Hvad bør studerende lære til karrierer, hvor AI er almindeligt?

Automatisk maskinoversættelse af denne engelske side, der endnu ikke er blevet gennemgået af en modersmålstalere.

En studerende spørger, hvorfor de skal lære at gøre noget, en chatbot allerede gør. En rådgivningsgruppe for uddannelsen siger, at arbejdsgivere vil have kandidater, der kan bruge AI på arbejde. Din kursusbeskrivelse skal tilfredsstille begge, og ingen af dem har sagt, hvad kandidaten skal kunne uden hjælp.

Det korte svar til en kollega: undervis i den komplette professionelle opgave, ikke i betjeningen af værktøjet, og bedøm både det støttede produkt og den studerendes selvstændige formåen. Evidensen understøtter at behandle parathed som faglig viden plus dømmekraft plus verifikation plus transfer, og den understøtter ikke nogen liste af færdigheder som garanti for beskæftigelse. En undersøgelse af 500 amerikanske universitetsundervisere sammenholdt med et arbejdsgiverpanel fandt, at de to grupper var enige om vigtigheden af præcis én af 26 AI-relaterede færdigheder, at sætte realistiske forventninger til AI-forstærket arbejde; underviserne vægtede kritisk og ansvarlig brug, mens arbejdsgiverne vægtede arbejdsgange, automatisering og menneske-AI-teamsamarbejde (Fried, 2026). Det er rapporterede prioriteter, ikke ansættelsesevidens. Det skarpere fund for en studieordning ligger et andet sted: i en undersøgelse af 455 studerende på sidste år nåede AI-kompetence primært opfattet beskæftigelsesegnethed ved at øge karrierefleksibilitet, med en indirekte effekt på β = 0,173 ved siden af en direkte β = 0,447 (Hendrawan og Lestari, 2026). Fleksibilitet er en formåen, du kan undervise i. Et værktøjstip er det ikke.

Den korte version

1. Skriv formåen som en påstand om, hvad en kandidat kan uden hjælp, og sæt så den støttede version ved siden af.

2. Undervis i den fulde opgave i seks dele: indram, vid, delegér, verificér, kommunikér, tilpas.

3. Bedøm produktet og dømmekraften hver for sig, og gør det selvstændige tjek proportionalt.

4. Behold selvstændig øvelse der, hvor den gør en forskel, og sig hvorfor i kursusbeskrivelsen.

5. Skeln mellem umiddelbare og senere udfald, når du evaluerer uddannelsen.

6. Behandl karriereangst som en reel bekymring og svar på den med undersøgelse, ikke med forudsigelser.

Hvad arbejdsgivere og undervisere hver især vægter

Ithaka S+R's rapport bad 500 amerikanske undervisere på fireårige universitetsuddannelser vurdere 26 færdigheder fra en ramme med syv kategorier og sammenlignede deres vurderinger med et panel af arbejdsgivere, som rammens forfattere havde undersøgt. Uenigheden er systematisk og ikke tilfældig: underviserne rangerede AI'ens grænser, kildeangivelse og menneskeligt ansvar i top, mens arbejdsgiverne rangerede arbejdsgangsdesign, automatisering og menneske-AI-teamsamarbejde højere.

To læsninger af det gab frister, og begge er forkerte. Den første er, at underviserne er bagud i forhold til arbejdsmarkedet. Den anden er, at arbejdsgivere vil have lydighed. En mere brugbar læsning er, at hver gruppe beskriver en anden halvdel af det samme job, og en kandidat, der kun kan den ene halvdel, er dårligt forberedt til begge. En studerende, der ikke kan forklare, hvorfor et resultat er forkert, er til ingen nytte for en arbejdsgiver, der stoler på arbejdsgangen; en studerende, der kun kan kritisere AI-output, er til ingen nytte for en arbejdsgiver, der har brug for, at opgaven bliver færdig.

Evidensens grænser betyder noget. Det er angivne prioriteter fra spørgeskemaer, og rapporten viser ikke, at nogen studieordning giver bedre ansættelser, bedre præstation eller bedre løn. Det, den giver dig, er en forsvarlig grund til at spørge, om dine studerende nogensinde øver sig i at gennemføre og tjekke en AI-støttet arbejdsgang, frem for at tale om den.

Undervis i en komplet professionel opgave

Det spørgsmål om studieordningen, der er værd at skrive ned, er: hvad skulle en dygtig begynder gøre, forklare og verificere i denne situation? Byg så opgaven i seks dele.

Indram problemet. Identificér målet, modtageren, begrænsningerne, den tilgængelige evidens og prisen for at tage fejl. En studerende, der ikke kan genkende en under-specificeret anmodning, sender den videre til en model og accepterer, hvad der kommer tilbage.

Bring faglig viden. Studerende har brug for nok forståelse til at inspicere resultatet: fortolke en case, anslå et plausibelt svar, bemærke en vildledende sammenligning, se hvad der mangler. Definer den baseline eksplicit i stedet for at behandle al selvstændig øvelse som en arvet forpligtelse.

Delegér bevidst. Afgør, hvilke trin AI må assistere med, og hvilke der kræver selvstændigt arbejde eller faglig autorisation, og vær i stand til at begrunde det. At skrive rutinemæssig formulering og at beslutte, hvad en konsekvensrig registrering skal sige, er forskellige ansvarsområder med forskelligt ansvar.

Verificér mod evidens. Tjek beregninger, påstande, kilder, antagelser og overensstemmelse med kravet. Lær de studerende at registrere, hvordan et tjek afklarede spørgsmålet. At spørge den samme model, om den er sikker, afklarer intet, et punkt som verifikationspraksis udvikler direkte.

Kommunikér og samarbejd. Forklar beslutningen til en kollega, klient eller leder: hvad ændrede sig, hvad er stadig usikkert, hvornår skal en anden inddrages. AI-støttet arbejde har stadig en modtager og en ansvarskæde.

Tilpas og overfør. Gentag en sammenlignelig opgave med et andet værktøj eller en ny begrænsning, og spørg så, hvad der forblev brugbart, og hvad der måtte ændres. Det er det, der gør fleksibilitet observerbar frem for et adjektiv i en kandidatprofil.

Byg det ind i det eksisterende kursusarbejde

Dette er tilpasninger af forskningstemaerne, ikke testede beskæftigelsesinterventioner.

Skriftlig formidling og erhvervskommunikation: lad studerende kritisere og revidere et AI-skrevet svar på en kundeklage. Evidensen for formåen er at navngive de ubegrundede løfter, forklare modtagervalgene og forsvare den endelige formulering.

Et kvantitativt kursus kan gøre det samme med et AI-produceret skøn til et realistisk planlægningsproblem, hvor studerende konstruerer deres eget skøn, angiver antagelserne og tester plausibiliteten.

I et regnearks- eller programmeringskursus kan du udlevere en genereret formel og syntetiske data og derefter bede om testcases, en forklaring af referencerne og én fejlbetingelse.

Sundhedsfag: studerende evaluerer en genereret forklaring til en fiktiv case mod godkendte kilder, navngiver dens begrænsninger og angiver, hvornår en kvalificeret fagperson skal beslutte.

Karriereafklaring har sin egen version: sammenlign opgavesammensætningen i to erhverv ved hjælp af troværdig erhvervsinformation, og planlæg så ét konkret skridt til færdighedsudvikling eller opsøgning af hjælp.

Til asynkron levering kan du bede om et første forsøg, en kort verifikationsregistrering og en note på to sætninger om én konsekvensrig beslutning. I et laboratorium eller på et seminar kan forklaringen foregå i samtale. Brug syntetiske eller autoriserede materialer, hver gang alternativet er fortrolige arbejdsplads- eller studerendata.

Bedøm støttet præstation og individuel forståelse

Et poleret artefakt fortæller dig, hvad der blev produceret under de tilladte betingelser. Det fortæller ikke, hvad den studerende kan. Tilføj et proportionalt selvstændigt tjek: forklar en beslutning, reparér en fejl, tilpas arbejdet til en ændret betingelse, eller udfør én grundlæggende delopgave uden hjælp.

Vælg de krav, fordi de understøtter en angivet formåen, og sig, hvilken af dem hver bedømmelse måler. Studerende accepterer selvstændig øvelse, når den er forbundet med det, de forberedes til; »det får du brug for en dag« gør mindre arbejde end at vise, hvordan beregningen er det, der senere lader dem fange et forkert skøn.

Støttesiden har sin egen risiko. Shojaei et al. (2026) fandt, at GenAI-brug var positivt forbundet med GenAI-afhængighed, og at afhængighed var negativt forbundet med både kritisk tænkning og beskæftigelsesegnethed i deres undersøgelsesmodel. Det er en association og ikke en kausal påstand, og den peger på designspørgsmålet: et kursus, der kun nogensinde bedømmer støttet præstation, træner måske netop den afhængighed, det rapporterer.

Til uddannelsesevaluering skal du adskille målene. Præstation på kurset, demonstreret AI-kompetence, praktikvejlederens vurdering, beskæftigelsesstatus og jobkvalitet er forskellige udfald med forskellige tidshorisonter, og en enkelt intervention kan ikke fastslå dem alle. Evidensen for AI-kompetence er den ærlige opgørelse over, hvad interventionsstudier faktisk understøtter.

Håndtér karriereangst uden at love vished

Studerende kommer med reel frygt, og spørgeskemalitteraturen om dem er en beskrivelse af frygten frem for en prognose for arbejdsmarkedet. Duan et al. (2026) fandt, at AI-angst direkte og negativt forudsagde karrierebeslutninger, hvilket er et fund om beslutningslammelse, ikke om jobs. Billedet af trivsel dækker den bredere evidens.

Det, der hjælper, er undersøgelse i en skala, en studerende kan handle på: hvilke opgaver indeholder denne rolle faktisk, hvordan ser en uge ud, hvad skulle jeg kunne, hvem kan fortælle mig det. Karrierevejledning, alumner og praktikkoordinatorer sidder på den information. En værktøjsdemonstration, en undervisers indtryk eller en leverandørs præsentation er ikke en arbejdsmarkedsprognose, og at præsentere en som en prognose er, hvordan uddannelser mister troværdighed hos studerende, der så tjekker efter.

Hvad der vil komme tilbage til dig

»Studerende har bare brug for bedre prompting.« Prompting er en enkelt sætningsdel i én af de seks dele. En velformuleret anmodning leverer ikke den viden, der skal til for at genkende et dårligt resultat, og arbejdsgiverne i Ithaka-panelet rangerede heller ikke prompt-håndværk først.

»Hvis arbejdspladser tillader AI, skal undervisningen også tillade det.« Et kursus bygger også den formåen, der gør ansvarlig brug mulig. Sig, hvilken af de to du bedømmer i hver opgave, og indvendingen bliver et designspørgsmål frem for en modsætning.

»Værktøjerne ændrer sig for hurtigt til at undervise i noget af det her.« Undervis i værktøjsspecifikke handlinger, hvor de hjælper, og bedøm de holdbare praksisser: indramning, tjek, test, dokumentation, kommunikation, eskalering. Evidensen ovenfor handler om de praksisser, og ingen af den afhænger af, hvilken model der er aktuel.

»Et kursus i AI-kompetence vil forbedre deres jobmuligheder.« Mediationsresultatet er advarslen her. AI-kompetence nåede opfattet beskæftigelsesegnethed direkte og gennem fleksibilitet, og opfattet beskæftigelsesegnethed er ikke et jobtilbud, en præstationsvurdering eller en løn. Undersøgelsens design kan ikke udelukke, at selvsikre studerende vurderer sig selv højere på alt.

Hvad du kan gøre i denne uge

1. Vælg én opgave, kandidater fra din uddannelse faktisk vil møde, og skriv de seks dele for den på fem linjer.

2. Markér, hvilke dele den nuværende bedømmelse faktisk måler, og hvilke den forudsætter.

3. Tilføj ét selvstændigt tjek til en eksisterende opgave: en beslutning forklaret, en fejl repareret eller en delopgave udført uden hjælp.

4. Fortæl de studerende, hvilken formåen det tjek er for, i opgaveinstruktionerne.

5. Tjek, om nogen opgave på kurset kun bedømmer støttet præstation, og afgør, om det er bevidst.

Hvor du kan gå videre hen

Karriereudvikling og parathed er begrebssiden for beskæftigelsesegnethed, fleksibilitet og arbejdsmarkedsevidens, og AI-kompetence dækker, hvad kompetence betyder ud over betjening af værktøjer. For at bygge det ind i et bestemt kursus, se at integrere AI-kompetence og hvilke kompetencer undervisere har brug for.

For det bedømmelsesdesign, der gør støttet og selvstændig præstation skelnelig, se at gentænke bedømmelse i AI-tidsalderen og AI-bedømmelse. For hvordan man forhindrer, at støtte bliver afhængighed, se at reducere overafhængighed.