Australische universiteiten leren AI in de praktijk

OpenAI beschrijft hoe vier Australische universiteiten AI niet alleen beschikbaar maken, maar in opleidingen, simulaties en praktijkprojecten inbouwen. Dat is relevant voor Nederlandse en Belgische onderwijsprofessionals: de vraag verschuift van óf studenten AI gebruiken naar hoe opleidingen hen leren om dat gebruik te verantwoorden.

De aankondiging is tegelijk een bedrijfsbron en een samenwerkingsbericht. De voorbeelden zijn concreet, maar de studentencijfers komen uit onderzoek dat OpenAI liet uitvoeren. Dat vraagt om belangstelling én terughoudendheid.

Wat er nieuw is

OpenAI publiceerde het bericht op 5 november 2026. UNSW Sydney, de University of Sydney, La Trobe University en Adelaide University werken volgens de bron samen met OpenAI aan toegang, onderwijsprogramma’s en praktijktoepassingen.

UNSW wil ChatGPT Edu gefaseerd beschikbaar maken voor meer dan 80.000 studenten en medewerkers. De universiteit wil generatieve AI en Codex verbinden aan opleidingen, hackathons en industrieprojecten. De University of Sydney start na een proef met een bredere uitrol in semester 1 van 2027 en koppelt die aan training, begeleiding en een verantwoord-AI-kader.

La Trobe meldt dat alle 3.500 medewerkers al toegang hebben tot ChatGPT Edu en dat toegang voor 45.000 studenten en medewerkers in het eerste kwartaal van 2027 wordt gepland. De universiteit integreert AI-geletterdheid in vijftig prioritaire eerstejaarsvakken. Adelaide gebruikt OpenAI’s Daybreak Blue voor geautoriseerd defensief beveiligingswerk, zoals codecontrole en incidentrespons.

OpenAI verwijst daarnaast naar een enquête onder 1.018 Australische studenten van achttien jaar en ouder. Pureprofile voerde die in opdracht van OpenAI uit van 3 tot en met 7 augustus 2026. 81 procent zegt meerdere keren per week AI te gebruiken, 28 procent heeft al een AI-agent of assistent gebouwd en 79 procent wil meer kansen om geavanceerde AI op echte projecten toe te passen.

Van tooltoegang naar oefenen

De interessantste voorbeelden gaan niet over een chatbot die een antwoord schrijft, maar over oefenen vóór het werk telt. Studenten paramedische zorg oefenen bij La Trobe met klinische scenario’s. Studenten die leraar worden trainen met een sociale robot moeilijke gesprekken met ouders. In beide gevallen moeten zij bewijs uitleggen, keuzes verdedigen en hun vakkennis gebruiken.

Dat biedt ook voor MBO, HBO en WO een bruikbaar ontwerpprincipe: laat studenten AI gebruiken in realistische opdrachten, maar beoordeel tegelijk hun redenering, vakinhoud en controle. De UNSW-regel Can, Can’t, Must maakt per opdracht expliciet of AI mag, niet mag of juist verplicht is. Dat is concreter dan één algemene toestemming of één algemeen verbod.

De kansen

• Studenten kunnen met simulaties en projecten oefenen met situaties die niet altijd veilig, goedkoop of vaak genoeg in de echte wereld beschikbaar zijn.
• Opleidingen kunnen AI-geletterdheid koppelen aan beroepspraktijk: niet alleen prompts schrijven, maar bronnen controleren, grenzen herkennen en verantwoordelijkheid nemen.
• Docenten kunnen nieuwe scenario’s, feedbackvormen en praktijkopdrachten sneller voorbereiden, zolang zij de inhoud en het leerdoel bewaken.
• Gelijke toegang binnen de instelling kan voorkomen dat AI-ervaring vooral afhangt van het abonnement of de voorkennis van een individuele student.

Wat niet uit de bron volgt

De aankondiging laat zien wat universiteiten plannen, aanbieden of als eerste toepassingen beschrijven. Zij bewijst niet dat studenten dankzij deze aanpak aantoonbaar beter leren of dat iedere opleiding dezelfde toegang krijgt. Ook is de enquête geen onafhankelijke effectstudie: de opdrachtgever is OpenAI en de bron vermeldt geen peer review.

De cijfers zijn bovendien zelfrapportages van studenten. Ze zeggen iets over gebruik en verwachtingen, niet automatisch over de kwaliteit van dat gebruik. Een opleiding moet dus niet concluderen dat meer AI-gebruik vanzelf leidt tot betere beroepsvoorbereiding.

Toetsing, privacy en afhankelijkheid

Praktijkleren met AI kan toetsing juist ingewikkelder maken. Een overtuigend projectresultaat laat minder goed zien welke kennis en beslissingen van de student zelf komen. Combineer daarom een AI-ondersteund eindproduct waar passend met procesbewijs, bronverantwoording, een mondelinge toelichting of een gecontroleerd moment zonder AI.

Bij simulaties en agenten is dataminimalisatie noodzakelijk. Gebruik geen leerling- of studentdossiers, zorginformatie, vertrouwelijke stagecasussen of ongepubliceerde onderzoeksdata zonder goedgekeurde grondslag en beheer. Een agent met toegang tot systemen kan fouten bovendien verder verspreiden dan een losse chatbot. Leg vast welke acties controleerbaar en omkeerbaar moeten zijn.

Tot slot ontstaat afhankelijkheid wanneer één leverancier tegelijk toegang, curriculum, toetsafspraken en praktijkinfrastructuur bepaalt. Houd alternatieven beschikbaar, leer studenten de onderliggende vakvaardigheid en maak duidelijk welke keuzes altijd bij de professional blijven.

Wat teams nu kunnen afspreken

• Ontwerp per opleiding enkele realistische opdrachten waarin AI-gebruik doelgericht en zichtbaar is.
• Gebruik een Can, Can’t, Must-achtige afspraak per leerdoel in plaats van één regel voor alle opdrachten.
• Laat studenten vastleggen welke AI-hulp zij gebruikten, wat zij controleerden en welke keuzes zij zelf maakten.
• Test simulaties eerst met fictieve gegevens en controleer taal, toegankelijkheid, bias en vakinhoud.
• Bepaal per tool welke accounts, gegevens, koppelingen, bewaartermijnen en beheerinstellingen zijn toegestaan.
• Meet niet alleen gebruik of tijdwinst, maar ook zelfstandig begrip, toetsvaliditeit, gelijke toegang en werkdruk.

De kern

De Australische voorbeelden laten zien hoe universiteiten AI kunnen verbinden aan beroepsgerichte oefening, begeleiding en expliciete toetsafspraken. Voor Nederland en België is vooral die ontwerpkeuze relevant: AI-geletterdheid hoort thuis in het vak en in de praktijk, niet alleen in een losse toolinstructie.

De bron is overtuigend als aankondiging van samenwerkingen en toepassingen, maar niet als bewijs van leerwinst. Gebruik de voorbeelden daarom als aanleiding om gecontroleerd te oefenen, menselijke beoordeling zichtbaar te houden en afhankelijkheid van één leverancier te begrenzen.

Beeld: redactionele illustratie, gemaakt met OpenAI Imagegen voor dit artikel.