugen und Ausprobieren	Zielorientiertes Planen, Ausführen, Testen und Verbessern
Rolle des Menschen	Ideengeber, Tester, Nachsteuerer	Auftraggeber, Prüfer, Entscheider und Verantwortlicher
Typischer Einsatz	Prototyp, Lernprojekt, Entwurf, kreative Variante	Größeres Projekt, Refactoring, Testautomatisierung, Wartung
Risiko	Unverstandener oder unsicherer Code wird übernommen	Zu viel Autonomie ohne Kontrolle verändert falsche Stellen
Qualitätsmittel	Manuelles Prüfen, Erklären lassen, kleine Schritte	Tests, Reviews, Versionskontrolle, Freigaben, Protokolle

Vibe-Coding und Agentic-Coding sind keine Feinde. In einem guten Lern- oder Entwicklungsprozess können beide zusammenwirken. Am Anfang hilft Vibe-Coding, eine Idee schnell zu erkunden. Danach helfen agentische Strukturen, aus dem Experiment ein überprüfbares, wartbares und dokumentiertes Ergebnis zu machen.

Mensch-KI-Zusammenarbeit

Neue Rollen beim Programmieren

Beim KI-gestützten Programmieren wird der Mensch nicht überflüssig. Die Rolle verändert sich: Du bist stärker Produktverantwortliche, Architekt, Prüferin, Kritiker, Lernende und Entscheiderin zugleich. Die KI kann Vorschläge machen, aber sie trägt keine Verantwortung. Ein Programm, das veröffentlicht, bewertet oder genutzt wird, braucht eine verantwortliche Person oder Organisation.

Ein hilfreiches Rollenmodell lautet:

Mensch: Definiert Ziel, Werte, Grenzen, Datenlage und Qualitätsanspruch.
KI-Modell: Erzeugt Vorschläge, Varianten, Erklärungen und mögliche Lösungen.
Werkzeug: Führt Code aus, misst Ergebnisse und liefert Rückmeldungen.
Test: Prüft erwartetes Verhalten und macht Fehler sichtbar.
Review: Bewertet Verständlichkeit, Sicherheit, Wartbarkeit und Angemessenheit.

Prompten als fachliche Tätigkeit

Ein guter Prompt ist kein Zauberspruch, sondern eine fachliche Beschreibung. Er enthält Kontext, Ziel, Randbedingungen und Prüfkriterien. Für Code Execution sind besonders hilfreich:

Ziel: Was soll das Programm genau leisten?
Eingabe: Welche Daten bekommt das Programm?
Ausgabe: Wie soll das Ergebnis aussehen?
Randfall: Was passiert bei leeren, falschen oder extremen Eingaben?
Qualitätskriterium: Soll der Code verständlich, schnell, barrierefrei, testbar oder besonders sicher sein?
Erklärung: Soll die KI den Code erläutern, bevor er verwendet wird?

Ein schwacher Prompt lautet: "Bau mir eine App." Ein stärkerer Prompt lautet: "Erstelle eine einfache To-do-App für Lernende. Sie soll Aufgaben hinzufügen, als erledigt markieren und im Browser speichern. Nutze verständliches HTML, CSS und JavaScript. Erkläre danach jede Funktion und nenne drei Tests, mit denen ich die App prüfen kann."

Qualitätskriterien für KI-generierten Code

Prüffragen

KI-generierter Code sollte wie fremder Code behandelt werden: interessant, aber zunächst unbewiesen. Stelle Dir vor der Übernahme folgende Fragen:

Funktionalität: Löst der Code wirklich die beschriebene Aufgabe?
Nachvollziehbarkeit: Kannst Du erklären, was die wichtigsten Teile tun?
Testbarkeit: Gibt es automatische oder manuelle Tests?
Sicherheit: Werden Eingaben geprüft und sensible Daten geschützt?
Wartbarkeit: Sind Namen, Struktur und Kommentare verständlich?
Lizenz: Ist klar, ob verwendete Bausteine rechtlich genutzt werden dürfen?
Datenschutz: Werden keine unnötigen personenbezogenen Daten verarbeitet?
Barrierefreiheit: Können möglichst viele Menschen das Ergebnis nutzen?

Tests als Lernmotor

Tests sind nicht nur Kontrolle, sondern auch Lernen. Ein Test beschreibt eine Erwartung. Wenn er fehlschlägt, zeigt er eine Lücke zwischen Wunsch und Wirklichkeit. Besonders hilfreich sind kleine Tests: Eine Funktion soll für eine normale Eingabe funktionieren, für eine leere Eingabe sinnvoll reagieren und für ungültige Daten keine gefährlichen Nebenwirkungen erzeugen. In KI-Projekten solltest Du die KI nicht nur bitten, Code zu schreiben, sondern auch Testfälle vorzuschlagen und zu erklären. Danach musst Du prüfen, ob die Tests wirklich die wichtigen Risiken abdecken.

Versionierung und Rückverfolgbarkeit

Bei Agentic-Coding kann ein System viele Dateien ändern. Ohne Versionsverwaltung wird schnell unklar, was passiert ist. Deshalb sind kleine Änderungen, klare Commit-Nachrichten, Vergleichsansichten und Rücksprungmöglichkeiten wichtig. Für Lernende reicht oft ein einfacher Projektordner mit Versionen oder ein dokumentiertes Änderungsprotokoll. Fortgeschrittene nutzen Git, Branches und Pull Requests. Entscheidend ist: Jede Änderung muss nachvollziehbar bleiben.

Sicherheit, Ethik und Verantwortung

Datenschutz

Du solltest keine personenbezogenen Daten, Passwörter, privaten Chatverläufe, Gesundheitsdaten, Notenlisten oder geheimen Projektinformationen in KI-Systeme eingeben, wenn dafür keine klare Rechtsgrundlage und keine sichere Umgebung vorhanden sind. Schon ein scheinbar harmloser Prompt kann sensible Informationen enthalten. In Bildungskontexten gilt: Arbeite mit Beispieldaten, anonymisierten Daten oder künstlichen Übungsdaten.

Informationssicherheit

Code Execution kann Risiken erzeugen, wenn Code Dateien löscht, Daten versendet, fremde Dienste aufruft oder schädliche Befehle enthält. Deshalb gehören Sandbox, Berechtigungen, Protokolle, Tests und menschliche Kontrolle zusammen. Besonders kritisch sind Authentifizierung, Verschlüsselung, Zahlungsfunktionen, Administrationsrechte und Netzwerkzugriffe. In diesen Bereichen darf KI nur unterstützend und unter fachkundiger Prüfung eingesetzt werden.

Urheberrecht und Lizenzen

KI kann Code erzeugen, der bekannten Mustern ähnelt oder Bibliotheken vorschlägt, deren Lizenzbedingungen Du beachten musst. Für schulische Übungen ist das meist unproblematischer als für veröffentlichte Produkte, aber auch hier solltest Du Quellen, verwendete Bibliotheken und Lizenzen dokumentieren. Bei größeren Projekten ist ein Lizenzcheck Teil der Qualitätssicherung.

Verantwortung

Ein KI-Modell ist kein moralischer Akteur. Es kann keine Verantwortung für Schäden, Diskriminierung, Datenschutzfehler oder fehlerhafte Entscheidungen übernehmen. Verantwortlich bleiben Menschen und Organisationen, die ein System einsetzen. Deshalb gehört zu guter KI-Kompetenz nicht nur die Frage "Kann ich das bauen?", sondern auch "Soll ich das bauen?", "Wer ist betroffen?", "Wie wird geprüft?" und "Wer kann eingreifen?"

Praktischer Leitfaden

Ein sinnvoller Workflow

Ein guter Workflow verbindet kreative Schnelligkeit mit überprüfbarer Qualität:

Problemklärung: Beschreibe das Ziel in eigenen Worten, bevor Du die KI fragst.
Aufgabenzerlegung: Teile große Ziele in kleine, testbare Schritte.
Kontextauswahl: Gib nur relevante und erlaubte Informationen weiter.
KI-Vorschlag: Lass Code, Tests oder Erklärungen erzeugen.
Ausführung: Führe Code in einer geeigneten Umgebung aus.
Fehleranalyse: Lies Fehlermeldungen und lasse sie erklären, ohne blind zu übernehmen.
Review: Prüfe Logik, Sicherheit, Stil und Verständlichkeit.
Dokumentation: Halte fest, was die KI beigetragen hat und was Du geändert hast.
Reflexion: Bewerte, was Du gelernt hast und wo Du noch unsicher bist.

Beispiel: Lern-App mit KI entwickeln

Stell Dir vor, Du möchtest eine kleine Vokabeltrainer-App bauen. Beim Vibe-Coding könntest Du zunächst schreiben: "Erstelle eine einfache Vokabeltrainer-App im Browser." Die KI erzeugt vielleicht HTML, CSS und JavaScript. Du testest, ob Wörter angezeigt und Antworten geprüft werden. Danach merkst Du, dass Lernstände gespeichert werden sollen. Du promptest weiter.

Beim Agentic-Coding würdest Du strukturierter vorgehen: Zuerst definierst Du Anforderungen, dann Testfälle, danach Dateien und Funktionen. Ein Agent könnte eine Projektstruktur anlegen, Funktionen implementieren, Tests ausführen und Fehler verbessern. Du prüfst nach jedem Schritt die Änderungen. So entsteht aus einer Idee ein Projekt mit nachvollziehbaren Anforderungen, Tests und Dokumentation.

Gute Prompts für Code Execution

Erklärprompt: "Erkläre zuerst Deinen Plan in fünf Schritten, bevor Du Code schreibst."
Testprompt: "Erstelle zu jeder Funktion mindestens drei Testfälle, darunter einen Randfall."
Reviewprompt: "Prüfe den Code auf Verständlichkeit, Sicherheitsrisiken und unnötige Komplexität."
Debuggingprompt: "Analysiere diese Fehlermeldung. Nenne die wahrscheinlichste Ursache und zwei Prüfschritte."
Refactoringprompt: "Verbessere die Struktur, ohne das Verhalten zu ändern. Erkläre jede Änderung."
Lernprompt: "Stelle mir drei Verständnisfragen, damit ich den Code nicht nur kopiere."

Einsatz in Schule, Ausbildung und Studium

Lernziele

Dieser Themenbereich eignet sich besonders für Informatik, Medienbildung, Berufliche Bildung, Projektarbeit und fächerübergreifende Digitale Bildung. Lernende können verstehen, wie moderne KI-Werkzeuge funktionieren, wie man Ergebnisse prüft und wie Verantwortung in technischen Systemen verteilt ist. Wichtig ist, dass KI nicht nur als Abkürzung genutzt wird. Sie soll Lernprozesse sichtbar machen: Anforderungen formulieren, Hypothesen testen, Fehler analysieren, Entscheidungen begründen und Ergebnisse reflektieren.

Kompetenzen

Problemlösekompetenz: Komplexe Aufgaben in kleine, prüfbare Schritte zerlegen.
Datenkompetenz: Datenarten, Datenschutz und Eingabequalität berücksichtigen.
Programmierkompetenz: Code lesen, ausführen, verändern und testen.
Urteilskompetenz: KI-Ergebnisse kritisch bewerten.
Kommunikationskompetenz: Anforderungen, Prompts und Reviews verständlich formulieren.
Verantwortung: Chancen und Risiken technischer Automatisierung abwägen.

Didaktische Leitidee

Guter KI-Unterricht fragt nicht nur, ob eine KI die Aufgabe lösen kann. Er fragt, wie eine Lösung entsteht, wie sie geprüft wird und wie Lernende selbst urteilsfähig bleiben. Vibe-Coding kann Neugier und Motivation öffnen. Agentic-Coding kann systematisches Arbeiten, Qualitätsbewusstsein und professionelle Abläufe zeigen. Beide Formen entfalten ihren Wert erst dann, wenn Du nicht nur Ergebnisse sammelst, sondern Prozesse verstehst.

{{#ev:youtube| https://www.youtube.com/watch?v=eaTIrJnkuNI |500|center}}

Merksätze

Code Execution macht KI-Vorschläge überprüfbar, ersetzt aber keine Verantwortung.
Vibe Coding eignet sich für schnelle Ideen, braucht aber kritisches Verstehen.
Agentic Coding kann komplexe Abläufe strukturieren, braucht aber klare Grenzen.
Testen ist ein zentrales Mittel gegen Scheinsicherheit.
Datenschutz und Informationssicherheit müssen vor dem Prompt beginnen.
Lernen entsteht, wenn Du Code erklären, prüfen und verbessern kannst.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was bedeutet Code Execution im Zusammenhang mit KI-Modellen? (Code wird in einer kontrollierten Umgebung ausgeführt und das Ergebnis wird zurückgemeldet) (!Ein Modell wird dadurch zu einem bewussten Programmierer) (!Alle KI-Antworten werden automatisch wahr) (!Der Mensch muss keine Ergebnisse mehr prüfen)

Welche Aussage beschreibt Vibe-Coding am besten? (Dialogisches und schnelles Erzeugen, Ausprobieren und Nachsteuern von Code) (!Formales Beweisen aller Programme vor der ersten Ausführung) (!Programmieren ausschließlich ohne natürliche Sprache) (!Vollständiger Verzicht auf Tests und Ausführung)

Welche Aussage beschreibt Agentic-Coding am besten? (Zielorientierte KI-Unterstützung mit Planung, Werkzeugnutzung, Tests und Iteration) (!Ein einzelner Prompt ohne weitere Kontrolle) (!Reines Abschreiben aus einer Dokumentation) (!Manuelles Programmieren ohne digitale Werkzeuge)

Warum ist eine Sandbox bei Code Execution wichtig? (Sie begrenzt Risiken durch ausgeführten Code) (!Sie macht jeden Code automatisch fehlerfrei) (!Sie ersetzt Datenschutzregeln vollständig) (!Sie verhindert, dass Lernende Code verstehen müssen)

Was ist eine wichtige Aufgabe des Menschen beim KI-gestützten Programmieren? (Ziele, Grenzen, Prüfungen und Verantwortung festlegen) (!Jeden erzeugten Code ungeprüft veröffentlichen) (!Alle Fehlermeldungen ignorieren) (!Sensible Daten als Testmaterial eingeben)

Was leisten Softwaretests in KI-gestützten Programmierprozessen besonders gut? (Sie machen Erwartungen überprüfbar und Fehler sichtbar) (!Sie beweisen immer die vollständige Fehlerfreiheit) (!Sie ersetzen jede fachliche Beurteilung) (!Sie verhindern automatisch jede Sicherheitslücke)

Was gehört zu einem guten Prompt für Code Execution? (Ziel, Kontext, Randbedingungen und Prüfkriterien) (!Nur ein einzelnes ungenaues Schlagwort) (!Möglichst viele private Daten) (!Eine Aufforderung ohne Qualitätskriterien)

Welches Risiko entsteht, wenn Lernende KI-Code nicht verstehen? (Black-Box-Abhängigkeit und unsichere Übernahme von Fehlern) (!Der Code wird immer schneller) (!Alle Lizenzfragen verschwinden) (!Tests werden automatisch vollständiger)

Warum ist Versionsverwaltung bei Agentic-Coding hilfreich? (Änderungen bleiben nachvollziehbar und können überprüft werden) (!Sie ersetzt menschliche Entscheidungen) (!Sie verhindert jede falsche Anforderung) (!Sie macht Sicherheitsprüfungen unnötig)

Welche Haltung passt am besten zu verantwortlicher KI-Codearbeit? (KI-Vorschläge als nützlich, aber prüfpflichtig behandeln) (!KI-Ausgaben grundsätzlich als endgültige Wahrheit ansehen) (!Fehlermeldungen als unwichtig betrachten) (!Datenschutz erst nach der Veröffentlichung prüfen)

Memory

Prompt	Arbeitsauftrag an ein KI-Modell
Sandbox	Begrenzte Ausführungsumgebung
Unit-Test	Automatische Prüfung einer Funktion
Agent	Zielorientierter Software-Assistent
Kontextfenster	Bereich für relevante Informationen
Repository	Geordnete Sammlung von Projektdateien

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Vibe-Coding	Exploratives Prototyping
Agentic-Coding	Zielgesteuerte Automatisierung
Sandbox	Begrenzte Ausführung
Code Review	Kritische Prüfung
Testfall	Erwartetes Verhalten

...

Kreuzworträtsel

Sandbox	Welche Umgebung begrenzt Codeausführung und schützt andere Systeme?
Prompt	Wie heißt der Arbeitsauftrag in natürlicher Sprache an ein KI-Modell?
Agent	Wie heißt ein System, das Ziele verfolgt und Werkzeuge nutzen kann?
Testen	Welche Tätigkeit prüft, ob erzeugter Code erwartungsgemäß funktioniert?
Kontext	Was muss ein Modell erhalten, damit es Projektregeln und Dateien berücksichtigen kann?
Debugging	Wie nennt man das systematische Finden und Beheben von Fehlern?

LearningApps

Lückentext

Bei

wird KI-generierter Code nicht nur beschrieben, sondern in einer kontrollierten Umgebung ausgeführt. Eine

begrenzt dabei Zugriffe und Risiken. Beim

entsteht Code oft in einem schnellen Dialog aus Idee, Ausprobieren und Nachsteuern. Beim

arbeitet ein KI-System stärker zielorientiert mit Planung, Werkzeugen und Rückmeldungen. Ein guter

beschreibt Ziel, Kontext, Grenzen und Prüfkriterien. Durch

werden Erwartungen sichtbar und Fehler leichter auffindbar. Der

bleibt verantwortlich für Freigabe, Datenschutz und Bewertung. Gute KI-Codearbeit verbindet Geschwindigkeit mit

.

Offene Aufgaben

Leicht

Begriffslandkarte: Erstelle eine Mindmap zu den Begriffen Code Execution, Vibe-Coding, Agentic-Coding, Sandbox, Prompt, Test und Review. Ergänze zu jedem Begriff ein eigenes Beispiel.
Prompt-Vergleich: Formuliere einen schlechten und einen guten Prompt für eine kleine Lern-App. Erkläre, warum der zweite Prompt bessere Ergebnisse erwarten lässt.
Fehlermeldung verstehen: Suche eine einfache Fehlermeldung aus einer Programmiersprache und schreibe in eigenen Worten, was sie bedeutet und welche ersten Prüfschritte sinnvoll sind.
KI-Rollenkarte: Zeichne ein Rollenmodell für Mensch, KI-Modell, Werkzeug, Test und Review. Markiere, wer Vorschläge macht und wer Verantwortung trägt.

Standard

Prototyp entwickeln: Entwickle mit KI-Unterstützung einen kleinen Prototyp, zum Beispiel einen Quizgenerator oder Vokabeltrainer. Dokumentiere jeden Prompt, jede Änderung und jedes Testergebnis.
Testfall-Sammlung: Erstelle für ein kleines Programm mindestens sechs Testfälle, darunter normale Fälle, Randfälle und fehlerhafte Eingaben. Begründe, welche Risiken die Tests abdecken.
Code-Review: Lass Dir von einer KI Code erzeugen und prüfe ihn anschließend selbst anhand einer Checkliste zu Funktion, Lesbarkeit, Sicherheit und Datenschutz.
Vibe-zu-Agentic: Starte mit einem Vibe-Coding-Prototyp und überführe ihn in einen strukturierten Agentic-Coding-Plan mit Aufgaben, Tests, Dateien und Kontrollpunkten.

Schwer

Agenten-Workflow: Entwirf einen vollständigen Workflow für einen Coding-Agenten, der ein bestehendes Projekt verbessert. Lege Berechtigungen, Abbruchregeln, Tests und menschliche Freigaben fest.
Risikoanalyse: Analysiere ein KI-gestütztes Softwareprojekt auf Datenschutz, Sicherheit, Lizenzfragen und Wartbarkeit. Entwickle konkrete Schutzmaßnahmen.
Vergleichsstudie: Vergleiche zwei Vorgehensweisen: einmal reines Vibe-Coding und einmal strukturiertes Agentic-Coding. Bewerte Ergebnisqualität, Lerngewinn, Fehlerzahl und Nachvollziehbarkeit.
Unterrichtskonzept: Plane eine 45-minütige Unterrichtseinheit zu Code Execution. Formuliere Lernziele, Ablauf, Differenzierung, Materialien und eine Reflexionsaufgabe.

type=create break=no preload=CHAT GPT TEXT HIER EINFÜGEN default= width=30 placeholder= Dein MOOC Titel buttonlabel=MOOC erstellen </inputbox>

Lernkontrolle

Transferaufgabe Prototyp: Du sollst eine Lern-App mit KI-Unterstützung entwickeln. Begründe, welche Teile Du mit Vibe-Coding erkunden würdest und ab wann ein agentischer, testbasierter Workflow sinnvoller ist.
Fallanalyse Datenschutz: Eine Lerngruppe gibt echte Namen, Noten und private Kommentare in ein KI-Coding-Werkzeug ein. Analysiere die Risiken und entwickle eine datensparsame Alternative.
Qualitätsurteil: Ein KI-generiertes Programm läuft scheinbar korrekt, enthält aber keine Tests und keine Erklärung. Entwickle einen Prüfplan, mit dem Du Funktion, Sicherheit und Verständlichkeit bewertest.
Rollenreflexion: Erkläre an einem Beispiel, warum die KI Vorschläge machen kann, aber nicht die Verantwortung für ein veröffentlichtes Programm trägt.
Strategieentscheidung: Ein Coding-Agent möchte in einem Projekt viele Dateien gleichzeitig ändern. Entscheide, welche Kontrollpunkte, Tests und Freigaben Du verlangst, bevor Änderungen übernommen werden.
Grenzen der Automatisierung: Beurteile, bei welchen Programmteilen KI-Unterstützung besonders hilfreich ist und bei welchen Teilen menschliche Fachprüfung unverzichtbar bleibt.

Lernnachweis

Für einen Lernnachweis erstellst Du ein kleines Portfolio. Es enthält eine Problemidee, mindestens drei Prompts, eine kurze Beschreibung der erzeugten oder veränderten Codebestandteile, mindestens fünf Testfälle, eine Reflexion zu Fehlern und Verbesserungen sowie eine Bewertung der Risiken. Wichtig ist nicht, dass alles sofort perfekt funktioniert. Entscheidend ist, dass Du den Entwicklungsprozess nachvollziehbar dokumentierst und zeigen kannst, wie Du KI-Ergebnisse geprüft hast.

Portfolio: Dokumentiere Ziel, Kontext, Prompts, Codeänderungen, Tests und Ergebnisse.
Reflexion: Beschreibe, welche KI-Vorschläge hilfreich waren und welche Du verworfen oder verbessert hast.
Qualitätscheck: Prüfe Dein Ergebnis mit Kriterien zu Funktion, Verständlichkeit, Sicherheit, Datenschutz und Wartbarkeit.
Präsentation: Stelle Dein Projekt kurz vor und erkläre, wo Code Execution Deinen Lernprozess unterstützt hat.
Verantwortungsstatement: Formuliere, welche Grenzen Du für den Einsatz von KI-Coding in Deinem Projekt gesetzt hast.

OERs zum Thema

Links

Code Execution mit KI-Modellen

aiMOOC-Projekte

Schulfach+

Prüfungsliteratur 2026
Bundesland	Bücher	Kurzbeschreibung
Baden-Württemberg	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck Mittlere Reife Der Markisenmann - Jan Weiler oder Als die Welt uns gehörte - Liz Kessler Ein Schatten wie ein Leopard - Myron Levoy oder Pampa Blues - Rolf Lappert	Abitur Dorfrichter-Komödie über Wahrheit/Schuld; Roman über einen Ort und deutsche Geschichte. Mittlere Reife Wahllektüren (Roadtrip-Vater-Sohn / Jugendroman im NS-Kontext / Coming-of-age / Provinzroman).
Bayern	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Lustspiel über Machtmissbrauch und Recht; Roman als Zeitschnitt deutscher Geschichte an einem Haus/Grundstück.
Berlin/Brandenburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Der Biberpelz - Gerhart Hauptmann Heimsuchung - Jenny Erpenbeck	Abitur Gerichtskomödie; soziales Drama um Ausbeutung/Armut; Komödie/Satire um Diebstahl und Obrigkeit; Roman über Erinnerungsräume und Umbrüche.
Bremen	Abitur Nach Mitternacht - Irmgard Keun Mario und der Zauberer - Thomas Mann Emilia Galotti - Gotthold Ephraim Lessing oder Miss Sara Sampson - Gotthold Ephraim Lessing	Abitur Roman in der NS-Zeit (Alltag, Anpassung, Angst); Novelle über Verführung/Massenpsychologie; bürgerliche Trauerspiele (Moral, Macht, Stand).
Hamburg	Abitur Der zerbrochne Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun	Abitur Justiz-/Machtkritik als Komödie; Großstadtroman der Weimarer Zeit (Rollenbilder, Aufstiegsträume, soziale Realität).
Hessen	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Heimsuchung - Jenny Erpenbeck Der Prozess - Franz Kafka	Abitur Gerichtskomödie; Fragmentdrama über Gewalt/Entmenschlichung; Erinnerungsroman über deutsche Brüche; moderner Roman über Schuld, Macht und Bürokratie.
Niedersachsen	Abitur Der zerbrochene Krug - Heinrich von Kleist Das kunstseidene Mädchen - Irmgard Keun Die Marquise von O. - Heinrich von Kleist Über das Marionettentheater - Heinrich von Kleist	Abitur Schwerpunkt auf Drama/Roman sowie Kleist-Prosatext und Essay (Ehre, Gewalt, Unschuld; Ästhetik/„Anmut“).
Nordrhein-Westfalen	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Komödie über Wahrheit und Autorität; Roman als literarische „Geschichtsschichtung“ an einem Ort.
Saarland	Abitur Heimsuchung - Jenny Erpenbeck Furor - Lutz Hübner und Sarah Nemitz Bahnwärter Thiel - Gerhart Hauptmann	Abitur Erinnerungsroman an einem Ort; zeitgenössisches Drama über Eskalation/Populismus; naturalistische Novelle (Pflicht/Überforderung/Abgrund).
Sachsen (berufliches Gymnasium)	Abitur Der zerbrochne Krug - Heinrich von Kleist Woyzeck - Georg Büchner Irrungen, Wirrungen - Theodor Fontane Der gute Mensch von Sezuan - Bertolt Brecht Heimsuchung - Jenny Erpenbeck Der Trafikant - Robert Seethaler	Abitur Mischung aus Klassiker-Drama, sozialem Drama, realistischem Roman, epischem Theater und Gegenwarts-/Erinnerungsroman; zusätzlich Coming-of-age im historischen Kontext.
Sachsen-Anhalt	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Themenfelder)	Abitur Schwerpunktsetzung über Themenfelder (u. a. Literatur um 1900; Sprache in politisch-gesellschaftlichen Kontexten), ohne feste Einzeltitel.
Schleswig-Holstein	Abitur Der zerbrochne Krug - Heinrich von Kleist Heimsuchung - Jenny Erpenbeck	Abitur Recht/Gerechtigkeit und historische Tiefenschichten eines Ortes – umgesetzt über Drama und Gegenwartsroman.
Thüringen	Abitur (keine fest benannte landesweite Pflichtlektüre veröffentlicht; Orientierung am gemeinsamen Aufgabenpool)	Abitur In der Praxis häufig Orientierung am gemeinsamen Aufgabenpool; landesweite Einzeltitel je nach Vorgabe/Handreichung nicht einheitlich ausgewiesen.
Mecklenburg-Vorpommern	Abitur (Quelle aktuell technisch nicht abrufbar; Beteiligung am gemeinsamen Aufgabenpool bekannt)	Abitur Land beteiligt sich am länderübergreifenden Aufgabenpool; konkrete, veröffentlichte Einzeltitel konnten hier nicht ausgelesen werden.
Rheinland-Pfalz	Abitur (keine landesweit einheitliche Pflichtlektüre; schulische Auswahl)	Abitur Keine landesweite Einheitsliste; Auswahl kann schul-/kursbezogen erfolgen.