AI in het onderwijs: de ongemakkelijke tussenperiode

​Mijn denken over AI in het onderwijs blijft in beweging. Hoe meer ik ermee werk en erover lees, hoe duidelijker het wordt dat we met het toevoegen van slimme toepassingen nog maar een deel van de opgave aanpakken. Ook onze ideeën over goed onderwijs, zelfstandig denken en beoordelen komen ter discussie te staan. Vanuit mijn veranderkundige achtergrond herken ik daarin iets: we bevinden ons in een ongemakkelijke tussenperiode. Het vertrouwde biedt minder houvast, terwijl het nieuwe nog moet ontstaan.

Door Gert Jan Schop

Van het leren van studenten naar ons eigen onderwijs

In mijn eerdere artikel Als AI het denkwerk overneemt: wat moet een student nog leren? stond de vraag centraal wat studenten zelf moeten kennen en kunnen wanneer AI steeds meer werkzaamheden kan uitvoeren. Daarbij maakte ik onderscheid tussen een goed eindproduct en daadwerkelijk leren. Een overtuigende analyse bewijst nog niet dat de student het vraagstuk begrijpt en zijn keuzes kan verantwoorden (Schop, z.d.). Die vraag houdt me nog steeds bezig. Tegelijk komt er een andere vraag bij: wat betekent dit voor onszelf, als docenten, opleiders en professionals? We verwachten dat studenten blijven leren, hun aannames onderzoeken en nieuwe manieren van werken ontwikkelen. Zijn we bereid om hetzelfde te doen met het onderwijs dat we zelf verzorgen?

Op de drempel tussen oud en nieuw

Voor de periode waarin oude zekerheden verdwijnen en nieuwe nog moeten ontstaan, bestaat een begrip: liminaliteit. Het woord is afgeleid van het Latijnse limen, dat drempel betekent. Dat beeld spreekt me aan. Je staat op de overgang tussen twee situaties, zonder dat je al goed weet hoe het aan de andere kant verdergaat. Het begrip komt uit de antropologie. Arnold van Gennep beschreef bij overgangsrituelen drie fasen: loskomen van de oude situatie, een tussenperiode doormaken en een nieuwe positie innemen. Victor Turner werkte deze ideeën verder uit. Vooral die tussenperiode is interessant: vertrouwde rollen en verwachtingen geven tijdelijk minder richting (Tames, 2016).

Jitske Kramer (2024b) verbindt dit gedachtegoed aan veranderingen in organisaties en de samenleving. Zij noemt bijvoorbeeld de klimaattransitie, reorganisaties en wisselingen in leiderschap. Ook AI past in deze beschrijving: bestaande ideeën over werk en kennis staan onder druk, terwijl nieuwe afspraken en opvattingen nog onvoldoende zijn uitgewerkt.
Bij zulke veranderingen volstaat een andere werkwijze niet altijd. Er kunnen ook andere vragen ontstaan over verantwoordelijkheid, kwaliteit en de verdeling van invloed. Wie bepaalt wat goed werk is? Welke deskundigheid blijft nodig? Welke rol heeft iemand straks?

Zo kijk ik inmiddels ook naar AI in het onderwijs. We proberen te begrijpen wat er verandert, zoeken naar mogelijkheden en ontdekken ondertussen dat sommige vertrouwde antwoorden minder bruikbaar worden. Dat voelt soms onrustig. Het geeft ook ruimte om zaken opnieuw te bekijken die jarenlang vanzelfsprekend waren. Liminaliteit helpt mij om die situatie te begrijpen. Het is geen stappenplan dat vertelt wanneer we klaar zijn.

Een terugkeer naar het oude zie ik niet gebeuren

Voor mij staat vast dat we onze omgang met leren en toetsen opnieuw moeten doordenken. Een terugkeer naar onderwijs waarin we kunnen handelen alsof AI er niet is, lijkt me geen reële route. Daarmee verklaar ik onze kennis en ervaring over onderwijs niet waardeloos. Goede uitleg, vakkennis, oefening, begeleiding en persoonlijk contact blijven voor mij belangrijke uitgangspunten. Wat we wel moeten loslaten, is de  vanzelfsprekendheid waarmee we sommige onderwijsvormen gebruiken.

Neem een student die thuis een uitgebreid adviesrapport maakt. Welke conclusie mogen we daaraan verbinden? Dat hij een bruikbaar rapport heeft opgeleverd? Dat hij zelfstandig onderzoek kan doen? Dat hij de theorie begrijpt? Dat hij verantwoord met AI kan samenwerken? Dat zijn verschillende uitspraken, waarvoor mogelijk verschillend bewijs nodig is.

Het ongemakkelijke is dat ik wel zie dat we moeten bewegen, terwijl ik nog niet weet hoe het onderwijs er uiteindelijk uit gaat zien. Misschien is ‘uiteindelijk’ hier zelfs het verkeerde woord. Waarom zouden we verwachten dat de ontwikkeling van AI op een bepaald moment tot rust komt en wij daarna een definitieve onderwijsaanpak kunnen vastleggen? Mijn verwachting is eerder dat we nieuwe werkwijzen ontwikkelen die een tijd bruikbaar zijn, daarvan leren en ze opnieuw aanpassen. Dat maakt richting kiezen belangrijk. Wachten tot alles duidelijk is, biedt weinig perspectief.

​

Feedbackbots vertrekken vanuit het bestaande

Ik ontwikkel feedbackbots voor studenten. Daarmee wil ik hen helpen hun werk kritisch te bekijken, vragen te stellen en hun redeneringen verder te ontwikkelen. Tegelijk zie ik een beperking in mijn eigen aanpak. Zo’n feedbackbot vertrekt meestal vanuit een bestaande opdracht. De student maakt een beroepsproduct, er zijn beoordelingscriteria en de bot helpt om het werk daaraan te toetsen. De technologie krijgt een plaats binnen een onderwijsontwerp dat er al was.

Dat kan zinvol zijn. Alleen heb ik daarmee nog niet onderzocht of die opdracht, die criteria en dat beroepsproduct ook de beste manier zijn om het gewenste leren te organiseren. Daar zit voor mij de volgende stap. Stel dat we een opleiding vandaag opnieuw zouden ontwerpen, met de mogelijkheden en beperkingen van AI in gedachten. Zouden we dan dezelfde opdrachten geven? Dezelfde momenten van begeleiding kiezen? Hetzelfde bewijsmateriaal verzamelen voor de beoordeling?

Een slimmere manier om het bestaande te doen, geeft nog geen antwoord op de vraag of we het juiste onderwijs aanbieden. Mijn feedbackbots zijn dus onderdeel van een zoektocht. Ze leveren ervaringen op en helpen om vragen scherper te krijgen. Het zou te gemakkelijk zijn om ze meteen te presenteren als het antwoord op de verandering die voor ons ligt.

Drie niveaus van leren en veranderen

In mijn colleges over verandermanagement gebruik ik het onderscheid tussen eerste-, tweede- en derde-orde leren. In praktische taal vat ik dat samen in drie vragen: doen we het goed, doen we het goede en doen we het om de goede redenen? Die vragen helpen om verschillende gesprekken uit elkaar te houden. Verbeteren binnen bestaande kaders vraagt iets anders dan het onderzoeken van die kaders. Nog een stap verder gaat het onderzoeken van onze eigen manier van denken en leren.

Doen we het goed?

Bij eerste-orde leren verbeteren we onze aanpak binnen de bestaande uitgangspunten. Geeft de feedbackbot duidelijke feedback? Zijn de instructies begrijpelijk? Kunnen studenten beter zien wat er in hun beroepsproduct ontbreekt? Dat zijn nuttige vragen. De opdracht zelf blijft daarbij grotendeels buiten discussie.

Doen we het goede?

Bij tweede-orde leren onderzoeken we de uitgangspunten. Waarom laten we studenten deze opdracht maken? Is een uitgebreid schriftelijk product nog de meest geschikte manier om hun ontwikkeling zichtbaar te maken? Welke leeractiviteiten passen bij de bekwaamheid die we willen ontwikkelen?

Doen we het om de goede redenen?

Bij derde-orde leren kijken we ook naar de overtuigingen achter onze keuzes. Waarom verbinden we zelfstandig denken zo sterk aan zelfstandig schrijven? Waarom vinden we een bepaalde toetsvorm betrouwbaar? Beschermen we daarmee werkelijk de kwaliteit van het onderwijs, of vooral een manier van werken waarmee we vertrouwd zijn? En welke overtuiging maakt dat ikzelf snel enthousiast word over een nieuwe toepassing? Vooral die laatste vraag moet ik mezelf blijven stellen. Ook vernieuwingsdrang heeft aannames die onderzocht mogen worden.

Rond AI zijn alle drie de vragen nodig. Een slecht werkende toepassing moeten we gewoon verbeteren of stoppen. Maar wanneer we uitsluitend bezig blijven met betere toepassingen, komen we niet toe aan het onderzoeken van ons onderwijs. In deze tussenperiode moeten we ook onze eigen manier van kijken ter discussie durven stellen.

Onderwijs opnieuw ontwerpen met AI

Voor mij begint een nieuw onderwijsontwerp bij de ontwikkeling die we mogelijk willen maken. Wat moet iemand kennen, begrijpen en kunnen wanneer hij een opleiding afrondt? Welke verantwoordelijkheid moet hij kunnen dragen? En welke plaats krijgt AI daarin? Die vragen gelden voor het hele onderwijs, van basisschool en voortgezet onderwijs tot mbo, hbo, universiteit en post-hbo. De antwoorden verschillen uiteraard per leeftijd, niveau en doel. Bij een leerling die basiskennis opbouwt, maken we andere keuzes dan bij een ervaren professional die zijn handelen wil verdiepen. Onderwijs heeft bovendien een bredere opdracht dan voorbereiden op werk.

Vanuit die gewenste ontwikkeling kunnen we terugredeneren. Welke kennis moet iemand zelf opbouwen? Welke denkstappen moet hij oefenen? Waar kan AI ondersteuning bieden? Welke werkzaamheden mag hij leren uitbesteden, en hoe leert hij beoordelen of dat verstandig is? Voor een werkende professional zou ik bijvoorbeeld willen dat hij een organisatievraagstuk kan afbakenen, bronnen en gegevens kritisch kan wegen en keuzes kan onderbouwen. Bij het onderwijsontwerp moeten we dan onderzoeken hoe hij die vaardigheden ontwikkelt in een omgeving waarin AI beschikbaar is.

Daar hoort toetsing vanaf het begin bij. Willen we weten wat iemand zelfstandig beheerst, dan moeten we daarvoor passend bewijs verzamelen. Willen we beoordelen hoe iemand met AI een professioneel vraagstuk aanpakt, dan moeten we ook zijn gebruik van dat hulpmiddel en zijn oordeel over de uitkomsten zichtbaar maken. Zo terugredeneren vraagt geen voorspelling van het onderwijs over tien jaar. Het vraagt dat we expliciet maken welke ontwikkeling we belangrijk vinden. Die richting helpt om experimenten te kiezen en te beoordelen.

De drempelwachter en de trickster

In gesprekken met mensen uit het onderwijs herken ik verschillende houdingen tegenover deze verandering. Twee beelden helpen mij om daarover na te denken: de drempelwachter en de trickster (Kramer, 2024a).

De drempelwachter begint bij wat bescherming verdient. Zijn basishouding is zorgvuldig en behoudend: wat mogen we niet verliezen? Zijn bijdrage ligt in het bewaken van kwaliteit, zelfstandig denken en verantwoordelijkheid. Hij vraagt bijvoorbeeld hoe we voorkomen dat studenten precies dat denkwerk uitbesteden waarmee zij iets moeten leren. Het risico ontstaat wanneer de bestaande werkwijze zelf onaantastbaar wordt. Dan kan bewaken overgaan in blokkeren.

De trickster bevraagt grenzen en vanzelfsprekendheden. Kramer beschrijft dit archetype als iemand die gevestigde verhalen kan ontregelen en ruimte kan openen voor een andere manier van kijken. Tegelijk heeft het begrip een schaduwkant: ontregeling kan ook leiden tot misleiding, verwarring en eigenbelang. Het is dus geen vriendelijke naam voor iedere vernieuwer.

In het onderwijs herken ik de vernieuwende kant in de vraag: waarom zouden we het blijven doen zoals we het altijd deden? De bijdrage is dat bestaande patronen bespreekbaar worden en nieuwe mogelijkheden ontstaan. Het risico is dat vernieuwing een doel op zichzelf wordt en zorgen over kwaliteit te gemakkelijk worden weggewuifd.

Van mijzelf herken ik meer van die vernieuwende houding. Mijn aandacht gaat snel naar wat mogelijk wordt en wat we anders zouden kunnen organiseren. Juist daarom heb ik mensen nodig die doorvragen naar wat we dreigen kwijt te raken. Anders wordt mijn eigen voorkeur ongemerkt de maatstaf voor goed onderwijs.

Omgekeerd hebben bewakers van kwaliteit mensen nodig die onderzoeken of die kwaliteit ook op andere manieren bereikt kan worden. Dezelfde persoon kan overigens beide houdingen aannemen. Kramer (2024a) benadrukt terecht dat mensen geen vast archetype zijn en aanspreekbaar blijven op hun gedrag. Beide houdingen verdienen ruimte. Dat betekent niet dat ieder bezwaar terecht is of ieder experiment zinvol. Het betekent dat we de argumenten serieus onderzoeken voordat we een keuze maken.

Samen zoeken naar goed onderwijs met AI

Hier raakt de veranderkundige benadering aan iets wat ik belangrijk vind: deze zoektocht moeten we samen aangaan. Met docenten, studenten en mensen die vanuit andere expertise kunnen bijdragen. In het werk van Turner speelt communitas een belangrijke rol: een tijdelijke ervaring van verbondenheid en gelijkwaardigheid, waarin gebruikelijke sociale posities minder bepalend worden. Dat staat in spanning met structure, de bestaande ordening van rollen, regels en verhoudingen (“Rituelen volgens Turner”, z.d.). Ook Kramer (2024b) beschrijft hoe het samen doormaken van een onzekere overgang verbondenheid kan oproepen.

Voor het onderwijs vertaal ik dat naar ruimte waarin we gezamenlijk kunnen onderzoeken hoe het verder moet. De docent brengt kennis over leren en het vakgebied mee. De student brengt zijn ervaring met de opdrachten en het gebruik van AI mee. Werkende studenten kennen bovendien de verwachtingen en mogelijkheden in hun eigen organisatie. Andere deskundigen kunnen helpen bij vragen over technologie, onderzoek of verantwoord gebruik. Binnen onze eigen opleidingen zoeken we ook samen met studenten naar die omgang met AI. Dat vind ik belangrijker dan studenten pas achteraf vragen of zij tevreden zijn met een aanpak die wij al hebben bedacht.

Mijn pleidooi is om hun betrokkenheid verder te laten gaan dan het uitproberen van een toepassing. Laat studenten ook meedenken over de opdracht. Waar worden zij aan het denken gezet? Waar lokt de opdracht vooral het produceren van een overtuigende tekst uit? Wanneer helpt AI om iets te begrijpen en wanneer wordt het verleidelijk om een noodzakelijke denkstap over te slaan? Gelijkwaardigheid in dat gesprek betekent niet dat iedereen dezelfde verantwoordelijkheid heeft. Docenten blijven verantwoordelijk voor de kwaliteit van hun onderwijs en beoordeling. Wel moeten zij bereid zijn hun eigen ontwerp door de ervaringen van studenten ter discussie te laten stellen.

Wanneer structuur het zoeken gaat bepalen

In mijn contacten met grotere onderwijsorganisaties, waaronder voortgezet onderwijs en hogescholen, zie ik ook een andere beweging. De onzekerheid rond AI roept de behoefte op om eerst duidelijkheid te krijgen over regels, bevoegdheden en verantwoordelijkheden. Wie mag wat besluiten? Welke toepassing is toegestaan? Welke procedure moeten we volgen? Die vragen zijn begrijpelijk. Studenten moeten kunnen rekenen op zorgvuldigheid en een eerlijke beoordeling. Maar de neiging om alles via de bestaande structuur te regelen, kan ook het zoeken beperken. Dan proberen we een nieuwe werkelijkheid passend te maken binnen afspraken die voor een andere situatie zijn gemaakt.

Het gesprek gaat vooral over toestemming en handhaving, terwijl de vraag wat voor onderwijs we willen verzorgen naar de achtergrond verdwijnt. Dit is geen oordeel over iedere grote instelling. Ook een kleine organisatie kan vastzitten in gewoonten. Het gaat mij om een patroon: onzekerheid beantwoorden met steeds meer beheersing.

Boonstra (2026) beschrijft transformationeel veranderen juist als een gezamenlijk proces dat raakt aan identiteit, waarden en verantwoordelijkheid. Daarbij verschuift de aandacht naar samen betekenis geven, leren en handelen. Leiderschap krijgt vorm in het mogelijk maken van dat samenspel en het omgaan met de spanningen die daarbij ontstaan.

Voor mij betekent dit dat structuur ruimte moet bieden aan het onderzoek dat nodig is. We kunnen duidelijk zijn over de kwaliteit die we willen beschermen en tegelijk ruimte geven om opdrachten, begeleiding en toetsing anders te ontwerpen. Daarbij hoort ook besluitvorming. Een liminale fase mag geen excuus worden om eindeloos te blijven praten en experimenteren. Kramer (2024b) waarschuwt voor het blijven hangen in de tussentijd wanneer nieuwe inzichten onvoldoende worden omgezet in keuzes en handelen.

We moeten dus kunnen besluiten dat een aanpak voorlopig bruikbaar is, dat een experiment aanpassing nodig heeft of dat we ergens mee stoppen. Ook terwijl de verdere ontwikkeling van AI onzeker blijft.

Durven schuren en opnieuw leren

In mijn eerdere artikel schreef ik over het schuren dat bij leren hoort: twijfelen, zelf proberen, merken dat je redenering tekortschiet en opnieuw beginnen (Schop, z.d.). Die gedachte wil ik nu ook op onszelf toepassen. We vragen studenten om verantwoordelijkheid te nemen voor hun ontwikkeling. Dan moeten we als docenten en opleiders bereid zijn om onze eigen uitgangspunten te onderzoeken. Ook wanneer dat raakt aan opdrachten die we zorgvuldig hebben ontwikkeld, toetsvormen waarop we vertrouwen of een rol waarin we ons bekwaam voelen.

Mijn richting wordt daarin steeds duidelijker. AI een plaats geven binnen het bestaande onderwijs is een begin. Daarnaast moeten we onderzoeken welke delen van dat onderwijs opnieuw ontworpen moeten worden. Vanuit wat we willen dat mensen leren, samen met de mensen om wie het gaat.

Hoe dat onderwijs er precies uit komt te zien, weet ik nog niet. Mijn experimenten zijn geen eindantwoord. Ze helpen me om beter te begrijpen welke vragen we moeten stellen en welke keuzes we kunnen maken. Van studenten verwachten dat zij leren omgaan met het onbekende, vraagt dat we zelf bereid zijn die drempel over te gaan.

– Gert Jan Schop is organisatieadviseur, ondernemer en algemeen directeur van Bedrijfskunde Opleiding Utrecht. Hij heeft ruim 30 jaar ervaring met strategie, bedrijfsvoering en verandermanagement. Bij BKOU geeft hij les in Verandermanagement & Organisatiekunde en begeleidt hij afstudeerders. Daarnaast adviseert hij organisaties bij complexe verandertrajecten. Praktisch, scherp en altijd met oog voor mensen.