Hoe AI het onderwijs zal revolutioneren — en waar het dat echt niet zou moeten doen
“Sinds 1985 vraag ik me af hoe we computers kunnen leren menselijke taal te gebruiken. En nu, na al die jaren, werkt het eindelijk.” Dat is een eerlijke samenvatting van waar het hoger onderwijs zich bevindt met generatieve AI — de technologie werkt eindelijk, en de moeilijkere vraag is verschoven naar hoe we die verantwoord in onderwijs en leren integreren. Dit artikel loopt door beide kanten eerlijk: wat werkelijk transformatief is, en waar dezelfde technologie problemen schept die het onderwijs nog niet volledig heeft opgelost.
De waarschuwing van Kissinger, toegepast op het klaslokaal
Voordat we bij de opwindende toepassingen komen, is het de moeite waard stil te staan bij een ongemakkelijke observatie van Henry Kissinger, schrijvend over AI en schaken: “AI zal waarschijnlijk elk spel winnen dat het wordt gegeven. Maar voor ons als mensen gaan de spelen niet alleen over winnen; ze gaan over denken… Door een wiskundig proces te behandelen alsof het een denkproces is, en ofwel te proberen dat proces zelf na te bootsen ofwel de resultaten gewoon te accepteren, lopen we het risico de capaciteit te verliezen die de kern van menselijke cognitie is geweest.”
Vervang “spelen” door “opdrachten” en de waarschuwing geldt direct voor onderwijs. Het doel van onderwijs was nooit alleen het halen van examens — het is leren denken. Toch heeft beoordeling historisch gezien vaak geheugenwerk boven redeneren beloond. Nu modellen als GPT in seconden een verzorgd essay kunnen produceren, is die mismatch niet langer te negeren. AI kan het onderwijs revolutioneren door te fungeren als een schaalbare, gepersonaliseerde onderwijsassistent — maar alleen als instellingen herdenken hoe ze lesgeven en beoordelen, in plaats van AI te plakken op een beoordelingsmodel dat gebouwd is voor een pre-AI-wereld.
Wat generatieve AI werkelijk goed doet in de klas
Zet de risico’s even opzij — de concrete toepassingen zijn werkelijk overtuigend, en de meeste zijn al getest in echte cursussen.
Sokratische dialogen, op aanvraag gegenereerd. De sokratische methode — doorvragende vragen die aannames uitdagen en redeneren stimuleren in plaats van antwoorden te geven — is precies het soort interactie dat AI op schaal kan produceren. Vraag een model vijf sokratische dialogen te genereren over een onderwerp (wat een aanpak krachtig maakt, waar het faalt, wat de maatschappelijke risico’s zijn) en je krijgt kant-en-klaar lesmateriaal dat de ruimte verschuift van lezing naar dialoog, in minuten in plaats van uren voorbereiding.
Een onderwijsassistent die 24/7 werkt. Studenten lopen tegen conceptuele muren aan om 2 uur ’s nachts voor een tentamen, niet tijdens spreekuren. Een AI-tutor met oneindig geduld — bereid een moeilijk concept zo vaak en op zo veel verschillende manieren opnieuw uit te leggen als een student nodig heeft — vult een gat dat geen menselijk onderwijspersoneel realistisch kan dekken.
Oefeningen, readers en lesmateriaal, op schaal gegenereerd. Een concreet voorbeeld: een volledige 240-pagina’s tellende reader — hoofdstukken, oefeningen, antwoorden en programmeeropdrachten — gegenereerd uit 1.300 collegeslides in een paar avonden, hoofdstuk voor hoofdstuk. Dat is geen marginale efficiëntiewinst; het is werk dat anders weken zou kosten, waardoor de tijd van een docent vrijkomt voor de onderdelen van onderwijs die daadwerkelijk een mens vereisen — diepere interactie, begeleiding, oordeelsvermogen over waar een specifieke student vastloopt.
Gepersonaliseerde uitleg en adaptieve inhoud. Hetzelfde onderliggende materiaal kan op verschillende complexiteitsniveaus opnieuw worden uitgelegd, afhankelijk van wat een specifieke student nodig heeft — iets wat een enkelvoudige lezing, eenmalig gegeven aan een zaal van 200 mensen, structureel niet kan doen.
Directe feedback op je eigen lessen. Docenten kunnen dezelfde tools gebruiken om hun eigen lesmateriaal te beoordelen en concrete feedback te krijgen over duidelijkheid en structuur — een tweede paar ogen altijd beschikbaar.
Geautomatiseerde gespreksbeoordeling. Vroeg onderzoek (waaronder lopend werk bij de DACS-groep van de Universiteit Maastricht) verkent gesprekagenten die de rubric van een docent, het inhoudsdocument en een dialoog met de student combineren om beoordelingsaanbevelingen te produceren — niet om het oordeel van de docent te vervangen, maar om een proces dat momenteel handmatig en traag is te structureren en te versnellen.
De wapenwedloop die niemand wilde
Hier wordt het eerlijke beeld ingewikkelder. Op het moment dat AI goed genoeg werd om een acceptabel essay te schrijven, verscheen er een complete contra-industrie. Er bestaan nu tools specifiek om AI-gegenereerde tekst te “humaniseren” zodat het detectiesoftware omzeilt — en in een vreemde wending laten studenten die hun eigen originele werk schrijven het nu ook door diezelfde detectoren lopen, bezorgd dat hun authentieke schrijven als AI-gegenereerd wordt gemarkeerd. Docenten gebruiken AI-detectietools om AI-geschreven inzendingen te betrappen; studenten gebruiken humaniseringstools om die detectoren te omzeilen; sommige studenten laten hun eigen echte schrijven defensief door detectoren lopen. Iedereen schrijft nu deels voor de detector, niet voor de lezer.
Dit is niet volledig nieuw — “huiswerkm achines” bestaan al decennia voor ChatGPT, en elke generatie technologie heeft vergelijkbare paniek veroorzaakt (dezelfde angst werd twee decennia geleden geuit over Google: “Is Google ons dom aan het maken?”). Maar de vloeiendheid van generatieve AI maakt de kat-en-muisdynamiek scherper en sneller bewegend dan ooit tevoren, en het zorgt voor werkelijk ongelukkige studenten en gefrustreerde docenten aan beide kanten van de detectiewapenwedloop.
Waarom de onderliggende technologie nog steeds guardrails nodig heeft
Het is de moeite waard precies te zijn over wat deze modellen werkelijk doen — en niet doen — omdat dat zowel hun bruikbaarheid als hun faalwijzen in een onderwijsomgeving verklaart. Een model als GPT is fundamenteel een volgende-token-voorspeller: gegeven een reeks woorden schat het de waarschijnlijkheid van wat er vervolgens komt, tekst autoregressief genererend, één token tegelijk. Het heeft geen ingebouwde feitelijkheidscontrole, geen persistent geheugen over sessies heen tenzij expliciet ontworpen, en geen echte-wereldverankering voor de woorden die het produceert — kritieken vaak samengevat als “stochastische papegaai”: vloeiende taalproductie zonder werkelijk begrip.
Dat heeft directe onderwijsgevolgen: hoe langer de gegenereerde tekst, hoe groter de kans op feitelijke afwijking of regelrechte hallucinatie — een ernstig probleem wanneer de inhoud een formule, een citaat, een historische datum of een stuk code is dat een student zal vertrouwen. De mitigatietechnieken die hier van belang zijn voor een onderwijsomgeving zijn dezelfde als bij elke serieuze implementatie: retrieval-augmented generation om antwoorden te verankeren in het daadwerkelijke cursusmateriaal in plaats van de algemene trainingsdata van het model, kennisgraaf-gebaseerde context-injectie voor gestructureerde feiten, en simpelweg het systeem instrueren om “ik weet het niet” te zeggen in plaats van zelfverzekerd een antwoord te verzinnen wanneer het vertrouwen laag is. Niets hiervan is optionele afwerking — het is het verschil tussen een tutor die soms fout zit op een manier die studenten kunnen opmerken, en een die zelfverzekerd fout zit op een manier die ze niet kunnen.
De echte herontwerpvraag
De meest productieve formulering is niet “moeten we dit verbieden” of “moeten we dit kritiekloos omarmen” — het is “wat moet beoordeling worden nu dit bestaat.” Een paar concrete richtingen die serieus genomen verdienen te worden:
- Herontwerp opdrachten rondom begrip, niet rondom uitvoer. Laat studenten GenAI gebruiken om hun eigen werk te bekritiseren en te verbeteren, en begrijpen waarom iets verbeterd kan worden — waardoor de AI een teamgenoot wordt in plaats van een snelkoppeling.
- Overweeg de klas om te draaien. Als het overbrengen van informatie een opgelost probleem is dat AI redelijk goed kan doen, kan lestijd verschuiven naar sokratische dialoog en toegepast redeneren — hoewel dit een echte verschuiving vereist in wat er van studenten wordt verwacht, niet alleen van docenten.
- Houd werkelijk AI-vrije beoordeling waar het ertoe doet. Sommige eindbeoordelingen moeten “doe het zelf” blijven, zonder AI-tooling, specifiek om de redeneervaardigen te verifiëren waarnaar de AI-ondersteunde werkzaamheden toe bedoeld waren te leiden.
- Vermijd “AI-vriendelijke opdrachten” — taken die in de eerste plaats geen kritische analyse vereisen zijn precies de taken die AI niet te onderscheiden van een mens zal voltooien, zonder je iets te vertellen over wat de student werkelijk heeft geleerd.
Er is ook een stiller risico dat benoemd verdient te worden: als een AI-beoordelings- of tutorassistent 49 keer achter elkaar gelijk heeft, zal een docent dan nog zorgvuldig de 50e controleren? Automatiseringsgemakzucht is een echte faalwijze, geen hypothetische, en dat pleit ervoor om een mens werkelijk in de lus te houden in plaats van AI-uitvoer rubber te stempelen omdat die tot nu toe betrouwbaar is geweest.
Eerlijk afwegen
Het argument voor: 24/7 toegang tot uitleg, werkelijk gepersonaliseerd tempo, ondersteuning voor moeilijke onderwerpen, efficiënte tutorondersteuning op een schaal dat geen instelling met mensen alleen kon bemensen, lagere drempels voor studenten in ondervoorziene situaties, en taalondersteuning voor niet-moedertaalsprekers.
Het argument voor voorzichtigheid: overafhankelijkheid die precies de vaardigen uitholt die onderwijs bedoeld is te bouwen, het risico dat zelfverzekerd onjuiste informatie studenten bereikt die het verschil nog niet kunnen zien, ongelijke toegang als tools kostbaar zijn, en de zeer reële mogelijkheid dat opdrachten worden uitbesteed in plaats van begrepen.
De conclusie
De technologie werkt nu werkelijk, na decennia van onderzoek — dat deel staat niet ter discussie. Wat nog wordt uitgewerkt, in real time, in echte klaslokalen, is hoe docenten verschuiven van informatieverstrekkers naar facilitators van kritisch denken, en hoe beoordeling verschuift van het belonen van geheugen naar het belonen van redenering en toepassing. Goed gebruikt ziet AI in het onderwijs eruit als een onvermoeibare, geduldige, altijd beschikbare onderwijsassistent die menselijke docenten vrijmaakt voor de onderdelen van onderwijs die machines nog steeds niet kunnen doen. Onzorgvuldig gebruikt ziet het eruit als een wapenwedloop tussen detectietools en humaniseringstools die iedereen voor het algoritme laat schrijven in plaats van voor begrip. De technologie bepaalt niet welke van die toekomsten we krijgen — het herontwerp van beoordeling en pedagogiek eromheen doet dat.
Gebaseerd op “Exploring the Potential of AI Tutors in Higher Education” (Prof. dr. ir. Jan Scholtes, UM Education Day, juni 2025).
Kernpublicaties
- Kasneci et al. (2023), ChatGPT for Good? On Opportunities and Challenges of LLMs for Education — Learning and Individual Differences
- Bender et al. (2021), On the Dangers of Stochastic Parrots — ACM FAccT 2021
- Mollick & Mollick (2023), Assigning AI: Seven Approaches for Students, With Prompts — SSRN
Verder lezen op deze site
- Wat is een AI-agent? — de architectuur achter de AI-tutors en beoordelingsagenten hier besproken
- Waarom NLP eindelijk werkt — de transformer-architectuur die generatieve AI in het onderwijs mogelijk maakte
- Adversariale aanvallen: onzichtbare pixels en omgewisselde woorden — waarom AI-systemen guardrails nodig hebben, ook in onderwijscontexten
- Van tekst naar actie — hoe cursusmateriaal en correcties trainingsdata kunnen worden voor een gespecialiseerde onderwijsagent