Waarom het AI-verbodsmodel in onderwijs onhoudbaar is — en wat ervoor in de plaats moet komen

Wie hoger onderwijs nog ziet als een AI-vrije zone heeft een empirisch probleem. Een nieuwe longitudinale studie van Parker, Loper, Carter, Hayes en Karakas (2026), gepubliceerd in Computers and Education Open, volgde vier semesters lang het AI-gebruik van studenten in een Amerikaanse lerarenopleiding. De conclusie is ongemakkelijk helder: AI-gebruik is genormaliseerd, de adoptiecurve beweegt richting mainstream, en het verbodsmodel is feitelijk verlopen.

De cijfers:

• AI voor studeren: van 44% naar 76% in vier semesters
• AI voor opdrachten: van 57% naar 83%
• AI voor studeren of opdrachten: 88% in Fall 2024

Dit zijn geen early adopters meer. Dit is Rogers' "Late Majority", het punt waarop niet-gebruik een uitzondering wordt.

Wat de studie bijzonder maakt is niet de constatering dat studenten AI gebruiken. Dat wisten we. Wat bijzonder is, is dat ze vier meetmomenten over bijna twee jaar hebben, met 319 respondenten per ronde, statistisch significante ANOVA-resultaten (p ＜ .001), en dat de data laten zien dat het gedrag niet incidenteel is maar structureel stabiliseert. De meeste GenAI-onderzoeken in onderwijs zijn cross-sectioneel. Deze paper laat de curve zien.

Rogers in de collegebanken

De auteurs koppelen hun data aan Rogers' Diffusion of Innovation, en dat is meer dan academische window-dressing. Het diffusiemodel zegt dat technologie-adoptie verloopt via sociale kanalen: innovators, early adopters, early majority, late majority, laggards. In Fall 2024 beweegt de studentenpopulatie richting late majority.

De governance-implicatie is fundamenteel: je kunt een innovatie niet verbieden die de late majority heeft bereikt. Wat je wel kunt doen: normeren, kaderen, competentie opbouwen, en toetsvormen herontwerpen.

Dit is precies waar het huidige onderwijsbeleid faalt. De meeste instellingen opereren nog in het "detectie-en-sanctioneer"-paradigma, terwijl de adoptiecurve dat model heeft ingehaald.

Het detectiefiasco in cijfers

De paper bevat een pijnlijke statistiek over Turnitin. De detectie van AI-gegenereerde content stijgt volgens de data van 9% naar 45%, maar de auteurs plaatsen daar expliciete kanttekeningen bij: betrouwbaarheid, false positives en veranderende drempelwaarden maken detectie ongeschikt als bewijsgrond.

Nog onthutsender: slechts 24% van de studenten zegt dat detectiesoftware hen zou doen stoppen met AI-gebruik. 36% zegt expliciet "nee", en 40% is onzeker. De afschrikkingsfunctie van detectie is zwak, terwijl de juridische risico's (false positives, onterechte sancties) aanzienlijk zijn.

De conclusie is helder: detectie als primaire control is een doodlopende weg. Het hoort hoogstens thuis als zwak signaal, niet als bewijsgrond voor sancties.

Ethiek als gedragsindicator

Een van de meest intrigerende bevindingen is de relatie tussen AI-gebruik en ethische perceptie. Studenten die AI gebruiken, beoordelen dat gebruik significant vaker als ethisch dan niet-gebruikers. In Fall 2024 scoren AI-gebruikers voor opdrachten gemiddeld 3,55 op een 5-puntsschaal, tegenover 2,88 bij niet-gebruikers.

Er zijn twee lezingen mogelijk. De optimistische: studenten ontwikkelen een genuanceerd ethisch kompas door met AI te werken. De cynische: "ik doe het dus het is oké" als cognitieve dissonantie-reductie.

De paper kiest geen kant, maar de implicatie is voor beide scenario's hetzelfde. Ethiek is geen apart vak dat je vóór AI-gebruik afrondt. Het is een spier die je traint in de praktijk, met reflectie op gedrag dat al plaatsvindt. Dit is precies wat Tully, Longoni en Appel (2025) lieten zien: AI-literacy calibreert AI-receptiviteit. Niet door verbod, maar door begrip.

Wat studenten zelf willen

De paper rapporteert dat 75,5% van de studenten het belangrijk vindt dat AI-kennis en -vaardigheden in het curriculum worden geïntegreerd. In de open antwoorden zegt 88% dat universiteiten beleid en regels moeten hebben rond AI-gebruik.

Lees dat nog eens: de groep die AI het meest gebruikt, vraagt om duidelijke regels. Studenten willen geen laissez-faire. Ze willen weten waar de grens ligt.

Slechts 5,8% vindt AI-integratie in het curriculum onbelangrijk. Het debat over "moet AI onderdeel zijn van het onderwijs" is voorbij.

Vijf usage tiers: een praktisch governance-model

Het antwoord is geen binair "toestaan of verbieden" maar een risico-gebaseerd control model. Ik stel vijf usage tiers voor, geïnspireerd op de ISO 27001/NIST CSF-logica van proportionaliteit naar risicoklasse:

Tier	Label	Toegestaan gebruik	Verantwoording
0	No AI	Geen AI-toegang. Voor toetsing van individuele basisvaardigheden waar het leerdoel cognitieve autonomie vereist.	Honor code
1	AI-assisted preparation	Brainstormen, uitleg, planning, oefenvragen genereren, conceptverheldering.	Optionele vermelding
2	AI-supported production	Taalverbetering, structurering, feedback op eigen tekst, samenvatten van eigen werk.	Tool + prompt + wat is aangepast
3	AI-co-created output	Substantiële AI-bijdrage aan inhoud. Prompts, iteraties en menselijke redactie worden verantwoord.	Volledige proceslog
4	AI-delegated output	AI produceert output; student valideert, auditeert of bekritiseert. Alleen toegestaan als leerdoel juist in validatie ligt.	AI-output + validatie door student

Dit model maakt AI-gebruik niet vrijblijvend. Het maakt het documenteerplichtig. De vraag is niet "heb je AI gebruikt" maar "in welke tier, met welke prompts, met welke aanpassingen, en hoe heb je de output gevalideerd."

Dit is fundamenteel hetzelfde governance-principe als bij enterprise AI: niet de tool staat centraal, maar het proces, de context, het risico, de logging en de menselijke eindverantwoordelijkheid.

Wat dit betekent voor instellingen, docenten en bestuurders

Voor instellingen: stop met detectie als primaire control. Gebruik detectie als zwak signaal, niet als bewijsgrond. Bouw beleid rond procesverantwoording: studenten moeten kunnen uitleggen wat zij hebben gevraagd, welke AI-output is gebruikt, wat zij hebben aangepast, en waar hun eigen redenering zit.

Voor docenten: herontwerp assessments. Minder generieke essays, meer mondelinge verdediging, proceslogboeken, versiegeschiedenis, bronkritiek, peer review, reflectie op AI-fouten, en opdrachten waarin AI-output bewust moet worden bekritiseerd. AI maakt een deel van de oude toetsvormen triviaal. Dat is geen crisis, het is een redesign-opdracht.

Voor bestuurders: stel geen abstract AI-beleid op dat alleen zegt "verantwoord gebruik." Maak operationele normenkaders per faculteit, toetsvorm en risicoklasse. De paper laat zien dat studenten juist duidelijke regels willen. De 88% die om beleid vraagt heeft recht op meer dan een intentieverklaring.

Wat dit niet is

De paper heeft beperkingen die we expliciet moeten benoemen. Eén instelling, één opleidingstype (teacher education), Middenwesten VS. De data zijn self-reported, bij ethisch beladen onderwerpen is social desirability bias reëel. "AI-gebruik" blijft breed gedefinieerd, terwijl taalverbetering en volledige tekstgeneratie governance-technisch totaal verschillende use cases zijn.

Maar de richting is onmiskenbaar. En voor de Nederlandse context, waar SURF en Npuls actief AI-beleid ontwikkelen, waar de EU AI Act geletterdheid verplicht stelt (Art. 4), en waar onderwijsinstellingen worstelen met hetzelfde detectie-dilemma, is het signaal relevant. AI-adoptie in onderwijs volgt dezelfde diffusiecurve als elke andere technologie. Het verschil is de snelheid: vier semesters van early adopters naar late majority.

Conclusie

Deze paper levert geen technisch AI-framework en ook geen volwassen governance-model. De waarde zit in het empirische signaal: studentengedrag loopt sneller dan institutioneel beleid, ethische acceptatie groeit mee met gebruik, detectie heeft beperkte afschrikking, en studenten vragen juist om duidelijke spelregels.

Voor onderwijsbestuurders is de conclusie helder: behandel GenAI als een structurele capability in het onderwijsmodel, niet als fraude-exceptie. De volwassen route is AI-literacy, assessment redesign, transparantie, proportionaliteit, duidelijke normering en menselijke eindverantwoordelijkheid.

Of, zoals Rogers' diffusiemodel het stelt: de innovatie is niet meer tegen te houden. De vraag is alleen of de governance eromheen proactief wordt ontworpen of reactief wordt afgedwongen.

---

"Longitudinal Insights into AI in Education: Usage, Ethics, and Policy Development in Higher Education", Parker, Loper, Carter, Hayes & Karakas (2026), Computers and Education Open, Vol. 10, DOI: 10.1016/j.caeo.2025.100329. Open access.