AI i undervisningen – når læringsmålet styrer brugen

AI kan gøre en elev hurtigere til at aflevere en tekst. Det fortæller ikke nødvendigvis noget om, hvor meget eleven har lært. Det er den forskel, jeg synes er mest nyttig at holde fast i, når vi taler om AI i undervisningen.

Hurtigere output er ikke det samme som mere læring

Hvis formålet med en opgave er at øve argumentation, er det et problem, hvis modellen leverer hele argumentationen. Hvis formålet er at lære at redigere, vurdere kilder eller diskutere kvalitet, kan et AI-genereret udkast derimod være et fremragende materiale at arbejde på. Det er altså ikke værktøjet alene, der afgør, om noget er en god idé. Det gør læringsmålet.

Forskningen peger heller ikke på én universel effekt. Et stort randomiseret forsøg i gymnasiematematik viste, at adgang til en almindelig chatbot forbedrede elevernes præstation, mens de havde værktøjet, men kunne skade deres præstation bagefter, når det var væk igen. En variant med lærerdesignede hints og opgavespecifikke værn dæmpede den negative effekt. Det er ét studie i én faglig og kulturel sammenhæng og ikke et facit for alle skoler. Men det sætter ord på forskellen mellem assisteret præstation og selvstændig læring.

Start med læringsmålet

Jeg ville derfor starte med tre spørgsmål før hver AI-aktivitet: Hvad skal deltageren blive bedre til? Hvilken del af tænkningen skal vedkommende gøre selv? Og hvilken rolle må AI have uden at overtage netop den del?

Skriv målet som noget, eleven selv skal kunne gøre: forklare en årsagssammenhæng, argumentere med tekstbelæg, opstille en metode, vurdere en kilde eller revidere et udkast. “Eleven afleverer en god tekst” er et produktmål. “Eleven kan begrunde tre redaktionelle valg med faglige kriterier” er et læringsmål – og kun det sidste kan man se efter, når værktøjet er lukket ned.

Et konstrueret, men genkendeligt forløb: en klasse skal lære at bruge belæg i en argumenterende tekst. Først skriver hver elev selv en påstand og vælger ét citat fra et fælles kildesæt. Det tager få minutter, men det efterlader et spor af elevens egen forståelse, som både lærer og elev kan vende tilbage til.

Derefter genererer et godkendt værktøj to korte afsnit: ét med tydeligt belæg og ét, hvor belægget ikke understøtter påstanden. Eleverne får ikke at vide, hvilket der er hvilket. Parvis markerer de påstand, belæg og forbindelsen imellem, kontrollerer citaterne i originalkilderne og omskriver det svage afsnit. Til sidst får de en ny påstand og skriver selv et kort argument ud fra samme kildesæt – uden AI.

Er resultatet kun stærkt, mens værktøjet er åbent, har forløbet vist assisteret præstation. Det kan være nyttigt i en arbejdsproces, men det er ikke det samme som læring, og så skal rollen, rækkefølgen eller mængden af støtte ændres. Designet kan i øvrigt også mislykkes den anden vej: hvis AI-eksemplerne fylder så meget, at eleverne blot efterligner formuleringerne, er den selvstændige fase kommet for langt væk fra målet.

AI i underviserens forberedelse

I underviserens egen forberedelse er mulighederne bredere. AI kan hjælpe med idéer, variationer, spørgsmål, eksempler, differentiering og udkast til feedback. Men faglig kontrol forsvinder ikke. En model kan uden problemer lave en flot øvelse med en forkert forklaring eller et eksempel, der ikke passer til niveauet.

Et kort tjek før timen fanger det meste: Er opgaven løst korrekt? Kan kilderne overhovedet åbnes? Er sproget alderssvarende? Bygger eksemplerne på stereotype antagelser? Kan eleverne udfordre svaret med det materiale, de har? Og hvad gør du, hvis værktøjet er utilgængeligt eller pludselig svarer anderledes midt i timen?

Det samme gælder tilgængelighed. AI kan omskrive, oplæse, oversætte eller give ekstra øvelse, men den samme løsning kan have et utilgængeligt interface, misforstå hjælpemidler, ændre fagligt indhold under forenkling eller svare ringere på bestemte sprogformer. Muligheden er derfor ikke en dokumenteret kompensation, før den er prøvet af med de elever og de mål, den skal støtte. Der skal altid være en fagligt ligeværdig vej uden AI.

Når elever og kursister bruger AI

Når elever og kursister bruger AI selv, bliver reglerne mere fagafhængige. “AI er snyd” er for groft, men “AI er bare et nyt værktøj” er også for simpelt. En sprogøvelse, en matematikaflevering og en designproces træner ikke det samme. Derfor skal reglerne kobles til den konkrete opgave og være tydelige, før arbejdet begynder.

Gennemsigtighed skal være konkret og ikke en moralsk tilståelse. Bed eleven angive værktøj, dato, formål og den del af arbejdet, AI påvirkede. Ved længere opgaver kan et kort procesbilag vise en central prompt, hvad eleven ændrede, og hvilke kilder der blev kontrolleret. Kravet skal være proportionalt; en hel chatlog indeholder ofte uvedkommende data og skaber mere støj end indsigt.

Elever skal heller ikke oprette private konti eller afgive personoplysninger, bare fordi et værktøj er let at åbne. Ledelsen bør have vurderet løsningen, aftalegrundlaget, aldersvilkår, dataflow og opbevaring, før den indgår i obligatorisk undervisning, og læreren skal have en navngiven funktion at spørge. Undervisningsministeriets miniguide til uddannelsesinstitutioner er netop tænkt som hjælp til den vurdering. De syv spørgsmål om AI og persondata kan bruges som et første filter.

Snyd er ikke ét spørgsmål

Der findes ikke én grænse, der passer til alle fag og opgaver. Derfor er det mere brugbart at gå til selve formålet med opgaven: Hvad skal den studerende tænke, øve eller kunne selv? Og skeln mellem en læringsaktivitet, hvor AI er en aftalt del af metoden, og en bedømmelsessituation, hvor selvstændig præstation skal dokumenteres.

For folkeskolens prøver oplyser Undervisningsministeriet aktuelt, at tekstgenererende AI ikke må bruges ved skriftlige stedprøver, og at en elev ikke må udgive en chatbots arbejde for sit eget. Andre prøveformer og uddannelser har egne rammer, og reglerne ændrer sig. Kopiér derfor ikke én regel fra undervisning til eksamen eller fra én uddannelse til en anden uden at slå den aktuelle formulering op.

Kilder og faglig dømmekraft

Endelig er der kildekritik og digital troværdighed. Når en model kan skrive et sikkert svar uden et sikkert grundlag, bliver evnen til at efterprøve vigtig. Det gør ikke faglig viden mindre vigtig – tværtimod. Man skal vide nok til at opdage, når noget lyder rigtigt uden at være det.

Metoden er den samme som ved al anden kildekontrol: del svaret op i påstande, giv dem et risikoniveau og åbn originalen. Den arbejdsgang er beskrevet i artiklen om hallucinationer, bias og forældet viden. Handler materialet om billeder, lyd eller video, gælder til gengæld de vaner, der står i guiden om deepfakes og oprindelse.

AI virker i klasselokalet, når “virker” betyder noget fagligt målbart. Bevar et spor af elevens egen tænkning, giv værktøjet én afgrænset rolle, og prøv færdigheden af uden støtte bagefter. Flere tekster om emnet står under temaet AI i undervisning, og kurset AI for undervisere arbejder med det på deltagernes egne fag og materialer.

Kilder og videre læsning

• Undervisningsministeriet: Syv anbefalinger om generativ AI i folkeskolen.
• Undervisningsministeriet: Miniguide til lovlig brug af AI på uddannelsesinstitutioner.
• Undervisningsministeriet: Aktuelle regler om AI ved folkeskolens prøver.
• EU-Kommissionen: Opdaterede 2026-retningslinjer om etisk brug af AI og data i undervisning.
• Bastani m.fl.: Randomiseret studie af generativ AI med og uden læringsværn i gymnasiematematik.