Gelişimİş

Sollten Sie 2026 programmieren lernen? Ein Entscheidungsrahmen für das KI-Zeitalter

A professional at a sunlit table sketching a decision tree in a notebook beside a closed laptop

TL;DR. „Lernen Sie programmieren“ und „Programmieren ist tot“ sind beide falsch, weil sie vier Entscheidungen wie eine behandeln. Das U.S. Bureau of Labor Statistics erwartet für Softwareentwickler von 2025 bis 2035 ein Wachstum von 10 % (174.700 zusätzliche Stellen), während die Zahl der Computerprogrammierer um 7 % schrumpft. Junge Informatikabsolventen hatten in der jüngsten Tabelle der New York Fed nach Studienfach eine Arbeitslosenquote von 7,0 %, gegenüber 4,2 % über alle Fächer, zugleich aber eine der niedrigsten Unterbeschäftigungsquoten und ein mittleres Einstiegsgehalt von 87.000 $. Von den sechs unten gegenübergestellten Studien zu KI-gestütztem Programmieren zeigen zwei klare Gewinne bei Tempo oder Output, eine zeigt, dass erfahrene Entwickler 19 % länger brauchen, eine zeigt weniger sicheren Code, und eine zeigt ein um 17 % schlechteres Ergebnis im Kompetenztest bei Personen, die eine neue Bibliothek mit KI gelernt haben. Der CEO-Schritt: Entscheiden Sie, welche der vier Stufen Sie brauchen und wofür Sie dort die Verantwortung tragen. Der Studenten-Schritt: Lernen Sie, Code zu lesen, zu testen und zu überprüfen, bevor Sie lernen, ihn zu tippen.

Dieser Artikel gehört zum CEOtudent-Cluster zur KI-Kompetenz. Der zentrale Beitrag, Prompt Engineering reicht nicht, kartiert den gesamten Kompetenz-Stack; Die neue technische Kompetenz behandelt, was nicht-technische Fachkräfte über KI-Systeme verstehen müssen; und die Entscheidungsmatrix mit 4 Faktoren ist das allgemeine Werkzeug für die Wahl der nächsten Fähigkeit. Dieser Beitrag ist eine allgemeine Information, keine persönliche Karriere- oder Finanzberatung.

Warum ist „Sollte man programmieren lernen“ die falsche Frage?

Die Frage verdeckt drei Variablen.

Welcher Beruf. Die amtliche Statistik kennt keine Kategorie „Coder“. Sie kennt Softwareentwickler, die Anwendungen und Systeme entwerfen; Computerprogrammierer, die nach den Worten des Bureau of Labor Statistics „die von Softwareentwicklern und -ingenieuren erstellten Entwürfe in Anweisungen umsetzen, denen ein Computer folgen kann“; und Webentwickler. Für die drei werden unterschiedliche Entwicklungsrichtungen projiziert.

Welche Person. Berufseinsteiger und erfahrene Beschäftigte erleben gerade sehr unterschiedliche Jahre.

Welcher Zweck. Software zu schreiben, auf die sich Kunden verlassen, ein kleines Werkzeug für das eigene Team zu bauen und zu lesen, was ein KI-Agent produziert hat, sind drei Fähigkeiten mit drei unterschiedlichen Kosten. Die Stack-Overflow-Umfrage 2025 verwendet für Vibe Coding die Definition „der Prozess, Software aus LLM-Prompts zu generieren“. Diese Praxis hat den zweiten und dritten Zweck für fast jeden geöffnet. Den Einstieg in den ersten hat sie nicht leichter gemacht.

Eine brauchbare Antwort ist ein Sortiertest, kein Ja oder Nein.

Was sagen die amtlichen Arbeitsmarktzahlen über Menschen, die Code schreiben?

Das Occupational Outlook Handbook enthält inzwischen die Löhne vom Mai 2025 und die Projektionen für 2025-2035, die am 27. August 2026 veröffentlicht wurden.

Tabelle 1. Code schreibende Berufe im BLS Occupational Outlook Handbook (Zahlen wie veröffentlicht)

Beruf (SOC-Code) Beschäftigung 2025 Projizierte Beschäftigung 2035 Veränderung 2025-2035 Mittlerer Jahreslohn, Mai 2025
Softwareentwickler (15-1252) 1.717.800 1.892.600 +10 % (+174.700) 135.980 $
Analysten und Tester für Software-Qualitätssicherung (15-1253) 187.600 198.200 +6 % (+10.600) 104.300 $
Computerprogrammierer (15-1251) 110.800 102.700 -7 % (-8.100) 100.390 $
Webentwickler (15-1254) 87.400 90.600 +4 % (+3.300) 92.650 $
Designer für Web- und digitale Schnittstellen (15-1255) 132.700 140.800 +6 % (+8.000) 104.000 $

Quelle: U.S. Bureau of Labor Statistics, Occupational Outlook Handbook. Das BLS rundet die Beschäftigung auf die nächsten 100, daher kann eine veröffentlichte Veränderung um 100 von der einfachen Subtraktion abweichen. Zum Vergleich: Die Gesamtbeschäftigung in den USA soll um 3,5 % wachsen, und der mittlere Jahreslohn aller Beschäftigten lag im Mai 2025 bei 50.980 $.

Die Erläuterungen des Bureau sind ebenso wichtig wie die Zahlen. Für Programmierer heißt es, dass „viele Unternehmen voraussichtlich Technologien nutzen werden, darunter künstliche Intelligenz (KI), um repetitive Programmieraufgaben zu automatisieren“, und dass sich einige anspruchsvollere Programmieraufgaben wahrscheinlich zu Softwareentwicklern verlagern werden. Für Entwickler erwartet es eine starke Nachfrage durch Software für KI, das Internet der Dinge, Robotik und andere Automatisierung. Für Webentwickler warnt es, dass KI-Tools „das Beschäftigungswachstum dämpfen können“ und „es einigen Beschäftigten in anderen Berufen ermöglichen können, einfache Aufgaben der Webentwicklung zu erledigen“. Dieser letzte Satz ist die amtliche Version der Vibe-Coding-Geschichte.

Tabelle 2. Die drei Berufe im direkten Vergleich (CEOtudent-Analyse der Daten des BLS Occupational Outlook Handbook)

Kennzahl Softwareentwickler Computerprogrammierer Webentwickler
Mittlerer Lohn als Vielfaches des Medians aller Beschäftigten (50.980 $) 2,67x 1,97x 1,82x
Lohnabstand zu Softwareentwicklern – 35.590 $ niedriger 43.330 $ niedriger
Projiziertes Wachstum im Vergleich zu allen Berufen (3,5 %) das 2,9-Fache des Durchschnitts rückläufig 4 %, leicht über dem Durchschnitt
Entwickler pro Programmierer, 2025 15,5 – –
Entwickler pro Programmierer, 2035 (projiziert) 18,4 – –
Projizierte Nettoveränderung über alle drei +169.900 Stellen (+174.700, -8.100 und +3.300)

Quelle: CEOtudent-Berechnungen auf Basis von Tabelle 1.

Der Markt zahlt schon heute einen Aufschlag von 35,5 % für den Beruf, der entscheidet, was gebaut wird, gegenüber dem Beruf, der einen Entwurf in Code übersetzt, und die Projektionen vergrößern den Abstand von 15,5 Entwicklern pro Programmierer auf 18,4. Ein schrumpfender Beruf ist kein geschlossener: Projiziert werden weiterhin rund 4.400 offene Programmiererstellen pro Jahr, alle durch den Ersatz ausscheidender Beschäftigter. Die KI-Expositionskategorien des Bureau und ihre Einschränkungen behandelt der CEOtudent-Beitrag über kündigungsresistente Karrieren.

Was passiert mit neuen Informatikabsolventen?

Die Federal Reserve Bank of New York veröffentlicht auf Grundlage des American Community Survey Ergebnisse für 73 Studienfächer. Die aktuelle Tabelle, veröffentlicht am 4. Februar 2026, beruht auf Daten von 2024.

Tabelle 3. Junge Absolventen nach Studienfach (New York Fed, Zahlen aus der veröffentlichten Datendatei auf eine Dezimalstelle gerundet)

Studienfach Arbeitslosenquote Unterbeschäftigungsquote Mittlerer Lohn, frühe Karriere Mittlerer Lohn, mittlere Karriere
Informatik 7,0 % 19,1 % 87.000 $ 120.000 $
Technische Informatik 7,8 % 15,8 % 90.000 $ 131.000 $
Alle Fächer 4,2 % 39,4 % 58.000 $ 87.000 $

Quelle: Federal Reserve Bank of New York, The Labor Market for Recent College Graduates. Die Quoten gelten für Absolventen im Alter von 22 bis 27 Jahren; die Löhne gelten für Vollzeitbeschäftigte, die nur einen Bachelorabschluss haben (mittlere Karriere: 35 bis 45 Jahre). Unterbeschäftigung ist der Anteil derer, die in Jobs arbeiten, für die typischerweise kein Hochschulabschluss nötig ist.

Tabelle 4. Wo die beiden Informatikfächer unter 73 Fächern stehen (CEOtudent-Analyse der Daten der New York Fed)

Kennzahl Informatik Technische Informatik
Rang nach Arbeitslosenquote (1 = höchste) vierthöchste zweithöchste
Rang nach Unterbeschäftigungsquote (1 = niedrigste) neuntniedrigste viertniedrigste
Rang nach mittlerem Einstiegslohn (1 = höchster) zweithöchster 1.
Abstand bei der Arbeitslosigkeit zu allen Fächern +2,8 Punkte +3,6 Punkte
Abstand bei der Unterbeschäftigung zu allen Fächern -20,2 Punkte -23,5 Punkte

Quelle: CEOtudent-Berechnungen auf Basis der Datendatei der New York Fed; die Abstände verwenden die ungerundeten Werte.

Das Muster ist eine Warteschlange, kein Zusammenbruch. Absolventen dieser Fächer gehören zu denen, die am häufigsten arbeitslos sind. Wer beschäftigt ist, arbeitet weit seltener in einem Job, für den kein Abschluss nötig ist, und verdient die höchsten Einstiegslöhne der Tabelle. Eine plausible Lesart ist, dass sie auf technische Stellen auf Hochschulniveau warten, während die Eingangstür zu diesen Stellen enger geworden ist. Diesen Mechanismus kann die Tabelle allein nicht belegen.

Lohnabrechnungsdaten weisen in dieselbe Richtung. Die Aktualisierung vom August 2026 von „Canaries in the Coal Mine?“ von Brynjolfsson, Chandar und Chen in Stanford nutzt ADP-Lohnabrechnungsdaten bis Juni 2026. Sie findet keinen Beleg für eine gesamtwirtschaftliche Verdrängung von Arbeitsplätzen. Sie stellt außerdem fest, dass die Beschäftigung von 22- bis 25-Jährigen in KI-exponierten Berufen 19 % unter dem Niveau liegt, das sie erreicht hätte, wenn sie mit ihren weniger exponierten Altersgenossen Schritt gehalten hätte, nach 15 % beim Datenstand vom Juli 2025, während erfahrene Beschäftigte keine vergleichbare Lücke aufweisen. Im Juni 2026 lag die Beschäftigung der 22- bis 25-Jährigen im Panel etwa 2 % unter ihrem Niveau vom November 2022, während Beschäftigte im Alter von 35 bis 40 Jahren um 11 % zulegten. Die Divergenz wirkt vor allem über geringere Neueinstellungen, und sie bleibt bestehen, wenn Computerberufe und Technologieunternehmen ausgeschlossen werden.

Die Autoren nennen diese Befunde „frühe, deskriptive Indikatoren“, keine kausalen Schätzungen, und weisen darauf hin, dass sich die Muster abschwächen, wenn für Bildung kontrolliert wird. Für diese Entscheidung ist die Bedeutung eng, aber wichtig: Das Risiko einer Softwarekarriere hat sich zum Einstiegspunkt verlagert.

Machen KI-Coding-Tools Menschen schneller oder langsamer?

Beides, je nachdem, wen und bei welcher Aufgabe. Tabelle 5 stellt sechs Studien gegenüber, einschließlich derer, bei denen der Effekt in die falsche Richtung geht.

Tabelle 5. Sechs Studien zu KI-Unterstützung beim Programmieren im Vergleich (CEOtudent-Analyse der zitierten Arbeiten; Effektgrößen wie von den Autoren veröffentlicht)

Studie Design und Stichprobe Umfeld Berichteter Effekt Richtung
Peng et al., 2023 (Microsoft, GitHub, MIT) Kontrolliertes Experiment; 95 professionelle Programmierer von einer Freelancing-Plattform Eine Aufgabe: ein HTTP-Server in JavaScript 55,8 % schneller (95-%-Konfidenzintervall 21 % bis 89 %); weniger erfahrene Entwickler profitierten am meisten Schneller, bei einer in sich geschlossenen Aufgabe
Cui et al., Arbeitspapier 2025 Drei Feldexperimente; 4.867 Entwickler bei Microsoft, Accenture und einem Fortune-100-Unternehmen Normale Arbeit mit einem Assistenten zur Code-Vervollständigung 26,08 % mehr abgeschlossene Aufgaben (Standardfehler 10,3 %); Beschäftigte mit kurzer Betriebszugehörigkeit gewannen 27 % bis 39 %, mit langer 8 % bis 13 % (Unterschied statistisch nicht signifikant) Mehr Output, größer bei neueren Beschäftigten
METR, 2025 Randomisierte Studie; 16 erfahrene Open-Source-Entwickler, 246 Aufgaben Ihre eigenen ausgereiften Repositories 19 % länger, wenn KI erlaubt war; sie hatten 24 % weniger Zeit prognostiziert und glaubten danach, 20 % gespart zu haben Langsamer; Wahrnehmungslücke von 39 bis 43 Punkten
METR, Aktualisierung vom Februar 2026 57 Entwickler, mehr als 800 Aufgaben Open-Source-Projekte, spätere Tools Wiederkehrende Entwickler: 18 % weniger Zeit (Intervall von 38 % weniger bis 9 % mehr); neue Entwickler: 4 % weniger (15 % weniger bis 9 % mehr) Tendenz schneller, Intervall schließt null ein; METR nennt das Signal unzuverlässig
Perry et al., 2023 (Stanford) Nutzerstudie; 47 Teilnehmer, 33 mit KI-Assistent, 14 ohne Fünf sicherheitsbezogene Aufgaben SQL-Aufgabe: 36 % der KI-Gruppe schrieben Code, der für SQL-Injection anfällig war, gegenüber 7 % der Kontrollgruppe; KI-Nutzer glaubten eher, ihr Code sei sicher Weniger sicher, selbstsicherer
Shen und Tamkin, 2026 (Anthropic, Preprint) Randomisiertes Experiment; 52 Teilnehmer, 26 pro Gruppe Erlernen einer unbekannten Python-Bibliothek 17 % niedrigeres Ergebnis in einem anschließenden Kompetenztest (Cohen’s d 0,738); keine statistisch signifikante Zeitersparnis Weniger Lernen, kein verlässlicher Tempogewinn

Quelle: die im Quellenverzeichnis genannten Arbeiten. Die Wahrnehmungslücke ist unsere eigene Rechnung: Prognose (24) oder Überzeugung (20) plus gemessene Verlangsamung (19).

Die Gewinne sind dort am größten, wo die Aufgabe in sich geschlossen und die Person neu ist. Der Wert von 55,8 % stammt aus einer einzigen abgegrenzten Übung. In der normalen Unternehmensarbeit lag der Gewinn bei 26,08 % mehr abgeschlossenen Aufgaben, mit einem Schwerpunkt bei Beschäftigten mit kurzer Betriebszugehörigkeit.

Vertrautheit kann das Vorzeichen umkehren. Die METR-Entwickler von 2025 kannten ihre Repositories sehr genau, und die Tools von Anfang 2025 kosteten sie Zeit. Die Folgestudie legt nahe, dass spätere Tools das Bild verändert haben, doch METR berichtet, dass 30 % bis 50 % der Entwickler Aufgaben zurückhielten, die sie nicht ohne KI erledigen wollten. Daher behandelt METR die neuere Schätzung als schwache Evidenz und entwirft die Studie neu.

Menschen schätzen ihr eigenes Tempo falsch ein. Die Entwickler in der Studie von 2025 erwarteten, 24 % zu sparen, verloren 19 % und glaubten trotzdem, 20 % gespart zu haben. Ein guter Nachmittag mit einem KI-Tool ist keine Messung.

Tempo ist nicht das einzige Ergebnis. In der Stanford-Studie lösten 67 % der KI-Nutzer die Verschlüsselungsaufgabe korrekt, gegenüber 79 % der Kontrollgruppe, und die KI-Nutzer waren in Sicherheitsfragen selbstsicherer, obwohl ihr Code weniger sicher war. In der Anthropic-Studie zeigten sich die Kosten beim Lernen.

Entwickler scheinen das verinnerlicht zu haben. Der Stack Overflow Developer Survey 2025, eine Unternehmensumfrage mit Selbstselektion, berichtete, dass 84 % der Befragten KI-Tools nutzten oder deren Nutzung planten, während mehr von ihnen der Genauigkeit der Ergebnisse misstrauten (46 %) als ihr vertrauten (33 %). Die größte Frustration, genannt von 66 %, waren „KI-Lösungen, die fast richtig sind, aber nicht ganz“. In der Ausgabe 2026 nutzen 73 % täglich Coding-Assistenten und Agenten, und 48 % sagen, dass sie der KI vertrauen, wenn sie die Antworten leicht validieren können. Intensive Nutzung besteht neben bedingtem Vertrauen, und die Bedingung ist die Fähigkeit zur Überprüfung.

Macht Programmieren lernen Sie zu einem besseren Denker?

Das ist das älteste Argument dafür, unabhängig von der Karriere programmieren zu lernen. Es gibt eine solide Quelle: eine Metaanalyse von Scherer, Siddiq und Sanchez Viveros im Journal of Educational Psychology, die 105 Studien und 539 Effektgrößen umfasst. Sie berichtet einen moderaten Gesamttransfereffekt (g = 0,49), einen starken Effekt für nahen Transfer (g = 0,75) und einen moderaten Effekt für fernen Transfer (g = 0,47), wobei Schulleistung und Lese- und Schreibkompetenz am wenigsten profitierten. Crossref verzeichnet mit Stand November 2026 keine Korrektur.

Drei Einschränkungen gelten. Die Effekte waren in Studien mit unbehandelten Kontrollgruppen signifikant größer als in Studien mit aktiven Kontrollgruppen und in veröffentlichten Studien größer als in grauer Literatur, sodass die Gesamtzahl den wahren Effekt wahrscheinlich schönt. Das Abstract richtet die Frage auf Schülerinnen und Schüler in Schulen aus, nicht auf erwachsene Berufstätige. Und die Arbeit stammt aus der Zeit vor den KI-Assistenten. Programmieren zu lernen verbessert das strukturierte Problemlösen wahrscheinlich ein Stück weit. Das stützt es als geistiges Training, nicht als Karriereentscheidung.

Welche Stufe brauchen Sie? Der CEOtudent Code-Stufen-Test

Die Evidenz sortiert Leserinnen und Leser in vier Stufen. Die Tabelle ist ein redaktionelles CEOtudent-Framework, kein validiertes Instrument, und die Stufennamen stammen von uns.

Tabelle 6. Der CEOtudent Code-Stufen-Test (redaktionelles CEOtudent-Framework)

Stufe Sie sind hier, wenn Was Sie lernen Wofür Sie verantwortlich sind Evidenz, auf der die Stufe beruht
0. Anwender Probleme, die nach Code verlangen, in Ihrer Arbeit selten auftauchen KI-Kompetenz, nicht Programmieren Die Qualität Ihrer eigenen Ergebnisse BLS: Einfaches Bauen wandert in andere Berufe, bleibt aber optional
1. Leser und Steuerer Sie Software, Automatisierungen oder Analysen spezifizieren, beauftragen oder freigeben, die andere (Menschen oder Agenten) bauen Code und Datenflüsse gut genug zu lesen, um zu fragen, was etwas tut, was es berührt und wie es getestet wurde Die Spezifikation und die Abnahmeentscheidung Stack Overflow 2026: Vertrauen hängt davon ab, validieren zu können; Perry et al.: Die Selbstsicherheit stieg, während die Sicherheit sank
2. Werkzeugbauer Ein wiederkehrendes Problem in Ihrer eigenen Arbeit durch ein kleines Skript oder eine interne App gelöst würde, die Sie selbst betreiben und pflegen Eine Sprache auf Arbeitsniveau, Versionskontrolle, Testen, grundlegende Sicherheit Das Werkzeug, seine Daten und seine Fehler Peng et al. und Cui et al.: Unterstützte Anfänger gewinnen am meisten bei abgegrenzten Aufgaben; Shen und Tamkin: nur, wenn Sie aktiv beteiligt bleiben
3. Professioneller Engineer Sie für Software, auf die sich andere verlassen, bezahlt werden und dafür Rechenschaft ablegen wollen Grundlagen der Informatik, Systemdesign, Praxis im Produktivbetrieb Systeme, Zuverlässigkeit und die Daten anderer Menschen BLS: Entwickler +10 % mit einem Lohnaufschlag von 35,5 % gegenüber Programmierern; New York Fed und Stanford: eine enge Eingangstür

Gehen Sie den Test der Reihe nach durch und halten Sie bei der ersten Stufe an, die passt.

  1. Wiederkehr. Bringt Ihre Arbeit in einem normalen Monat ein Problem hervor, das Software lösen würde: repetitive Datenverarbeitung, ein von Hand neu gebauter Bericht, zwei Systeme, die nicht miteinander sprechen? Wenn nein, vorerst Stufe 0.
  2. Verantwortung. Wenn ein solches Problem auftaucht, besteht Ihre Rolle darin, es zu definieren und das Ergebnis abzunehmen, während jemand anderes es baut? Wenn ja, ist Stufe 1 eine Anforderung, keine Option.
  3. Schadensradius. Würde das, was Sie bauen, nur Ihre eigenen risikoarmen Daten oder die Ihres Teams berühren, mit Fehlern, die sichtbar und umkehrbar sind? Wenn ja und wenn Sie es selbst pflegen werden, Stufe 2.
  4. Einkommen. Wollen Sie, dass das Bauen von Software die Hauptsache ist, für die Sie bezahlt werden, mit Verantwortung für Systeme, auf die sich andere verlassen? Wenn ja, Stufe 3, unter den folgenden Bedingungen.

Wann sollten Sie die jeweilige Stufe NICHT wählen?

  • Nicht Stufe 0, wenn Sie Budgets, Anbieter oder KI-Agenten freigeben, die Code produzieren. Arbeit abzuzeichnen, die Sie nicht lesen können, ist das Muster, vor dem die Sicherheitsstudie warnt.
  • Nicht Stufe 1 allein, wenn Sie bereits KI-generierte Skripte in produktive Tabellen, Datenbanken oder Websites einfügen. Das ist Arbeit der Stufe 2 ohne die Fähigkeiten der Stufe 2.
  • Nicht Stufe 2 für alles, was personenbezogene Kundendaten, Zahlungen, Zugangsdaten oder regulierte Unterlagen verarbeitet oder wovon andere Teams abhängen werden, ohne dass es einen Verantwortlichen gibt. Übergeben Sie das an Menschen der Stufe 3. Der Leitfaden zu Vibe Coding als Solo-Founder behandelt den Bauprozess; hier verläuft die Grenze, an der er nicht mehr sicher ist.
  • Nicht Stufe 3, wenn der Plan darauf beruht, dass ein kurzer Kurs direkt zu einer ersten Stelle zum Medianlohn aus Tabelle 1 führt. Die Mediane beschreiben alle Beschäftigten im Beruf, die Tabellen 3 und 4 beschreiben die Tür, und das Handbook nennt für alle drei Berufsgruppen einen Bachelorabschluss als typische Einstiegsqualifikation. Behandeln Sie Stufe 3 als mehrjährige Entscheidung.

Zeitbudgets sind nicht angegeben, weil keine dieser Quellen sie gemessen hat. Die CEOtudent-Auswertung der Daten zur Zeit bis zur Kompetenz behandelt Stundenschätzungen und ihre Grenzen.

Wie sollten Sie programmieren lernen, wenn KI den Code schreiben kann?

Das Experiment von Shen und Tamkin ist klein, stammt von einem KI-Unternehmen und testete ein einziges chatbasiertes Tool an einer einzigen Bibliothek. Es ist dennoch das relevanteste verfügbare Design, weil es das Lernen gemessen hat und nicht den Output.

Die Teilnehmer, die KI nutzten, verteilten sich auf sechs Interaktionsmuster. Drei erreichten im Test durchschnittlich 65 % oder mehr: Code generieren und dann Nachfragen stellen, um ihn zu verstehen, Code zusammen mit Erklärungen anfordern und nur konzeptionelle Fragen stellen, während Fehler selbstständig behoben wurden. Drei lagen im Durchschnitt unter 40 %: das gesamte Schreiben des Codes delegieren, von Fragen in die vollständige Delegation abgleiten und die KI wiederholt um das Debugging bitten. Eine Gruppe bestand nur aus zwei Personen, daher haben die Prozentwerte wenig Gewicht. Die Richtung passt zur Evidenz in der projektbasierten Lernleiter von CEOtudent: Anstrengung, die sich langsamer anfühlt, bleibt eher haften.

Tabelle 7. Lernregeln und Prüfungen vor dem Ausführen (redaktionelles CEOtudent-Framework)

Regel In der Praxis Warum
Erst lesen, dann schreiben Erklären Sie jeden generierten Block in einfachen Worten, bevor Sie ihn ausführen Alle Muster mit hohen Ergebnissen enthielten Verständnisarbeit
Zuerst selbst debuggen Lesen Sie die Fehlermeldung, bilden Sie eine Vermutung, testen Sie sie, und fragen Sie erst dann Wiederholtes Debugging durch die KI war das Muster mit dem niedrigsten Ergebnis
Testen, was Sie nicht lesen können Führen Sie es mit einer harmlosen Stichprobe aus; behalten Sie eine Prüfung bei, die ein falsches Ergebnis aufdecken würde Das Vertrauen der Entwickler ist an Validierung gebunden
Davon ausgehen, dass Sicherheit fehlt Wissen Sie, was der Code lesen, ändern, löschen oder senden kann, und halten Sie Schlüssel und personenbezogene Daten heraus KI-Nutzer in der Stanford-Studie waren weniger sicher und selbstsicherer
Messen, nicht fühlen Stoppen Sie die Zeit für eine Aufgabe mit und ohne Unterstützung Erfahrene Entwickler schätzten ihr Tempo um etwa 40 Punkte falsch ein

Für Stufe 1 bilden die Zeilen eins, drei und vier den Lehrplan, zusammen mit dem CEOtudent-Leitfaden zur Agenten-Kompetenz. Für Stufe 2 gelten alle fünf. Für Stufe 3 sind sie Gewohnheiten, die auf einem formalen Lehrplan aufsetzen. Wenn zwei oder mehr Zeilen bei etwas Wichtigem nicht erfüllt werden können, gehört die Aufgabe eine Stufe höher.

Was bedeutet das für den CEO und den Studenten in Ihnen?

Der CEO-Schritt ist eine Entscheidung über den Umfang. Wählen Sie die Stufe, schreiben Sie auf, wofür Sie auf dieser Stufe verantwortlich sind, und schreiben Sie auf, was Sie nicht anfassen werden. Auf Stufe 1 sind das die Spezifikation und die Abnahmeentscheidung. Auf Stufe 2 sind es das Skript, seine Daten und seine Fehler. Niemand sollte freigeben oder ausführen, was er nicht prüfen kann.

Der Studenten-Schritt ist eine Entscheidung über die Methode. Auf jeder Stufe oberhalb von null ist die knappe Fähigkeit das Lesen und Überprüfen. Syntax zu tippen ist das, was die Tools bei abgegrenzten Aufgaben gut können. Zu beurteilen, ob das Ergebnis korrekt, sicher und wartbar ist, ist das, was Menschen laut den Studien bei sich selbst überschätzen.

Was zeigt diese Evidenz nicht?

  • Es sind US-Daten, und Projektionen sind Modellergebnisse, keine Garantien.
  • Die Tools entwickeln sich schneller als die Studien. Jede Tempoangabe in Tabelle 5 kann schnell veralten.
  • Die Stichproben sind klein oder selektiert. Studien mit 16, 47 und 52 Personen lassen sich nicht verallgemeinern, und die Entwicklerumfragen beruhen auf Selbstselektion.
  • Die Absolventendaten stammen von 2024. Die vierteljährliche Reihe der New York Fed, die nicht nach Studienfach aufgeschlüsselt ist, weist die Arbeitslosigkeit aller jungen Absolventen im dritten Quartal 2026 mit 5,2 % aus.
  • Der Test sortiert typische Situationen, nicht Einzelpersonen.

Häufig gestellte Fragen

Lohnt es sich 2026 noch, programmieren zu lernen?
Für Menschen, die Software, Automatisierungen oder die Ergebnisse von KI-Agenten freigeben, lohnt es sich, Code lesen und steuern zu lernen (Stufe 1). Kleine Werkzeuge zu bauen lohnt sich, wenn ein wiederkehrendes Problem besteht. Professionelles Engineering bleibt gut bezahlt, bei einem schwierigeren Einstieg.

Wird KI Softwareentwickler ersetzen?
Die amtlichen Projektionen sagen das nicht. Das Bureau of Labor Statistics projiziert für Softwareentwickler von 2025 bis 2035 ein Wachstum von 10 % und für Computerprogrammierer einen Rückgang von 7 % und nennt KI in beiden Fällen als Faktor.

Sollte eine nicht-technische Fachkraft Python lernen oder einfach KI-Tools nutzen?
Die beiden sind keine Alternativen. Wer baut, sollte genug von einer Sprache lernen, um zu lesen, zu testen und zu begrenzen, was die KI geschrieben hat.

Ist ein Informatikstudium noch eine gute Wahl?
Die Daten der New York Fed zeigen beide Seiten: die vierthöchste Arbeitslosenquote unter 73 Fächern (7,0 %) und den zweithöchsten mittleren Einstiegslohn (87.000 $). Die Daten können nicht sagen, was für jemanden gelten wird, der jetzt ein Studium beginnt.

Schadet der Einsatz von KI beim Programmierenlernen dem Lernen?
In dem einen randomisierten Experiment, das dies gemessen hat, schnitt die KI-Gruppe in einem anschließenden Test um 17 % schlechter ab, wobei sich der Schaden auf Personen konzentrierte, die delegierten. Die Studie ist klein und wartet auf eine Replikation.

Quellen

  1. U.S. Bureau of Labor Statistics. Occupational Outlook Handbook: Software Developers, Quality Assurance Analysts, and Testers. Löhne vom Mai 2025, Projektionen 2025-35.
  2. U.S. Bureau of Labor Statistics. Occupational Outlook Handbook: Computer Programmers. Löhne vom Mai 2025, Projektionen 2025-35.
  3. U.S. Bureau of Labor Statistics. Occupational Outlook Handbook: Web Developers and Digital Designers. Löhne vom Mai 2025, Projektionen 2025-35.
  4. U.S. Bureau of Labor Statistics. Employment Projections: 2025-2035 Summary. Pressemitteilung USDL-26-1422, 27. August 2026.
  5. Federal Reserve Bank of New York. The Labor Market for Recent College Graduates: Ergebnisse nach Studienfach (veröffentlicht am 4. Februar 2026, Daten von 2024) und Highlights für 2026:Q3 (veröffentlicht am 2. November 2026).
  6. Brynjolfsson, E., Chandar, B., und Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, Fassung vom August 2026 (ADP-Daten bis Juni 2026).
  7. Peng, S., Kalliamvakou, E., Cihon, P., und Demirer, M. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv 2302.06590, 2023. Zu den Autoren gehören Beschäftigte von Microsoft und GitHub.
  8. Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., und Salz, T. The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Arbeitspapier, Februar 2025. Zu den Autoren gehören Beschäftigte von Microsoft.
  9. Becker, J., Rush, N., Barnes, B., und Rein, D. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv 2507.09089, Juli 2025.
  10. Becker, J., Rush, N., Cunningham, T., Rein, D., und Mahamud, K. We are Changing our Developer Productivity Experiment Design. METR, 24. Februar 2026.
  11. Perry, N., Srivastava, M., Kumar, D., und Boneh, D. Do Users Write More Insecure Code with AI Assistants? ACM CCS 2023; arXiv-Version 3.
  12. Shen, J. H., und Tamkin, A. How AI Impacts Skill Formation. arXiv 2601.20245, Februar 2026. Die Autoren sind Anthropic zugeordnet, einem KI-Unternehmen.
  13. Scherer, R., Siddiq, F., und Sanchez Viveros, B. The cognitive benefits of learning computer programming: A meta-analysis of transfer effects. Journal of Educational Psychology, 111(5), 764-792, 2019 (nur Abstract).
  14. Stack Overflow. 2025 Developer Survey, Abschnitt KI. Unternehmensumfrage mit Selbstselektion.
  15. Stack Overflow. 2026 Developer Survey, Abschnitt KI. Unternehmensumfrage mit Selbstselektion.

Die Tabellen 2 und 4 sind CEOtudent-Analysen, neu berechnet aus den Zahlen des BLS und der New York Fed. Tabelle 5 ist eine CEOtudent-Gegenüberstellung veröffentlichter Ergebnisse; die Wahrnehmungslücke ist unsere eigene Rechnung. Die Tabellen 6 und 7 sind redaktionelle CEOtudent-Frameworks. Bewusst nicht verwendet: die weit verbreitete Behauptung, die Beschäftigung junger Softwareentwickler sei gegenüber ihrem Höchststand von Ende 2022 um etwa 20 % gefallen, weil die von uns geöffnete Ausgabe des Stanford-Papiers vom August 2026 im Haupttext keine berufsspezifische Zahl ausweist; die Schlagzeilenzahl von 13 % aus der ersten Ausgabe dieses Papiers, die die Autoren durch das 19-%-Maß ersetzt haben; Stundenschätzungen für jede Stufe; und von Anbietern gemeldete Produktivitätszahlen, die nicht vollständig geöffnet werden konnten.


Dieser Inhalt wurde nach eingehender Recherche mit Unterstützung von KI zusammengestellt und vom CEOtudent-Redaktionsteam geschrieben und für die Veröffentlichung aufbereitet.

This post is also available in: Türkçe English Français Español

Benzer içerikler