Der aktuelle Stand der Entwicklung in der Generativen KI ist unbestritten beeindruckend. Viele „Routineaufgaben“, insbesondere auch (einfache und/oder sehr klar formulierte) Rechen-, Recherche- und Programmieraufgaben können von einer Generativen KI erledigt werden. Braucht es denn dann überhaupt noch Informatik als Fach, und ist das Informatik-Studium an sich damit nicht überholt? Auf diese Fragen gehe ich hier ein.

Wer es eilig hat: das Informatik-Studium vermittelt genau (auch) die Kompetenzen, die man benötigt, um selbstgesteuert und verantwortungsvoll mit Generativer KI umgehen zu können, statt sich blind auf eine möglicherweise tolle, aber selbst nicht verstandene Lösung zu verlassen…

„Geht automatisch“ heißt nicht, dass man es nicht selbst können sollte

Zunächst einmal: ja, viele Aufgaben lassen sich mit heutiger Generativer KI mehr oder weniger gut automatisieren. Ebenso richtig ist, dass dies potenziell auch (Haus-)Aufgaben betrifft – und dass Schüler:innen und Studierende damit „sehr viel Zeit sparen können“, indem sie ihre Aufgaben einfach über eine Generative KI erledigen lassen, statt diese selbst zu erledigen.

Allerdings: diese Argumentation greift aus meiner Sicht zu kurz und ist nicht schlüssig. Es gibt inzwischen beispielsweise vielfach Audiobooks (neben anderen Angeboten), die uns die „Arbeit, ein Buch selbst zu lesen, abnehmen“. Moderne Autos erkennen Verkehrsschilder (insbesondere Tempolimits) und entlasten damit die Fahrer:innen. Dennoch zieht hoffentlich niemand ernsthaft daraus den Schluss, dass Menschen nicht mehr lesen können müssen oder dass die Kenntnis über Verkehrszeichen (und damit Teile der Theoretischen Fahrprüfung beim Kfz) „unnötig und abzuschaffen“ sei, weil das Auto die ja schon erkennt

Die Anwendungsgebiete sind begrenzt

Je spezifischer eine Anfrage an eine Generative KI ist, desto einfacher kann sie durch eine Generative KI (jedenfalls potenziell) auch beantwortet werden.

Beispiel Programmierung: Bei Haus- und Übungsaufgaben gibt es oft eine sehr präzise Vorgabe, was eine zu implementierende Methode genau tun soll. Im Extremfall gibt es dazu explizite schrittweise Vorgaben („erst soll der Wert von x verdoppelt, dann der von z verdreifacht werden. In y soll dann die Summe aus 2 * x – z abgelegt werden“). Solche Vorgaben lassen sich dann auch für eine Generative KI sehr einfach umsetzen.

Eine „offenere“ Programmieraufgabe, bei der „man“ (egal, ob Student:in oder Generative KI) erst einmal selbst erschließen muss, wie dies algorithmisch und logisch überhaupt ablaufen soll, ist für beide Seiten schwieriger zu lösen.

Und nun raten Sie einmal, welcher der beiden (extremen) Aufgabentypen in der Praxis wohl häufiger auftritt: der bis in das letzte Detail definierte, oder der eher vage, unklare…

Die Vernachlässigung grundlegender Aufgaben schadet Ihnen selbst

Für die Kompetenz in einem Thema ist es wichtig, dass man sichnicht nur mit den „besonders herausfordernden und offenen“ Fragestellungen befasst und befassen kann – sondern dass auch die Grundlagen davor hinreichend trainiert und gefestigt sind.

Das „Überspringen“ dieser Grundlagen – zum Beispiel indem man eine Generative KI diese lösen lässt und das womöglich als „eigene Leistung“ ausgibt – wirft nicht nur ethische Fragen auf, sondern verhindert eben, dass man selbst die dadurch zu vermittelnden Grundlagen erlernt. Das wiederum schränkt die eigenen Fähigkeiten in den „anspruchsvolleren“ Themengebieten – die auf diesen Grundlagen aufbauen – deutlich ein.

Hierzu zwei Beispiele aus dem Bereich Sport:

• Auch die weltbesten Sportler:innen trainieren ihre Sportart regelmäßig. Selbst die besten Spieler und Vereine im Fußball haben im Training noch „Standards“ wie Passspiel, Kopfbälle, Ecken und Freistöße, Elfmeter, Sprints, … – obwohl das doch „Grundlagen“ sind, die man „ohnehin schon seit Jahren beherrschen sollte“. Wäre es überflüssig, auch diese „Grundlagen“ immer wieder zu trainieren und damit im Kopf und Körper präsent zu halten, würden die Vereine die Trainingszeit sicherlich „sinnvoller“ nutzen – das ist aber nicht der Fall.
• Selbst nach stundenlanger eigener (oder per KI erfolgter) Analyse von Bewegungsabläufen im Sport wird es einem Laien nicht gelingen, im Golf ein „Hole in One“ oder ein „Tor a la Zlatan Ibrahimovic“ zu realisieren – eben auch, weil die hinreichende Praxis und Fertigkeit in den Grundlagen fehlen, das „Muscle Memory“.

Generative KI und das „Halluzinieren“

Viele haben vermutlich schon vom „Halluzinieren“ bei Generativer KI gehört. Dies steht für Sitationen, in denen die KI Informationen anscheinend „erfindet“, obwohl diese – offensichtlich, nach kurzer Recherche oder auch erst nach ausführlicher Analyse – falsch ist.

Der Grund dafür ist in der Regel nicht „falsches Trainingsmaterial“, sondern die Vorgehensweise, die bei KI wie ChatGPT im Prinzip auf Wahrscheinlichkeiten basiert – „wer Herzlichen schreibt, will als nächstes vermutlich Glückwunsch schreiben“ als (deutlich vereinfachtes) Beispiel. Dieses Problem ist systemimmanent und verschwindet nicht einfach „mit der nächsten Version des Clients“!

Wozu braucht es heute noch ein Informatik-Studium angesichts von KI?

Wir benötigen auch in Zukunft kompetente Informatiker:innen, die (nicht nur) mit den Grundlagen des Fachs vertraut sind, sondern vor allem auch in der Lage sind, Informationen kritisch zu hinterfragen und deren Korrektheit zu bewerten. „Blinder Glaube“ an die KI führt schnell zu unterschiedlich großen Problemen – spätestens dann, wenn in die Angaben falsch sind und dennoch genutzt werden, oder wenn auffällt, dass man selbst erwartete Kompetenzen eben nicht besitzt. (Stichwort Prüfungen: während Prüfungen kann man in der Regel nicht auf Generative KI zugreifen, oder „fliegt raus“, wenn dieser Betrugsversuch auffällt. Wenn also die eigene Kompetenz bei Grundfähigkeiten und tiefergehenden Aspekten fehlen, ist das realistisch erreichbare Notenspektrum deutlich begrenzt…).

Die Fähigkeit, eine vermeintlich korrekte Lösung – egal, ob diese von einem Menschen (z.B. als zu bewertende Hausaufgabe abgegeben) oder von einer KI erstellt wurde – wirklich zu bewerten, ist sehr wichtig. Bevor Komponenten in möglicherweise kritischen Stellen (etwa in Kfz, Regelungstechnik, …) praktisch eingesetzt werden, sollte geprüft werden, ob diese auch wirklich korrekt sind und „tun, was sie sollen“ (nicht mehr und nicht weniger, und genau so, wie es gedacht ist). Um dies beurteilen zu können, brauchen Sie aber genau (auch) die Kompetenzen, die in einem Informatik-Studium vermittelt werden – inklusive der „mit Generativer KI doch bequem überspringbaren Grundlagen“.

Fazit

Das Informatik-Studium – hier konkret auf den B.Sc. Informatik der TU Darmstadt bezogen – ist trotz und gerade auch angesichts von Generativer KI weiterhin sehr sinnvoll. Sie erhalten über das Studium nicht nur umfassende grundlegende und weiterführende Kenntnisse und Kompetenzen – sondern auch das nötige Wissen, um den Einsatz von Generativer KI wohldosiert, zielgerichtet und qualitätsabgesichert begleiten zu können. Dazu zählen auch die Kenntnisse, um abzuwägen, ob und inwieweit der Einsatz in einer gegebenen Situation überhaupt relevant ist – sowie die Kompetenzen, wie man diese weiterentwickeln kann.

Zum Weiterlesen hier noch zwei unbhängige Artikel von Professuren der Informatik. Einige Argumente überschneiden sich mit dem dem, was ich hier geschrieben habe.

• Warum KI die Informatik nicht verdrängt von Prof. Dr. Carsten Binnig, Data and AI Systems Lab
• Drei Wünsche für den Code (bezogen auf „Vibe Coding“) von Prof. Dr. Kristian Kersting, Artificial Intelligence and Machine Learning Lab