Van AI-proof naar AI-ready

Op 14 oktober 2026 berichtte RTL Nieuws over het gebruik van AI bij masterscripties. Volgens de analyse met AI-detector Pangram was één op de vijf onderzochte scripties merendeels door een chatbot geschreven. Het zijn schattingen op basis van tekstdetectie, maar mijn eerste gedachte ging eerlijk gezegd ergens anders over. Het is oktober 2026. We zijn bijna vier jaar verder sinds de introductie van ChatGPT, en nog steeds lijkt het ons te overvallen dat studenten er hun werk mee maken.

In veel reacties die ik voorbij zag komen, ging het vervolgens over hoe we daar meer grip op kunnen krijgen. Meer mondelingen, beter controleren wat studenten zelf hebben gedaan, minder werk buiten het zicht van de docent. De oplossingen verschillen, maar het vertrekpunt blijft vaak hetzelfde: we hebben een opdracht die we waardevol vinden en moeten voorkomen dat AI die ondergraaft.

Dat vind ik een opmerkelijke manier om met zo'n ingrijpende ontwikkeling om te gaan. Terwijl het werk waarvoor we mensen opleiden verandert, proberen we vooral de bestaande manier van opleiden overeind te houden. We passen de controle aan, maar stellen de opdracht zelf veel minder gemakkelijk ter discussie.

Volgens mij zit daar de belangrijkste opgave. We moeten van AI-proof naar AI-ready onderwijs. Dat vraagt eerst een andere manier van kijken naar wat we proberen te bereiken.

Waarom we zo gemakkelijk bij controle uitkomen

Ik denk dat deze reflex veel dieper zit dan het onderwijs. We zijn eraan gewend dat iemand iets zelf maakt, daarmee laat zien wat die kan en daar vervolgens erkenning voor krijgt. Inspanning, eigenaarschap en bekwaamheid zijn in ons denken sterk met elkaar verbonden. Wie een moeilijke tekst heeft geschreven, zal zich wel in het onderwerp hebben verdiept. Wie daar nauwelijks moeite voor heeft hoeven doen, heeft het resultaat misschien niet echt verdiend.

In het onderwijs hebben we rond die samenhang een groot deel van onze beoordeling georganiseerd. Een scriptie vertegenwoordigt maanden werk en geldt als bewijs dat een student op een bepaald niveau kan denken. Daar hangen vertrouwen in een diploma en opvattingen over eerlijkheid aan vast. Wanneer AI die tekst kan produceren, raakt dat dus aan meer dan een handige toetsvorm.

De roep om controle is vanuit dat perspectief begrijpelijk. Alleen blijven we daarmee proberen een vertrouwd verband te herstellen: als we maar kunnen vaststellen dat de student het zelf heeft gemaakt, weten we weer wat het waard is. Terwijl juist de vraag op tafel ligt welke prestatie we in een veranderde wereld nog van die student moeten verlangen.

Zo ontstaat de wapenwedloop. Studenten gebruiken AI, opleidingen voegen controles toe en studenten zoeken manieren om daarmee om te gaan. Een volgende technische mogelijkheid maakt de controle weer lastiger. Het gesprek gaat steeds meer over het aantonen of verhullen van AI-gebruik, terwijl de vraag wat iemand moet leren naar de achtergrond schuift.

Een mondeling kan daar onderdeel van zijn, maar kan ook uitstekend onderwijs zijn. Het verschil zit in de bedoeling. Wil je achteraf controleren wie de zinnen heeft geschreven, of wil je zichtbaar maken hoe een student een inhoudelijke afweging maakt? Die tweede vraag kan je bij een gesprek brengen. Maar ze kan ook leiden tot een heel andere inrichting van het leertraject.

Eerst opnieuw kijken naar het werk waarvoor we opleiden

De koninklijke route begint voor mij nog vóór het ontwerpen van de toets. Zijn onze leerdoelen eigenlijk nog relevant? Als we die vraag overslaan, kunnen we een zorgvuldig afgestemde toets maken voor een bekwaamheid waarvan de betekenis ondertussen is veranderd.

Neem een opleiding waarin studenten een artikel moeten schrijven voor een beroepspubliek. Gaat een professional dat straks nog zelf schrijven? Misschien bepaalt die het onderwerp, onderzoekt de inhoud en laat de tekst door AI uitwerken. Misschien verandert ook die verdeling. En misschien heeft het publiek meer aan een gesprek met een toepassing die vragen over het onderwerp beantwoordt dan aan een artikel. Dan verandert zelfs het product dat we als vanzelfsprekend beschouwen.

We kunnen dus niet volstaan met de vraag hoeveel AI we bij het schrijven toestaan. We moeten onderzoeken welk werk iemand moet kunnen verrichten en welke deskundigheid daarvoor nodig is. Dat vraagt contact met de beroepspraktijk en de bereidheid om die vraag regelmatig opnieuw te stellen. Een opleiding die zich in 2026 aanpast, is daarmee niet voor de komende tien jaar klaar.

Daarbij wil ik twee redenen om iets te leren uit elkaar houden. Je kunt een handeling oefenen omdat je die later in je beroep moet uitvoeren. Je kunt haar ook oefenen omdat je daardoor iets ontwikkelt wat je bij ander werk nodig hebt. Zelf schrijven kan bijvoorbeeld helpen om te ontdekken waar je redenering nog niet klopt. Dat is een onderwijsargument, ook wanneer je later veel tekstproductie uitbesteedt.

Maar dan moeten we dat argument wel expliciet maken. Welke ontwikkeling verwachten we van het schrijven, en welke oefening is daarvoor nodig? Het feit dat professionals AI gebruiken, beantwoordt die vraag niet. Onze gewoonte om studenten een lang verslag te laten maken evenmin.

Wat moet de student leren en waaraan zien we dat

Wanneer duidelijker is waarvoor we opleiden, kunnen we de leerdoelen aanscherpen. Achter een opdracht als ‘schrijf een onderzoeksartikel’ zitten vaak verschillende bedoelingen. De student moet misschien een vraag afbakenen, bronnen beoordelen, gegevens interpreteren en een conclusie voor een bepaald publiek bruikbaar maken. Zolang we dat allemaal in één product verpakken, blijft onduidelijk wat voor ons werkelijk telt.

Neem een student die onderzoekt waarom beginnende docenten hun school verlaten. Een overtuigend artikel kan verschillende verklaringen combineren tot een helder verhaal. Maar begrijpt de student ook waarom een verklaring door de gegevens wordt ondersteund? Kan die herkennen dat een conclusie verder gaat dan de interviews toelaten? Dat zijn concretere vragen dan of het artikel voldoende eigen werk bevat.

Bij het bepalen van de doelen hoort daarom meteen de vraag waaraan we beheersing herkennen. Als de student onderzoeksgegevens moet kunnen interpreteren, willen we bijvoorbeeld zien hoe die omgaat met een interview dat niet bij de eerste verklaring past. ‘De student houdt de regie’ zegt nog weinig zolang we niet duidelijk maken welk handelen daarbij hoort.

Dit sluit aan op achterwaarts ontwerpen van Wiggins en McTighe: eerst bepalen wat studenten moeten bereiken en welk bewijs dat aannemelijk maakt, en vervolgens de leerervaringen ontwerpen. De precieze toetsvorm en weging hoeven daarmee nog niet vast te staan. We weten wel beter waarop het onderwijs moet voorbereiden.

AI wel/niet gebruiken is te plat

Vervolgens moeten we het werk nauwkeuriger bekijken. In ons KIES-raamwerk zijn hier twee lagen daarbij belangrijk. De eerste is dat een grote opdracht uit verschillende deeltaken bestaat. De tweede is dat AI binnen zo'n deeltaak verschillende rollen kan vervullen. Een algemeen besluit dat studenten ‘wel’ of ‘geen’ AI mogen gebruiken, vertelt daardoor veel te weinig over wat er tijdens het leren gebeurt.

Bij het onderzoeksartikel kan AI helpen om mogelijke verklaringen te verkennen, een interview-leidraad te maken, gegevens te ordenen of zinnen te formuleren. Dat raakt telkens een ander deel van het werk. De vraag is welke van die handelingen het leerdoel dragen en welke vooral ondersteunen bij het maken van een bruikbaar product.

Ook binnen één deeltaak maakt de rol van AI verschil. Bij het interpreteren van interviews kan de student AI vragen om een complete analyse. Die kan ook zelf een verklaring formuleren en AI vragen naar tegenvoorbeelden. Of AI kan als uitlegger laten zien waarom een conclusie niet uit bepaalde gegevens volgt, waarna de student een volgende passage onderzoekt. In alle gevallen wordt AI gebruikt, maar de student verricht ander denkwerk.

Daarmee wordt de ontwerpvraag veel interessanter. Welke bijdrage van AI helpt deze student om deze bekwaamheid te ontwikkelen? Soms is een uitgewerkt voorbeeld nuttig, soms feedback op een eigen poging en soms ruimte om zonder onmiddellijke hulp met een probleem bezig te zijn. Bij een ondersteunende taak kan uitbesteden juist verstandig zijn, zodat tijd beschikbaar komt voor wat de student moet leren.

De keuze is dus specifieker dan wel/niet AI mogen gebruiken. We bepalen per deeltaak hoe het werk wordt verdeeld en welke rol AI krijgt. Vervolgens moeten we ook zorgen voor passende instructies, evaluatie van de uitkomsten en duidelijke spelregels. Anders blijft het bij een mooie rolnaam zonder een doordachte leeractiviteit.

Van losse activiteiten naar een leertraject

Met die keuzes kunnen we de leerroute ontwerpen. De student uit het voorbeeld onderzoekt eerst met medestudenten hoe je een verklaring aan interview-gegevens toetst. AI geeft uitleg bij een lastige passage. Daarna formuleert de student een eigen interpretatie en gebruikt AI om mogelijke tegenargumenten te vinden. In een werkbijeenkomst brengt de docent een nieuw interview in dat niet gemakkelijk in de analyse past.

Wat doet de student vervolgens? Wordt de afwijkende informatie weggemoffeld, wordt de verklaring aangepast of ontstaat er een betere vraag? De docent kan daar feedback op geven en de student kan ermee verder werken. Later helpt AI om de uitkomsten helder op te schrijven voor schoolleiders. De tekst is dan een onderdeel van een leertraject waarin de inhoudelijke ontwikkeling op verschillende momenten zichtbaar wordt.

Het ontwerp begint bij wat de student moet leren en verbindt daar activiteiten aan, met bewuste AI-keuzes. Daarna werken we uit welke prestaties we beoordelen, wanneer we dat doen en hoe zwaar ze wegen. Die keuzes moeten steeds bij elkaar blijven passen. Als we tijdens het ontwerpen ontdekken dat een doel onduidelijk is of het beoogde bewijs weinig zegt, gaan we terug.

Dat is dus iets fundamenteel anders dan de scriptie in hoofdstukken opdelen en ieder hoofdstuk een cijfer geven. Dan beoordelen we mogelijk nog steeds vooral teksten, alleen vaker. We moeten kijken naar de handelingen en afwegingen waarin de bedoelde bekwaamheid zichtbaar wordt. Een student kan bijvoorbeeld een methode beproeven, een conclusie aanpassen aan nieuwe gegevens of een gemaakte keuze inhoudelijk verdedigen.

Ook hoeft niet iedere activiteit mee te tellen. Studenten moeten kunnen oefenen, fouten maken en hulp vragen zonder dat iedere poging gevolgen heeft voor hun cijfer. Als ‘het proces beoordelen’ uitmondt in voortdurend toezicht, hebben we het controle-denken alleen verder het onderwijs in geschoven. We hebben gericht bewijs nodig voor een verantwoord oordeel, naast ruimte om iets nog te leren.

Wat deze omslag van een opleiding en van de docenten vraagt

Onderwijskundig zijn veel van deze principes vertrouwd. Toch is de verandering groot, omdat we moeten durven loslaten wat jarenlang als bewijs van kwaliteit heeft gegolden. Dat raakt aan het vakmanschap van docenten. Een begeleider die veel ervaring heeft met scripties, heeft daarin leren herkennen of een student het onderwerp begrijpt. Het is niet vreemd dat die ervaring gewicht heeft in het gesprek over verandering.

Maar juist daarom moeten we dat gesprek inhoudelijk voeren. Wat herkenden we in die scripties? Welke ontwikkeling wilden we ermee bereiken? En hoe kunnen we die in een andere leerroute zichtbaar maken? De opdracht om ‘meer met AI te doen’ geeft docenten daarop geen antwoord. Maar de opdracht om AI te weren uit het onderwijs nog minder.

Ook de organisatie moet ruimte maken. Als alle bestaande opdrachten, formulieren en beoordelingsmomenten behouden moeten blijven, komt iedere vernieuwing erbovenop. Meer gesprekken en meer procesdocumentatie verhogen dan vooral de werkdruk. Een opleiding moet ook kunnen besluiten dat een uitgebreid eindverslag minder gewicht krijgt of zelfs losgelaten kan worden, een oude eis vervalt of docenttijd naar begeleiding tijdens het onderzoek verschuift.

Daar verandert wat we als succes beschouwen. Binnen AI-proof denken zijn we tevreden wanneer ongewenst AI-gebruik moeilijker wordt. Bij AI-ready onderwijs moeten we onderzoeken of studenten relevante bekwaamheid ontwikkelen en of we daar voldoende zicht op hebben.

Wat we onderweg kunnen verliezen

Bij dit herontwerp blijft een vraag staan die ik eerder onderzocht in De bijvangst van een scriptie. Tijdens een langdurig project leren studenten mogelijk meer dan wat wij in de opdracht en beoordelingscriteria hebben benoemd. Ze ontdekken hoe ze zich ergens in kunnen verdiepen, hoe ze verder werken terwijl ze het nog niet begrijpen en hoe langzaam een eigen gevoel voor een onderwerp ontstaat.

Als AI veel tussenstappen overneemt, veranderen ook die ervaringen. We moeten daarom verder kijken dan de vraag of alle expliciete leerdoelen nog zijn afgedekt. Welke waardevolle ontwikkeling krijgt minder gelegenheid om te ontstaan? Kunnen we die op een andere manier organiseren, of willen we bepaalde handelingen juist blijven oefenen vanwege wat mensen ervan leren?

Daar hoort ook de mogelijkheid bij dat we iets verliezen. Een nieuw ontwerp hoeft niet iedere oude leerervaring te behouden om beter onderwijs te zijn, maar die afweging moeten we wel bewust maken. Een snellere weg naar een goed product is nog geen onderbouwing van een betere leerroute.

Wanneer ik terugdenk aan het RTL-artikel en de reacties erop, lijkt mij dat de vraag die we te weinig stellen. De discussie blijft gemakkelijk hangen bij het werk dat studenten niet meer zelf doen. Ik zou willen dat we veel preciezer onderzoeken welk werk zij moeten leren doen en welke ervaringen daarvoor nodig zijn.

Zolang de bestaande scriptie ons vertrekpunt blijft, zoeken we manieren om haar tegen AI te beschermen. Wat zouden we ontwerpen als we vandaag opnieuw begonnen bij de bekwaamheid van de student? En welke vertrouwde opdracht, beoordeling of overtuiging zouden we dan bereid zijn los te laten?