AI-implementaties in het onderwijs, in kleine stappen naar nieuw gedrag

AI werkt pas echt als mensen er ook anders door gaan werken. AI-implementatie die een organisatie echt wat oplevert, vraagt daarom om gedragsverandering, van de bestuurskamer tot het klaslokaal. In deze blog beschrijven we waar onderwijsorganisaties kunnen beginnen met AI en hoe ze in kleine stappen toewerken naar docenten die AI-geletterd én didactisch verantwoord met AI werken.

TLDR

AI-implementatie in het onderwijs draait om gedragsverandering: in het dagelijks werk anders aan de slag gaan dan je gewend bent. We willen dat docenten AI-geletterdheid en didactiek combineren in hun dagelijkse praktijk. Dat gedrag ontstaat niet vanzelf.
Wij hebben in de literatuur over gedragsverandering en AI-implementatie onderzocht welke modellen houvast bieden. Uit dat onderzoek komen enkele modellen consequent terug, die wij hebben geïntegreerd in het AI-kompas, een hulpmiddel dat onderwijsorganisaties ondersteunt om AI verantwoord te implementeren.
Met het kompas kun je in kleine stapjes beginnen. Je start bij één diagnose (welk gedrag wil je zien en waarom komt het nog onvoldoende voor?) en loopt van daaruit drie fasen door naar borging.

De situatie in scholen vandaag

Veel onderwijsorganisaties lopen op dit moment tegen dezelfde problemen aan:

De meeste leerlingen en studenten gebruiken AI al dagelijks (Digital Education Council, 2024).
Docenten gebruiken het vaak ook, deels zonder duidelijke afspraken en kaders.
Minder dan 5 procent van de scholen heeft concrete richtlijnen voor verantwoord AI-gebruik (Kennisnet, PO-Raad & VO-raad, 2025).
Er is weinig zicht op wie AI waarvoor gebruikt en met welke systemen.
Een centrale, veilige AI-omgeving of gedeelde kennisbibliotheek ontbreekt in de meeste onderwijsorganisaties nog.
Een beleidsstuk is er nog niet, of het is er wel maar leeft niet in het team. Bij zes op de tien scholen staat AI nog niet in het beleid (Kennisnet, PO-Raad & VO-raad, 2025).
Er is een grote diversiteit in kennis en vaardigheden en door de mogelijkheden van AI ontstaat er een steeds groter gat. In het po vindt 88 procent van de leraren en in het vo 80 procent van de docenten dat ze nog niet genoeg kennis en vaardigheden hebben om AI effectief in te zetten (Inspectie van het Onderwijs, 2026).

Voor schoolleiders leidt dat tot een praktische zoektocht naar waar te beginnen. Sommige scholen schaffen een tool aan. Het beschikbaar stellen van generatieve AI leidt alleen niet vanzelf tot effectief gebruik. De kwaliteit van de interactie met AI hangt sterk samen met de kwaliteit van de output (Knoth et al., 2024). Zonder voldoende kennis en vaardigheden om AI gericht aan te sturen en de uitkomsten te beoordelen, bestaat het risico dat medewerkers geen succeservaringen krijgen en de toepassing vervolgens beperkt of verkeerd gebruiken. Dit vraagt om grondig werken aan AI-geletterdheid in plaats van een losse training, anders lopen leraren achter de feiten aan (Inspectie van het Onderwijs, 2026).

AI-implementatie vraagt op alle lagen in je school iets anders. Het gaat over visie, kennis, vaardigheden, bewustzijn, oefening en herhaling. Het vraagt dus om duurzame gedragsverandering.

Begin bij je visie op leren en bestaande uitdagingen

Waar je begint, hangt af van de visie van de school en waar je nu staat. Verbind AI daarom aan de onderwijsvisie en bestaande uitdagingen. Zet vanuit die visie eerst de kaders voor AI-beleid neer, want bij de meeste scholen ontbreken concrete richtlijnen nog (Kennisnet, PO-Raad & VO-raad, 2025). In onze blog over AI-beleid in het onderwijs lees je hoe je met voorbeelden snel een eerste deel kunt opstellen.

Als de basis van je AI-beleid staat, kun je aan de slag gaan met een concrete uitdaging waarvoor je AI wilt inzetten. Denk aan een school die kansengelijkheid centraal in de koers heeft staan en AI wil inzetten voor gerichte differentiatie in de klas. Of aan een team dat werkdruk als grootste probleem benoemt en AI wil toepassen bij nakijken en administratieve last. Zo krijgt AI concrete waarde binnen bestaand werk en wordt het geen apart doel op zich waarvan medewerkers het gevoel hebben dat het ‘bovenop’ de huidige uitdagingen komt.

Daarvoor moeten docenten wel gemotiveerd zijn om ermee aan de slag te gaan. Urgentie is er al, want leerlingen gebruiken AI dagelijks. Motivatie ontstaat wanneer mensen regie ervaren over hoe ze AI inzetten, succeservaringen opdoen en er niet alleen voor staan (Ryan & Deci, 2000). Meta-analyses naar de acceptatie van technologie laten bovendien zien dat mensen het nut van AI voor hun eigen werk moeten ervaren (Xue et al., 2026; Wang et al., 2024).

Waar staat je organisatie nu met AI? De gratis quickscan brengt visie en beleid, cultuur en professionalisering, AI in de klas en infrastructuur in kaart. Je krijgt direct een rapport met concrete vervolgstappen.

Start de AI-quickscan

Van weten naar doen met een werkbaar kompas

AI-implementatie vraagt om gedragsverandering, maar gedragsverandering is complex. Daarom hebben we belangrijke literatuur die gedragsverandering en AI-implementatie combineert op een rijtje gezet (Chai et al., 2025; Michie et al., 2011; Ryan & Deci, 2000; Xue et al., 2026; Wang et al., 2024). De belangrijkste inzichten en modellen hebben we gecombineerd tot één werkbaar geheel dat we het AI-kompas noemen. Zo hoef je niet ieder model afzonderlijk te doorgronden om er in de praktijk mee aan de slag te kunnen. Voor de liefhebbers staat helemaal onderaan dit artikel een korte wetenschappelijke onderbouwing die per model laat zien welke rol het in het kompas heeft.

Het AI-kompas

In het midden van het kompas staat het gewenste gedrag, met de vraag waarom het nog onvoldoende voorkomt. Het COM-B-model is daarbij het diagnose-instrument. Het model beschrijft gedrag (Behavior) als de uitkomst van drie factoren die de kans op dat gedrag vergroten of verlagen. Die drie factoren zijn capaciteit (capability), de gelegenheid die omgeving biedt (opportunity) en motivatie (motivation) (Michie et al., 2011). In de praktijk werken die drie samen.

COM-B-model met capaciteit, gelegenheid en motivatie als factoren die gedrag beïnvloeden — Figuur 2. Met het COM-B-model (Michie et al., 2011) kun je vaststellen waarom gewenst gedrag nog niet voorkomt en wat nodig is om het te stimuleren.

Voor AI-implementatie betekent het COM-B-model dat je altijd begint met het benoemen van gewenst gedrag. Je specificeert wat je concreet bij docenten of teams wilt zien, bijvoorbeeld een lesvoorbereiding waarin AI-geletterdheid en didactiek worden gecombineerd. Pas als dat gewenste gedrag scherp is, kun je onderzoeken hoe capaciteit, gelegenheid en motivatie het vergroten of verlagen. Capaciteit gaat over de kennis en vaardigheden voor dat specifieke gedrag. De gelegenheid omvat zowel de fysieke omgeving, zoals een veilige AI-omgeving, tijd om te oefenen en een gedeelde kennisbibliotheek, als de sociale omgeving en de invloed van collega’s op het AI-gebruik. Motivatie valt uiteen in bewuste motivatie, zoals het ervaren nut van AI, en onbewuste motivatie, zoals de mate waarin AI-gebruik een gewoonte is geworden.

De diagnose is fase 1 en het ijkpunt. Daaromheen liggen fase 2 tot en met 4, die je in kleine stappen doorloopt. In de fasen hieronder laten we één doorlopend voorbeeld zien van een school die AI wil inzetten bij lesvoorbereiding, met AI-geletterdheid én didactiek als gecombineerd doelgedrag.

Fase 1. De diagnose stellen, het middelpunt van het kompas

Met het team stel je vast welk gedrag je wilt zien, en waarom dat gedrag past bij de visie op leren en de bestaande uitdagingen. Vervolgens diagnosticeer je met COM-B waar de kans op dat gedrag wordt vergroot of verlaagd.

In ons voorbeeld wil een team dat docenten bij lesvoorbereiding standaard AI gebruiken om conceptmateriaal te genereren dat ze zelf didactisch verantwoord aanscherpen. Bij navraag blijken de meeste docenten AI wel te kennen en het te willen proberen. Enkele collega’s gebruiken het al, maar doen dat thuis en delen hun ervaringen niet met de rest. Verder komt de didactische component nog niet automatisch mee. Docenten schrijven prompts zonder specifieke leerdoelen erbij te betrekken. Capaciteit is dus deels aanwezig, maar de didactische inbedding schiet tekort. De motivatie is er wel. Docenten geven aan dat ze graag gebruikmaken van de mogelijkheden. De gelegenheid ontbreekt op twee manieren. Fysiek is er geen veilige omgeving: docenten gebruiken verschillende AI-tools zonder verwerkersovereenkomst en het is onduidelijk welk materiaal wordt geüpload. Ook is er nog geen gedeelde kennisbibliotheek. Sociaal is de norm onduidelijk, omdat niemand weet wat wel en niet mag.

Deze samenhang bepaalt de aanpak in de volgende fasen. De school werkt aan kans en aan didactische capaciteit tegelijk, en niet aan een generieke training over AI. Zo zorgt de diagnose ervoor dat je energie gericht wordt ingezet op de huidige behoeften en uitdagingen.

Fase 2. Voorbereiden, richting en veilige oefenruimte

Op basis van de diagnose bepaal je in fase 2 de richting en creëer je een veilige oefenruimte. Werkbare kaders bakenen af hoe AI verantwoord wordt ingezet in de klas en hoe wordt omgegaan met leerlinggegevens en toetsing. Daarnaast vraagt oefenen om een veilige AI-omgeving die EU-gehost en AVG-proof is en om een gedeelde kennisbibliotheek waar prompts, goede voorbeelden en interne chatbots voor de hele organisatie samenkomen.

In ons voorbeeld kiest de school voor een EU-gehoste AI-omgeving. Een klein team met docenten, de ICT-coördinator en een schoolleider stelt in twee sessies vijf werkafspraken op over verantwoord AI-gebruik, geworteld in de bestaande onderwijsvisie. Die afspraken worden gedeeld met het hele team en vormen het startpunt voor experimenteren. Parallel wordt de kennisbibliotheek opgezet, aanvankelijk met vijf goede voorbeelden voor lesvoorbereiding waarin AI-geletterdheid en didactiek zichtbaar samenkomen.

Wil je AI-beleid maken dat aansluit bij je onderwijsvisie en in het team gaat leven? In de opleiding AI-Onderwijs- en Beleidsregisseur werk je met je eigen organisatie als casus.

Bekijk de opleiding

Fase 3. Uitvoeren, beginnen bij de voorlopers

In fase 3 breng je het op gang en speelt motivatie een belangrijke rol. Begin klein en werk vanuit een kopgroep van voorlopers, collega’s die met het gewenste gedrag aan de slag willen gaan. Dat zijn AI-ambassadeurs. Ze zijn het eerste inhoudelijke aanspreekpunt voor AI-vragen in het team. Ze verzamelen en delen goede voorbeelden en slaan de brug tussen praktijk en beleid.

Deze aanpak sluit aan bij wat duurzame motivatie ondersteunt. Docenten houden zelf regie over waar ze AI voor inzetten. Met hulp van de ambassadeurs doen ze kleine succeservaringen op en staan ze er niet alleen voor. Ook de zichtbaarheid van de ambassadeurs werkt als sociale invloed. In meta-analyses komt dat naar voren als een van de sterkste voorspellers van AI-adoptie in scholen (Xue et al., 2026; Wang et al., 2024).

Zelfdeterminatietheorie met autonomie, competentie en verbondenheid als psychologische basisbehoeften — Figuur 3. De zelfdeterminatietheorie (Ryan & Deci, 2000) laat zien welke psychologische basisbehoeften de intrinsieke motivatie stimuleren.

In ons voorbeeld krijgen drie docenten de ambassadeursrol. Ze delen elke twee weken hun ervaringen in de teamvergadering, ook hun mislukkingen. Ze bouwen samen aan de kennisbibliotheek en bieden een keer per week een inloopuur waar collega’s met vragen langs kunnen komen. Na een kwartaal neemt het gebruik in de rest van het team zichtbaar toe. AI bij lesvoorbereiding is de eerste routine waarin AI-geletterdheid en didactiek samenkomen.

AI-ambassadeurs helpen collega's veilig en didactisch verantwoord met AI te werken. In de opleiding leren ze vragen beantwoorden, voorbeelden delen en de brug slaan tussen praktijk en beleid.

Bekijk de opleiding

Fase 4. Verankeren, van experiment naar gewoonte

In fase 4 wil je van het gewenste gedrag een gewoonte maken. Nieuw gedrag heeft gemiddeld twee tot vijf maanden nodig om automatisch te worden (Lally et al., 2010; Singh et al., 2024). Concrete als-dan-plannen versnellen dat proces. Een voorbeeld is de afspraak “als ik op maandagochtend mijn lessen voorbereid, dan open ik eerst de kennisbibliotheek en toets ik of mijn prompt de didactische inbedding meeneemt”. ‘Maandagochtend’ en ‘de kennisbibliotheek’ zijn hier de ‘triggers’ om het gewenste gedrag uit te voeren. Succeservaringen zorgen voor beloning en motivatie om het gedrag vaker te vertonen. Door de gewoontevormingscyclus uit figuur 4 vaker te doorlopen, wordt het gedrag sneller een gewoonte.

Gewoontevormingscyclus met trigger, actie, beloning en herhaling — Figuur 4. De gewoontevormingscyclus laat zien hoe gewenst gedrag een gewoonte kan worden.

Of de vierde fase werkt, kun je aflezen aan gegevens over het gebruik van AI-tools en de kennisbibliotheek, en aan een zichtbare toename in AI-geletterdheid.

In ons voorbeeld spreekt de kopgroep af dat docenten hun lessen voorbereiden met AI. Docenten die al verder zijn, toetsen hun curriculum aan constructieve afstemming met AI. Na twee maanden blijkt uit een korte enquête en de bibliotheekstatistieken dat ongeveer 70 procent van het team dit doet en dat de lesvoorbereidingstijd gemiddeld met 15 minuten per les daalt.

De school gaat vervolgens door naar een tweede gewenst gedrag, waarin AI wordt ingezet voor eerste feedback op leerlingenwerk. De diagnose voor dat nieuwe gedrag is anders, en de aanpak dus ook.

Wil je AI-geletterdheid meten en gericht verder ontwikkelen? In de brochure Onderwijs AI 2026 lees je hoe nul- en nametingen aansluiten op opleidingen en e-learning.

Bekijk de brochure

Wat schoolleiders, leidinggevenden en L&D morgen kunnen doen

Begin bij bestaande pijn en visie op leren

Kies een concrete uitdaging in je organisatie, zoals werkdruk bij nakijken of differentiatie in de klas, en verbind die aan wat je als school gelooft dat onderwijs zou moeten doen. Zoek daar een AI-toepassing bij die AI-geletterdheid en didactiek combineert. Zo wordt AI-implementatie een oplossing voor iets wat er toch al ligt.

Diagnose vóór interventie

Voor je een training organiseert of een tool aanschaft, breng eerst de samenhang van factoren in kaart die het gewenste gedrag stimuleren of remmen. Kijk naar wat het team weet en kan op dit gedrag, welke ruimte de fysieke en sociale omgeving biedt, en welke motivatie er speelt. Een half uur diagnose met een kleine kerngroep of het MT voorkomt weken werk aan de verkeerde interventie.

Investeer eerst in kaders en infrastructuur

Docenten vragen om kaders en infrastructuur. Zonder beleid blijven de verwachtingen onduidelijk. Zonder een veilige AI-omgeving en een gedeelde kennisbibliotheek blijven experimenten versnipperd. Kennis verdwijnt en AI-gebruik raakt ongelijk verdeeld over docenten en teams.

Maak van AI-ambassadeurs een echte rol

Geef ambassadeurs tijd en een mandaat en investeer in hun kennis via een gerichte opleiding. Zo kunnen ze de brug slaan tussen praktijk en beleid.

Reken op een traject van jaren

Meerdere gedragingen op meerdere niveaus vragen twee tot vier jaar cyclisch werk. Een verwachting van complete omslag binnen één schooljaar loopt vrijwel zeker uit op teleurstelling.

Wetenschappelijke onderbouwing van het kompas

De modellen die in het kompas zijn geïntegreerd, komen consequent naar voren in reviews en meta-analyses over AI-adoptie in het onderwijs. Hieronder een korte verantwoording per model.

COM-B en het bijbehorende Behaviour Change Wheel vormen het diagnose-instrument in het midden van het kompas (Michie et al., 2011). Het model dwingt om eerst gewenst gedrag te benoemen en pas daarna te interveniëren, en beschrijft hoe capaciteit, kans en motivatie samen de kans op dat gedrag beïnvloeden.

UTAUT2 verklaart welke factoren de acceptatie van AI-tools voorspellen. In onderwijscontext komen waargenomen nut, gebruiksgemak en sociale invloed als sterkste voorspellers uit meta-analyses (Venkatesh et al., 2012; Xue et al., 2026; Wang et al., 2024). UTAUT2 helpt daarmee bij de keuze voor tools, bij de motivatiecomponent van de diagnose en bij de sociale dynamiek in fase 3.

Self-Determination Theory verklaart waarom aanpakken die autonomie, competentie en verbondenheid respecteren duurzamer werken dan mandaten van bovenaf (Ryan & Deci, 2000). Voor AI-professionalisering is dit een van de best onderbouwde bevindingen (Chiu, 2024). Het verklaart waarom we in fase 3 met een kopgroep werken.

Implementation intentions en gewoontevorming laten zien hoe je van weten naar doen komt en welke tijdshorizon realistisch is voor gedrag dat routine wordt (Gollwitzer, 1999; Lally et al., 2010; Singh et al., 2024). Ze vormen de basis van fase 4 en van elke als-dan-afspraak die daarbinnen wordt gemaakt.

In Nederland werken Kennisnet, SLO en Npuls aan raamwerken die dezelfde diagnostische lijn volgen, zoals het AI-GO raamwerk voor AI-geletterdheid (Npuls, 2025).

Tot slot

AI-implementatie in het onderwijs vraagt om gedragsverandering. Het uiteindelijke doelgedrag is dat docenten AI-geletterd én didactisch verantwoord met AI werken, en dat vraagt om diagnose, om kleine stappen en om infrastructuur die het oefenen mogelijk maakt. Het AI-kompas biedt daarvoor een compact hulpmiddel dat de belangrijkste inzichten uit gedragsveranderkundige literatuur samenbrengt rond het COM-B model als diagnose-instrument.

Op de hoogte blijven?

Wil je vaker praktische artikelen lezen over AI-implementatie, schoolleiderschap en gedragsverandering? Meld je dan aan voor onze nieuwsbrief.

Wat doen wij met jouw gegevens? Lees onze voorwaarden.

Bronnen

Chai, C. S., Lin, P.-Y., Jong, M. S.-Y., et al. (2025). Teacher readiness for generative AI: A theory of planned behaviour approach. Computers and Education Open.

Chiu, T. K. F. (2024). A self-determination theory approach to teacher digital competence development. Computers & Education.

Digital Education Council. (2024). Global AI student survey 2024.

Gollwitzer, P. M. (1999). Implementation intentions: Strong effects of simple plans. American Psychologist, 54(7), 493–503.

Inspectie van het Onderwijs. (2026). De Staat van het Onderwijs 2026.

Kennisnet, PO-Raad & VO-raad. (2025). Monitor Digitalisering Onderwijs 2025.

Knoth, N., Tolzin, A., Janson, A., & Leimeister, J. M. (2024). AI literacy and its implications for prompt engineering strategies. Computers and Education: Artificial Intelligence, 6, 100225.

Lally, P., van Jaarsveld, C. H. M., Potts, H. W. W., & Wardle, J. (2010). How are habits formed. European Journal of Social Psychology, 40(6), 998–1009.

Michie, S., van Stralen, M. M., & West, R. (2011). The behaviour change wheel. Implementation Science, 6, 42.

Npuls. (2025). AI-GO. Raamwerk voor AI-geletterdheid in het onderwijs.

Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. American Psychologist, 55(1), 68–78.

Singh, B., et al. (2024). Time to form a habit. Healthcare, 12(23), 2488.

Venkatesh, V., Thong, J. Y. L., & Xu, X. (2012). Consumer acceptance and use of information technology. MIS Quarterly, 36(1), 157–178.

Wang, Y., et al. (2024). The impact of pedagogical beliefs on the adoption of generative AI in higher education. Frontiers in Artificial Intelligence, 7, 1497705.

Xue, L., Mahat, J., & Ghazali, N. (2026). Technology acceptance model in artificial intelligence in education. SAGE Open.