# AI in het onderwijs: hoe scholen en universiteiten het inzetten [Naar de inhoud](#lm-inhoud)Netwerk/NL[EN](/en/)[Hubhub.llmnet.nlModellen vergelijken op taak, taal, kosten en licentie.](https://hub.llmnet.nl/)[Communitycommunity.llmnet.nlPrompttechnieken, patronen en systeemprompts.](https://community.llmnet.nl/)[APIapi.llmnet.nlLLM's robuust in software: rate limits, routing, structured output.](https://api.llmnet.nl/)[Consultancyconsultancy.llmnet.nlAI invoeren in een organisatie, van pilot tot productie.](https://consultancy.llmnet.nl/)[Nieuwsnieuws.llmnet.nlOntwikkelingen in AI, geduid voor Nederland.](https://nieuws.llmnet.nl/)[Benchmarkbenchmark.llmnet.nlZelf meten wat AI-kwaliteit is, voor jouw taken.](https://benchmark.llmnet.nl/)[Vacaturesvacatures.llmnet.nlAI-rollen, salarissen en carrièrepaden in Nederland.](https://vacatures.llmnet.nl/)[Lerenleren.llmnet.nlAI-concepten in gewoon Nederlands, van beginner tot bouwer.](https://leren.llmnet.nl/)[Gidsgids.llmnet.nlAI privé draaien op eigen Mac, pc, NAS of thuisserver.](https://gids.llmnet.nl/)[Directorydirectory.llmnet.nlHet AI-ecosysteem in kaart: tools, modellen, bedrijven.](https://directory.llmnet.nl/)[Radarradar.llmnet.nlSignalen uit X, onderzoek en communities voor indie developers.](https://radar.llmnet.nl/)[llmnet.nl — hoofdsite](https://llmnet.nl/)[](https://x.com/intent/post?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fai-in-het-onderwijs-hoe-scholen-en-universiteiten-het-inzetten&text=AI%20in%20het%20onderwijs%3A%20hoe%20scholen%20en%20universiteiten%20het%20inzetten)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fai-in-het-onderwijs-hoe-scholen-en-universiteiten-het-inzetten)[](https://www.reddit.com/submit?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fai-in-het-onderwijs-hoe-scholen-en-universiteiten-het-inzetten&title=AI%20in%20het%20onderwijs%3A%20hoe%20scholen%20en%20universiteiten%20het%20inzetten)[](#)[](https://x.com/intent/post?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fai-in-het-onderwijs-hoe-scholen-en-universiteiten-het-inzetten&text=AI%20in%20het%20onderwijs%3A%20hoe%20scholen%20en%20universiteiten%20het%20inzetten)[](https://www.linkedin.com/sharing/share-offsite/?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fai-in-het-onderwijs-hoe-scholen-en-universiteiten-het-inzetten)[](https://www.reddit.com/submit?url=https%3A%2F%2Fnieuws.llmnet.nl%2Fai-in-het-onderwijs-hoe-scholen-en-universiteiten-het-inzetten&title=AI%20in%20het%20onderwijs%3A%20hoe%20scholen%20en%20universiteiten%20het%20inzetten)[](#) # AI in het onderwijs: hoe scholen en universiteiten het inzetten Door Ivo Donker — samengesteld met AI-ondersteuning (Claude & Gemini) De introductie van generatieve taalmodellen ontketende aanvankelijk paniek in de onderwijssector over grootschalig digitaal spieken en de devaluatie van diploma's. Inmiddels is het speelveld aanzienlijk volwassener geworden. Onderwijsinstellingen in Nederland — variërend van basisscholen en regionale opleidingscentra (mbo) tot hogescholen en universiteiten — hebben de overstap gemaakt van ad-hoc verboden naar structureel beleid, getoetste didactische integratie en gerichte infrastructurele voorzieningen. Waar het eerdere achtergrondartikel over [de kansen en zorgen van onderwijs-AI](https://nieuws.llmnet.nl/ai-in-het-onderwijs) vooral de eerste reacties en filosofische vragen belichtte, analyseren we hier de feitelijke implementaties, technische architecturen en wettelijke verplichtingen waarmee onderwijzend Nederland in 2026 opereert. De realiteit van vandaag toont een pragmatische tweedeling. Aan de ene kant fungeren taalmodellen als gepersonaliseerde leerassistenten, formatieve feedbackinstrumenten en administratieve ontlasters voor docenten. Aan de andere kant dwingt de technologie examencommissies om het traditionele essay en thuisopdrachten grondig te herzien. Daarnaast stellen strikte Europese kaders harde grenzen aan wat toelaatbaar is bij geautomatiseerde studentbeoordelingen. ## De verschuiving van losse chatbots naar geïntegreerde leeromgevingen In de beginfase van generatieve AI gebruikten leerlingen en studenten voornamelijk openbare consumenteninterfaces. Deze werkwijze bracht aanzienlijke risico's met zich mee rond gegevensbescherming, bronvermelding en hallucinerende antwoorden zonder pedagogische context. Tegenwoordig verloopt het gebruik binnen onderwijsinstellingen steeds vaker via gecontroleerde leeromgevingen (Elo's) zoals Canvas, Brightspace en Moodle, of via gespecialiseerde tussenlagen. In plaats van een antwoordmachine die een kant-en-klaar werkstuk produceert, worden modellen via specifieke systeeminstructies ingericht als socratische tutoren. Een socratische AI-tutor geeft de student nooit direct de oplossing van een wiskundig vraagstuk of een historische analyse, maar stelt gerichte wedervragen om het denkproces te stimuleren. Als een leerling vraagt: "Waarom brak de Tweede Wereldoorlog uit?", somt het model niet enkel jaartallen op, maar vraagt het: "Welke economische en politieke gevolgen van het Verdrag van Versailles herinner je je nog?" Docenten kunnen in deze omgevingen meekijken in geanonimiseerde interactielogboeken. Hierdoor zien zij precies waar klassikale misvattingen ontstaan zonder dat de individuele privacy van de leerling wordt geschonden. Deze verschuiving transformeert de taaltechnologie van een fraudemiddel naar een meetbaar instrument voorformatieve evaluatie. ## Adaptieve leersystemen in primair en voortgezet onderwijs In het primair onderwijs (po) en voortgezet onderwijs (vo) ligt het zwaartepunt van AI-gebruik vooral op adaptieve leermiddelen voor taal, rekenen en moderne vreemde talen. Gevestigde educatieve uitgeverijen en digitale leerplatforms hebben hun deterministische algoritmes verrijkt met compacte taalmodellen. Het doel is niet om docenten te vervangen, maar om niveauverschillen in volle klassen op te vangen. Een leerling die moeite heeft met begrijpend lezen krijgt een leestekst aangeboden die dynamisch is herschreven naar een toegankelijker taalniveau (bijvoorbeeld van B1 naar A2), met behoud van de inhoudelijke kernconcepten. Zodra de woordenschat en het tekstbegrip verbeteren, schaalt het systeem de complexiteit automatisch op. Bij vakken als Engels en Frans genereren modellen interactieve rollenspellen waarin leerlingen spreek- en schrijfvaardigheid oefenen in realistische scenario's, zoals het bestellen van een maaltijd of het voeren van een sollicitatiegesprek. Voor docenten zit de grootste tijdswinst in de voorbereidingsfase. Het differentiëren van lesmateriaal — traditioneel een tijdrovende opgave — gebeurt nu binnen minuten. Een leraar natuurkunde voert een basisconcept in en laat drie versies genereren: een met visuele metaforen voor beelddenkers, een met extra wiskundige verdieping voor vwo-leerlingen, en een praktijkgerichte variant voor het vmbo. ## Hoger onderwijs en universiteiten: synthese en codegeneratie Op hogescholen en universiteiten is de aard van het AI-gebruik wezenlijk anders. Studenten en onderzoekers benutten taalmodellen voor grootschalige literatuursynthese, data-analyse en het versnellen van softwareontwikkeling binnen technische opleidingen. Het handmatig doorspitten van honderden wetenschappelijke PDF-bestanden is verschoven naar gerichte semantische bevraging via Retrieval-Augmented Generation (RAG). In informatica- en data science-opleidingen is het schrijven van routinematige broncode met AI-ondersteuning inmiddels de standaard werkpraktijk. De focus van het onderwijs is daardoor verlegd van syntaxis en elementaire programmeerstructuren naar architectuurontwerp, code-auditing, security-analyses en debugging. Studenten moeten aantonen dat zij de door een model gegenereerde code grondig begrijpen, kunnen optimaliseren en kunnen controleren op kwetsbaarheden. Tegelijkertijd kampt het academisch onderwijs met intellectuele uitdagingen. Wanneer studenten een model gebruiken om papers samen te vatten, bestaat het gevaar van oppervlakkige kennisopname. Het kritisch wegen van methodologische tekortkomingen in wetenschappelijke bronnen vereist diepgaande cognitieve inspanning die verloren kan gaan wanneer men blind vaart op geautomatiseerde samenvattingen. Veel faculteiten hanteren daarom strikte richtlijnen: AI mag dienen als sparringpartner, maar de synthese en bronverantwoording moeten aantoonbaar door de student zelf zijn uitgevoerd. ## Toetsing, examinering en het failliet van traditionele schrijfopdrachten De grootste institutionele schok van generatieve AI voltrekt zich binnen de examencommissies. Vrijwel alle Nederlandse hogeronderwijsinstellingen hebben vastgesteld dat zogenaamde AI-detectietools onbetrouwbaar zijn. Deze statistische detectoren vertonen te veel vals-positieve resultaten — waarbij authentiek studentenwerk onterecht als gegenereerd wordt aangemerkt — en zijn eenvoudig te omzeilen door teksten licht te parafraseren. Het gevolg is een fundamentele herziening van de toetsingsmatrix. Het traditionele, ongecontroleerde thuistisch-essay verliest in rap tempo zijn status als primair bewijs van academische bekwaamheid. In plaats daarvan hanteren instellingen een combinatie van alternatieve toetsvormen: Toetsvorm | Didactische focus | Rol van AI | Kwetsbaarheid / Aandachtspunt | Mondelinge verdediging (criteriumgericht) | Diepgaand begrip en reflectie | Geen toegang tijdens afname | Hoge belasting van docentcapaciteit | Procesgericht schrijven (versiebeheer) | Ontwikkeling van argumentatielijn | Toegestaan met verplichte logboekaudit | Vereist gedetailleerde beoordelingsrubrics | Geregelde zaaltoetsing (on-campus) | Parate kennis en directe toepassing | Geblokkeerd via veilige browseromgeving | Beperkte aansluiting op de latere beroepspraktijk | AI-kritische reviewopdracht | Foutdetectie en academische synthese | Model output fungeert als ruwe input | Vereist hoog niveau van bronkennis | Bij procesgericht schrijven leveren studenten niet alleen het eindproduct in, maar ook de tussenliggende versies inclusief de gebruikte prompts en de motivatie achter redactionele keuzes. Hiermee toont de student aan dat het denkproces en de uiteindelijke redactie in eigen beheer zijn gebleven. ## Privacy, datasoevereiniteit en de AI Act Het gebruik van commerciële AI-diensten in een publieke onderwijscontext brengt strikte juridische kaders met zich mee. Onder de Algemene Verordening Gegevensbescherming (AVG) is het niet toegestaan om persoonsgegevens, leerlingprestaties of vertrouwelijke afstudeerprojecten in te voeren in publieke modellen die deze gegevens hergebruiken voor training. Nederlandse onderwijskoepels zoals Kennisnet en SURF hebben daarom harde kaders opgesteld voor gegevensverwerking. Daarnaast legt Europese wetgeving strenge beperkingen op aan onderwijstoepassingen. Om te begrijpen welke verplichtingen en verboden sinds dit jaar gelden voor risicovolle systemen, raadpleeg je de [AI Act-tijdlijn met wat er in 2026 daadwerkelijk in werking is getreden](https://nieuws.llmnet.nl/ai-act-tijdlijn-wat-er-in-2026-daadwerkelijk-in-werking-is-getreden). Binnen de AI Act vallen AI-systemen die worden gebruikt voor toelating, selectie, evaluatie van leerresultaten of het monitoren van gedrag tijdens examens expliciet in de categorie hoog risico. Dit betekent dat instellingen die dergelijke software inzetten moeten voldoen aan strenge eisen rond transparantie, menselijk toezicht, datakwaliteit en non-discriminatie. Systemen die emoties van leerlingen in het klaslokaal proberen te analyseren zijn onder de verordening zelfs verboden. Onderwijsinstellingen moeten daarom een rigoureuze Data Protection Impact Assessment (DPIA) uitvoeren voordat een nieuwe AI-tool breder wordt uitgerold. ## Technische infrastructuren: lokale modellen en API-beheer Om onafhankelijk te blijven van grote Amerikaanse cloudleveranciers en te voldoen aan privacywetgeving, experimenteren universiteiten en hogescholen steeds vaker met eigen infrastructuren. Door open gewichten te draaien op eigen servers binnen de instelling of via SURF-rekenfaciliteiten, blijft studentendata te allen tijde binnen de eigen netwerkgrenzen. Voor veel onderwijstaken — zoals het genereren van grammatica-oefeningen, samenvatten van collegedictaten of nakijken van code — zijn de allergrootste modellen bovendien overbodig en te duur. Door in te zetten op [kleine taalmodellen (SLM's)](https://nieuws.llmnet.nl/kleine-taalmodellen) kunnen instellingen met relatief bescheiden hardware honderden gelijktijdige studentensessies lokaal en kostenefficiënt afhandelen. Wanneer een onderwijsinstelling wél commerciële API's gebruikt voor geavanceerde onderzoekstaken, gebeurt dat vrijwel altijd via een gecentraliseerde gateway. Wie wil zien hoe zo'n tussenlaag prompts anonimiseert, budgetten per faculteit bewaakt en automatisch overschakelt tussen aanbieders, vindt technische details in [de uitleg over LLM API-aggregators](https://api.llmnet.nl/aggregator-uitleg). Zo'n architectuur voorkomt dat docenten zelfstandig creditcards moeten koppelen aan losse leveranciers en garandeert dat alle dataverkeer voldoet aan de afgesloten verwerkersovereenkomsten. # Voorbeeld: Privacy-vriendelijke prompt wrapper voor onderwijstoepassingen def sanitize_and_route_student_prompt(raw_prompt: str, user_role: str) -> dict: """ Verwijdert potentiële PII (leerlingnummers, namen) en routeert naar het juiste lokale of goedgekeurde model. """ sanitized_text = strip_student_identifiers(raw_prompt) # Socratische systeemprompt toevoegen voor educatieve context system_instruction = ( "Je bent een didactische tutor. Beantwoord nooit direct " "met het eindantwoord, maar stel gerichte vragen die de " "student aanzetten tot logisch redeneren." ) return { "model": "education-slm-local-q4", "messages": [ {"role": "system", "content": system_instruction}, {"role": "user", "content": sanitized_text} ], "temperature": 0.3 } ## Van passieve assistenten naar agentic workflows voor docenten De nieuwste ontwikkeling in het onderwijs betreft de overstap van simpele vraag-antwoordinterfaces naar autonome AI-processen die complete administratieve ketens ondersteunen. Waar een leraar voorheen handmatig een tekst invoerde om er meerkeuzevragen van te maken, kunnen samengestelde agents nu zelfstandig bronmateriaal ophalen, leerdoelen controleren, toetsvragen formuleren volgens de taxonomie van Bloom, en deze direct klaarzetten in het digitale toetssysteem. Deze verschuiving hangt nauw samen met de opkomst van [agentic AI en autonome systemen](https://nieuws.llmnet.nl/agentic-ai), waarbij modellen zelfstandig tools aanroepen en meerstapsredeneringen uitvoeren. Voor docenten met een hoge werkdruk betekent dit een aanzienlijke verlichting van repetitieve taken, zoals het categoriseren van ingezonden huiswerk, het genereren van eerste concept-feedback op spelling en zinsbouw, en het plannen van individuele remediëringsgesprekken. Het risico van deze geautomatiseerde workflows is dat docenten te veel vertrouwen op de gegenereerde tussenstappen. De didactische eindverantwoordelijkheid blijft altijd bij de menselijke leraar; het concept 'human-in-the-loop' is in onderwijscontexten geen theoretische aanbeveling, maar een absolute pedagogische noodzaak. ## Digitale ongelijkheid en de tweedeling tussen studenten Een vaak onderbelicht vraagstuk is de groeiende kansenongelijkheid die ontstaat door AI. Er bestaat een aanzienlijk kwaliteitsverschil tussen gratis toegankelijke basismodellen en geavanceerde, betaalde abonnementsdiensten met grotere contextvensters, geavanceerde redeneercapaciteiten en multimodale functionaliteiten. Studenten met voldoende financiële middelen kunnen zich premium modellen veroorloven die aanzienlijk beter presteren bij complexe wiskundige berekeningen, programmeertaken en literatuuranalyses. Om deze tweedeling tegen te gaan, pleiten studentenorganisaties en beleidsmakers voor institutionele licenties. Vergelijkbaar met de collectieve beschikbaarheid van wetenschappelijke tijdschriften en kantoorsoftware, overwegen steeds meer universiteiten en hogescholen om alle ingeschreven studenten toegang te geven tot een gestandaardiseerde, veilige en geavanceerde AI-omgeving. Dit nivelleert het speelveld en voorkomt dat academisch succes mede afhankelijk wordt van de persoonlijke draagkracht van de student. ## Beleidskaders: verbieden, reguleren of omarmen De institutionele benadering van AI in het Nederlandse onderwijs is de afgelopen jaren door drie verschillende fasen gegaan. Aanvankelijk reageerden instellingen met krampachtige verboden en paniek over examenfraude. Vervolgens ontstond een fase van passieve regulering, waarin instellingen vage gedragscodes publiceerden die studenten opriepen om 'integer' om te gaan met de technologie zonder concrete handvatten te bieden. In 2026 zien we een volwassen derde fase: doelgerichte integratie. Onderwijsprogramma's formuleren expliciet welke AI-competenties studenten moeten beheersen voor hun toekomstige beroepsuitoefening. Een hedendaagse jurist, journalist, softwareontwikkelaar of econoom kan immers niet functioneren op de arbeidsmarkt zonder diepgaand inzicht in de mogelijkheden en beperkingen van generatieve systemen. Curricula besteden daarom structureel aandacht aan promptvaardigheden, kritische verificatie van output, het herkennen van statistische bias en het ethisch verantwoorden van gebruikte bronnen. AI is daarmee verschoven van een bedreiging voor het onderwijs naar een integraal onderdeel van de te toetsen academische en beroepsmatige geletterdheid. ## Vooruitblik: de structurele integratie in het curriculum De integratie van AI in het onderwijs bevindt zich niet langer in een experimentele fase. Waar de discussie zich voorheen concentreerde op detectie en verbodsbepalingen, ligt het zwaartepunt nu op didactische innovatie, robuuste toetsing en het veilig inrichten van technische voorzieningen. Scholen en universiteiten die slagen in deze transitie behandelen AI niet als een vervanger van het leerproces, maar als een katalysator voor dieper begrip, mits ingebed in duidelijke ethische en juridische kaders.