Er is op dit moment geen tekort aan meningen over AI in onderwijs. Wat er wél schaars blijft, is degelijke evidentie. Dat maakt het recente rapport The Evidence Base on AI in K-12: A 2026 Review interessant. Niet omdat het spectaculaire conclusies brengt, maar net omdat het dat niet doet. Het legt bloot hoe dun de echte kennisbasis nog is, en tegelijk toont het wel welke patronen zich beginnen af te tekenen.

Laat ons beginnen met het meest ongemakkelijke punt. Er zijn intussen meer dan 800 studies over AI in onderwijs, maar slechts een twintigtal levert sterke causale evidentie. Dat betekent dat we in de meeste gevallen niet weten wat AI écht veroorzaakt, alleen wat ermee samenhangt. En dan nog. Veel studies zijn namelijk kort, gebeuren in artificiële settings en meten onmiddellijke effecten.

Tegelijk zien we zelfs met die beperkingen een vrij consistent patroon. Als leerlingen toegang hebben tot AI, presteren ze beter. Dat geldt voor wiskunde, programmeren en schrijven. Op het moment zelf werkt het dus. Maar… zodra die ondersteuning wegvalt, wordt het verhaal veel minder duidelijk. Soms blijft er iets hangen, meestal niet. Het verschil tussen presteren met een tool en leren zonder die tool wordt hier pijnlijk zichtbaar.

Dat is geen verrassing als je het bekijkt vanuit wat we al weten over leren. AI verlaagt de cognitieve belasting. Taken voelen makkelijker, leerlingen ervaren minder frictie en vaak ook meer motivatie. Alleen is net die frictie soms nodig om te leren. Wat Bjork ooit “desirable difficulties” noemde, verdwijnt deels wanneer een systeem het denkwerk overneemt. Makkelijker is niet automatisch beter.

Interessant wordt het wanneer je kijkt naar hoe AI ontworpen is. Tools die gewoon antwoorden geven, lijken minder effectief dan systemen die sturen, vragen stellen of stap voor stap begeleiden. Met andere woorden, AI als spiekbriefje werkt anders dan AI als tutor. Dat sluit mooi aan bij klassieke inzichten zoals de zone van naaste ontwikkeling. Ondersteuning werkt vooral wanneer ze net niet te veel doet.

Voor leraren ligt het verhaal anders. Daar zijn de effecten opvallend consistenter. AI kan tijd besparen, vooral bij lesvoorbereiding en feedback. In één studie ging het om ongeveer een half uur per week minder werk, zonder kwaliteitsverlies. Dat lijkt bescheiden, maar in een overvolle job is dat niet niets.

Daarnaast zijn er signalen dat AI ook de kwaliteit van instructie kan ondersteunen. Systemen die realtime suggesties geven of feedback analyseren, helpen leraren om gerichter vragen te stellen of beter in te spelen op leerlingen. Opvallend daarbij is dat de winst vaak groter is voor minder ervaren leraren. Dat opent interessante perspectieven rond professionalisering en ongelijkheid tussen scholen.

Maar ook hier is voorzichtigheid nodig. Tijdswinst betekent niet automatisch minder werk. In sommige studies gebruiken leraren de vrijgekomen tijd gewoon om meer of diepgaander feedback te geven. Efficiëntie vertaalt zich dan niet in minder uren, maar in een andere invulling van die uren.

Wat opvallend maar wellicht vooralsnog logisch afwezig blijft in onderzoek, zijn effecten op langere termijn. We weten weinig over wat AI doet met diep leren, met metacognitie of met zelfstandigheid. Nog minder weten we over effecten op welzijn, sociale ontwikkeling of ongelijkheid. Dat zijn nochtans precies de vragen die in het debat het vaakst opduiken.

Hier zit volgens mij de belangrijkste boodschap van dit rapport. Niet of AI werkt of niet werkt, maar dat het antwoord altijd zal afhangen van hoe, wanneer en voor wie. De huidige evidentie is te smal om grote conclusies te trekken, maar breed genoeg om een aantal illusies te doorprikken.