We bouwden dit AI-onderwijs voor HBO-ICT'ers die al werken. Maar toen we
keken wat er nu écht in die vakken zit, viel iets op: weinig ervan is
ICT-eigen. En de manier waarop we lesgeven al helemaal niet. Wat hier staat
mag je gebruiken.
de aanleiding
De hybride wereld van mens én agent
Onder invloed van AI — en vooral van agentic AI — verandert de rol van de
medewerker. Wie vroeger het werk zelf deed, stuurt straks een ploeg agents
aan: opdracht geven, resultaat wegen, ingrijpen waar het misgaat, en
verantwoordelijk blijven voor wat eruit komt. Dat is geen bestaande functie
met een gereedschap erbij. Het is een andere functie.
Een opleiding die daarop bijschaaft, loopt achter. Wij hebben er daarom niet
één vak aan toegevoegd, maar de hele keten opnieuw doordacht — van de vraag
wie we afleveren, via wat we daarvoor moeten onderwijzen en hoe onze eigen
docenten die omslag maken, tot het materiaal waarmee ze voor de klas staan.
Elk van die vier stappen heeft zijn eigen methode.
stap 1 · de profielen
Orgith
De naam komt uit het Grieks: organon — werktuig, instrument.
Het woord waarmee Aristoteles zijn eigen denkgereedschap aanduidde. Als
enige van de vier geen Latijn, en dat is precies goed: waar Nascith en
Crescith beschrijven wat er gebeurt, benoemt Orgith het instrument.
Orgith is het organiseren van mens, werk en agents tot één samenhangend
systeem.
Met de methode Orgith hebben we de uitstroomprofielen van de opleiding
opnieuw gedefinieerd, expliciet voor die agentic werkelijkheid. Niet:
welke taken doet een afgestudeerde straks. Maar: welke taken doet hij
nog zélf, welke belegt hij bij agents, en waar ligt de grens waarop hij
moet kunnen ingrijpen. Uit dat onderscheid volgt een ander beroepsbeeld —
en dus een ander profiel.
De naam komt van het Latijnse nascī: geboren worden, ontstaan,
groeien, worden. Het is een deponens — een werkwoord dat passief klinkt
maar actief betekent, en dat past: wording overkomt een opleiding niet,
een opleiding doet het. Nascith gaat over dat ontstaan — geen onderwijs
dat wordt bijgesteld, maar onderwijs dat opnieuw wordt geboren.
Met Nascith is het curriculum vervolgens herontworpen op die nieuwe
profielen. Dat is bewust geen kaalslag geweest. Elk vak is teruggebracht
tot zijn kernwaarde — wat het werkelijk bijdraagt aan het profiel — en
die kern is behouden. Wat eromheen zat aan gewoonte en historie is
losgelaten. Zo verschuift het curriculum zonder dat de opleiding haar
fundament kwijtraakt.
Afgeleid van het Latijnse crescere: groeien, toenemen, sterker
worden. Hetzelfde woord dat doorklinkt in de wassende maan, de
crescent — en dat is precies de beweging: niet in één keer groter,
maar gestaag toenemen. Crescith is groeien dóór verandering — het vermogen
van mensen en organisaties om mee te groeien met agentic AI.
Een herontworpen curriculum is niets waard als de docenten het niet
dragen. Met Crescith is bepaald hoe het veranderproces voor hen is
ingericht — de management of change. Wie moet wat leren, in welke
volgorde, met welke steun, en hoe je omgaat met de docent die zijn vak
ziet veranderen onder zijn handen. Dit is het deel dat elders meestal
wordt overgeslagen.
De naam komt van het Latijnse scribere: schrijven. Oorspronkelijk
een ruw woord — krassen, griffen, lijnen zetten in was of steen. Schrijven
was eerst een handeling, pas veel later een product. Dat past hier: Scribith
gaat niet over teksten die af zijn, maar over het telkens opnieuw inkerven
van wat een vak op dít moment moet overdragen. Als enige van de vier benoemt
het geen beweging maar een ambacht.
Wat de docent voor de klas gebruikt — de reader, de casus, het tentamen — is
geschreven vóór de agentic werkelijkheid. Niet fout, wel gedateerd. Met
Scribith herschrijft de docent dat materiaal zelf: de bestaande reader en
bronnen gaan erin, de structuur blijft staan, en de AI bewaakt wat een mens
over honderd pagina's kwijtraakt — consistentie, opbouw, begrippen. Wat eruit
komt is geen bestand maar een bron: reader, presentatie of werkboek, in de
vorm die de les nodig heeft. Anders blijft de hele verandering op papier
staan.
"Niet een vak erbij. Een ander beroep om voor op te leiden."
de vakken
AI is geen ICT-vraagstuk meer
De verpleegkundige die wil weten of ze een AI-triagemodel mag vertrouwen, de
logistiek planner die zijn forecast ziet afwijken, de communicatieadviseur
die betrapt wordt op een gehallucineerde bron — die vragen lijken meer op
elkaar dan op iets technisch. Ze gaan over data die niet klopt, over
modellen die je niet doorgrondt, en over de vraag wie er verantwoordelijk is
als het misgaat.
Dat is precies waar onze vakken over gaan. Ze zijn geschreven voor mensen
met een werkpraktijk, niet voor mensen met een informatica-vooropleiding. Je
kunt ze bij een andere opleiding neerzetten zonder ze uit te kleden.
Eén keuzemodule
Pak er één vak uit — datageletterdheid, of AI-ethiek — en zet het als
keuzeruimte weg. De kleinste stap, en meteen zichtbaar voor studenten.
Een minor
Combineer een handvol vakken tot een samenhangende minor voor je eigen
domein. Wij denken mee over welke vakken bij welke beroepspraktijk
passen.
Een hele leerlijn
Bouw AI structureel in je curriculum in, van eerste kennismaking tot
afstudeeropdracht. Dit is wat wij hebben gedaan — en waar we het meest
van geleerd hebben.
AI is hier niet alleen het onderwerp — het is het leermiddel
Dit is het deel dat we het liefst doorgeven, want het is het deel dat de
meeste opleidingen nog voor zich hebben. Bij ons is AI niet alleen dát
waarover de les gaat; het is ook waarmée de les gegeven wordt. In elke les
werken studenten met bots: bots die uitleggen, feedback geven, tegenspreken,
en met je oefenen tot het zit.
Dat is geen technische snufje bovenop bestaand onderwijs. Het verandert wat
er in een lesuur past. En het heeft één effect dat elke opleidingsmanager
onmiddellijk begrijpt: het tempo waarin studenten vaardigheden opbouwen gaat
omhoog — niet een beetje, maar een orde van grootte.
Een eigen bot per leertaak
Geen alleskunner, maar vijfentwintig typen die elk één ding doen —
twintig voor de student, vijf voor de docent. Theoriebots die de stof op
niveau uitleggen. Socratesbots die het antwoord juist niet geven.
Feedforward- en rubricbots. Rollenspel- en mondelingbots. Reflectie- en
teambots. Wie de bot bouwt voor de leertaak in plaats van andersom,
krijgt onderwijs dat werkt.
Vaardigheden krijgen eindelijk oefentijd
Hier zit de echte versnelling. Presenteren, een kritische toezichthouder
te woord staan, een directielid overtuigen — dat waren altijd de dingen
waar een student twee keer per jaar aan toekwam, want een oefenpubliek
kost mensen. Rollenspel- en voice bots maken herhaling gratis. Wat ooit
twee pogingen was, zijn er nu twintig.
Feedback vóór het inleveren, niet erna
Feedforward bots wijzen aan wat beter kan zolang de student er nog iets
mee kán. Elke versie wordt daarmee een leermoment in plaats van een
inleverbeurt. Dat is de motor achter het portfolio: veel kleine
correcties, geen enkel beslissend examen.
De docent komt vrij voor het oordeel
Wat een bot kan — uitleggen, herhalen, drillen, nakijken op vorm — hoeft
de docent niet meer te doen. Wat overblijft is precies waar hij
onvervangbaar is: wegen of het klopt, of het deugt, en of het goed genoeg
is voor de praktijk waar hij zelf nog in staat. Dat vraagt wel iets van
docenten, en daar hebben we een apart traject voor ingericht.
Er zit nog een tweede laag onder. Onze afgestudeerden moeten straks agents
aansturen — opdracht geven, resultaat wegen, ingrijpen. Ze leren dat door
drie jaar lang zélf met agents te werken. De vorm van het onderwijs is
alvast het beroep.
"Het curriculum is te kopiëren. De versnelling zit in hoe je lesgeeft."
Een bot is bij ons geen keuze uit een lijst, maar een combinatie van drie
onafhankelijke assen: wat doet hij didactisch, hoe praat je ermee, en welke
cursusdata leest hij mee. De assen vermenigvuldigen — dat scheelt tientallen
bijna-identieke typen en houdt het geheel uitlegbaar voor een docent.
As
Antwoordt op
Waarden
Bottype
Wat doet de bot didactisch?
25 typen — 20 voor studenten, 5 voor docenten
Modaliteit
Hoe communiceer je ermee?
tekstspraakbeide
Bron
Welke cursusdata leest hij?
CanvasBoekenHBO-ISharePoint meerdere tegelijk mogelijk
Voorbeeld. Een gesproken oefenmondeling voor
Onderzoeksvaardigheden dat de HBO-I-competentiematrix erbij pakt, is een
mondelingbot met modaliteit spraak en bron HBO-I —
geen apart type. Elke bot hangt aan één vakaanbieding, heeft een eigen
systeemprompt die de docent herziet en versioneert, en een moment waarop hij
voor studenten opengaat.
Twintig typen voor de student
Geordend naar het moment in het leerproces. Per type ligt er een expliciete
grens vast: wat de bot bewust níét doet. Die grens is
didactisch, niet technisch — hij staat er zodat de student het leerwerk zelf
blijft doen.
Deze vijf zijn niet voor studenten bedoeld; ze ondersteunen het ontwerpwerk
van de docent. De grens ligt hier steeds op hetzelfde punt: de bot levert een
concept, de docent blijft verantwoordelijk.
Ontwerpen toetsitems die aansluiten op een leerdoel en het bedoelde Bloom-niveau.
Grens: levert concept-items; de docent blijft verantwoordelijk voor validiteit, normering en inzet.
Zo gebruik je hem
Je geeft het leerdoel, het beoogde Bloom-niveau en de toetsvorm; de bot levert concept-items met per item de verantwoording waaróm het op dat niveau meet. Hij kent de leerdoelen en het materiaal van jouw vakaanbieding, dus de items gaan over de stof die je echt hebt gegeven. Wat je overhoudt is een werkvoorraad om uit te kiezen, te herschrijven en te schrappen — geen kant-en-klare toets.
Zo klinkt dat
Jij: “Drie meerkeuzevragen bij leerdoel 3, op toepassingsniveau.”
Bot: “Hier zijn drie concepten. Let op vraag 2: die vraagt eigenlijk om reproductie — de afleiders zijn uit te sluiten zonder de regel toe te passen. Wil je dat ik hem strakker maak?”
Waarom dit werkt
Het meeste toetswerk zit niet in het bedenken van vragen, maar in het bewaken dat ze meten wat het leerdoel belooft. Een bot die die koppeling per item hardop maakt, dwingt dat gesprek af op het moment dat je nog kunt bijsturen.
Meer over dit bottype →
Bouwen een rubric vanuit de leerdoelen, met criteria en onderscheidende niveaubeschrijvingen.
Grens: stelt geen normering of cesuur vast en bepaalt niet welk niveau een voldoende is.
Zo gebruik je hem
Je voert de leerdoelen in en het type product — verslag, ontwerp, code, presentatie — en de bot stelt criteria voor met niveaubeschrijvingen die elkaar uitsluiten. Waar twee niveaus in de praktijk op hetzelfde neerkomen, zegt hij dat in plaats van het verschil te verzinnen. Waar de cesuur ligt, bepaal jij.
Zo klinkt dat
Jij: “Maak een rubric voor het onderzoeksverslag.”
Bot: “Criterium ‘bronnengebruik’ staat in vier niveaus. Tussen ‘goed’ en ‘uitstekend’ vond ik geen onderscheid dat een tweede beoordelaar ook ziet. Wil je het onderscheid op het aantal bronnen leggen, of op hoe kritisch ze gewogen zijn?”
Waarom dit werkt
Rubrics vallen om op niveaubeschrijvingen die alleen in het hoofd van de maker verschillen. Wie het onderscheid niet kan opschrijven, kan het ook niet consistent beoordelen — en twee beoordelaars komen dan op twee cijfers uit.
Meer over dit bottype →
Controleren de constructive alignment: sluiten leerdoel, werkvorm en toetsvorm op elkaar aan?
Grens: signaleert misalignment en legt uit waarom, maar beslist niet en herschrijft niets.
Zo gebruik je hem
Je legt het blokontwerp voor: leerdoelen, werkvormen, toetsvormen. De bot loopt na of ze op elkaar aansluiten en meldt waar het schuurt — een leerdoel op creatieniveau dat met een meerkeuzetoets wordt afgesloten, een werkvorm die niets oefent van wat er getoetst wordt, een leerdoel dat nergens meer terugkomt. Je krijgt signalen met de redenering erbij; het herschrijven blijft van jou.
Zo klinkt dat
Jij: “Klopt de alignment van blok 3?”
Bot: “Leerdoel 4 vraagt ‘ontwerpt een dataverwerking’. In de werkvormen komt ontwerpen niet voor — er zijn drie oefeningen waarin een bestaand ontwerp wordt geanalyseerd, en de toets is een casusanalyse. Zoals het er nu staat wordt ontwerpen wel beloofd, maar niet geoefend en niet getoetst.”
Waarom dit werkt
Misalignment ontstaat sluipend: een leerdoel wordt bijgesteld, de toets blijft staan. Het valt zelden op bij het schrijven en bijna altijd bij het nakijken. Een systematische controle vooraf kost een half uur; achteraf kost hij een herkansingsronde.
Meer over dit bottype →
Ontwerpen werkvormen en lesplannen per les of blok, passend bij leerdoel en contacttijd.
Grens: houdt rekening met de contacttijd en verzint geen bronnen, literatuur of tools.
Zo gebruik je hem
Je geeft het leerdoel, de contacttijd en de groepsgrootte; de bot stelt een lesopzet voor met werkvormen, tijdsindeling en wat studenten vooraf moeten doen. Hij rekent de tijd na — een werkvorm die niet in het uur past, komt er niet in. Dit is het enige type dat op het web mag zoeken, en alleen om te controleren of een bron die hij wil noemen ook echt bestaat.
Zo klinkt dat
Jij: “Een werkcollege van 90 minuten over feature engineering, 24 studenten.”
Bot: “Voorstel: 15 minuten plenaire intro, 40 minuten in duo’s op een eigen dataset, 20 minuten uitwisselen in viertallen, 15 minuten plenair afsluiten. De uitwisseling kost bij 24 studenten meer overgangstijd dan je denkt; als het krap wordt, laat die stap vallen en niet de duo-opdracht — daar zit het leerwerk.”
Waarom dit werkt
Een lesplan sneuvelt bijna altijd op tijd, niet op inhoud. Door de contacttijd als harde randvoorwaarde mee te geven, gaat het gesprek meteen over wat er wél in past en wat je ervoor opoffert.
Meer over dit bottype →
Vatten veelgestelde vragen uit chatlogs samen tot een lessignaal voor de docent.
Grens: werkt alleen geaggregeerd en rapporteert nooit iets dat herleidbaar is tot een individuele student.
Zo gebruik je hem
Na een lesweek kijk je wat studenten aan de bots van jouw vak hebben gevraagd — geaggregeerd, nooit per student. Je ziet welke begrippen blijven terugkomen, waar vragen blijven hangen en welk deel van de stof kennelijk niet is geland. Dat is materiaal voor de eerstvolgende les, niet voor een beoordeling.
Zo klinkt dat
Jij: “Waar liep week 2 op vast?”
Bot: “Veertig procent van de vragen ging over het verschil tussen validatie- en testset, verspreid over de hele week en niet over één moment. Opvallend: bijna niemand vroeg iets over de opdracht zelf. Dat lijkt op een begripsprobleem, niet op een onduidelijke opdracht.”
Waarom dit werkt
Wat studenten niet snappen, vragen ze meestal niet in de les. Het staat wél in wat ze een bot op donderdagavond vragen. Geaggregeerd is dat het eerlijkste signaal dat je over je eigen uitleg kunt krijgen — en juist de anonimisering is waarom die vragen gesteld worden.
Meer over dit bottype →
Bestandsupload — negen typen accepteren een ingeleverd
bestand, omdat ze werk van de student bespreken: feedforward-, rubric-,
peerreview-, schrijf-, codereview- en verdedigingsbots, en aan docentzijde
rubricontwerp-, curriculum- en analysebots. Websearch — alleen lesontwerpbots zoeken op het web, om een
bron te kunnen controleren vóór ze hem noemen.
"Elke bot heeft een grens. Die grens is didactisch, niet technisch."
de toolset
De Applied AI Workbench
Een bot per leertaak klinkt aardig, maar het valt of staat bij de vraag wie
die bots bouwt en wie ze bijhoudt. Daarom ligt er onder onze aanpak een
complete toolset: de Applied AI Workbench. Daarin maak je bots en agents
voor elk vak — van lesbot tot rollenspelbot — en houd je ze daarna ook in
de lucht.
Een docent bouwt er een bot zonder te programmeren, test hem voordat een
student hem ziet, en zet hem in één handeling klaar in de les. Geen losse
prompts in een chatvenster die niemand terugvindt, maar bots met een
eigenaar, een versie en een plek in het curriculum.
Bouwen per vak
Elke bot hangt aan een vak en aan de leerdoelen daarvan, gevoed met de
opleidingsdata en het lesmateriaal die er al zijn. Hij antwoordt binnen
de kaders van dát vak.
Testen vóór de les
Een bot gaat pas de klas in als hij is uitgeprobeerd. In de
testomgeving leg je hem de lastige vragen voor en stel je bij — niet
nadat dertig studenten al een raar antwoord kregen.
Lifecycle management
Vakken veranderen, dus bots veranderen mee. Versies, eigenaarschap en
intrekken zitten in de tool. Een bot die niet meer klopt, verdwijnt —
in plaats van dat hij nog jaren blijft rondzwerven.
Deployment
Van bouwen naar beschikbaar-in-de-les is één stap. De bot verschijnt
daar waar de student al werkt, met de juiste rechten, zonder dat een
docent iets hoeft te installeren.
Koppeling met je LMS
De Workbench koppelt volledig met een LMS als Canvas. Vakken, modules
en lesmateriaal komen daaruit, dus verandert het materiaal, dan
verandert de bot mee. Geen tweede plek waar je alles opnieuw moet
bijhouden.
De Applied AI Workbench: opleidingsdata, bots bouwen, testen, deployen en beheren — in één omgeving. Build. Test. Orchestrate. Deliver impact.
"Een bot per leertaak houdt alleen stand als er een werkplaats onder ligt."
contact
Bel of mail Mark of Wiemer
Wij namen het initiatief voor deze opleiding en staan zelf voor de groep. Wil
je een vak overnemen, een minor opzetten, of gewoon eens sparren over hoe je
AI in je curriculum krijgt — schrijf ons. Er hangt geen offerte aan een
eerste gesprek.
