Avonturen in AI-Land

De vraag die we niet durven stellen

2026-09-04T00:00:00Z

Het gesprek over AI in het hoger onderwijs zit vast op de verkeerde vraag. “Mogen ze het gebruiken?” is een vraag over toelating, en die veronderstelt dat we het antwoord kunnen afdwingen. Dat kunnen we niet, en iedereen die de afgelopen twee jaar opdrachten verbeterd heeft, weet dat.

De vraag die eronder ligt is ongemakkelijker: wat meet deze opdracht nog, nu een taalmodel er in dertig seconden een aanvaardbare versie van maakt?

Drie soorten opdrachten

Als ik mijn eigen vakken erop nakijk, vallen mijn opdrachten uiteen in drie groepen.

De eerste groep is stukgegaan. Samenvattingen, definitieoefeningen, “leg in eigen woorden uit”. Die maten of een student een tekst gelezen en verwerkt had. Nu meten ze of een student een prompt kan typen. Daar is geen tussenweg en geen slimme herformulering die dat repareert.

De tweede groep is onaangeroerd. Alles wat gebeurt terwijl ik erbij ben: mondelinge verdediging, een vraag tijdens het labo, een student die zijn eigen code moet aanpassen op iets wat ik ter plaatse verzin. AI verandert daar niets aan, want de tijd en de aanwezigheid zijn de meting.

De derde groep is de interessante: opdrachten die beter worden als AI meespeelt, op voorwaarde dat ik de opdracht herschrijf.

Wat “herschrijven” concreet betekent

Een voorbeeld uit mijn eigen vak. De oude opdracht:

Schrijf een functie die een lijst studenten sorteert op gemiddelde.

Die is dood. De nieuwe:

Laat een taalmodel deze functie schrijven. Lever in: de prompt die je gebruikte, de code die je terugkreeg, minstens één fout of zwakte die je erin vond, en je verbeterde versie met uitleg waarom.

De tweede opdracht is moeilijker dan de eerste. Je kan ze niet maken zonder de code te begrijpen, want je moet er iets aan mankeren zien. En de zwakke inzendingen zijn meteen herkenbaar: wie niets vindt, heeft niet gekeken.

Dit werkt niet overal. Het veronderstelt dat er iets te bekritiseren valt, en bij een eenvoudige oefening is dat er niet. Maar het laat zien waar de meting naartoe kan verschuiven: van het maken naar het beoordelen.

Wat ik nog niet weet

Twee dingen houden me bezig en ik heb er geen antwoord op.

Bouwen studenten zo nog fundamenten op? Kritiek geven op code veronderstelt dat je ooit zelf code geschreven hebt. Als de eerste stap wegvalt, waar komt die basis dan vandaan? Ik vermoed dat het antwoord vakspecifiek is en dat we het per opleiding zullen moeten uitzoeken.
Wat doen we met wie geen toegang heeft? De betere modellen kosten geld. Een opdracht die AI veronderstelt, veronderstelt een abonnement. Dat is een billijkheidsprobleem dat we tot nu toe grotendeels genegeerd hebben.

Ik heb geen sluitend kader. Wat ik wel heb, is een bruikbaardere vraag om mee naar een opdracht te kijken dan of het mag.

Wat een deadline eigenlijk doet

2026-08-28T00:00:00Z

Elke lesgever kent het patroon. Je geeft een opdracht die vier weken loopt. Drie en een halve week gebeurt er niets. Dan volgen twee nachten waarin het meeste werk gebeurt, en je krijgt iets binnen dat af is maar niet doordacht.

De gemakkelijke conclusie is dat studenten uitstellen. Dat klopt, maar het verklaart niets: iedereen stelt uit. De interessantere vraag is waarom onze opdrachten dat gedrag belonen.

Een deadline is een signaal

Studenten lezen een deadline niet als een datum. Ze lezen ze als een uitspraak over hoeveel het werk waard is en wanneer het echt moet beginnen. Eén deadline op het einde zegt: dit is één blok werk, en het begint wanneer je het niet langer kan uitstellen.

Dat is een rationele gevolgtrekking. Als de enige meting op het einde staat, is werken op dag drie een investering zonder feedback.

Drie kleine ingrepen

Wat bij mij werkt, in volgorde van hoeveel moeite het kost:

Splits de deadline, niet de opdracht. Zelfde eindproduct, maar op een tussenmoment lever je in wat je hebt. Geen punten, wel gelezen.
Maak het tussenmoment goedkoop om te halen en duur om te missen. Vijf regels over je aanpak volstaat. Wie niets inlevert, krijgt geen feedback, en dat merk je op het einde.
Toon het verschil. Laat na afloop twee anonieme trajecten zien: één met en één zonder tussenmoment. Dat overtuigt meer dan mijn waarschuwing.

De eerste ingreep kostte me een half uur per vak. Het effect was groter dan alles wat ik daarvoor aan mijn opdrachtomschrijvingen had zitten sleutelen.

De valkuil

Meer tussenmomenten is niet beter. Ik ben ooit doorgeslagen naar wekelijkse deelinleveringen, en toen verdween iets anders: studenten stopten met de opdracht als geheel te zien. Ze leverden zeven keer een stukje in en hadden op het einde geen idee wat ze gemaakt hadden.

Eén goed geplaatst tussenmoment doet het werk. Twee is meestal het maximum. Wat je zoekt is niet controle, maar een aanleiding om vroeg te beginnen.

De black box in je broekzak

2026-08-19T00:00:00Z

Vraag een taalmodel om iets uit te leggen en je krijgt een vloeiend, geduldig en zelfverzekerd antwoord. Vraag het naar iets wat niet bestaat en je krijgt hetzelfde vloeiende, geduldige, zelfverzekerde antwoord. Het verschil zit niet in de toon.

Dat is geen randgeval of kinderziekte. Het is hoe het ding werkt.

Wat er onder de motorkap gebeurt

Een taalmodel schat, gegeven alles wat er tot nu toe staat, hoe waarschijnlijk elk mogelijk volgend stukje tekst is. Daarna kiest het er een. En dan opnieuw.

# Sterk vereenvoudigd, maar dit is de kern.
tokens = tokenize("De hoofdstad van België is")
while not klaar(tokens):
    kansen = model(tokens)          # kans per mogelijk vervolg
    volgende = kies(kansen, temp=0.7)
    tokens.append(volgende)

Nergens in die lus zit een stap waarin het model nagaat of wat het zegt klopt. Er is geen aparte feitencontrole die het antwoord tegenhoudt. Vloeiendheid en correctheid komen uit dezelfde beweging, dus ze voelen voor de lezer identiek aan.

Het model is niet aan het liegen. Liegen veronderstelt dat je de waarheid kent en er van afwijkt.

Iets wat ik te vaak moet herhalen

Waarom dat lastiger is dan het klinkt

We hebben geen gewoonte om zelfverzekerde, welgevormde taal te wantrouwen. Bij een mens is vlot en gedetailleerd praten over een onderwerp een redelijk signaal van kennis. Niet perfect, maar het correleert. Bij een taalmodel is die correlatie doorgeknipt, en onze intuïtie is niet meegegaan.

Concreet betekent dat drie dingen:

Het model weet niet wat het niet weet. Er is geen interne meter die uitslaat bij een gat in de kennis.
Zekerheid in de formulering zegt niets. “Ongetwijfeld” en “mogelijk” zijn stijlkeuzes, geen kansuitspraken.
Verifiëren kost meer moeite dan genereren. Dat is de echte kost, en die verschuift naar jou.

Wat ik ermee doe

Ik gebruik taalmodellen elke dag. Voor dingen waar ik de uitkomst zelf kan beoordelen: code die ik kan draaien, een tekst waarvan ik het onderwerp ken, een structuur die ik kan omgooien. Daar zijn ze uitstekend.

Voor dingen waar ik de uitkomst niet kan beoordelen, gebruik ik ze niet. Niet omdat het verboden zou moeten zijn, maar omdat ik dan geen enkele manier heb om te weten of ik iets goeds in handen heb.

Dat onderscheid, tussen “ik kan dit nakijken” en “ik kan dit niet nakijken”, is in mijn ervaring bruikbaarder dan elke lijst met regels.