Wie een school runt en AI wil invoeren, botst snel op een fundamentele vraag: waar trek je de lijn tussen wat AI wel en niet mag doen? Niet in abstracte beleidstaal, maar in de dagelijkse praktijk van een leraar die 's avonds laat nog lesmateriaal in elkaar draait.
Cheshire Academy, een particuliere school in Connecticut, heeft die vraag pragmatisch aangepakt. Hun aanpak biedt bruikbare inzichten voor elke onderwijsinstelling die met dezelfde afweging worstelt.
Een verkeerslichtsysteem voor AI-toegang
De school hanteert een eenvoudig labelingssysteem voor opdrachten. Een groen label betekent dat AI volledig is toegestaan. Rood verbiedt elk gebruik. Geel is het genuanceerde middengebied: de leraar bepaalt per geval welke hulpmiddelen zijn toegestaan, bijvoorbeeld spellingcontrole wel, maar een chatbot niet.
Die driedeling lost iets op wat veel scholen ervaren. Een totaalverbod op AI is onhoudbaar, maar volledige vrijheid zonder grenzen levert andere problemen op. Door per opdracht te bepalen wat mag, behouden docenten de regie zonder dat elk AI-gebruik een principiële discussie wordt.
Waar AI nu al werk uit handen neemt
Docenten op Cheshire Academy gebruiken generatieve AI inmiddels regelmatig voor lesvoorbereiding. Ze vragen hulp bij het plannen van lessen, het opstellen van beoordelingsrubrieken en het maken van lesmateriaal. Die toepassing past binnen een duidelijke governance: het gaat om contentcreatie door de leraar, niet om output die direct naar leerlingen gaat.
Platforms zoals MagicSchool ondersteunen dat type werk. Ze kunnen vragen en opdrachten genereren in allerlei vormen, van quizzen tot werkbladen, afgestemd op vak en niveau. Een rubriekgenerator produceert een direct bruikbare scorings tabel. Daarnaast zijn ze in staat om presentaties, lesplannen en administratieve rapporten te maken op basis van wat een leraar invoert.
Voor onbeperkte toegang en volledige registratie in zo'n platform betaalt een individuele leraar ongeveer 100 dollar per jaar.
Waar de grens nu nog ligt
Hetzelfde systeem toepassen op feedback aan leerlingen gebeurt vooralsnog niet. Docenten op Cheshire Academy zien dat nog niet zitten, om redenen die samenhangen.
Kwaliteit speelt een rol. AI-gegenereerde tekst valt vaak op door eenvoudige aanwijzingen, zoals een overmatig gebruik van em-dashes. Leraren kunnen dat direct onderscheiden van werk dat een leerling zelf heeft geschreven. Dat betekent niet dat de kwaliteit van AI-feedback ontoereikend is, maar wel dat er een herkenbaar verschil is dat om bewuste keuzes vraagt.
Personalisatie is een tweede overweging. Effectieve feedback aan leerlingen vereist kennis van wat een leerling eerder heeft gemaakt, waar die vastloopt en hoe die specifiek moet worden aangesproken.
Privacy is de derde. Daarbij komt dat gepersonaliseerde feedback systemen vraagt die toegang hebben tot werk van leerlingen, wat vragen oproept over welke data waar terechtkomen en wie er inzage in heeft.
Die overwegingen zijn geen absolute blokkades. Ze beschrijven de huidige stand van zaken en de afwegingen die een school momenteel moet maken.
Training die bij de praktijk aansluit
Cheshire Academy koos ervoor om personeel te trainen in algemene AI-technieken in plaats van specifieke tools voor te schrijven. Die training richtte zich op praktische vaardigheden: hoe stel je een effectieve prompt op, en wat zijn de beperkingen van de technologie? Daarbij werd expliciet aandacht besteed aan het risico op onjuiste en bevooroordeelde antwoorden.
Die keuze heeft consequenties. Het betekent dat leraren zelf moeten beoordelen wanneer AI-output bruikbaar is en wanneer niet.
Wat een school hiermee kan
Wie een governance-model zoekt dat hanteerbaar blijft, kan aan een paar principes vasthouden.
Door per opdracht of per vakgebied te bepalen wat AI mag, houd je als school grip zonder dat elke beslissing omhoog moet.
De scheiding tussen lesvoorbereiding en directe leerlingoutput is praktisch houdbaar. AI voor het maken van materiaal, rubrieken en plannen is een andere casus dan AI voor feedback of beoordeling. Die laatste toepassing vraagt om meer waarborgen rond personalisatie en privacy.
Training in prompttechnieken en een realistisch beeld van beperkingen is effectiever dan het voorschrijven van specifieke tools. Leraren die begrijpen hoe een model werkt, kunnen beter inschatten wanneer output bruikbaar is.
De verkeerslichtmetafoor is eenvoudig genoeg om consistent te communiceren naar leerlingen en ouders. Een groene opdracht betekent iets anders dan een gele, en dat verschil is direct duidelijk zonder een uitgebreide toelichting.
Benieuwd wat dit voor uw bedrijf kan betekenen?
We denken graag vrijblijvend met u mee over de mogelijkheden voor uw KMO.
Plan een gesprek →