Blog
Waarom een AI-workshop vaak niet genoeg is Veel scholen hebben inmidd…
Waarom een AI-workshop vaak niet genoeg is
Veel scholen hebben inmiddels iets met AI gedaan. Een studiedag. Een workshop ChatGPT. Een training prompten. Misschien zelfs een traject waarin docenten zelf een AI-assistent bouwen.
En toch gebeurt er daarna vaak opvallend weinig.
Dat gevoel blijkt niet uit de lucht gegrepen.
In een recente studie onder 218 docenten kregen deelnemers een uitgebreide tweedaagse training waarin ze leerden om zelf pedagogische AI-agents te ontwerpen. Ze maakten dus niet alleen kennis met AI, maar gingen er daadwerkelijk mee aan de slag.
Drie weken later was 87% gestopt met het actief maken van die toepassingen.
Dat klinkt misschien alsof de training niet goed genoeg was. Maar dat was juist niet de belangrijkste conclusie van de onderzoekers.
Het probleem was niet dat docenten het niet konden
De docenten hadden tijdens de training kennis en vaardigheden opgedaan. Ze konden met de technologie werken en begrepen de principes.
Toch hield bijna niemand het vol.
Uit gesprekken met de deelnemers kwamen drie belangrijke oorzaken naar voren:
de technologie bleek in de praktijk ingewikkelder dan tijdens de training;
het kostte extra tijd bovenop het gewone werk;
na de training verdwenen begeleiding, voorbeelden en collega's om mee te sparren.
Een veelzeggende gedachte uit het onderzoek was eigenlijk:
“Ik zou het wel kunnen, als…”
Als ik tijd had.
Als ik wist hoe ik dit voor mijn vak moest aanpakken.
Als ik iemand kon vragen wanneer ik vastliep.
Als ik niet alles zelf hoefde uit te zoeken.
Dat is een belangrijk verschil.
We denken bij professionalisering namelijk al snel:
Als docenten iets niet gebruiken, moeten we ze beter trainen.
Maar misschien is nóg een training helemaal niet de oplossing.
Kennen is nog geen doen
Dat geldt overigens niet alleen voor AI.
Je kunt prima weten hoe iets werkt en het vervolgens nooit gebruiken.
Bij AI speelt dat extra sterk. De mogelijkheden zijn enorm, maar daardoor moet een docent voortdurend keuzes maken.
Welke tool gebruik ik?
Mag ik deze gegevens invoeren?
Hoe maak ik hier een goede toepassing van?
Klopt de uitvoer eigenlijk?
Hoe pas ik dit toe binnen mijn vak?
Is het de tijd die ik erin steek wel waard?
Een workshop kan daar een goede start voor zijn.
Maar de echte uitdaging begint meestal pas ná de workshop.
Wat werkte wél?
De onderzoekers pasten hun tweede training daarom aan.
Niet door simpelweg meer AI uit te leggen.
Ze veranderden vooral de omstandigheden waarin docenten ermee werkten.
Daarbij richtten ze zich op drie dingen.
1. Geef docenten autonomie
Docenten mochten zelf kiezen aan welk onderwijsprobleem ze wilden werken en of ze dat individueel of samen deden.
Dat lijkt klein, maar is belangrijk.
Er zit een wereld van verschil tussen:
“Vandaag gaan we allemaal een AI-agent voor formatief toetsen maken.”
en:
“Welke taak in jouw onderwijs zou je slimmer, beter of interessanter willen maken met AI?”
In het tweede geval begint AI niet bij de technologie, maar bij een echte behoefte van de docent.
2. Zorg dat succes haalbaar is
De tweede groep kreeg meer ondersteuning tijdens het maken.
Denk aan:
duidelijke tussenstappen;
voorbeelden;
vakspecifieke templates;
een AI-assistent die vragen kon beantwoorden.
Daardoor hoefde een docent niet vanaf een leeg scherm te beginnen.
En juist dat is volgens mij een les die we bij AI vaker mogen toepassen.
We zeggen heel gemakkelijk:
“Experimenteer er maar eens mee.”
Maar een docent heeft niet per se behoefte aan nóg iets om mee te experimenteren.
Hij wil iets oplossen.
3. Laat docenten daarna niet alleen
Dit vind ik misschien wel de interessantste.
Tijdens een workshop is er van alles geregeld. Er is een trainer. Er zijn collega's. Je kunt een vraag stellen. Je ziet wat anderen maken.
En dan is de workshop afgelopen.
Maandagochtend zit je weer alleen achter je laptop.
Precies daar ging het in het eerste deel van het onderzoek mis.
In de aangepaste aanpak bleven mogelijkheden bestaan om werk te delen, collega's te raadplegen en ondersteuning te krijgen.
Dat maakte duidelijk verschil.
Misschien moeten we daarom anders naar AI-professionalisering kijken
Een goede AI-training zou wat mij betreft niet als belangrijkste resultaat moeten hebben:
“De docent begrijpt wat generatieve AI is.”
Of:
“De docent kan een goede prompt schrijven.”
Dat zijn tussenstappen.
Het uiteindelijke resultaat zou eerder moeten zijn:
De docent heeft een concrete AI-toepassing ontwikkeld die hij daadwerkelijk in zijn eigen onderwijs gebruikt.
Dat kan iets heel kleins zijn.
Een assistent die feedback helpt voorbereiden.
Een manier om lesmateriaal te differentiëren.
Een AI-onderdeel in een bestaande opdracht.
Een hulpmiddel voor projectonderwijs.
Een leerlingcoach.
Een workflow voor het maken van formatieve vragen.
Als het maar iets oplost wat die docent zelf belangrijk vindt.
Van workshop naar werkpraktijk
Voor scholen betekent dit dat een losse AI-studiedag waarschijnlijk niet het eindpunt moet zijn.
Je zou professionalisering eerder kunnen zien als vier stappen:
Kiezen → Maken → Gebruiken → Delen
Kiezen
Begin bij een echt probleem of een echte wens van de docent.
Maken
Geef voorbeelden, templates, ondersteuning en kleine haalbare stappen.
Gebruiken
Laat de toepassing terechtkomen in de echte onderwijspraktijk.
Delen
Zorg dat docenten van elkaar kunnen leren en goede toepassingen niet telkens opnieuw hoeven uit te vinden.
Dan verandert AI-professionalisering van:
“We hebben onze docenten een AI-training gegeven.”
naar:
“Onze docenten gebruiken AI bewust en praktisch om hun onderwijs te verbeteren.”
Dat is een behoorlijk ander resultaat.
En misschien is dat wel de belangrijkste les
We hoeven docenten niet voortdurend nóg meer AI te leren.
We moeten het makkelijker maken om het geleerde daadwerkelijk te gebruiken.
Een goede training geeft kennis.
Een goede implementatie zorgt ervoor dat er daarna iets verandert.
En precies daar ligt wat mij betreft de volgende stap voor AI in het onderwijs.
Niet meer AI uitleggen. Meer zorgen dat het werkt in de praktijk.
Bron: Xin, H., Niu, Q., Li, S., Sun, Y. e.a. (2026), An Activity-Theoretical Approach to Teacher Professional Development in Pedagogical AI Agent Design, arXiv preprint 2605.12934.