Onderwijs in kunstmatige intelligentie betekent dat de school leerlingen AI-geletterd maakt.
Wil de school AI inzetten voor feedback, administratie, differentiatie of analyse, dan gaat het om AI in het onderwijs.
Wil de school beide doen, dan vraagt elk spoor een eigen doel, risicoanalyse, eigenaar en meetplan.
Laatst bijgewerkt: 29 juli 2026. Deze tekst is redactioneel gecontroleerd op basis van publiek beschikbare beleids- en onderwijsbronnen, waaronder de Gegevensbeschermingsautoriteit, Vlaamse overheid Onderwijs, de EU AI Act, UNESCO/OECD-richtlijnen en academische duiding uit Belgische kennisinstellingen zoals KU Leuven. De tekst is bedoeld als onderwijs- en beleidsduiding, niet als juridisch advies.
Onderwijs in kunstmatige intelligentie en AI in de klas worden vaak door elkaar gebruikt, maar ze stellen verschillende vragen. Het eerste gaat over wat leerlingen, studenten en professionals moeten begrijpen over algoritmen, data, bias, machine learning en maatschappelijke gevolgen. Het tweede gaat over hoe scholen en instellingen AI-tools verantwoord gebruiken in leerprocessen, administratie en ondersteuning van leraren.
Twee sporen met andere doelen en risico’s
Een Belgische school die AI wil opnemen in haar werking begint best met een eenvoudige scheiding. AI onderwijzen hoort thuis in curriculumontwikkeling, didactiek en burgerschap. AI gebruiken in de klas hoort thuis in pedagogische keuzes, ICT-beleid, datagovernance en personeelsontwikkeling. Door die tweedeling vroeg te maken, voorkomt een school dat een toolkeuze per ongeluk het curriculum gaat bepalen.
Bij AI onderwijzen ligt de vraag op wat leerlingen moeten kunnen uitleggen, beoordelen en toepassen. In het secundair onderwijs kan dat betekenen dat leerlingen leren hoe aanbevelingssystemen werken, waarom trainingsdata vertekeningen kunnen bevatten en hoe generatieve AI tekst produceert zonder menselijk begrip. In het hoger onderwijs kan het gaan om programmeerconcepten, statistiek, datamodellering, ethiek en domeinspecifieke toepassingen in zorg, recht, economie of engineering.
Bij AI gebruiken in het onderwijs ligt de nadruk op taken en processen. Een leraar kan AI inzetten om een eerste versie van een rubric te maken, oefenvragen te variëren, taalfeedback te structureren of administratieve teksten te vereenvoudigen. Dat kan nuttig zijn, maar de pedagogische verantwoordelijkheid blijft bij de leraar. AI-feedback zonder formatieve inbedding kan leerlingen een vals gevoel van beheersing geven, terwijl een leraar net context, misconcepties en leerdoelen moet bewaken.
De Belgische en Europese context
In België raakt AI in scholen al snel aan privacy, taalbeleid, gelijke toegang en publieke verantwoordelijkheid. De AVG/GDPR blijft het basisraamwerk voor persoonsgegevens, met de Gegevensbeschermingsautoriteit als relevante toezichthouder. In schoolcontext is extra voorzichtigheid nodig omdat leerlinggegevens vaak minderjarigen betreffen en omdat gegevens over leerproblemen, begeleiding of CLB-contacten gevoelig kunnen zijn.
De EU AI Act voegt daar een risicogebaseerde benadering aan toe. Scholen hoeven daardoor niet elke AI-toepassing op dezelfde manier te behandelen. Een tool die een leraar helpt om lesmateriaal te herschrijven heeft een ander risicoprofiel dan een systeem dat leerlingen rangschikt, toelating beïnvloedt of evaluaties automatiseert. De praktische les is dat scholen niet alleen naar functionaliteit mogen kijken, maar ook naar het doel van het systeem, de impact op leerlingen en de mate waarin menselijke beoordeling overeind blijft.
Vlaanderen heeft met Digisprong veel scholen aangezet tot digitalisering, infrastructuurkeuzes en professionalisering. AI-projecten bouwen daarop voort, maar vragen een strakkere governance dan gewone softwarekeuzes. In Franstalige en Nederlandstalige onderwijsomgevingen speelt bovendien lokalisatie: een AI-tool die goed werkt in het Engels, kan zwakker presteren op Nederlands of Frans, zeker bij vaktaal, dialectgevoelige formuleringen of feedback aan jonge leerlingen.
Wanneer AI onderwijzen, wanneer AI gebruiken?
De keuze tussen de twee sporen hangt af van het probleem dat de instelling wil oplossen. Als het doel is dat leerlingen digitale en maatschappelijke weerbaarheid opbouwen, hoort AI in het curriculum. Als het doel is dat leraren efficiënter differentiëren of sneller formatieve feedback voorbereiden, gaat het om AI-gebruik in de klas. In veel gevallen zullen beide sporen nodig zijn, maar niet op hetzelfde tempo.
Een school kan bijvoorbeeld starten met AI-geletterdheid voor alle leerlingen in een vakoverschrijdende aanpak, terwijl een kleinere groep leraren een afgebakende pilot uitvoert met AI-ondersteunde feedback. Zo blijft de onderwijsvisie leidend. De tool wordt dan getest tegen didactische criteria, in plaats van andersom.
| Keuzevraag | AI onderwijzen | AI gebruiken in de klas |
|---|
| Primair doel | AI-geletterdheid, kritisch denken en vakinhoudelijke kennis | Ondersteuning van lesgeven, feedback, differentiatie of administratie |
| Belangrijkste stakeholders | Curriculumteams, vakgroepen, lerarenopleiders, leerlingen | Schoolleiding, ICT-coördinator, DPO, leraren, ouders en leerlingen |
| Grootste risico | Te oppervlakkige of technisch te smalle AI-geletterdheid | Privacyrisico, bias, afhankelijkheid van automatisering en onduidelijke verantwoordelijkheid |
| Goede KPI’s | Begrip van concepten, ethische reflectie, correcte toepassing in opdrachten | Kwaliteit van feedback, werkdruk, incidenten, toegankelijkheid en leerimpact |
Datagovernance: de randvoorwaarde die niet achteraf kan komen
Scholen die AI-tools gebruiken, verwerken mogelijk persoonsgegevens op nieuwe manieren. Daarom hoort de DPO vroeg aan tafel, niet pas bij aankoop. Voor sommige toepassingen kan een gegevensbeschermingseffectbeoordeling, vaak DPIA genoemd, aangewezen of noodzakelijk zijn. Zeker wanneer AI wordt gebruikt voor evaluatie, profilering, monitoring of begeleiding, moet de instelling vooraf begrijpen welke data worden verwerkt, waar die worden opgeslagen en wie toegang heeft.
Leveranciersselectie vraagt meer dan een demonstratie van functies. Een school moet nagaan of leerlingdata worden gebruikt om modellen verder te trainen, welke bewaartermijnen gelden, of verwerking binnen of buiten de EU plaatsvindt, hoe gegevens worden gewist en welke verwerkersovereenkomst beschikbaar is. Ook ondersteuning in het Nederlands of Frans, toegankelijkheid voor leerlingen met specifieke onderwijsbehoeften en transparantie over modelbeperkingen zijn relevant in de Belgische context.
Een veelgemaakte fout is dat scholen generatieve AI eerst breed toelaten en pas na incidenten beleid opstellen. Een veiliger pad begint met een sandbox of beperkte pilot, duidelijke use-cases, een DPIA waar nodig, afspraken over promptgebruik, rubrics voor kwaliteitscontrole en een exitplan als de tool niet voldoet. Opschalen hoort pas nadat pedagogische waarde, privacyrisico’s en werkdrukgevolgen voldoende zichtbaar zijn.
Didactiek: AI-feedback is pas waardevol binnen een leerproces
AI kan feedback sneller beschikbaar maken, maar snelheid is geen didactische kwaliteit op zichzelf. Feedback werkt vooral wanneer leerlingen begrijpen wat het leerdoel is, hoe de feedback zich verhoudt tot succescriteria en welke volgende stap zij moeten zetten. Een AI-tool die enkel tekst corrigeert, kan nuttig zijn voor taalzorg, maar minder geschikt om diep begrip of redenering te beoordelen.
Bij evaluatie ontstaat een tweede risico: bias in datasets of beoordelingspatronen. Als een systeem teksten, spreekvaardigheid of oplossingsstrategieën beoordeelt op basis van beperkte of niet-lokale data, kunnen leerlingen met andere taalachtergronden, leerprofielen of schrijfstijlen benadeeld worden. Daarom blijft menselijke beoordeling noodzakelijk, zeker bij beslissingen met gevolgen voor oriëntering, attestering of studievoortgang.
Automation complacency is een minder zichtbaar probleem. Leraren en leerlingen kunnen AI-uitvoer gaan vertrouwen omdat die vlot, zeker en goed geformuleerd klinkt. Professionele AI-geletterdheid betekent daarom niet alleen weten hoe een tool werkt, maar ook weten wanneer een output niet betrouwbaar genoeg is. In de klas vraagt dat om bronkritiek, vergelijking met vakinhoudelijke criteria en expliciete reflectie op fouten.
Professionalisering per rol
Niet iedereen in een onderwijsinstelling heeft dezelfde AI-kennis nodig. Alle leraren hebben basiskennis nodig over generatieve AI, privacy, bias, auteurschap, evaluatie en verantwoord gebruik door leerlingen. ICT-coördinatoren, STEAM-leraren en data- of beleidsteams hebben vaak meer verdieping nodig in platformkeuzes, beveiliging, datastromen en AI-beheer.
Voor instellingen die Microsoft-omgevingen beheren of AI-platformvaardigheden willen verdiepen, kan een rolgerichte opleiding zoals de Microsoft Azure AI Engineer AI-102 training relevant zijn voor technische teamleden. Readynez kan in die context helpen om certificeringsgerichte leerpaden te structureren, maar de school blijft eerst bepalen welke rollen werkelijk verdieping nodig hebben.
Een breder Microsoft-team heeft soms baat bij afstemming tussen beheerders, datarollen en onderwijs-IT. Een overzicht van Microsoft-trainingen kan dan helpen om overlap en hiaten zichtbaar te maken, zolang professionalisering niet wordt verward met tooladoptie. De vraag blijft welke onderwijsdoelen, privacyvereisten en operationele verantwoordelijkheden de instelling wil ondersteunen.
Een meetplan voor AI-initiatieven
AI-projecten in onderwijs worden vaak beoordeeld op enthousiasme of gebruiksfrequentie. Dat is te beperkt. Een zinvol meetplan kijkt naar leerresultaten, kwaliteit van feedback, werkdruk van leraren, toegankelijkheid, privacy-incidenten, ethische vragen en de mate waarin leerlingen AI-kritisch handelen.
Een pilot rond AI-feedback kan bijvoorbeeld meten of leerlingen betere revisies maken na feedback, of leraren minder tijd kwijt zijn aan voorbereidende taken en of leerlingen de feedback begrijpen. Tegelijk moet de school registreren of er onjuiste feedback, ongewenste datadeling of klachten ontstaan. Zonder die tegenindicatoren ontstaat een te rooskleurig beeld.
Bij opschaling hoort ook een stopcriterium. Als een tool onvoldoende transparant is, structureel foutieve feedback geeft, niet toegankelijk genoeg is of te veel extra controlewerk veroorzaakt, moet de school kunnen stoppen zonder afhankelijkheid van één leverancier. Dat exitplan is geen teken van wantrouwen, maar van professioneel bestuur.
Beleid vertalen naar klaspraktijk
Een bruikbaar AI-beleid is kort genoeg om gelezen te worden en concreet genoeg om beslissingen te sturen. Het moet aangeven welke toepassingen toegestaan zijn, welke verboden of vooraf goed te keuren zijn, hoe leerlingen AI-gebruik moeten vermelden, welke gegevens nooit ingevoerd worden en wie incidenten behandelt. In Belgische scholen hoort dit beleid afgestemd te zijn met bestaande afspraken rond ICT, evaluatie, leerlingenbegeleiding en gegevensbescherming.
Ouders en leerlingen hebben daarbij recht op begrijpelijke communicatie. Een school hoeft geen technische handleiding te verspreiden, maar moet wel kunnen uitleggen waarom AI wordt gebruikt, welke gegevens daarbij betrokken zijn en hoe menselijke controle verzekerd blijft. Dat is vooral belangrijk wanneer AI wordt ingezet bij ondersteuning, differentiatie of analyse van leerprestaties.
Ook CLB-gerelateerde gegevens en zorginformatie verdienen bijzondere terughoudendheid. Zulke informatie mag niet als oefenmateriaal of promptinhoud in generatieve systemen belanden. Een praktische regel is dat medewerkers alleen data gebruiken die noodzakelijk, toegestaan en passend beveiligd zijn, en dat gevoelige leerlinginformatie buiten experimentele AI-tools blijft.
Waar Belgische scholen best beginnen
De meest werkbare aanpak is klein, duidelijk en toetsbaar. Start met één onderwijsprobleem, één doelgroep en één verantwoordelijke eigenaar. Combineer dat met basisvorming voor leraren, betrokkenheid van DPO en ICT, en heldere afspraken over evaluatie en datagebruik. Pas daarna volgt de vraag welke tool of leverancier past.
Scholen die meerdere Microsoft-rollen tegelijk willen opleiden, kunnen het Unlimited Microsoft Training-model bekijken als planningsoptie voor technische professionalisering. Wie vooral wil aftoetsen welke rolgerichte ondersteuning past bij een AI-traject, kan ook contact opnemen met Readynez voor een gesprek over leerpaden en certificeringskeuzes.
De kern blijft dat AI in onderwijs geen louter technologisch project is. Het vraagt curriculumkeuzes, pedagogisch oordeel, gegevensbescherming en meetbare evaluatie. Wanneer die elementen samen worden ontworpen, kan AI nuttig zijn zonder dat privacy, gelijke behandeling of professionele verantwoordelijkheid naar de achtergrond verdwijnen.
FAQ
Wat is het verschil tussen onderwijs in kunstmatige intelligentie en AI in de klas?
Onderwijs in kunstmatige intelligentie gaat over het leren begrijpen van AI: concepten zoals machine learning, algoritmen, data, bias, ethiek en maatschappelijke impact. AI in de klas gaat over het gebruiken van AI-tools voor bijvoorbeeld feedback, lesvoorbereiding, differentiatie of administratie.
Welke privacyvragen moet een Belgische school stellen voor ze AI gebruikt?
Een school moet minstens nagaan welke persoonsgegevens worden verwerkt, waar gegevens worden opgeslagen, of leerlingdata worden gebruikt voor modeltraining, welke bewaartermijnen gelden, welke verwerkersovereenkomst beschikbaar is en of de DPO betrokken moet worden. Bij risicovolle toepassingen kan een DPIA nodig zijn.
Kan AI leraren vervangen?
AI kan bepaalde voorbereidende of ondersteunende taken versnellen, maar onderwijs vraagt professioneel oordeel, relatie, context en verantwoordelijkheid. Vooral bij feedback, evaluatie en begeleiding blijft menselijke beoordeling noodzakelijk.
Welke vaardigheden hebben leraren nodig voor verantwoord AI-gebruik?
Leraren hebben basiskennis nodig over generatieve AI, privacy, bias, bronkritiek, evaluatie, auteurschap en de beperkingen van AI-output. Voor ICT- of datarollen is extra kennis nodig over beveiliging, platformbeheer, datastromen en leveranciersbeoordeling.
Hoe blijft een school op de hoogte van AI-beleid en onderwijsontwikkelingen?
Een school kan updates volgen van de Gegevensbeschermingsautoriteit, Vlaamse overheid Onderwijs, Europese instellingen, UNESCO/OECD en relevante Belgische kennisinstellingen. Daarnaast is het nuttig om intern één verantwoordelijke aan te wijzen die beleid, praktijkervaring en professionalisering samenbrengt.
