KI-gestütztes Lernen in der Programmierung: Kotlin lernen ohne Bücher – ein Praxistest

Der Selbstversuch: Vom .NET-Profi zum Kotlin-Einsteiger 

Johannes bringt langjährige Erfahrung als .NET-Entwickler mit. Sein neues Ziel: Kotlin und das Spring Framework zu beherrschen. Sein Weg dorthin: komplett ohne klassische Lernmaterialien wie Bücher oder Tutorials. Stattdessen setzte er auf Langdock mit dem KI-Modell Claude Sonnet. 
 

Erster Versuch: „Ich will Kotlin lernen mit Spring. Erstelle mir einen Trainingsplan" 

Johannes startete mit einer allgemeinen Anfrage zur Erstellung eines Trainingsplans. Das Ergebnis war erwartungsgemäß oberflächlich. Ohne konkrete Vorgaben lieferte die KI einen generischen Plan ohne praktischen Nutzen.

Mit dem Definieren der Vorkenntnisse, einer klaren Zielrichtung und dem Wunsch nach einem konkreten Übungsprojekt wurde der Trainingsplan deutlich brauchbarer. Das Experiment konnte endlich loslegen. 

KI als interaktiver Sparrings-Partner 

Dynamisches Lernen statt starrer Lehrpläne 

Bei der Weiterbildung mit Tutorials und Büchern bleiben meist offene Fragen. Man versteht das Grundlegende. Trotzdem bleiben Fragezeichen, insbesondere auf der Metaebene, bei Zusammenhängen oder dem großen Ganzen. Diese Fragen zu klären, erfordert weitere Recherchen, der Wunsch nach Gesprächen mit Autor:in oder Expert:innen wächst. Hier zeigt KI-unterstütztes Lernen seine Stärke: Die KI fungiert als Sparrings-Partner.  Echte Dialoge und sofortige Nachfragen sind möglich. 

Flexible Anpassung an individuelle Bedürfnisse 

Lernen wird dynamisch, ohne festgezurrte Lehrpläne. Man braucht zusätzliche Informationen fürs Verständnis zu einem Thema oder hat besonderes Interesse an einem Detail? Der Sparringspartner hat Antworten. Man will ein bereits bekanntes Thema überspringen? Kein Problem. Und das, ohne den roten Faden zu verlieren. Wie ein Navigator leitet die KI als Sparringspartner stehts zurück auf die Route zum Ziel. 

Grenzen der KI-Unterstützung 

Kontextverlust bei längeren Sessions 

Bei ausführlichen Lernsessions kann der Kontext überlaufen. Die KI vergisst bereits behandelte Themen, was die Performance beeinträchtigt. 

Was hilft: Behandelte Themen und Lehrpläne als Markdown-Datei sichern und neuen Chats als Wissensbasis mitgeben. Der Export von Lernerkenntnissen in Merkzetteln unterstützt auch die persönliche Wiederholung. 

Fehlende Qualitätssicherung 

Lerninhalte in Büchern und Tutorials stammen meist von Expert:innen und durchlaufen eine Qualitätskontrolle. Auf die Vollständigkeit und Qualität der Inhalte kann vertraut und diese als gesichert betrachtet werden. Diese Sicherung entfällt bei KI-unterstütztem Lernen. Die Vertrauenswürdigkeit der Inhalte bleibt offen.  

Eine wesentliche Rolle bei der Bewertung der Qualität spielen eigene Erfahrungswerte. Durch Transferwissen aus dem Fachgebiet kann eine Einschätzung über die Qualität der Lerninhalte erfolgen. Beim Erlernen völlig neuer Inhalte ist das schwieriger. Bei Programmiersprachen kann die praktische Anwendung selbst ein Stückweit als Indikator für die Korrektheit dienen. Ist das Beispielprojekt lauffähig und liefert gewünschte Resultate, kann eine gewisse Korrektheit angenommen werden. Allerdings: Rückgabewerte allein sagen wenig über die Qualität des Codes und somit über die gelernten Fähigkeiten des Erstellers oder der Erstellerin aus. 

Fazit: KI als wertvoller Lernbegleiter 

Johannes zieht ein positives Resümee seines Selbstversuchs. Die KI bewährte sich als Sparrings-Partner – besonders weil er bereits Programmiererfahrung mitbrachte. 

Eine Frage hat ihn jedoch während des gesamten Versuchs begleitet: Müssen Entwickler:innen in Zeiten von Agentic Coding überhaupt noch neue Technologie-Stacks erlernen? Seine klare Antwort: „Definitiv, ja! Es braucht immer noch Personen, die Qualität sicherstellen und überprüfen. Personen, die Verantwortung für die Software übernehmen.  

Um dies mit einer Metapher abzuschließen: “Kein Werkzeug liegt grundlos im Werkzeugkasten – jedes hat seine Bestimmung. Entscheidend ist, was der Handwerker / die Handwerkerin daraus macht." 

Weitere Einsatzmöglichkeiten für KI beim Lernen 

Verteiltes Wissen bündeln: Wissen aus verschiedensten Quellen in Langdock importieren und mit Assistenten chatten, um Fachwissen zu erweitern. 

Bestandscode verstehen: Erklärung von Legacy-Code und Aufzeigung von Zusammenhängen zwischen verschiedenen Dokumenten. 

Wissenstest: KI Fragen stellen lassen, um das Verständnis eines Themas zu überprüfen. 

Sprachenlernen für Fortgeschrittene: Alltagssituationen nachbilden und beispielsweise mit ChatGPT üben, ein Hotelzimmer auf Spanisch zu buchen.