Nederlandse universiteiten en hogescholen herzien hun werk nu AI het onderwijs en onderzoek verandert. Systemen als ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic) en Microsoft Copilot schuiven taken op, van schrijven tot beoordelen. Dit speelt in heel Europa, waar de AI-verordening (AI Act) en de AVG nieuwe regels opleggen met gevolgen voor onderwijs en overheid. Instellingen werken aan beleid en vaardigheden om de risico’s te beperken en kansen eerlijk te benutten.
Onderwijs verandert door generatieve AI
Generatieve AI kan teksten, code en beelden maken op basis van een korte opdracht. Dat helpt studenten bij brainstormen, samenvatten en oefenen met feedback. Docenten zien ook risico’s: opdrachten kunnen minder leerzaam worden en fraude is lastiger te detecteren. Daarom verschuift toetsing naar meer mondeling, praktijkgericht en procesgericht beoordelen.
Veel opleidingen staan gebruik van AI toe met duidelijke spelregels. Studenten moeten vermelden wanneer en hoe zij een model gebruikten, en bronnen blijven controleren. AI-detectietools, zoals functies in Turnitin, zijn op dit moment niet betrouwbaar genoeg voor harde fraudeclaims. Instellingen kiezen daarom voor preventie, didactiek en begeleiding boven louter detectie.
Docenten gebruiken AI om lesmateriaal te verhelderen of varianten van opdrachten te maken. Dat kan tijd besparen bij herhalende taken. Tegelijk groeit de noodzaak om uitkomsten te verifiëren, omdat modellen fouten kunnen verzinnen. AI-geletterdheid – weten wat een systeem kan en niet kan – wordt een basisvaardigheid.
Generatieve AI: software die op basis van voorbeelddata nieuwe tekst, code, beeld of audio maakt. Het model “raadt” het meest waarschijnlijke volgende woord of pixel en kan daardoor ook onjuiste of verzonnen uitkomsten geven.
Publiceren en beoordelen onder druk
Onderzoekers gebruiken taalmodellen voor literatuurzoeken, taalredactie en het schetsen van een opzet. Veel tijdschriften staan dat toe als het gebruik wordt vermeld en de auteur verantwoordelijkheid houdt. AI mag geen auteur zijn en data en redeneringen moeten controleerbaar blijven. Zo blijft de herleidbaarheid van kennis intact.
De beoordeling van artikelen en subsidies verandert ook. AI kan conceptreviews of samenvattingen maken, maar menselijke toetsing blijft leidend. Redacties en commissies letten scherper op transparantie, dataherkomst en reproduceerbaarheid. Dat verkleint de kans dat automatisch gegenereerde fouten of “papermills” door selectieprocedures glippen.
Universiteiten investeren in trainingen voor wetenschappers en promovendi. Zij leren wanneer AI waarde toevoegt en waar het gebruik onwenselijk is, bijvoorbeeld bij gevoelige data. Publicatieplatforms en preprint-servers stellen heldere gebruiksrichtlijnen op. Zo groeit er een gedeelde norm die efficiëntie en integriteit in balans brengt.
Privacyregels bepalen grenzen
De AVG stelt strikte eisen aan student- en onderzoeksdata, zoals dataminimalisatie en beveiliging. Teksten of datasets mogen niet zomaar in een publiek AI-model worden geplakt. Instellingen moeten verwerkersovereenkomsten sluiten en keuzes maken voor oplossingen met Europese datalocatie of een EU Data Boundary. Dit beperkt risico’s op ongewenst hergebruik van data.
Voor onderwijs en toetsing gelden extra waarborgen. Automatische profilering die grote gevolgen heeft voor studenten vraagt menselijke tussenkomst en uitleg. Daarom kiezen veel instellingen voor gesloten, beheerde AI-omgevingen binnen de eigen infrastructuur of via SURF. Daarin staat loggen, versleuteling en toegangsbeheer centraal.
Onderzoekers letten op auteursrechten en licenties van trainingsdata. Open data blijft belangrijk, maar met duidelijke voorwaarden voor machineleerdoeleinden. Financiers en ethische commissies vragen om plannen voor databeveiliging en anonimisering. Dit verkleint juridische onzekerheid bij samenwerking met externe leveranciers.
EU AI-wet stuurt keuzes
De Europese AI-verordening deelt systemen in risicoklassen in. AI voor toegang tot onderwijs of het beoordelen van studenten geldt als hoog risico. Leveranciers en afnemers moeten dan voldoen aan eisen voor datakwaliteit, risicobeheer, transparantie en menselijk toezicht. Voor inkoop betekent dit strengere due diligence en documentatie.
Verboden toepassingen gelden eerder, terwijl regels voor hoogrisicosystemen gefaseerd ingaan vanaf 2025 en 2026, op het moment van schrijven. Instellingen die zulke systemen ontwikkelen of integreren, moeten tijdig testen en registreren. Ook generieke modellen (GPAI), zoals GPT-4 of Gemini 1.5, krijgen specifieke verplichtingen. Dit raakt licenties, modeldocumentatie en rapportage over energie- en datafootprint.
De nieuwe regels werken door in aanbestedingen en audits. Europese en Nederlandse toezichthouders krijgen meer taken en kunnen boetes opleggen. Voor het hoger onderwijs is vroege voorbereiding verstandig: inventariseer AI-toepassingen, classificeer risico’s en leg processen vast. Zo blijft innovatie mogelijk binnen duidelijke kaders.
Nederland bouwt gezamenlijke kaders
Universiteiten van Nederland en de Vereniging Hogescholen werken met SURF aan handreikingen voor AI in onderwijs en onderzoek. Doel is eenduidige afspraken over didactiek, toetsing en privacy. Veel instellingen publiceren eigen richtlijnen en een “AI-statement” voor cursussen. Daarbij horen voorbeelden, sjablonen en professionaliseringstrajecten voor docenten.
Het ministerie van OCW stimuleert experimenten met veilige AI-toepassingen, bijvoorbeeld in digitale leeromgevingen. Afspraken met leveranciers gaan vaker over open standaarden en uitlegbaarheid. Nederlandse instellingen vragen om contracten waarin trainingsgebruik van data wordt uitgesloten. Dit voorkomt dat student- of onderzoeksdata terugvloeien in commerciële modellen.
Onderzoeksfinanciers zoals NWO benadrukken transparantie in methoden en data. Aanvragen en rapportages noemen wanneer AI is ingezet en hoe kwaliteit is geborgd. Dat versnelt toetsbare, herhaalbare wetenschap. Tegelijk blijft er ruimte voor vakgebonden keuzes, bijvoorbeeld in taal- en codeondersteuning.
Vaardigheden en werkdruk verschuiven
AI neemt routinetaken over, maar vraagt nieuwe vaardigheden. Medewerkers moeten leren prompten, controleren en documenteren. Dit kost in de startfase tijd en kan werkdruk verhogen. Goede training en duidelijke processen zijn daarom cruciaal.
Functies veranderen: meer nadruk op regie, ethiek en kwaliteitszorg. Bibliotheken, ICT en onderwijsadviseurs krijgen een grotere rol in ondersteuning. Facultaire teams richten “AI-ambassadeurs” aan om collega’s te helpen. Zo verspreidt kennis zich sneller door de organisatie.
Er zijn ook zorgen over afhankelijkheid van grote platforms. Instellingen beperken lock-in door open tooling te verkennen en eigen modellen te hosten waar dat kan. Heldere evaluaties en exit-strategieën horen bij elk AI-project. Dat houdt academische waarden en publieke belangen voorop.