Hoe gebruik je AI in instructional design zonder kwaliteitscontrole te verliezen?
Een instructional designer vroeg deze week op Reddit hoe het dagelijkse werk eruitziet in een AI Enablement-rol. In de reacties kwam een interessante spanning terug: AI versnelt decks, scripts, guides en andere trainingsmaterialen, maar ervaren designers blijven uren besteden aan controle en nuance.
Dat is geen teken dat AI niet werkt. Het laat vooral zien dat het werk verschuift.
De vraag wordt minder: hoe maak ik dit materiaal?
En vaker: klopt dit, past dit bij deze doelgroep en helpt dit iemand daadwerkelijk beter handelen?
AI versnelt productie, niet automatisch kwaliteit
Generatieve AI is goed in eerste versies. Een outline, quiz, script, scenario of samenvatting kan in minuten ontstaan.
Maar snelheid en kwaliteit zijn verschillende dingen.
NIST behandelt bij generatieve AI onder meer risico's rond onjuiste of misleidende output en benadrukt het belang van evaluatie, verificatie en validatie. Dat is precies relevant voor L&D: een professioneel ogende trainingsslide kan inhoudelijk nog steeds fout, onvolledig of verkeerd afgestemd zijn.
Daarom is een AI-workflow zonder review geen snellere instructional-designworkflow. Het is vooral snellere contentproductie.
Verplaats je kwaliteitscontrole naar drie vragen
Een bruikbaar reviewproces hoeft niet ingewikkeld te zijn. Controleer AI-output op drie niveaus.
1. Klopt het?
Controleer feiten, procedures, cijfers, bronnen en interne regels.
Vooral bij bedrijfsspecifieke kennis moet duidelijk zijn welke bron leidend is. Laat een taalmodel niet beslissen welke procedure de actuele is wanneer verschillende documenten elkaar tegenspreken.
Bij gevoelige of snel veranderende informatie hoort een inhoudelijke expert de finale controle te doen.
2. Past het?
Een antwoord kan feitelijk correct zijn en toch slechte training opleveren.
Past de taal bij de deelnemer? Sluit het scenario aan bij het echte werk? Is het detailniveau juist? Wordt een beginner niet behandeld alsof die al expert is?
Dit is waar context belangrijker wordt dan prompttrucs. De instructional designer bewaakt voor wie de training bedoeld is en welk gedrag na afloop nodig is.
3. Werkt het?
Dit is de stap die gemakkelijk verdwijnt wanneer AI vooral wordt gebruikt om sneller materiaal te produceren.
Een nette quiz is nog geen goede assessment. Een geloofwaardig scenario is nog geen effectieve oefening. Een mooie module is nog geen bewijs dat iemand de kennis kan toepassen.
Controleer daarom of de activiteit werkelijk het gewenste gedrag oefent of meet.
Laat AI niet zijn eigen huiswerk volledig nakijken
Het is verleidelijk om één model een module te laten schrijven en daarna te vragen: controleer of deze module goed is.
Dat kan nuttig zijn als extra check, maar niet als enige kwaliteitscontrole.
Een systeem kan dezelfde verkeerde aanname meenemen in zowel generatie als beoordeling. Gebruik daarom onafhankelijke bronnen, menselijke expertise en waar mogelijk echte gebruikersfeedback.
AI kan prima de eerste criticus zijn. Het hoeft niet de laatste te zijn.
De rol van de instructional designer verschuift naar stewardship
Onderzoek van Microsoft onder 319 kenniswerkers met 936 praktijkvoorbeelden vond dat generatieve AI de aard van kritisch denken verschuift. Minder inspanning gaat naar informatie verzamelen en eerste uitvoering. Meer aandacht verschuift naar verificatie, integratie van AI-output en het bewaken van de taak als geheel.
De onderzoekers noemen dat task stewardship.
Dat woord past verrassend goed bij modern instructional design.
Je hoeft niet ieder eerste concept zelf te schrijven. Maar iemand moet nog steeds bepalen wat goed genoeg is, waar controle nodig is en welke fouten onaanvaardbaar zijn.
Opvallend is ook dat hogere vertrouwen in AI in het onderzoek samenhing met minder kritisch denken. Juist wanneer output overtuigend klinkt, is een reviewproces dus waardevol.
Bouw checks in tijdens het proces, niet alleen op het einde
Een grote finale review van een volledig door AI gebouwde training is inefficiënt. Als de basis verkeerd zit, moet je veel opnieuw doen.
Werk liever met kleine controlepunten:
- valideer eerst leerdoel en doelgroep;
- laat AI een structuur voorstellen;
- keur de structuur goed vóór verdere productie;
- genereer materiaal per onderdeel;
- controleer feiten en context;
- test oefeningen en assessments apart;
- doe pas daarna de finale redactie.
Zo blijft menselijke controle onderdeel van het ontwerp in plaats van een reparatiefase achteraf.
Niet ieder onderdeel heeft hetzelfde risico
Een brainstorm voor vijf openingsvragen vraagt minder controle dan een veiligheidsprocedure.
Maak daarom onderscheid tussen laag en hoog risico.
Bij laag risico kan AI veel autonomie krijgen, bijvoorbeeld bij varianten van voorbeelden, eerste outlines of herschrijven van tekst.
Bij hoger risico zijn strengere controles logisch, bijvoorbeeld bij compliance, veiligheid, juridische informatie, beoordelingen of kennis die rechtstreeks invloed heeft op belangrijke beslissingen.
Dat maakt je workflow sneller zonder overal dezelfde zware reviewlaag te leggen.
AI-geletterdheid is ondertussen ook een L&D-vraagstuk
Voor Europese organisaties is dit niet alleen een kwestie van efficiënt werken. Artikel 4 van de AI Act verplicht aanbieders en gebruikers van AI-systemen maatregelen te nemen om AI-geletterdheid van medewerkers en andere gebruikers te ondersteunen, rekening houdend met hun kennis, ervaring en de context waarin AI wordt gebruikt.
De Europese Commissie verzamelt daarom voorbeelden van AI-literacypraktijken, waaronder e-learning, klassikale training, bootcamps en andere leeractiviteiten.
Voor L&D betekent dit dat AI-vaardigheid verder gaat dan leren prompten.
Medewerkers moeten ook leren wanneer ze output vertrouwen, wanneer ze controleren, welke informatie ze wel of niet invoeren en wanneer menselijke expertise nodig blijft.
Een eenvoudige AI-workflow voor L&D
Een praktische verdeling kan er zo uitzien:
Mens: bepaalt probleem, doelgroep, leerdoel en kwaliteitscriteria.
AI: maakt eerste concepten, varianten en productie-assets.
Mens + bron: controleren juistheid en context.
Deelnemer of tester: laat zien of het materiaal begrijpelijk en bruikbaar is.
Mens: beslist wat gepubliceerd wordt en wat aangepast moet worden.
Daarmee gebruik je AI waar het sterk in is zonder de verantwoordelijkheid voor kwaliteit naar het model te verplaatsen.
Conclusie
AI maakt instructional design niet automatisch beter. Het maakt bepaalde stappen vooral sneller.
De waarde van de instructional designer verschuift daardoor van alles zelf produceren naar scherper sturen, controleren en verbeteren.
Een goede AI-workflow heeft daarom geen menselijke review aan het einde als noodrem. Menselijke beoordeling zit op de momenten waar ze het meeste verschil maakt.
Klopt het?
Past het?
Werkt het?
Als je die drie vragen blijft stellen, kan AI veel werk versnellen zonder dat snelheid de nieuwe kwaliteitsnorm wordt.