Hva bør studenter lære for yrker der AI er vanlig?

Automatisk maskinoversettelse av denne engelske siden, ennå ikke korrekturlest av en morsmålstalare.

En student spør hvorfor de skal lære å gjøre noe en chatbot allerede gjør. En programrådsgruppe sier at arbeidsgivere vil ha kandidater som kan bruke AI på jobben. Emneplanen din må tilfredsstille begge, og ingen av dem har sagt hva kandidaten skal kunne gjøre uten hjelp.

Kort svar å gi en kollega: undervis i hele den profesjonelle oppgaven, ikke i verktøybetjeningen, og vurder både det støttede produktet og studentens selvstendige kapasitet. Evidensen støtter å behandle beredskap som fagkunnskap pluss skjønn pluss verifisering pluss overføring, og den støtter ikke noen ferdighetsliste som garanti for ansettelse. En undersøkelse blant 500 amerikanske universitetslærere mot et arbeidsgiverpanel fant at de to gruppene var enige om betydningen av nøyaktig én av 26 AI-relaterte ferdigheter, å sette realistiske forventninger til AI-forsterket arbeid; lærerne vektla kritisk og ansvarlig bruk, mens arbeidsgiverne vektla arbeidsflyt, automatisering og menneske–AI-samarbeid (Fried, 2026). Det er rapporterte prioriteringer, ikke ansettelsesevidens. Det skarpere funnet for en emneplan er et annet sted: i en undersøkelse blant 455 studenter i siste år nådde AI-kompetanse opplevd ansettbarhet mest ved å øke karrierefleksibilitet, med en indirekte effekt på β = 0,173 ved siden av en direkte β = 0,447 (Hendrawan og Lestari, 2026). Fleksibilitet er en kapasitet du kan undervise i. Et verktøytips er det ikke.

Kortversjonen

1. Skriv kapasiteten som en påstand om hva en kandidat kan gjøre uten hjelp, og sett den støttede versjonen ved siden av.

2. Undervis i den komplette oppgaven i seks deler: ramme inn, kunne, delegere, verifisere, kommunisere, tilpasse.

3. Vurder produktet og skjønnet separat, og gjør den selvstendige kontrollen forholdsmessig.

4. Behold selvstendig øving der den gjør en jobb, og si hvorfor i emneplanen.

5. Skill umiddelbare utfall fra senere utfall når du evaluerer programmet.

6. Behandle karriereangst som en reell bekymring og svar på den med undersøkelse, ikke med spådommer.

Hva arbeidsgivere og lærere vektlegger

Ithaka S+R-rapporten ba 500 lærere ved amerikanske fireårige college vurdere 26 ferdigheter fra et rammeverk som spenner over sju kategorier, og sammenlignet vurderingene med et panel av arbeidsgivere undersøkt av rammeverkets forfattere. Uenigheten er systematisk snarere enn tilfeldig: lærerne rangerte AI-ens grenser, kreditering og menneskelig ansvarlighet øverst, mens arbeidsgiverne rangerte arbeidsflytdesign, automatisering og menneske–AI-samarbeid høyere.

To lesninger av det gapet er fristende, og begge er gale. Den første er at lærerne henger etter arbeidsmarkedet. Den andre er at arbeidsgivere vil ha lydighet. En mer nyttig lesning er at hver gruppe beskriver hver sin halvdel av den samme jobben, og en kandidat som bare kan den ene halvdelen, er dårlig forberedt til begge. En student som ikke kan forklare hvorfor et resultat er galt, er til ingen nytte for en arbeidsgiver som stoler på arbeidsflyten; en student som bare kan kritisere AI-resultater, er til ingen nytte for en arbeidsgiver som trenger at oppgaven blir fullført.

Grensene i denne evidensen betyr noe. Dette er oppgitte prioriteringer fra undersøkelser, og rapporten viser ikke at noen emneplan gir bedre ansettelser, bedre prestasjoner eller bedre lønn. Det den gir deg, er en forsvarlig grunn til å spørre om studentene dine noen gang øver på å fullføre og kontrollere en AI-støttet arbeidsflyt, i motsetning til å diskutere den.

Undervis i en komplett profesjonell oppgave

Spørsmålet om emneplanen som er verdt å skrive ned, er: hva ville en dyktig nybegynner trengt å gjøre, forklare og verifisere i denne situasjonen? Bygg deretter oppgaven i seks deler.

Ramm inn problemet. Identifiser målet, målgruppen, begrensningene, tilgjengelig evidens og kostnaden ved å ta feil. En student som ikke gjenkjenner en underspesifisert forespørsel, sender den videre til en modell og godtar det som kommer tilbake.

Bring inn fagkunnskap. Studenter trenger nok forståelse til å granske resultatet: tolke en sak, anslå et plausibelt svar, legge merke til en misvisende sammenligning, se hva som mangler. Definer den grunnlinjen eksplisitt i stedet for å behandle all selvstendig øving som en arvet forutsetning.

Deleger bevisst. Bestem hvilke trinn AI kan bistå med og hvilke som krever selvstendig arbeid eller profesjonell autorisasjon, og kunne gi begrunnelsen. Å skrive rutinemessig ordlyd og å bestemme hva en konsekvensrik protokoll skal si, er ulike ansvar med ulik ansvarlighet.

Verifiser mot evidens. Kontroller beregninger, påstander, kilder, antakelser og samsvar med kravet. Lær studentene å registrere hvordan en kontroll løste spørsmålet. Å spørre den samme modellen om den er sikker, løser ingenting, et poeng verifiseringspraksis utvikler direkte.

Kommuniser og samarbeid. Forklar beslutningen til en kollega, klient eller leder: hva som endret seg, hva som fortsatt er usikkert, når noen andre må involveres. AI-støttet arbeid har fortsatt en målgruppe og en ansvarskjede.

Tilpass og overfør. Gjenta en sammenlignbar oppgave med et annet verktøy eller en ny begrensning, og spør deretter hva som forble nyttig og hva som måtte endres. Det er dette som gjør tilpasningsevne observerbar i stedet for et adjektiv i en kandidatbeskrivelse.

Bygg det inn i eksisterende emnearbeid

Dette er tilpasninger av forskningstemaene, ikke testede ansettelsesintervensjoner.

Skriving og forretningskommunikasjon: la studentene kritisere og revidere et AI-skrevet svar på en kundeklage. Evidensen for kapasitet er å navngi de ubegrunnede løftene, forklare målgruppevalgene og forsvare den endelige ordlyden.

Et kvantitativt emne kan gjøre det samme med et AI-produsert anslag for et realistisk planleggingsproblem, der studentene lager sitt eget anslag, oppgir antakelsene og tester plausibilitet.

For et regneark- eller programmeringsemne: del ut en generert formel og syntetiske data, og be deretter om testtilfeller, en forklaring av referansene og én feilbetingelse.

Helsefag: studentene vurderer en generert forklaring for en fiktiv sak mot godkjente kilder, navngir begrensningene og sier når en kvalifisert fagperson må avgjøre.

Karriereutforskning har sin egen versjon: sammenlign oppgavesammensetningen i to yrker ved hjelp av troverdig yrkesinformasjon, og planlegg deretter ett konkret ferdighetsutviklings- eller hjelpesøkende trinn.

For asynkron levering: be om et første forsøk, en kort verifiseringsprotokoll og et notat på to setninger om én konsekvensrik beslutning. I et laboratorium eller seminar kan forklaringen skje i samtale. Bruk syntetisk eller autorisert materiale når alternativet er konfidensielle arbeidsplass- eller studentdata.

Vurder støttet prestasjon og individuell forståelse

Et polert artefakt forteller deg hva som ble produsert under de tillatte betingelsene. Det forteller deg ikke hva studenten kan. Legg til en forholdsmessig selvstendig kontroll: forklar en beslutning, reparer en feil, tilpass arbeidet til en endret betingelse, eller utfør én grunnleggende deloppgave uten hjelp.

Velg de kravene fordi de støtter en oppgitt kapasitet, og si hvilken hver vurdering måler. Studenter godtar selvstendig øving når den er knyttet til det de forberedes på; «du får bruk for dette en dag» gjør mindre arbeid enn å vise hvordan beregningen er det som lar dem fange et galt anslag senere.

Støttesiden har sin egen risiko. Shojaei mfl. (2026) fant at GenAI-bruk var positivt assosiert med GenAI-avhengighet, og avhengighet negativt assosiert med både kritisk tenkning og ansettbarhet i undersøkelsesmodellen deres. Det er en assosiasjon og ikke en kausal påstand, og den peker på designspørsmålet: et emne som bare vurderer støttet prestasjon, kan trenge opp den avhengigheten det rapporterer.

For programgjennomgang, skill målene. Emneprestasjon, demonstrert AI-kompetanse, vurdering fra praksisveileder, ansettelsesstatus og jobbkvalitet er ulike utfall med ulike tidshorisonter, og en enkelt intervensjon kan ikke etablere alle. Siden om AI-kompetanseevidens er den ærlige oversikten over hva intervensjonsstudier faktisk støtter.

Håndter karriereangst uten å love visshet

Studenter kommer med reelle frykter, og undersøkelseslitteraturen om dem er en beskrivelse av fryktene, ikke en prognose for arbeidsmarkedet. Duan mfl. (2026) fant at AI-angst direkte og negativt forutsa karrierebeslutninger, noe som er et funn om beslutningslammelse, ikke om jobber. Bildet av trivsel dekker den bredere evidensen.

Det som hjelper, er undersøkelse i den skalaen en student kan handle på: hvilke oppgaver inneholder egentlig denne rollen, hvordan ser en uke ut, hva måtte jeg kunne gjøre, hvem kan fortelle meg det. Karrieretjenester, alumner og praksiskontorer sitter på den informasjonen. En verktøydemonstrasjon, en lærers inntrykk eller en leverandørs presentasjon er ikke en arbeidsmarkedsprognose, og å presentere en som en prognose er hvordan programmer mister troverdighet hos studenter som deretter sjekker.

Hva som kommer tilbake på deg

«Studenter trenger bare bedre prompting.» Prompting er ett ledd i én av de seks delene. En godt spesifisert forespørsel gir ikke kunnskapen som trengs for å gjenkjenne et dårlig resultat, og arbeidsgiverne i Ithaka-panelet rangerte heller ikke prompthåndverk først.

«Hvis arbeidsplassene tillater AI, bør emnet tillate det.» Et emne bygger også den kapasiteten som gjør ansvarlig bruk mulig. Si hvilken av de to du vurderer i hver oppgave, og innvendingen blir et designspørsmål i stedet for en motsetning.

«Verktøyene endrer seg for fort til å undervise i noe av dette.» Undervis i verktøyspesifikke operasjoner der de hjelper, og vurder de varige praksisene: innramming, kontroll, testing, dokumentering, kommunikasjon, eskalering. Evidensen over handler om de praksisene, og ingen av den avhenger av hvilken modell som er gjeldende.

«Et emne i AI-kompetanse vil bedre jobbutsiktene deres.» Medieringsresultatet er advarselen her. AI-kompetanse nådde opplevd ansettbarhet direkte og gjennom tilpasningsevne, og opplevd ansettbarhet er ikke et jobbtilbud, en prestasjonsvurdering eller en lønn. Undersøkelsesdesignet kan ikke utelukke at selvsikre studenter vurderer seg selv høyere på alt.

Hva du kan gjøre denne uken

1. Velg én oppgave kandidater i programmet ditt faktisk vil møte, og skriv de seks delene for den på fem linjer.

2. Marker hvilke deler den nåværende vurderingen faktisk måler og hvilke den forutsetter.

3. Legg til én selvstendig kontroll i en eksisterende oppgave: en beslutning forklart, en feil reparert, eller en deloppgave utført uten hjelp.

4. Fortell studentene hvilken kapasitet den kontrollen gjelder, i oppgaveinstruksjonene.

5. Sjekk om noen oppgave i emnet bare vurderer støttet prestasjon, og bestem om det er bevisst.

Hvor du kan gå videre

Career Development and Readiness er begrepssiden for ansettbarhet, tilpasningsevne og arbeidsmarkedsviden, og AI-kompetanse dekker hva kompetanse betyr ut over verktøybetjening. For å bygge det inn i et bestemt emne, se å integrere AI-kompetanse og hvilke kompetanser faglærere trenger.

For vurderingsdesignet som gjør støttet og selvstendig prestasjon skillbare, se ny utforming av vurdering i AI-tiden og AI-vurdering. For hvordan du hindrer at støtte blir avhengighet, se å redusere overavhengighet.