Vibe-Coding

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Vibe Coding — Software bauen, indem man ein großes Sprachmodell iterativ promptet und das resultierende Verhalten beurteilt, ohne den zugrunde liegenden Quellcode direkt zu lesen oder zu bearbeiten. Von Andrej Karpathy 2025 populär gemacht als jener Arbeitsablauf, in dem man „vergisst, dass der Code überhaupt existiert“, ist Vibe Coding die LLM-native Realisierung von Programmierung in natürlicher Sprache und End-User-Development — Rahmungen, die in dieser Wissensbasis inzwischen als Synonyme behandelt werden —, in der Prosa zur primären Programmierschnittstelle wird.

Fragen zum Nachdenken

• Karpathys ursprüngliche Rahmung sagte, man solle „vergessen, dass der Code überhaupt existiert.“ Bevor Sie weiterlesen, fragen Sie sich: Ist es, den Code nicht zu sehen, ein Vorteil (er senkt Barrieren) oder ein Risiko (Sie können nicht verifizieren oder beheben, was Sie nicht sehen)? Was folgt daraus dafür, wem Vibe Coding erlaubt sein sollte?
• Forschung dazu, wer bei Vibe Coding erfolgreich ist, fand, dass klassische Leistung in der Informatik Erfolg weiterhin vorhersagt, selbst wenn die nutzende Person nie Code anfasst. Wenn Sie das überrascht: Welche verborgene Fähigkeit könnte Informatikausbildung aufbauen, die Prosa allein nicht erfasst?
• Dieselbe Studie fand, dass Schreibfähigkeit die Leistung beim Vibe Coding weitgehend deshalb vorhersagt, weil sie höherwertige Prompts erzeugt. Wenn Prompting wirklich der Engpass ist: Ist die richtige Abhilfe dann, Menschen besseres Prompting beizubringen — oder Werkzeuge neu zu entwerfen, damit sie weniger Prosafähigkeit verlangen?
• Vibe Coding wird oft dafür gefeiert, „jede und jeden“ zur Entwicklerin bzw. zum Entwickler zu machen. Wenn aber sowohl Schreibfähigkeit als auch Informatikwissen die Ergebnisse prägen: Erweitert Vibe Coding dann den Zugang zum Bauen von Software, oder verlagert es die Fähigkeitsbarriere bloß von Code zu Prosa?
• Manche Entwicklerinnen und Entwickler unterscheiden „reines“ Vibe Coding (nie Code lesen) von KI-gestütztem Programmieren, bei dem man prüft und bearbeitet, was das Modell geschrieben hat. Wo, glauben Sie, ist echtes Lernen — gegenüber Übervertrauen — wahrscheinlicher, und warum?

Einführung

Vibe Coding beschreibt einen Interaktionsstil, der durch LLM-integrierte Entwicklungsplattformen (Replit, Lovable, Cursor und andere) ermöglicht wird: Die nutzende Person spezifiziert ein Programm in natürlicher Sprache, das Modell erzeugt ein lauffähiges System, und die nutzende Person iteriert auf Basis beobachteten Verhaltens statt durch Bearbeiten von Quellcode. Der Begriff wurde von OpenAI-Mitgründer Andrej Karpathy im Februar 2025 geprägt, um das Erlebnis einzufangen, sich so stark auf das Modell zu stützen, dass „der Code“ aus dem Bewusstsein verschwindet. Vibe Coding liegt an der Konvergenz mehrerer Stränge, die diese Wissensbasis bereits verfolgt — es ist generative KI, angewandt auf Programmieren, eine extreme Form promptgetriebener Arbeit, ein konkreter Fall von Mensch-KI-Zusammenarbeit und der bisher klarste Weg für Nichtprogrammierende und Endnutzende, eigene Software zu bauen (End-User-Development).

Es hat auch tiefe Wurzeln. Die Idee des Programmierens in gewöhnlicher Sprache ist weit älter als LLMs — von COBOLs Aspiration, „ein englischsprachiges Programmiersystem für Nichtfachleute“ zu sein, über Donald Knuths literate programming bis zu Forschung zu Programmierung in natürlicher Sprache mit eingeschränkten Teilmengen des Englischen. Erst mit LLMs wurde es machbar, echt konversationelle, unterspezifizierte Anweisungen auf lauffähigen Code abzubilden. Vibe Coding ist die besondere Variante, in der die nutzende Person absichtlich den erzeugten Quellcode nicht inspiziert oder bearbeitet und sich ganz auf iteratives Prompting und Verhaltensbewertung stützt.

Das Konstrukt definieren: „reines“ vs. code-sichtbares Vibe Coding

Die Definition von Vibe Coding ist noch im Fluss. Manche nutzen den Begriff breit für jede KI-geführte Programmierung; andere bestehen darauf, dass er streng „Software bauen mit einem LLM, ohne den geschriebenen Code zu prüfen“ meint. Google Cloud unterscheidet eine „reine“ No-Code-Version (konsistent mit Karpathys Definition) von einer Version, in der die nutzende Person den erzeugten Code versteht und verfeinert. Diese Unterscheidung ist für die Forschung bedeutsam: eine kontrollierte Studie zu Vibe-Coding-Fähigkeit erfordert ein wohldefiniertes Konstrukt. Die CHI-2026-Studie zu Prädiktoren der Vibe-Coding-Fähigkeit zielte absichtlich auf die „reine“ No-Code-Variante — die Teilnehmenden konnten den erzeugten Quellcode weder ansehen noch bearbeiten, sodass die gemessene Leistung die Fähigkeit widerspiegelte, Verhalten allein über Prosa und beobachtete Ausgabe zu spezifizieren, zu verfeinern und zu debuggen (siehe Thorgeirsson et al.).

Wer bei Vibe Coding erfolgreich ist: Belege

Eine vorregistrierte Querschnittstudie (N = 100 Studierende im Tertiärbereich) liefert die ersten kontrollierten, personenebenen Belege dafür, welche Fähigkeiten Erfolg beim Vibe Coding vorhersagen. Sowohl Kompetenz in schriftlicher Kommunikation (r = .29) als auch Leistung in der Informatik (r = .39) sagten die Leistung an expertengeprüften, GUI-orientierten Vibe-Coding-Aufgaben signifikant voraus, wobei die Informatikleistung nach Kontrolle für domänenallgemeine kognitive Fähigkeiten signifikant blieb (partielles r = .281). In einem gemeinsamen Modell trug die Informatikleistung etwa doppelt so viel eindeutige Varianz bei wie die Schreibfähigkeit, doch beide fügten unabhängigen Vorhersagewert hinzu. Entscheidend: menschlich bewertete Promptqualität mediierte die Verbindung Schreiben→Leistung und liefert damit Belege zum Antwortprozess, dass klare Prosa über die Erzeugung besserer Prompts wirkt. Weil die Umgebung den Quellcode verbarg, konnte Informatikwissen nur indirekt helfen (über Problemzerlegung, algorithmisches Denken und mentale Modelle des Kontrollflusses) — daher argumentieren die Autoren, dass ihre Informatikschätzung eine untere Grenze für KI-gestütztes Programmieren ist, in dem nutzende Personen Code auch direkt bearbeiten können (Thorgeirsson et al., 2026).

Vibe Coding als End-User-Development und Werkzeug für Lehrkräfte

Ein großes Versprechen von Vibe Coding ist, dass es Nichtprogrammierenden — einschließlich Lehrkräften und Domänenexpertinnen und -experten — erlaubt, eigene Software zu bauen, eine Form von End-User-Development im LLM-Zeitalter. Eine GAIDE-Rahmenwerk-Studie zeigte Lehrkräfte der K-12-Stufen (Nichtprogrammierende), die Vibe Coding in einem achtwöchigen Workshop nutzten, um KI-gestützte Lernwerkzeuge zu bauen, und dabei ihre KI-Kompetenz erhöhten sowie „Lernen durch Erschaffen“ als Modell der Professionalisierung demonstrierten. In der Hochschulbildung baute eine Lehrkraft in wenigen Tagen per Vibe Coding einen Programmierprozess-Visualisierer aus IDE-Aktivitätslogs, der die Programmierprozesse der Studierenden für Lehren und Prüfung sichtbar machte. Diese Fälle positionieren Vibe Coding nicht bloß als Fähigkeit der Lernenden, sondern als Autorenfähigkeit, die neu formt, wer Bildungstechnologie erschaffen kann.

Homogenisierung des Designs: Zugang ohne Vielfalt

Das End-User-Development-Versprechen von Vibe Coding betrifft, wer bauen kann, nicht was gebaut wird. In einer Kurseinrichtung erzeugten 73 Studierende, die Seiten für unterschiedliche Betriebe auf einer Vibe-Coding-Plattform bauten, etwa ein Dutzend unterschiedliche Designs, und gefühlte Urheberschaft korrelierte nicht mit gemessener Originalität (Boussioux et al. (2026)). Die Hürde zum Bauen zu senken kann die Ausgabe standardisieren — ein Preis, den das Versprechen des Zugangs nicht ankündigt.

Lernen, Handlungsfähigkeit und das Risiko des Übervertrauens

Vibe Coding eröffnet Kernfragen darüber neu, was gelernt wird, wenn KI die Implementierung automatisiert. Weil die nutzende Person keinen Code liest, muss sie dem Verhalten des Modells vertrauen — was Vibe Coding zu einem folgenreichen Fall der Spannung zwischen Handlungsfähigkeit und Übervertrauen macht, die sich durch KI-gestütztes Programmieren zieht. Curricula reagieren darauf, indem sie sich vom Lehren der Implementierung zum Lehren verlagern, wie man KI-erzeugte Artefakte anleitet, verifiziert und prüft (siehe die Neugestaltung des Informatik-Grundstudiums und agentisches Software Engineering). Vibe Coding verändert auch die erkenntnistheoretische Position der lernenden Person: Erfolg hängt weniger davon ab, Code zu schreiben, als Absicht präzise auszudrücken und Verhalten an Zielen zu messen — Kompetenzen, die näher an computational thinking und strukturiertem Schreiben liegen als an klassischer Syntaxbeherrschung.

Eine zweite Grenze zeigt sich im Bauen selbst: Die Code-Hürde zu entfernen kann die Diagnoselast unberührt lassen. Zwei Ingenieur-Fallstudien ließen eine Lehrkraft per Prompting von Gemini in gewöhnlicher Sprache innerhalb weniger Stunden lauffähige Websimulationen eines Batterie-Thermomanagementsystems und dreier ARQ-Protokolle bauen (Tarasak et al. (2026)). Ein Duplicate-Packet-Fehler überlebte dann wiederholte Prompts, einschließlich eines, der das geforderte Verhalten benannte. Er wurde erst behoben, als die Lehrkraft aus dem Protokollverhalten auf ein unzureichendes Timeout-Intervall schloss, einen Parameter, den die Schnittstelle nie exponierte. Die Wirkung beider Simulationen auf das Lernen wurde nicht gemessen, sodass der Bericht Machbarkeit statt Wirksamkeit belegt.

Verbindungen zu verwandten Konzepten

Vibe Coding verbindet sich natürlich mit Prompt-Engineering (Promptqualität ist der Mechanismus prosagetriebener Entwicklung), Informatikbildung (als der Domäne, in der die Technik am meisten genutzt und am meisten bestritten wird), Informatisches Denken (die mentale Modellierung, die Erfolg selbst ohne Codezugang vorhersagt), Schreiben (Schreiben wird zur Programmierfähigkeit) und Agentische KI (ein Modell auf ein Artefakt hin anzuleiten statt es von Hand zu bauen). Es überschneidet sich außerdem mit KI-Kompetenz und Lehre, da die Fähigkeit, eigene Werkzeuge zu bauen, verändert, was Lehrkräfte und Lernende tun können. Schließlich wirft es dieselben Fragen zu akademischer Integrität und Assessment auf, die KI-Codegenerierung in der gesamten Informatikbildung aufwirft.

Eine Fallstudie auf Ebene der Fakultät in dieser Wissensbasis liefert die organisationelle Schicht. Zimmer (2026) beschreibt AI Intrapreneurship — Lehrende bauen eigene Werkzeuge, statt auf institutionelle Beschaffung zu warten —, einschließlich einer Autorin, die nicht programmiert und Claude Code nutzte, um einen Prüfer für 321 Kurslinks zu bauen. Die entscheidenden Ermöglicher waren organisationeller statt technischer Art: Handlungsspielraum in der Arbeit, Belohnungen und verfügbare Zeit, wobei Letztere in akademischen Settings am offensichtlichsten im Defizit und durch Beförderung und Tenure untergraben ist. Das Bild zur Sicherheit blieb nüchtern, da Veracodes Analyse von 2025 nur 55% des KI-erzeugten Codes als sicher fand, sodass per Vibe Coding gebaute Unterrichtswerkzeuge weiterhin einen Prüfdurchgang brauchen, bevor sie mit Daten von Lernenden umgehen oder sich mit einem LMS verbinden.

Verbundene Konzepte

• Generative KI
• Große Sprachmodelle (LLMs)
• Prompt-Engineering
• Informatikbildung
• Informatisches Denken
• Schreiben
• Agentische KI
• Mensch-KI-Zusammenarbeit
• KI-Kompetenz
• Lehre
• Kognitive Auslagerung

Verbundene Artikel

• Computer Science Achievement and Writing Skills Predict Vibe Coding Proficiency — Computer Science Achievement and Writing Skills Predict Vibe Coding Proficiency (CHI 2026 empirical study)
• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding
• From Idea to Classroom in Days: Using "Vibe Coding" to Create a Programming Process Visualizer from IDE Activity Logs — From Idea to Classroom in Days: Using "Vibe Coding" to Create a Programming Process Visualizer from IDE Activity Logs
• Vibe Coding for Simulation Development in Engineering Education — Vibe coding built two engineering simulations in hours; diagnosing a protocol error still needed the instructor
• Understanding Student Perceptions, Mistakes, and Debugging Approaches when Solving Natural Language Programming Tasks — Understanding Student Perceptions, Mistakes, and Debugging Approaches when Solving Natural Language Programming Tasks
• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education
• Reshaping Undergraduate Computer Science Education in the Generative AI Era — Reshaping Undergraduate CS Education for Generative AI
• Flowcode: An AI-Powered Programming Environment for Scaffolding Iteration in Creative Computing Education — Flowcode: An AI-Powered Programming Environment for Scaffolding Iteration in Creative Computing Education
• AI Intrapreneurship: Educators as Frontline Innovators in the Age of Generative AI — AI intrapreneurship: faculty building their own tools, and the organizational enablers that decide whether the impulse survives (Zimmer 2026)
• One Tool, One Taste? How Vibe Coding Trades Collective Diversity for Individual Creativity — One Tool, One Taste? How Vibe Coding Trades Collective Diversity for Individual Creativity