Maureen Heymans leidt op het moment van schrijven de divisie Learning at Google. Zij stuurt de inzet van kunstmatige intelligentie aan om leren persoonlijker en toegankelijker te maken. Nieuwe Google-tools kunnen lesmateriaal samenvatten en omzetten naar audio, zoals een podcast. Dat roept kansen en vragen op rond de AVG en de Europese AI-verordening, vooral voor scholen en overheden in Europa.
Google schuift leren naar AI
Google ontwikkelt met LearnLM een familie van taalmodellen die speciaal zijn getraind voor onderwijs. Een taalmodel is software die tekst begrijpt en schrijft op basis van patronen in veel voorbeelden. LearnLM werkt samen met Gemini, het bredere generatieve AI-systeem van Google, dat ook beeld en audio kan maken. Het doel is uitleg op maat te geven, stap voor stap en met bronverwijzingen.
Die aanpak komt samen in producten zoals NotebookLM en YouTube. NotebookLM kan documenten samenvatten en er een audio-overzicht van maken, zodat leerlingen leerstof al luisterend kunnen herhalen. Op YouTube verschijnen functies om vragen te stellen bij uitlegvideo’s, met antwoorden die uit de video en beschrijving worden gehaald. Voor docenten bouwt Google aan hulpjes voor lesvoorbereiding in Google Classroom.
Heymans zet daarbij in op vormvrij leren: tekst, beeld en audio lopen in elkaar over. Dat moet drempels verlagen voor leerlingen die liever luisteren dan lezen. Ook voor meertalige klassen en leerlingen met dyslexie kan dit helpen, mits de inhoud klopt en toegankelijk is. Juist die controle is een blijvend aandachtspunt.
“Je lesboek kan zo omgezet worden in een podcast.” — Maureen Heymans, hoofd Learning at Google
Lesmateriaal wordt toegankelijker
Generatieve AI maakt het mogelijk om dezelfde leerstof tegelijk als tekst, samenvatting en gesproken uitleg aan te bieden. Generatieve AI is software die nieuwe inhoud maakt, zoals een tekst of audio, op basis van voorbeelden. NotebookLM is hier een concreet voorbeeld van, met zogeheten audio-overzichten die de kernpunten van uw eigen documenten bespreken. Dat is praktisch voor herhaling en voor leerlingen met minder leestijd.
Voor docenten beloven AI-functies tijdwinst bij het maken van opgaven en het geven van formatieve feedback. In Classroom bestaan al “practice sets” die hints suggereren en veelgemaakte fouten herkennen. Zulke systemen werken het best als ze werken met bronnen die de docent aanlevert, zodat de inhoud past bij het curriculum. Transparantie over gebruikte bronnen blijft nodig om fouten snel te corrigeren.
Ook buiten de klas zijn er toepassingen, zoals leergidsen in Google Search en uitleg in Gemini-apps. Voor scholen in Nederland en België is vooral relevant dat deze functies binnen bestaande Chromebook-omgevingen kunnen draaien. Dat verlaagt implementatiekosten en trainingstijd. Tegelijk moeten instellingen vooraf beleid vastleggen voor proefprojecten en voor minderjarigen.
AVG dwingt strakke datakeuzes
Onder de AVG zijn scholen meestal verwerkingsverantwoordelijke, en leveranciers zoals Google verwerker. Dat betekent dat instellingen dataminimalisatie, doelbinding en passende beveiliging moeten afdwingen. Denk aan versleuteling, beperkte logdata en het uitsluiten van leerlinggegevens voor modeltraining zonder uitdrukkelijke toestemming. Duidelijke verwerkersovereenkomsten en een DPIA zijn in onderwijspraktijk de norm.
In Nederland zijn eerder afspraken gemaakt met grote leveranciers om onderwijsdata beter te beschermen. Daardoor bestaan er nu beheerdersopties om diagnostische data te beperken en privacyvriendelijke standaardinstellingen te kiezen. Voor nieuwe AI-functies moet die lijn worden doorgetrokken, inclusief heldere opt-ins en leeftijdsgrenzen. Ouders en leerlingen moeten eenvoudig kunnen zien welke gegevens worden gebruikt en waarom.
Voor audiofuncties, zoals het omzetten van een lesboek naar een podcast, spelen extra vragen. Worden bestanden lokaal verwerkt of in de cloud, en hoe lang blijven ze bewaard? Scholen moeten dat vooraf uitvragen en vastleggen, ook bij pilots. Zonder die duidelijkheid is grootschalige uitrol onverstandig.
AI-verordening zet grenzen onderwijs
De Europese AI-verordening deelt toepassingen in risicoklassen in. Hulpmiddelen die content herschrijven of samenvatten vallen doorgaans in een lagere risicoklasse, maar moeten wel transparant zijn. Systemen die toetsen scoren, leerlingen rangschikken of toegang tot onderwijs beïnvloeden gelden als hoog risico. Voor die categorie gelden strengere eisen voor data, documentatie en menselijk toezicht.
Scholen en leveranciers moeten daarom vooraf bepalen waarvoor een AI-functie precies wordt ingezet. Een samenvattende podcast is iets anders dan automatische beoordeling van een examen. Voor hoogrisico-toepassingen zijn een grondrechteneffectbeoordeling en duidelijke instructies aan personeel verplicht. De implementatiekalender van de verordening loopt stapsgewijs door tot 2026, dus voorbereiding begint nu.
Ook voor generieke modellen, zoals Gemini en LearnLM, komen transparantieplichten. Denk aan informatie over trainingsdata, bekende beperkingen en veiligheidsmaatregelen. Dat helpt instellingen om een eigen risicoanalyse te maken. Het sluit aan bij inkoopkaders die Nederlandse en Vlaamse onderwijsorganisaties al gebruiken.
Kwaliteit vraagt menselijke regie
AI-systemen kunnen nog steeds hallucineren: ze geven dan zelfverzekerde maar foutieve antwoorden. Daarom is bronverankering belangrijk, bijvoorbeeld door de tool te laten werken met door de docent aangeleverde teksten. NotebookLM volgt dat principe door zich te baseren op uw eigen documenten. Toch blijft de docent nodig om inhoud te selecteren en te toetsen op actualiteit.
Bias is een tweede aandachtspunt, zeker in lesvoorbeelden en historische duiding. Leveranciers moeten testsets en evaluaties openbaar maken, zodat onderwijsinstellingen kwaliteit kunnen beoordelen. In de klas helpt het om AI-antwoorden standaard te vergelijken met het gebruikte leerplan. Zo wordt AI een hulpmiddel, geen autoriteit.
Tot slot speelt duurzaamheid en kostenbeheersing mee. Grote modellen vragen veel rekenkracht en energie. Instellingen kunnen daarom zoeken naar lichte modellen of on-device verwerking waar mogelijk. Dat past bij Europese doelstellingen voor efficiënte, betrouwbare en privacyvriendelijke digitale systemen.
