Als ik AI gebruik, valt me steeds vaker op hoe bruikbaar de resultaten zijn. Zelfs wanneer mijn instructies vaag zijn. Waar ik voorheen veel bijstuurde, lijkt AI nu te raden wat ik wil en komt het zelfstandig tot verrassend goede uitkomsten. Dat is fijn, maar roept ook ongemak op: wat is mijn rol straks nog? Deze verschuiving viel ook Ethan Mollick, professor aan de Wharton School, op. In zijn boek van vorig jaar pleitte hij voor co-intelligentie: een samenwerking waarin mens en machine elkaar versterken, waarbij de mens stuurt en corrigeert. Maar in zijn recente tests signaleert hij een kantelpunt: de nieuwste AI-modellen werken zó autonoom dat de mens steeds minder een partner wordt, en steeds meer een toeschouwer.

Enkele voorbeelden

Mollick kwam tot deze conclusie bij het testen van de nieuwste betaalde AI-modellen op terreinen waarin hij zelf expert is. Juist daardoor kon hij de output goed beoordelen.

• NotebookLM maakte in een paar minuten een videouitleg over de ontwikkelingen sinds zijn boek, zonder gedetailleerde instructies. Het resultaat was inhoudelijk grotendeels correct.
• GPT-5 Pro kreeg Mollick's academische paper met de opdracht om de methoden te bekritiseren en te verbeteren. Binnen tien minuten leverde het model een gedetailleerde analyse en draaide het zelfstandig experimenten. Het ontdekte zelfs een kleine fout. Opmerkelijk aangezien Mollick er een jaar aan had gewerkt, feedback had gekregen van diverse experts en het artikel na peer review was verschenen in een wetenschappelijk tijdschrift.
• Claude 4.1 Opus paste een bestaande les-spreadsheet voor een meubelbedrijf moeiteloos aan naar een kaaswinkel, inclusief nieuwe data, formules en een bruikbare PowerPoint.

Recent onderzoek van OpenAI bevestigt deze observaties. In dit onderzoek ontwikkelden experts uit diverse vakgebieden opdrachten die een menselijke expert in vier tot zeven uur zou kunnen uitvoeren. Zowel AI als menselijke experts voerden de opdrachten uit, waarna een derde groep experts de resultaten blind beoordeelde. De menselijke experts wonnen nipt, maar AI presteerde opvallend goed.

Het probleem van steeds betere AI

In bovenstaande voorbeelden valt op dat AI aan de slag gaat op basis van een eenvoudige, soms zelfs vage prompt, en vervolgens volledig autonoom tot een resultaat komt. Doordat er geen interactie meer is tussen mens en machine, is het vaak lastig te beoordelen hoe het model tot dat resultaat komt. De modellen geven hooguit een oppervlakkige samenvatting van hun stappen, maar geen echt inzicht in het proces.

Het wrange is dat de uitkomsten vaak uitstekend zijn, waardoor de verleiding om ze te gebruiken groot is. Maar het verifiëren van de output kost vaak evenveel tijd als het zelf doen – soms zelfs meer – en is in sommige gevallen praktisch onmogelijk. Zo lopen we het risico dat we van medecreator veranderen in toeschouwer van het resultaat.

Het lastige aan AI is bovendien dat het de ene keer verbluffend goed presteert en de andere keer totaal niet. Juist dat maakt het werken met AI complex: het vereist vakkennis, ervaring en intuïtie om te weten wanneer je het kunt vertrouwen en wanneer niet.

De uitdaging voor het onderwijs

Elke keer dat je werk volledig overlaat aan AI, mis je de kans om je eigen expertise te ontwikkelen. En zonder die expertise wordt het steeds moeilijker om het werk van AI te beoordelen. Voor studenten is dit extra urgent: juist in de vaardigheden die we hen willen bijbrengen – bronnen selecteren, data interpreteren, keuzes onderbouwen – wordt AI steeds beter. Hoe leer je studenten werk te verifiëren in een vakgebied dat ze nog niet beheersen, als AI hen juist verhindert die beheersing op te bouwen? Bovendien maakt AI voortdurend keuzes die we niet zien: welke bronnen het meeweegt, hoe het data interpreteert en hoe het conclusies framet.

Hoe ga je hiermee om?

Volgens Mollick moeten we leren in welke situaties we werk volledig aan AI kunnen overlaten, wanneer we co-creëren en zelf aan het roer blijven, en wanneer we het helemaal zonder AI doen. Hij benadrukt dat we moeten accepteren dat AI-resultaten soms niet volledig te controleren zijn, en dat we moeten beoordelen of het resultaat voldoende waarde heeft voor het doel waarvoor we het gebruiken. Misschien is dat in sommige contexten prima, maar in onderwijs en wetenschap ligt dat volgens mij anders. Daar hebben resultaten zonder inzicht in het onderliggende proces weinig waarde.

Daar ligt de uitdaging voor het onderwijs. Elke keer dat we taken volledig aan AI overlaten, doen we afstand van een leerervaring. Studenten moeten juist kennis opdoen en leren kritisch te denken. Als AI die stappen overneemt, verdwijnt niet alleen het leren, maar ook het inzicht dat nodig is om resultaten van AI kritisch te beoordelen. AI als hulpmiddel of helemaal geen AI is dan de beste weg.

AI biedt enorme mogelijkheden – maar vooral voor wie over de juiste vakkennis beschikt. De besproken tools zijn het meest waardevol in handen van experts die begrijpen hoe en wanneer ze ze moeten inzetten. Daarom blijft het opdoen van vakkennis essentieel, soms bewust zonder hulp van AI. Alleen met voldoende kennis kunnen we bepalen wanneer we het kunnen vertrouwen. De uitdaging is te leren wanneer we AI gebruiken en hoe we dat doen – bewust, kritisch en met behoud van onze eigen deskundigheid.

Wanneer je vragen hebt over AI in het onderwijs, of wanneer je iets wilt delen of bespreken waar je aan werkt, dan kun je je richten tot de contactpersoon van jouw faculteit: