Onderwijsorganisaties verschillen van de meeste andere sectoren doordat de kernactiviteit zelf – lesgeven, begeleiden, beoordelen – zich moeilijk laat scheiden van de mensen die het uitvoeren. Waar een fabriek of een winkel processen kan herschrijven zonder de identiteit van het werk aan te tasten, raakt elke verandering in een school of hogeschool al snel aan de relatie tussen docent en student. Dat maakt de sector niet trager in de techniek, maar wel voorzichtiger in de vraag wat AI eigenlijk mag doen voordat er over 'overnemen' wordt gesproken.
Daar komt bij dat onderwijsinstellingen vaak uit meerdere lagen bestaan die niet dezelfde snelheid hebben: een bestuur, een aantal locaties of faculteiten, en een grote groep docenten met eigen werkwijzen. Het grootste deel van de AI-initiatieven die wij tegenkomen, start op een van die lagen zonder dat de andere lagen zijn meegenomen. Een docent experimenteert met een taalmodel voor feedback, terwijl de IT-afdeling geen beeld heeft van welke data daarbij het gebouw verlaten. Een bestuur formuleert een AI-visie, terwijl het datamanagement van leerlingvolgsystemen nog op papier of in losse spreadsheets leunt. Die mismatch is geen kwestie van onwil, maar van volgorde.
Een CvB-lid, directeur bedrijfsvoering of hoofd IT die AI-pilots ziet vastlopen, herkent vaak hetzelfde patroon: de pilot werkt op zichzelf, maar schaalt niet. Dat komt zelden doordat de techniek tekortschiet. Vaker ontbreekt een van de fundamentele lagen die nodig zijn om een pilot te dragen: een organisatiestructuur die beslissingen over AI kan nemen en beleggen, een IT-infrastructuur die nieuwe toepassingen veilig kan opnemen, en datamanagement dat op orde is voordat een model er iets zinnigs mee kan. Pas als die drie staan, heeft het zin om te kijken naar de afhankelijke lagen: hoe mensen ermee werken, welk inzicht het oplevert, en hoe intelligent de organisatie er uiteindelijk mee omgaat.
In het onderwijs speelt dit sterker dan elders, omdat de fundamentele lagen vaak historisch gegroeid zijn rond onderwijskundige keuzes, niet rond technische. Een schooladministratie is ingericht op verantwoording aan de inspectie, niet op herbruikbare data voor AI-toepassingen. Een IT-afdeling is vaak klein en gericht op beheer, niet op integratie van nieuwe systemen. Dat is geen tekortkoming, het is een andere prioriteit die decennia geleden is vastgelegd en nu meeweegt in hoe snel AI werkelijk landt.
De meting van hybridresourcing kijkt naar zeven dimensies, verdeeld over vijf niveaus van baseline tot intelligence. Voor onderwijsinstellingen valt op dat de score op organisatie en datamanagement vaak achterblijft bij de score op ambitie of op individuele toepassingen. Er is regelmatig al iemand die met AI werkt, soms al op een gevorderd niveau, terwijl de organisatie als geheel nog op het eerste niveau staat wat betreft besluitvorming en data-inrichting. Die spreiding wordt zichtbaar in de plot-ronde, waarin meerdere mensen binnen dezelfde instelling apart scoren. Bij onderwijsorganisaties is die spreiding vaak groter dan gemiddeld, precies omdat bestuur, IT en onderwijzend personeel zelden vanuit hetzelfde beeld werken.
Die spreiding is op zichzelf geen probleem. Het is informatie. Een bestuurder die denkt dat de organisatie klaar is voor AI op grote schaal, en een IT-manager die weet dat de infrastructuur dat nog niet aankan, hebben allebei gelijk vanuit hun eigen positie. De meting maakt dat verschil expliciet, zodat het gesprek kan gaan over wat er eerst moet staan, in plaats van over wie gelijk heeft.
De zeven dimensies zijn niet gelijkwaardig in tijd. Organisatie, IT-infrastructuur en datamanagement zijn de dimensies waarop de andere vier steunen. Een school die wil werken aan inzicht of intelligentie zonder dat de data op orde is, bouwt op drijfzand. Dat geldt voor onderwijsinstellingen net zo hard als voor detailhandelsbedrijven die worstelen met vergelijkbare achterstanden in datamanagement of voor de horeca, waar organisatiestructuren vaak net zo versnipperd zijn over vestigingen. De sector verschilt, de volgorde niet.
Dat maakt de vraag 'hoe ver staan wij' minder een vraag naar een score en meer een vraag naar waar de fundering ontbreekt. Een instelling die op papier ambitieus scoort op AI-gebruik, maar geen zicht heeft op de eigen IT-infrastructuur, zal die ambitie niet kunnen waarmaken zonder eerst terug te gaan naar de basis. Dat is ook wat instellingen in de ICT-sector en in de financiële dienstverlening laten zien: hoge ambitie op de afhankelijke dimensies compenseert niet voor een zwakke fundering.
De volwassenheidsmeting van hybridresourcing is in aanbouw. Wie wil weten hoe de eigen instelling scoort op de zeven dimensies, en hoe die score zich verhoudt tot die van collega's binnen dezelfde organisatie, kan zich aanmelden voor de wachtlijst. Er is nog geen tool om vandaag te gebruiken; er is wel een duidelijk beeld van wat de meting gaat opleveren zodra die beschikbaar is.
Deze pagina gaat over de vraag of een onderwijsorganisatie AI kan dragen: of de fundering staat voordat er iets op gebouwd wordt. Een andere vraag, die daarna pas zinvol wordt, is wat AI binnen het onderwijs concreet kan overnemen. Daarvoor is de werkscan van FTE TO AI bedoeld: die rekent per taak uit welk deel van het werk zich leent om door AI te worden overgenomen, los van de vraag of de organisatie daar als geheel al klaar voor is. Wie beide vragen combineert, krijgt niet alleen zicht op de mogelijkheden, maar ook op de volgorde waarin ze werkelijkheid kunnen worden.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.