AIEd-kennisbankAIEd KB
Op deze pagina

Lees deze pagina in het Engels

Concepten

Agentieke AI

Aangemaakt 2026-10-27 · Bijgewerkt 2026-10-27

Automatische machinale vertaling van deze Engelse pagina, nog niet nagekeken door een moedertaalspreker.

Agentieke AI in het onderwijs - AI-systemen die zelfstandig meerstaps-workflows plannen, uitvoeren en aanpassen om leerdoelen te bereiken, en die verder gaan dan vraag-en-antwoord in één beurt om op te treden als persistente, doelgerichte samenwerkingspartners: AI-tutors die over langere interacties scaffolding bieden, multi-agentsystemen die onderwijsontwerpen orkestreren, en agenten die leren coreguleren. Deze paradigmaverschuiving van een tool die op een prompt reageert naar een actieve medewerker brengt zowel belofte als risico met zich mee: agentieke AI kan leren personaliseren en verdiepen, maar bedreigt ook Learner Agency, cognitieve inspanning en controle. De scoping review, het toolinvariante kader en de artikelen over pedagogische best practices van de kennisbank onderzoeken deze spanning.

Vragen om over na te denken

  • Agentieke AI beantwoordt niet alleen vragen: ze plant, voert uit en past meerstaps-workflows aan richting een doel, en treedt op als een persistente samenwerkingspartner. Hoe verschilt leren met een proactieve agent van leren met een tool die u zelf moet prompten?
  • Het vakgebied trekt een grens tussen 'conversationele' en 'agentieke' AI (een systeem telt alleen als het aan meerdere criteria voldoet, zoals planning, geheugen, autonomie en doelgericht handelen). Waar ligt die grens in de praktijk, en verbergt het elke chatbot 'agentiek' noemen meer dan het onthult?
  • Hoe meer een agent automatiseert, hoe minder cognitief werk de leerling doet. Waar ligt de grens tussen een AI die uw leren ondersteunt en een AI die uw leren overneemt?
  • Een scoping review vond dat slechts 29% van de studies naar agentieke AI hun systemen fundeerde in onderwijstheorie. Als de meeste systemen niet theoretisch onderbouwd zijn, wat zou u dan sceptisch moeten maken bij het beoordelen van een 'intelligente' tutoringagent?
  • Multi-agentsystemen orkestreren gespecialiseerde agenten met verschillende rollen. Als meerdere agenten samenwerken in een klas, wie is dan verantwoordelijk, en waar moet een mens ingrijpen?
  • De centrale spanning in het vakgebied is personalisering tegenover agency van de leerling en cognitieve inspanning. Als een tutor zo goed wordt in aanpassen dat u nooit meer hoeft te worstelen, welk leren krijgt u dan eigenlijk?
  • Waar op het spectrum van Copilot naar Autopilot hoort een bepaalde taak te liggen, en dient het verplaatsen van een taak van 'de agent stelt voor, de leerling beschikt' naar 'de agent bezit haar' ooit het leren in plaats van alleen de efficiëntie?
  • Hybride agenten die geworteld zijn in gevestigde ontwerptheorie presteerden beter dan puur prompten. Waarom zou een theoretisch onderbouwd systeem het winnen van ruwe prompt engineering, en wat zegt dat over hoe de 'slimheid' van een agent gemeten wordt?

Introductie

Agentieke AI verwijst naar kunstmatige-intelligentiesystemen die zelfstandig meerstaps-workflows kunnen plannen, uitvoeren en aanpassen om leerdoelen te bereiken, en die verder gaan dan vraag-en-antwoord in één beurt om in onderwijssituaties op te treden als persistente, doelgerichte samenwerkingspartners. In het onderwijs manifesteert agentieke AI zich als AI-tutors die leren over langere interacties ondersteunen, multi-agentsystemen die complexe onderwijsontwerpen orkestreren, en autonome agenten die hun pedagogische strategieën aanpassen aan de behoeften van leerlingen. Dit opkomende paradigma verschuift AI van een tool die op prompts reageert naar een medewerker die leerprocessen actief begeleidt, aanpast en coreguleert.

  • Het scheiden van specificatie en uitvoering is wat een agentieke pipeline betrouwbaar maakt. Met DagFlow-AI definiëren LLM-agenten elke component van een datagenererend mechanisme (variabelen, een gerichte acyclische graaf, verdelingen en modelformules), terwijl een programma de waarnemingen bemonstert en een validatiescript elke agentuitvoer controleert (Arthur et al., 2026). Geen enkele agent genereert data of schrijft de generatiecode, wat de auteurs presenteren als het antwoord op niet-onderbouwde uitvoer en instructiedrift.

Agentieke AI definiëren en classificeren

Kostopoulos et al. (2025) leveren een operationele definitie die het vakgebied verder mist. Ze stellen een checklist van zes criteria voor: een systeem geldt als agentiek als het aan ten minste vier daarvan voldoet: autonomie (handelen zonder continue menselijke tussenkomst), redeneren en plannen, geheugen en contextbewustzijn, doelgericht handelen richting leeruitkomsten, aanpasbaarheid, en dynamische samenwerking en initiatief. De drempel van ten minste vier sluit reactieve chatbots bewust uit (een statische FAQ-bot zonder planning of persistentie kwalificeert niet) en laat tegelijk uiteenlopende architecturen toe. Ze ordenen de ruimte ook langs drie assen: pedagogische rol (tutor, leercoach of mentor, metgezel, assistent van de docent, curriculumplanner), autonomieniveau (reactief, adaptief, proactief, collaboratief) en belichaming (tekstgebaseerd, avatar of grafisch, belichaamd of robotisch). Deze taxonomie, vooral het autonomiespectrum en het uitsluiten van reactieve tools door de checklist, geeft onderzoekers en ontwerpers een gedeelde woordenschat om agentieke systemen te classificeren en om werkelijk agentieke van louter conversationele AI te onderscheiden.

Een uitgewerkt onderscheidend voorbeeld maakt de grens concreet. Een statische FAQ-chatbot die alleen een vaste set vragen kan beantwoorden, voldoet aan nul criteria (geen planning, geen persistentie, geen initiatief) en is duidelijk niet agentiek. Een conversationele tutor die de huidige sessie onthoudt maar nooit handelt zonder prompt, geen leerlingmodel over sessies heen bijhoudt en geen subdoelen kan stellen, voldoet misschien aan slechts één of twee criteria (geheugen, enig redeneren): conversationeel, niet agentiek. Een tutor die daarentegen meerbeurtslessen plant, de voortgang van de leerling opslaat in een persistent profiel, proactief een hint geeft wanneer een leerling vastloopt en de volgende stap op basis van dat profiel herplant, voldoet aan planning, geheugen, autonomie en doelgerichte interactie: ten minste vier criteria, dus agentiek. De waarde van deze test is geen muggenzifterij: elke LLM-chatinterface 'agentiek' noemen vertroebelt precies de ontwerpvraag die bepaalt of het systeem leren ondersteunt of vervangt, namelijk wat het systeem zelf initieert en wat de leerling moet initiëren.

Begrensde agency als ontwerphouding in het onderwijs. Het AGAI-HE-kader van Ilieva et al. (2026) accepteert de capaciteitenlijst die definities als de checklist van zes criteria beschrijven, en begrenst die vervolgens bewust: doelen, rollen, databronnen, tools, controlepunten, stopvoorwaarden en eindbeslissingen worden door docenten gedefinieerd of goedgekeurd, en elke agentieke functie moet herleidbaar zijn tot een leervereiste, een beoordelingsdoel of een governanceregel. Het kader trekt ook een grens tussen agentieke orkestratie en geavanceerd prompten: een agentieke workflow bewaart de taakstatus, verdeelt functies, controleert voltooiingsvoorwaarden, keert terug naar eerdere fasen wanneer het bewijs ontoereikend is, en legt materiële beslissingen vast. Opmerkelijk is dat de exploratieve perceptiestudie met 130 studenten in het hoger onderwijs geen significant verschil vond tussen leren met agentondersteuning en leren met chatbotondersteuning, wat de auteurs lezen als bewijs dat agentieke capaciteit op zichzelf geen ervaren pedagogisch voordeel oplevert (menselijk toezicht).

Het vakgebied: snelle uitbreiding en huidige vorm

De scoping review van de kennisbank, de meest omvattende synthese van het vakgebied tot nu toe, met 474 studies (2020 tot 2026) in kaart gebracht, documenteert een veld dat sinds 2025 explosief is gegroeid, maar waarvan de literatuur nog steeds wordt gedomineerd door conferentiebijdragen, geconcentreerd in hoger onderwijs, STEM-disciplines en tekstgebaseerde tutoringscenario's. De review analyseert publicatiekenmerken, studiedesigns, agentrollen, AI-modellen en architecturen, zes dimensies van agentieke capaciteit en de mate van integratie van onderwijstheorie, en biedt zo een routekaart voor de frontlinies en lacunes van het veld. Opmerkelijk is dat slechts 29% van de bestudeerde studies (138 van 474) hun systemen expliciet fundeerde in onderwijstheorie, wat een disciplinaire kloof blootlegt tussen technisch georiënteerd en pedagogisch georiënteerd werk.

Een rolgebaseerde kaart van het veld

Waar de scoping review van 474 studies en de conceptuele survey van Kostopoulos et al. de breedte van het onderzoek en de capaciteit in kaart brengen, ordent Baradziej (2026) agentieke AI naar de rol die ze speelt: een institutionele inkadering om te bepalen waar deze systemen worden ingezet en bestuurd. Over 48 studies in het hoger onderwijs komen zes rollen naar voren, in volgorde van bewijskracht: gepersonaliseerd leren en adaptieve tutoring (18 van 48), geautomatiseerde beoordeling en feedback (12), ondersteuning en versterking van lesgeven (11), administratieve en leerlingondersteuning (8), curriculumontwerp en afstemming op de arbeidsmarkt (5), en onderzoeksondersteuning en academische bedrijfsvoering (4). De rolbenadering zet de ontwerpkeuze op de voorgrond die bij elke implementatie terugkeert: hoeveel controle de mens van moment tot moment behoudt (een 'Copilot'-relatie) tegenover hoeveel de agent bezit (een 'Autopilot'-relatie). Dat is de autonomieas die bepaalt of een agent leren ondersteunt of vervangt.

Ontwerp en evaluatie van agentieke systemen

Onderzoek in de kennisbank bestrijkt ontwerp en evaluatie:

  • Hybride agenten geworteld in theorie presteren beter dan puur prompten: ISD-Agent-Bench, een benchmark van 25.795 scenario's voor onderwijsontwerp, vindt dat de best presterende aanpak klassieke ISD-kaders (ADDIE, Dick & Carey, Rapid Prototyping) integreert met moderne ReAct-achtige redenering: hybride (theorie plus techniek) verslaat pure theorie, en pure theorie verslaat techniek alleen. Large Language Models (LLMs)-agenten funderen in gevestigde onderwijskundige ontwerptheorie levert een structureel voordeel dat ruw prompten niet kan repliceren.
  • Beoordelingskaders voor agentieke tools: Het toolinvariante kader stelt voor om computationele methoden te onderwijzen en te beoordelen op een manier die niet van een specifieke AI-tool afhangt, met nadruk op de fundamenten van computationeel denken, authentieke beoordeling via een mondelinge verdediging, en verificatie; relevant voor zorgen over overmatige afhankelijkheid.
  • Een rapportage- en governanceschaal: het Autonomie-Toezicht-Bewijs (AOE) kader. Dey (2026) betoogt dat de term agentieke AI zo inconsistent wordt gebruikt dat bewijs en toezicht niet tussen studies vergeleken kunnen worden: systemen die plannen, onthouden, tools gebruiken of meerdere agenten coördineren, worden op één hoop gegooid met statische GenAI-interfaces en conventionele pedagogische agenten. Zijn kritische integratieve review van vijftien peer-reviewed reviews vindt het bewijs het sterkst voor uitkomsten op artefactniveau (feedbacknauwkeurigheid, minder hallucinaties) en het zwakst voor duurzaam leren, gelijkwaardigheid, werklast of institutionele uitkomsten, waarbij authentieke implementaties doorgaans kort, op één locatie en zwak aan toezicht gekoppeld zijn. De oplossing is een concreet rapportagedrietal: autonomieniveau A0 tot A4 (reactieve generatie, begrensde orkestratie, gedelegeerde taakautonomie, workflowautonomie, en gevolgrijke autonomie over beoordeling, toelating of doorstroom), toezichtniveau O0 tot O4 (niet gespecificeerd, retrospectieve audit, goedkeuring voor gebruik, gecontroleerde controlepunten, en continue begrensde supervisie), en bewijsmatigheidsfase M0 tot M5 (concept, prototype of benchmark, evaluatie met deelnemers, authentieke implementatie, uitgebreid of meerdere locaties, en gerepliceerd of op instellingsschaal), plus een evenredigheidsregel: toegestane autonomie mag niet uitlopen op de bewijsmatigheid of de sterkte van het toezicht (een A4-systeem met gevolgen vereist bijvoorbeeld M4- of M5-bewijs, juridische validatie en O4 met menselijk eindgezag). Het rapporteren van A2-O3-M3 maakt vage claims over 'agentieke implementatie' tot vergelijkbare, toetsbare specificaties en geeft instellingen een gefaseerde grammatica voor adoptie, logboekregistratie en terugdraaien: het bewijskundige complement van het hierboven genoemde Copilot-naar-Autopilot-spectrum.
  • Adversariële robuustheidstests: Multi-agent stresstests coördineren Interrogator-, Target- en Judge-agenten om faalwijzen zichtbaar te maken die bij tests met één strategie onzichtbaar blijven, en verlagen robuustheidsscores met 0,17 tot 0,20 punt; cruciaal voor personaconsistentie en veilige inzet bij leerlingen.
  • Domeintoepassingen: agentieke systemen duiken in allerlei domeinen op, waaronder adaptieve leeragenten, pedagogische LLM-agenten, begeleide LLM-scaffolding, gamificerende leeragenten voor cyberveiligheid en agenten voor klinische simulatie.
  • Webagenten als beoordelaars van leerervaringen: één autonome 'beschrijvende' webagent die een online les doorloopt zoals een student, Wang, Mitchell & Piech (2025), levert een beschrijving die rijk genoeg is om uitval van studenten te voorspellen en de ontwerper bruikbare feedback te geven voordat echte leerlingen aan de slag gaan; op een mondiale CS1-cursus presteerde die beter dan een volledig gesimuleerd cohort en dan elke baseline. Dit positioneert agentieke evaluatie (een agent als plaatsvervangend criticus van een leerervaring) als een apart, goedkoop gebruik van agentieke AI, naast agenten die lesgeven of ontwerpen.

Multi-agentsystemen

Een groeiende en aparte stroming binnen agentieke AI betreft multi-agentsystemen die meerdere gespecialiseerde agenten met verschillende rollen orkestreren. De kennisbank documenteert verschillende architecturen: CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation koppelt een generatoragent aan een validatieagent voor vraaggeneratie met een mens in de lus; adversariële tests coördineren Interrogator-, Target- en Judge-agenten; multi-agentklassen (bijvoorbeeld MAIC met archetypen voor docent, assistent en medeleerling) creëren gevarieerde peer-leerdynamieken; en multi-agent sociaal leren onderzoekt hoe interagerende agenten leren vormgeven. Multi-agentontwerp roept specifieke vragen op over menselijk toezicht (welke agent is verantwoordelijk, en waar grijpt een mens in?), coördinatiekosten, en hoe roldifferentiatie Scaffolding ondersteunt of juist bemoeilijkt.

Twee systemen uit 2026 scherpen aan wat rolspecialisatie oplevert, en waar die ophoudt te renderen. MeduAI-SP (Yang et al., 2026) verdeelt het onderwijzen van klinische gespreksvoering over vier LLM-agenten: een patiëntagent, een Socratische tutoragent, een beoordelaar per beurt en een eindevaluator, elk met een eigen onderwijsfunctie. De architectuur onthoudt antwoorden per ontwerp: de tutor mocht de diagnose of de casusantwoorden niet bekendmaken, en de OSCE-scores van de eindevaluator bleven tijdens het live gesprek verborgen. Rolspecialisatie, en niet de ruwe modelcapaciteit, is wat de trial toeschrijft aan het verbeterde consultgedrag (71,8% tegen 55,6% op het eindtentamen), wat een concreet sjabloon biedt voor pedagogisch afgestemd multi-agentontwerp. Een tweede studie wijst op de grenzen van dat patroon: in een ethisch discussiesysteem met 45 studenten in 15 groepen (Seo et al., 2026) produceerden drie LLM-persona's die zorgethiek, deontologische ethiek en pragmatische ethiek belichaamden geen significante onderlinge verschillen, en alle werden ze lager beoordeeld dan menselijke peers op bijdrage, diversiteit en invloed (alle Kruskal-Wallis p < ,001). De auteurs schrijven de kloof toe aan sycophante instemming (de agenten accepteerden vrijwel elke bijdrage tenzij die volstrekt fout was) en aan een gebrek aan zichtbare redenering, en bepleiten dat taakgericht agentontwerp procestransparantie koppelt aan waarborgen (een kader van feilbare peers, een aparte vragende fase) om overmatige afhankelijkheid te vermijden.

Een stap verder dan het orkestreren van een paar gespecialiseerde agenten is het volledige agentieke multi-agentecosysteem dat Sudarshan et al. (2026) voorstellen: een instellingsbreed platform dat leer-, onderwijs- en administratieve agenten coördineert via cross-functionele feedbacklussen en gedistribueerde intelligentie. De bijzondere zet is dat inclusiviteit als architectonische hoofdzaak wordt behandeld: toegankelijkheids-, cognitieve-ondersteunings- en welzijnsagenten worden gecoördineerd zodat leerlingen met speciale onderwijsbehoeften in realtime worden ondersteund op cognitief, sensorisch en emotioneel vlak, in plaats van door een geïsoleerde hulptool. Het artikel situeert dit in een lus van mens-AI-co-evolutie (menselijk gedrag en menselijke beslissingen vormen de aanpassing van AI, die op haar beurt menselijke capaciteit versterkt) die de mens in de lus houdt.

  • Deelnemersspecifieke LLM-agenten voor samenwerkend probleemoplossen. Fang (2026) fine-tunet individuele LLM-agenten op dialoogdata van echte deelnemers om elke deelnemer in simulaties van samenwerkend probleemoplossen te vertegenwoordigen, met probabilistische spreker- en themacodeselectie en een geheugen met schuifvenster plus samenvattingen. Gevalideerd met Epistemic Network Analysis zijn de gesimuleerde dialogen statistisch niet te onderscheiden van echte (ENA-afstand 0,17, permutatie p = 0,65): een demonstratie dat agentieke AI authentiek samenwerkingsdiscours kan reproduceren.
  • Sociaal intelligente multi-agenttutoring. Prototypen voor sociaal intelligente multi-agenttutoring zoals ASTRA onderzoeken hoe leerlingen in duo's met AI samenwerken, met gedifferentieerde Tutor- en Facilitator-agenten die coördinatie en evenwichtige deelname stimuleren. De op sporen gebaseerde evaluatie van het kader maakt reproduceerbare analyse mogelijk van interactie, deelnamebalans en verificatie in een inleidende programmeercursus.

De centrale spanning: automatisering tegenover leren

Het werk over pedagogische best practices verwoordt de bepalende spanning van het veld: naarmate AI in het onderwijs verschuift van passieve chatbots naar proactieve agenten die doelen initiëren en nastreven, verbetert de personalisering maar komen de agency en de cognitieve inspanning van de leerling in gevaar. Hoe meer een agent automatiseert, hoe minder cognitief werk de leerling verricht. De ontwerprespons (bewuste wrijving, dynamische Scaffolding, toezicht via Human-in-the-Loop en doordacht gebruik van AI) werkt als een principiële vangrail. Dit sluit aan bij wenselijke moeilijkheden, sociocultureel leren en het risico van overmatige afhankelijkheid, en bij het bredere thema van het behoud van Learner Agency in AI-gemedieerd leren.

Een empirische controle komt uit een praktijkverslag over Spec-Driven Development in een software-PBL-cursus (Tanaka et al. 2026): studenten die AI-agenten in alle ontwikkelingsfasen gebruikten, schreven meer code maar vertoonden dips in codebegrip die pas na individuele gesprekken met de docent herstelden; concreet veldbewijs voor de spanning tussen automatisering en leren, en voor Human-in-the-Loop-monitoring als tegenmaatregel.

De surveyliteratuur maakt van deze principes meetbare ontwerpGuardrails in plaats van vage intenties. Wat scaffolding betreft bevelen Kostopoulos et al. (2025) fadingprotocollen aan (verlaag de hintfrequentie geleidelijk na elke geslaagde poging) en mikken ze op een hulpzoekratio (door AI geïnitieerde hints gedeeld door het totale aantal acties van de student) onder 0,3, zodat de agent niet degene is die de meeste interactie stuurt. Ze combineren dit met reflectieve controlepunten (vraag de leerling bijvoorbeeld zijn redenering uit te leggen voordat de agent de volgende aanwijzing geeft) en adaptieve fadingcurves waarvan de kans op interventie daalt naarmate de vaardigheid stijgt. Wat transparantie betreft, moeten agenten een 'Waarom deze suggestie?'-rationale tonen en van tijdstempels voorziene logbestanden met beslissporen (rationale van de agent, databronnen, beslissingen) beschikbaar houden voor onderwijsaudits. Wat billijkheid betreft adviseren ze disparate-impacttests over ten minste drie demografische groepen (bijvoorbeeld gender, taal, geografie) voorafgaand aan de inzet, en betrokkenheid van diverse docenten bij het ontwerp. Deze metrieken geven een docent of ontwerper een audithefboom: in plaats van te vragen 'is de agent te behulpzaam?', meet men of hints fading vertonen, of de leerling initiatief neemt, en of de redenering van de agent inspecteerbaar is.

Een aanvullende woordenschat voor de autonomievraag komt uit de luchtvaartanalogie die in de synthese van Baradziej (2026) opduikt: hoe ver een implementatie op het Copilot-naar-Autopilot-spectrum ligt, van een agent die een mens helpt die de controle van moment tot moment behoudt, tot een agent die de hele taak bezit en de mens alleen toezicht laat houden. Hetzelfde onderliggende systeem kan naar beide uiteinden worden geconfigureerd, en de keuze is pedagogisch voordat ze technisch is. Copilot-configuraties (de agent stelt voor, de leerling beschikt, de mens houdt het laatste woord) behouden doorgaans Learner Agency en ondersteunen de inspannende processen die leren opbouwen; Autopilot-configuraties maximaliseren taakvoltooiing en efficiëntie maar verplaatsen de cognitieve belasting van de leerling. Een positie op dit spectrum kiezen, per taak en niet één keer globaal, is een concrete manier om het principe van 'bewuste wrijving' te operationaliseren.

Positieve implicaties van AI-agenten voor het onderwijs

Goed ontworpen biedt agentieke AI aanzienlijke voordelen:

  • Diepere, adaptievere personalisering. Persistente agenten kunnen een leergesprek over vele beurten volhouden, bijhouden wat een leerling weet, de moeilijkheidsgraad aanpassen en meerstaps-Scaffolding sequentiëren, en gaan zo verder dan de eenmalige antwoorden van eerdere chatbots. Dit ondersteunt adaptief en gepersonaliseerd leren op schaal. In de synthese van Baradziej (2026) meldt het sterkste bewijs voor deze rol leerwinst van 15 tot 25% en stijgingen in betrokkenheid tot +40%, met bijzonder potentieel voor leerlingen die historisch slecht werden bediend door eenheidsworst-instructie (eerstegeneratiestudenten, leerverschillen, tweedetaalleerders).
  • Routinematig onderwijswerk verlichten. Agenten kunnen lessen plannen, vragen genereren en valideren, feedback opstellen en gespecialiseerde subagenten orkestreren (bijvoorbeeld generator plus validatieagent voor vraagcreatie), waardoor docenten vrijkomen voor interactie met hogere waarde. Dat is de belofte van multi-agentworkflows voor docenten. Beoordelingsagenten in het bijzonder rapporteren 90 tot 95% overeenstemming met menselijke beoordelaars en 50 tot 70% kortere beoordelingstijd, al wijst hetzelfde bewijs op bias en de metacognitieve kosten van directe, niet-reflectieve feedback.
  • Rijke, gevarieerde interactie. Multi-agentklassen en gesimuleerde peers creëren diverse interactiedynamieken (peer-achtig discours, constructieve onenigheid, rollenspel) die systemen met één agent niet kunnen bieden, en ondersteunen samenwerkend leren, Socratisch doorvragen en simulatie.
  • Productieve wrijving. Agenten die ontworpen zijn om tegen te spreken in plaats van toe te geven, kunnen leerlingen tot dieper heroverwegen aanzetten. Onderzoek naar adversariële ontwerpagenten laat zien dat agenten voor constructief conflict significant meer ontwerpiteraties, bredere verkenning en hoger beoordeelde eindontwerpen uitlokten (N=48), een vorm van wenselijke moeilijkheid.
  • Schaalbare oefening en simulatie. Agentgebaseerde simulaties (gesimuleerde studenten, klinische scenario's) laten leerlingen oefenen in risicovrije omgevingen voordat ze echt toepassen, zoals in klinische simulatie en gesimuleerde leerlingen.
  • Bewustzijn van bewijs in scaffolding. Goed gefundeerde agenten kunnen leertheorie en bekende pedagogiek toepassen in hun interacties, en benchmarks laten zien dat theoretisch gefundeerde agenten beter presteren dan ruw prompten.

Een smallere, door docenten gebouwde klasse agenten krijgt een eigen argument in het derde-ruimte-voorstel van El Khoury en Ma: aangepaste GPT's, Gems en Copilot Studio-agenten die docenten ontwerpen voor een specifiek pedagogisch doel en die expliciet geen autonome systemen zijn. Hun beweerde waarde is die van een oefenruimte met lage inzet (een simulator voor mondelinge examens, een simulatie van klinische communicatie, een avatar voor ESL-uitspraak), waar studenten oefenen voordat ze worden beoordeeld, terwijl de evaluerende rol van de docent intact blijft en de agent buiten de sociale hiërarchieën staat die studenten met peers en docenten navigeren. Twee grenzen zijn het vermelden waard: de auteurs sluiten agentgebaseerde beoordeling per ontwerp uit, en ze betogen dat beoordeling relationeel moet blijven: de rol van de docent kan niet door een machine worden vervangen, al kan ze via zorgvuldig ontwerp worden verruimd en duurzamer gemaakt.

Negatieve implicaties en risico's van AI-agenten voor het onderwijs

Dezelfde autonomie die deze voordelen mogelijk maakt, schept ook aanzienlijke risico's:

  • Uitholling van de agency en de cognitieve inspanning van de leerling. Hoe meer een agent automatiseert, hoe minder cognitief werk de leerling doet. Proactieve agenten die taken initiëren, plannen en afmaken, kunnen leerlingen als passieve consumenten achterlaten en de inspannende processen (opstellen, herinneren, herzien) uithollen die duurzaam leren opbouwen. Dit is de kern van de zorg over overmatige afhankelijkheid en Learner Agency. Het effect is meetbaar: in de synthese van Baradziej (2026) presteerden passieve leerlingen in agentieke tutoringomgevingen 8,7% slechter dan studenten in actief leren, bewijs dat de schade vooral het implementatieontwerp volgt (de agent het cognitieve werk laten doen) en niet de technologie zelf.
  • Overautomatisering van het leerproces. Als een agent optimaliseert voor taakvoltooiing in plaats van leren, kan ze 'antwoorden' produceren die het begrip omzeilen: precies het risico waarvoor het toolinvariante kader waarschuwt, namelijk dat het artefact de leerling niet langer certificeert.
  • Verminderde metacognitieve en zelfgestuurde betrokkenheid. Wanneer agenten planning en monitoring overnemen, ontwikkelen leerlingen mogelijk niet de metacognitie en zelfregulering die het onderwijs beoogt op te bouwen. Agenten moeten zo worden ontworpen dat ze deze processen uitlokken in plaats van vervangen.
  • Misplaatst vertrouwen en verificatiegaten. Autonome agenten kunnen plausibele maar niet-gevalideerde uitvoer produceren; leerlingen en docenten kunnen die overmatig vertrouwen. De behoefte aan robuuste verificatie en AI-geletterdheid groeit naarmate agenten meer autonomie krijgen.
  • Ondoorzichtigheid, coördinatie en verantwoording. Multi-agentsystemen bemoeilijken menselijk toezicht: welke agent is verantwoordelijk voor een fout, en waar grijpt een mens in? Coördinatiefouten, persoonsdrift en emergente gedragingen kunnen betrouwbaarheid en pedagogische veiligheid ondermijnen.
  • Bias en gelijkwaardigheid. Agenten die zijn getraind op data die bias coderen, kunnen die op schaal reproduceren, en ongelijke toegang tot capabele agentieke systemen kan de kloof in onderwijsgelijkheid vergroten. Bias werkt op meerdere niveaus (trainingsdata, architectuur, evaluatiecriteria en testpopulaties) en vereist daarom institutionele mitigatie (biasaudits, diverse datasets, transparante documentatie, betrokkenheid van belanghebbenden), niet een eenmalige controle. Een subtielere, cultuurspecifieke vorm is epistemische hegemonie: omdat de meeste agentieke systemen zijn getraind op Engelstalige, westers geproduceerde data, dragen ze bepaalde aannames over kennis, argumentatie en academisch register in zich. Synthesebewijs documenteert taalonderwijstools die niet-westerse retorische tradities marginaliseren en taalkenmerken van niet-Engelstalige academische culturen bestraffen, en Global South-analyses laten zien dat agentieke pedagogieën ongelijkheid reproduceren wanneer ze epistemologische diversiteit en infrastructuurbeperkingen negeren.
  • Beoordelingsintegriteit en vaardigheidsverval. Wanneer agenten werk op aanvraag kunnen genereren, wordt het moeilijker om echt leren te beoordelen, en overmatige afhankelijkheid kan fundamentele vaardigheden uithollen: het probleem van 'begripsschuld' en certificering dat het veld signaleert.
  • Spookstudenten en het verificatiegat. Bozkurt, Crompton & Fell Kurban (2026) beschrijven de 'spookstudent': een digitaal surrogaat dat ontstaat door LLM's (de 'geest') te koppelen aan agentieke AI-browsers (het 'lichaam'), die leermanagementsystemen kunnen navigeren, met content kunnen omgaan en beoordelingen kunnen afleggen met menselijke nabootsing, waardoor de aanwezigheid van de feitelijke leerling optioneel wordt. Dit creëert een verificatiegat dat traditionele proctoring- en detectietools structureel niet kunnen dichten, en het bouwt cognitieve schuld op bij de leerling die wordt omzeild. Naarmate AI verschuift van generatief naar agentiek, groeit deze integriteits- en verificatiedreiging: een agentiekspecifiek risico dat verder gaat dan dat van GenAI in één beurt.

AI-agenten en academische integriteit

Agentieke AI vormt aparte integriteitsdreigingen die verder gaan dan de GenAI-gevallen in één beurt waarmee het veld al worstelt. Omdat agenten autonoom handelen over lange horizonten, en omdat 'spookstudenten' (LLM-'geesten' gekoppeld aan agentieke browser-'lichamen') leermanagementsystemen kunnen navigeren, met content kunnen omgaan en beoordelingen met menselijke nabootsing kunnen afleggen, maken ze de werkelijke aanwezigheid van de leerling optioneel en creëren ze een verificatiegat dat proctoring en detectie niet kunnen dichten. Daaruit volgen verschillende integriteitsimplicaties:

  • Het artefact certificeert de leerling niet langer. Wanneer een agent een hele inzending kan genereren, plannen en uitvoeren, weerspiegelt de kwaliteit van het product de capaciteit van de agent, niet die van de leerling. Dit is het toolinvariante certificeringsprobleem in extremis: de klassieke beoordeling 'lever het werk in' verliest haar bewijswaarde.
  • Verificatie, niet detectie, is het enige levensvatbare antwoord. Op detectie gebaseerde handhaving is structureel niet in staat autonome agenten bij te houden. De integriteitsvraag verschuift van 'kunnen we AI-agenten betrappen?' naar 'kunnen we verifiëren wat de leerling echt kan?', wat pleit voor procesgerichte, interactieve en Human-in-the-Loop-verificatie.
  • Agentieke voltooiing van beoordeeld cursuswerk is nu aangetoond, en het is een validiteitsfout, niet alleen een integriteitsfout. Hadjisolomou & El-Haddad (2026) documenteerden dat agenten (Claude for Chrome, Perplexity Comet, Claude Opus) inlogden op een live LMS-cursus voor bachelorstudenten en echt beoordeeld werk voltooiden op basis van één instructie: een quiz met 10 vragen werd in minder dan 5 minuten 10 op 10, en bij een bericht op het discussieforum verzon de agent na het uitlezen van berichten van medestudenten een geloofwaardig persoonlijk levensverhaal. Met het argumentgebaseerde validiteitskader van Kane plaatsen zij een 'aanname van menselijke productie' aan de basis van de score-inferentie: agentvoltooiing haalt de onderbouwing daarvan weg, zodat elke niet-bewaakte asynchrone score, ook eerlijk verdiende, haar interpretatieve steun verliest omdat het auteurschap niet verifieerbaar is. Het probleem als validiteit in plaats van integriteit framen is van belang omdat een instelling wangedrag kan bestraffen en toch geen grondslag heeft voor de scores die ze rapporteert, en omdat dezelfde artefacten de bewijsketens van programma-evaluatie en accreditatie voeden. Hun remedie, in lijn met 'verificatie boven detectie' op deze pagina, is herontwerp van de beoordeling gericht op geverifieerde menselijke aanwezigheid (aanwezigheid boven product, integratie boven isolatie, authenticiteit boven generiekheid, oefening met lage inzet en aanwezigheid met hoge inzet) met een gelijkwaardigheidsbehoudend menu van geverifieerde-momentopties.
  • Verantwoordelijkheid is diffuus. In multi-agentsystemen is het onduidelijk wie verantwoordelijk is wanneer een autonoom agent problematische uitvoer produceert: de leerling, het systeem of de instelling. Dat vertroebelt de toerekening waarop academische-integriteitsprocedures berusten.
  • Cognitieve schuld stapelt zich geruisloos op. Spookstudenten laten leerlingen de inspannende processen omzeilen die begrip opbouwen, waardoor cognitieve schuld ontstaat die pas aan het licht komt wanneer zelfstandige prestatie wordt vereist. Integriteit is dus verbonden met echt leren, niet alleen met het volgen van regels.
  • Het vergroot kloven in gelijkwaardigheid. Leerlingen met toegang tot capabelere agentieke systemen krijgen een buitenproportioneel voordeel, en geautomatiseerde ondersteuning kan de hulp uithollen voor wie die het hardst nodig heeft: een Equity-dimensie van integriteit.

Dit verbindt de discussie over agentieke AI met de Academische integriteit-dekking van de kennisbank, die het antwoord kadert als herontwerp van de beoordeling en AI-geletterdheid in plaats van detectie alleen.

Productieve wrijving en sociale interactie

Niet al het agentieke gedrag hoeft soepele ondersteuning te zijn. Onderzoek naar adversariële ontwerpagenten laat zien dat agenten die constructief conflict opvoeren bij beginnende interactieontwerpers (N=48) significant meer ontwerpiteraties, bredere verkenning van alternatieven en hoger beoordeelde eindontwerpen uitlokten: een dynamiek van productieve wrijving, waarin de conflictagent frustrerend maar uiteindelijk behulpzaam was. Dit sluit aan bij Socratisch vragen en design thinking, en illustreert hoe agentieke AI diepgaand heroverwegen kan ondersteunen in plaats van passieve acceptatie.

Een studie naar hoe agentieke AI leeruitkomsten bereikt via psychologische in plaats van technologische paden levert de ontbrekende meetinvalshoek. Pramod en Patil (2026) enquêteerden 398 businessstudenten in India en modelleerden autonomie, competentie en verbondenheid naast interactiviteit, informatiedeling en ervaren sociale aanwezigheid; autonomie was de sterkste motivationele drijfveer (β = 0,504) en interactiviteit de sterkste sociale (0,468), waarbij motivatie en sociale aanwezigheid betrokkenheid met bijna dezelfde sterkte voedden (0,533 en 0,493) voordat betrokkenheid de ervaren leerprestatie voorspelde (0,671). De ontwerples is dat de sociale route niet automatisch is: een construct voor collaboratieve omgeving bewoog de ervaren sociale aanwezigheid minder dan gewone responsiviteit en informatiedeling, dus een agent als chatinterface behandelen in plaats van als deelnemer laat het grootste deel van dat pad onbenut.

Implicaties voor docenten en onderwijsontwerpers

Voor docenten, staf en onderwijsontwerpers verandert agentieke AI zowel wat mogelijk is als wat moet worden bewaakt:

  • Verschuif inspanning naar werk met hogere waarde. Agenten kunnen lesplanning, vraaggeneratie en -validatie, feedbacktriage en het ophalen van bronnen overnemen. Docenten moeten deze behandelen als automatiseerbare steunen die tijd vrijmaken voor wat agenten niet kunnen: relationeel lesgeven, contextueel oordeel en het ontwerpen van leerervaringen. Multi-agentworkflows gericht op docenten zijn een veelbelovend model.
  • Houd het cognitieve werk van de leerling centraal. De centrale ontwerpvraag is niet 'wat kan de agent?', maar 'wat moet de leerling doen?'. Onderwijsontwerpers moeten agentieke systemen zo configureren dat ze planning, monitoring en inspanning van de leerling ondersteunen in plaats van vervangen, met dynamische Scaffolding en bewuste wrijving om Learner Agency te beschermen en overmatige afhankelijkheid te vermijden.
  • Ontwerp voor verificatie en proces, niet alleen voor output. Wanneer agenten werk op aanvraag kunnen genereren, certificeert het artefact het leren niet langer. Docenten moeten agentieke tools koppelen aan procesgerichte beoordeling (mondelinge verdediging, toolinvariante taken, verificatiecontroles) zodat begrip wordt gemeten, niet alleen productie.
  • Cureer en fundeer agenten in pedagogiek. Benchmarkbewijs laat zien dat theoretisch gefundeerde agenten beter presteren dan ruw prompten. Ontwerpers moeten het gedrag van agenten funderen in gevestigde onderwijskaders (bijvoorbeeld geleidelijke overdracht, Socratisch vragen, leertheorie) in plaats van standaard terug te vallen op generieke tool-chaining.
  • Behoud menselijk toezicht en oordeel. Multi-agent- en autonome systemen maken Human-in-the-Loop-ontwerp essentieel: bepaal waar een mens ingrijpt, wie verantwoordelijk is en hoe fouten worden opgevangen. Adversariële tests helpen faalwijzen zichtbaar te maken voordat iets wordt ingezet.
  • Bouw AI-geletterdheid bij docenten. Docenten en ontwerpers hebben accurate mentale modellen van agentieke AI nodig om deze systemen te configureren, te monitoren en te bekritiseren, en om verantwoord gebruik voor te leven aan leerlingen. Dit sluit aan bij AI-competentie van docenten en facultyontwikkeling.
  • Let op gelijkwaardigheid. Agentieke tools riskeren kloven te vergroten als de toegang ongelijk is of als automatisering de ondersteuning uitholt voor de leerlingen die die het hardst nodig hebben; ontwerp met Equity in gedachten.
  • Zet institutionele steunen op voordat u opschaalt. De implementatievraag is niet alleen ontwerpniveau maar ook instellingsniveau. De synthese van Baradziej (2026) condenseert het governancebewijs tot drie pijlers: ontwikkel AI-geletterdheid bij studenten en staf; bouw ethische infrastructuur (databeschermingsbeleid, kaders voor algoritmische verantwoording en academische integriteit) voordat u grootschalig implementeert; en lever competentiegerichte docentscholing die verder gaat dan toolkennismaking en pedagogische kaders biedt die menselijke agency behouden. Aangezien in sommige nationale contexten slechts ongeveer 6,5% van de staf meldt AI direct te gebruiken, is de scholingskloof een knellende beperking voor verantwoorde adoptie.

Technieken om academische integriteit te waarborgen met agentieke AI

Omdat autonome agenten detectie zinloos maken, moeten docenten zich richten op technieken die leren verifiëren en eerlijk werk zichtbaar maken, in plaats van op handhaving:

  • Geef verificatie voorrang boven detectie. Vervang of aanvulling van 'lever het werk in' met interacties die vereisen dat de leerling begrip toont dat niet uitbesteed kan worden: mondelinge verdedigingen, toolinvariante taken, live probleemoplossen en procesgerichte beoordeling. Het doel is vast te stellen wat de leerling zelfstandig kan, niet om een agent te betrappen.
  • Gebruik interactieve en gefaseerde beoordeling. Vraag gefaseerde inzendingen (schetsen, herziene versies, reflecties) en follow-up conversationele controles die peilen of studenten hun ingeleverde werk begrijpen: de 'AI Viva' en de benaderingen van cognitief rentmeesterschap. Spookstudenten kunnen een live ondervraging die ze niet zelf hebben uitgevoerd niet volhouden.
  • Stel heldere, doelgerichte verwachtingen. Fundeer integriteitsverwachtingen in het doel van de cursus (welk AI-gebruik is toegestaan, wanneer en waarom) in plaats van in abstracte regels. Beleidsduidelijkheid die op de pedagogiek is afgestemd vermindert de dubbelzinnigheid die studenten uitbuiten en de inschattingsfouten die in integriteitsonderzoek zijn gedocumenteerd.
  • Maak AI-gebruik zichtbaar en gedeclareerd. Gestructureerde, taakspecifieke AI-gebruiksverklaringen (die gebruik koppelen aan cognitieve fasen) dwingen tot reflectie en normaliseren eerlijke onthulling, waardoor de cultuur verschuift van verberging naar transparantie.
  • Bouw AI-geletterdheid als integriteitsonderwijs. Leer studenten hoe ze agenten verantwoord gebruiken en output kritisch beoordelen, en kader integriteit als echt leren in plaats van regels volgen. Dit omvat AI-geletterdheid, begrijpen wat agenten wel en niet kunnen, en de leerkosten van het omzeilen van inspanning.
  • Houd mensen in de lus. Behoud menselijk toezicht op beoordelingsbeslissingen, verifieer inzendingen met hoge inzet interactief, en ontwerp agentieke tools zo dat een docent altijd kan ingrijpen.
  • Dicht het verificatiegat met interactie. Gebruik in volledig online of asynchrone contexten bewaakte of interactieve componenten die live aanwezigheid vereisen, en pak de dreiging van de spookstudent direct aan in plaats van aan te nemen dat detectie die wel zal opvangen.

Een evenwichtige slotsom

Agentieke AI is geen wondermiddel en geen onvermijdelijke schade: haar waarde hangt van het ontwerp af. Gebruikt om de agency van de leerling te ondersteunen, gefundeerd in pedagogiek en met mensen in de lus, kunnen agenten leren personaliseren en verdiepen; gebruikt om automatisering en taakvoltooiing te maximaliseren, kunnen ze precies de inspanning uithollen die leren voortbrengt. Het terugkerende ontwerpprincipe is intentionaliteit: expliciet beslissen wat de agent doet en wat ze bewust aan de leerling overlaat.

Veelvoorkomende misverstanden

'Elke chatbot die aan tools is gekoppeld, is een agentiek systeem.' Het onderscheid wordt gemaakt op basis van de capaciteitsstructuur, niet op basis van toegang tot tools: een systeem geldt alleen als agentiek als het voldoet aan criteria zoals planning, geheugen, autonomie en doelgericht handelen over meerdere stappen. Een prompt-responsetool die een rekenmachine kan aanroepen, blijft conversationeel. Het onderscheid is van belang omdat de risico's en de evaluatiemethoden verschillen: autonoom meerstaps handelen roept faalwijzen op die één uitwisseling niet kent.

'Betere basismodellen zijn wat agentieke systemen in het onderwijs laten werken.' In de trial waarnaar deze pagina verwijst, wordt rolspecialisatie in plaats van ruwe modelcapaciteit gecrediteerd voor het verbeterde consultgedrag (71,8% tegen de vergelijking). Architectuur en arbeidsdeling tussen agenten zijn ontwerpbeslissingen met meetbare effecten, wat betekent dat een sterker model in een niet-gespecialiseerde pipeline het resultaat niet zal reproduceren.

'Agentieke systemen in het onderwijs zijn pedagogisch gefundeerd omdat onderwijsonderzoekers ze bouwen.' Het bewijs zegt iets anders: een scoping review vond dat slechts 29% van de studies naar agentieke AI (138 van 474) hun systemen expliciet in onderwijstheorie fundeerden. De disciplinaire kloof tussen technisch en pedagogisch georiënteerd werk is de toestand van het veld, niet de nalatigheid van een individuele auteur, dus een demo die werkt is de verwachte output en een demo die werkt voor leren is het minderheidsgeval.

'Een agent die leren personaliseert en verdiept, is een netto winst ten opzichte van een chatbot.' Er zit een specifieke ruil aan vast: agentieke systemen bedreigen Learner Agency en nodigen uit tot offloading van de cognitieve inspanning waarvan het leren afhangt, en doordat ze meer stappen zonder toezicht doen, maken ze die offloading moeilijker op te merken. De spanning tussen automatisering en leren is het centrale analytische probleem van de categorie, niet een voorbehoud dat aan de voordelen wordt toegevoegd.

Verbonden concepten

Verbonden artikelen

Gerelateerde FAQ's

Gerelateerde bronnen

  • DeepTutor
    The open-source release of the DeepTutor agentic tutoring framework: one workspace for tutoring, question generation, mastery practice, research and visualization, with inspectable learner memory.

Metadata

VakgebiedStem Education
NiveauHigher Ed, K 12
Beoogde doelgroepLearners
Leren en onderwijzenScaffolding
Technologieën en techniekenGenerative AI, Human-in-the-Loop, Intelligent Tutoring, Large Language Models (LLMs)
Grondslagen van AI in het onderwijsLearner Agency, Agentieke AI, AI-geletterdheid, Cognitieve offloading
BronGeschiedenisBewerkenChat

Deze pagina insluiten

Kopieer de onderstaande code om deze pagina in een leeromgeving of op een andere website in te sluiten. De ingesloten versie toont alleen de inhoud van de pagina — de sitekop, navigatie en voettekst zijn verborgen.