Computational Thinking ist der gedankliche Prozess, Lösungen zu entwerfen; Coding ist die mechanische Tätigkeit, diese Lösungen in eine Sprache zu übersetzen, die ein Computer versteht. Jahrelang hat die Informatikbildung beides für dasselbe gehalten. Doch der Aufstieg der generativen künstlichen Intelligenz hat die beiden weit auseinandergerissen.

Heute ist auswendig gelernte Programmiersyntax ein rapide an Wert verlierendes Gut. KI schreibt sauberen Python-, C++- oder Scratch-Code in Millisekunden. Was KI nicht kann: ein menschliches Problem verstehen, es in logische Schritte zerlegen und überhaupt erst entscheiden, was gebaut werden muss. Genau das ist Computational Thinking – und es ist der einzige Teil der Gleichung „Coding und Robotik“, der südafrikanischen Lernenden noch langfristigen Wert garantiert.

Der Unterschied, ohne Fachjargon

Um die Unterscheidung zu verstehen, nehmen wir eine praktische Herausforderung aus dem südafrikanischen Schulalltag: den Computerraum einer Schule während Load-Shedding der Stufe 4 zu managen. Ziel ist, dass 40 Lernende ihre Arbeit speichern und ihre Rechner sicher herunterfahren können, bevor die Wechselrichterbatterien leer sind.

Dieses Problem zu lösen, verlangt Computational Thinking. Sie müssen:

• Das Problem zerlegen: Die Aufgabe aufbrechen. Wie viel Strom ziehen die Computer? Wie lange halten die Batterien? Wie lange dauert ein sicheres Herunterfahren?
• Muster erkennen: Bemerken, dass jüngere Lernende fünf Minuten zum Speichern und Abmelden brauchen, ältere hingegen zwei.
• Von Details abstrahieren: Die Marke der Computer oder die Farbe der Tische ignorieren und sich allein auf Stromverbrauch und Zeitvorgaben konzentrieren.
• Einen Algorithmus entwerfen: Eine Schritt-für-Schritt-Regel aufstellen: „Fällt die Batteriekapazität auf 20 %, löse eine sichtbare Warnung aus. Fällt sie auf 10 %, starte die automatische Cloud-Sicherung und fahre das Terminal herunter.“

Ist dieses logische Gerüst gebaut, haben Sie das Problem gelöst. Coding ist lediglich der letzte, schreibtechnische Schritt, diesen Algorithmus in Python oder blockbasiertem Code niederzuschreiben, damit die Verwaltungssoftware des Computerraums ihn ausführen kann. Computational Thinking ist die Architektur; Coding ist das Mauern.

Warum KI den Wert beider umgekehrt hat

Im vergangenen Jahrzehnt lautete das globale Bildungsnarrativ: „Alle müssen programmieren lernen.“ Bootcamps und Schulen konzentrierten sich stark auf Syntax: sich zu merken, wohin Semikolons gehören, wie man Variablen deklariert und wie man Schleifen schreibt. Das war schon immer eine brüchige Strategie, doch generative KI hat sie endgültig überholt.

Bitten Sie ein modernes großes Sprachmodell (LLM), ein Python-Skript zu schreiben, das Batteriestände überwacht und ein System herunterfährt, erzeugt es augenblicklich und kostenlos fehlerfreien Code. Die Fähigkeit, eine klare Anweisung in Syntax zu übersetzen, ist automatisiert. Folglich bricht der wirtschaftliche Wert des „reinen Programmierers“ – jemandes, der nur Anweisungen in Code übersetzen kann – ein.

Umgekehrt ist der Wert derjenigen, die die Anweisungen formulieren können, in die Höhe geschossen. Um von einer KI ein brauchbares Ergebnis zu bekommen, muss eine Entwicklerin oder ein Entwickler Eingaben, Ausgaben, Randbedingungen und Grenzfälle des Systems präzise festlegen. Sie müssen computational denken. Wer ein Problem nicht selbst zerlegen kann, kann auch keine KI dazu bringen, es zu lösen.

„Kindern im KI-Zeitalter syntaxzentriertes Programmieren beizubringen, ist, als lehrte man sie schriftliches Dividieren und ignorierte dabei, wozu Rechnen eigentlich gut ist. Wir bereiten sie auf eine Welt vor, die es nicht mehr gibt.“

Die Realität in südafrikanischen Klassenzimmern

Diese Unterscheidung ist nicht bloß akademisch; sie hat massive Folgen dafür, wie wir den CAPS-Lehrplan für Coding und Robotik des Department of Basic Education umsetzen. Viele südafrikanische Schulen arbeiten unter harten Ressourcengrenzen: knappe Budgets, geteilte Laptop-Wagen, instabiles Internet und unzuverlässiger Strom.

Definiert eine Schule ihr Robotikprogramm über „am Bildschirm verbrachte Tippzeit“, wird sie sich schwertun. Fällt der Strom aus oder versagt das WLAN, endet der Unterricht. Zudem ist ein Laptop für jede einzelne Lernende und jeden einzelnen Lernenden für die allermeisten unserer Schulen finanziell unmöglich.

Rückt man dagegen Computational Thinking in den Mittelpunkt, werden die Grenzen beherrschbar. Computational Thinking lässt sich „unplugged“ unterrichten. Lernende können Algorithmen mit physischen Karten entwerfen, Logikgatter an der Tafel aufzeichnen oder physische Systeme von Hand debuggen. Wenn sie sich schließlich an einen Computer setzen, vergeuden sie die kostbare Bildschirmzeit nicht mit der Frage, wohin ein Doppelpunkt gehört; sie nutzen den Computer, um eine Lösung auszuführen, die sie bereits konstruiert haben.

Wie man unterrichtet, worauf es ankommt

Um Lernende auf die Zukunft vorzubereiten, müssen Schulen und Eltern den Fokus von syntaxlastigen Tutorials auf Denken auf Systemebene verlagern. So gelingt der Übergang:

Klassischer Fokus „Programmieren lernen“	Zukunftsfester Fokus „Computational Thinking“
Python-Befehle und Syntaxregeln auswendig lernen.	Logikgatter, Schleifen und bedingte Anweisungen konzeptionell verstehen.
Generische Copy-and-paste-Projekte bauen (etwa einen einfachen Taschenrechner).	Reale lokale Probleme zerlegen (etwa Wassersparen oder das Abfedern von Load-Shedding).
Reine Bildschirmübungen mit Blockcode ohne physischen Bezug.	Physische Eingaben (Sensoren) und Ausgaben (Motoren) nutzen, um zu sehen, wie Logik mit der realen Welt zusammenspielt.

Bei Sheen Robotics haben wir den Lehrplan unserer Sheen Academy genau um diese Philosophie herum entworfen. Wir bilden Lernende nicht zu Syntax-Compilern aus. Stattdessen vermitteln wir mit Physical Computing und IoT-Hardware die zugrunde liegende Logik von Systemen. Wenn eine Lernende versteht, wie sich mit einem Bodenfeuchtesensor und einer Wasserpumpe ein Regelkreis aufbauen lässt, wird die konkrete Programmiersprache, in der sie ihn schreibt, zur Nebensache – etwas, das sich leicht nachschlagen oder mit KI erzeugen lässt.

Wenn wir wollen, dass Südafrikas Jugend Technologie schafft, statt bloß importierte Software zu konsumieren, müssen wir aufhören, ihr das Nachahmen von Maschinen beizubringen. Maschinen sind bereits hervorragend darin, Maschinen zu sein. Unsere Aufgabe ist es, Lernenden das Denken beizubringen.