Hoe gebruikt L&D AI?
AI is binnen L&D in vier jaar tijd veranderd van nieuwigheid in gewoonte. Tegelijkertijd is het zwaartepunt van het werk nauwelijks verschoven: AI wordt nog steeds het meest gebruikt voor contentontwikkeling en het ontwerpen van leren. De groei vindt vooral plaats rond die kern. Daarom hebben Donald H Taylor en Eglė Vinauskaitė hun vierde jaarlijkse rapport over het gebruik van AI door L&D-professionals ‘AI in L&D: Around the Core‘ genoemd.
Het rapport is gebaseerd op een enquête onder 531 professionals uit 55 landen. Ruim twee derde (68%) zegt dat de eigen organisatie AI gebruikt binnen L&D, tegenover 54% in 2025 en 40% in 2024. Nieuw is een analyse van vier jaar aan open antwoorden (1.473 antwoorden, ruim 50.000 woorden), waaruit de auteurs met hulp van AI tien categorieën van gebruik hebben afgeleid. Ze wijzen er zelf op dat de respondenten zichzelf hebben aangemeld, waarschijnlijk IT-vaardiger zijn dan gemiddeld, en dat er weinig overlap is tussen de jaren.
Volgens de auteurs blijft, zoals gezegd, contentontwikkeling de meest genoemde toepassing (77,6% van de respondenten), gevolgd door het ontwerpen van leren (learning design) (49%). De veranderingen zitten lager in de rangorde. Evaluatie en analyse stijgt van de achtste plaats in 2023 naar de derde in 2026 (van 7,8% naar 34,1%), en het aandeel antwoorden waarin data wordt genoemd, verviervoudigt. Binnen de analysefase verschuift de aandacht van het verkennen van een onderwerp naar behoefteanalyse: AI helpt vaker bij de vraag wat er moet worden ontwikkeld en voor wie. Daarnaast gebruiken professionals AI steeds vaker om content te controleren op kwaliteit en juistheid, en om bestaand materiaal te cureren. Vertalen, video en audio worden minder vaak genoemd, volgens de auteurs waarschijnlijk omdat deze toepassingen gewoon zijn geworden.
Twee categorieën waarbij medewerkers centraal staan, zijn in vier jaar niet gegroeid. Dat zijn AI die lerenden rechtstreeks gebruiken (user-facing delivery) en kennisdeling en ondersteuning op het moment van behoefte (knowledge and point-of-need support). Beide zijn in de ranglijst gezakt. Bij de eerste categorie is het beeld wel genuanceerder dan de ranglijst laat zien. Die categorie bereikte in 2025 een hoogtepunt en staat nu op het laagste punt in vier jaar. De stijging in 2025 kwam vooral door de belangstelling voor AI-coaching, en die is inmiddels weer afgenomen. Ook gepersonaliseerd leren via systemen, zoals adaptief leren en aanbevelingen voor leerinhoud door AI, neemt al vier jaar af. Voor het grootste deel van de sector is AI volgens de auteurs nog steeds iets wat L&D toepast op het eigen werk.
Dat beeld zie je terug in de verwachtingen van de respondenten. Sneller content maken blijft het meest genoemde verwachte voordeel. Tussen 2024 en 2026 stijgt datagestuurde besluitvorming van 31,9% naar 44,5% en betere kwaliteit van learning design van 31,0% naar 37,1%. Efficiëntie en kostenbesparing daalt van 41,9% naar 36,0%. De auteurs zien een verschuiving van ‘eerste-orde-voordelen’ (bestaand werk sneller en goedkoper doen) naar ‘tweede-orde-voordelen’ (betere beslissingen nemen en beter leren ontwerpen).
Een nieuwe vraag brengt in vergelijking met eerdere jaren een subgroep in beeld. Van de 298 respondenten uit L&D- en HR-teams binnen organisaties meldt 58% minstens één verandering dankzij AI, zoals een taak die AI nu routinematig uitvoert (22%). Ongeveer 14% (43 respondenten) zegt dat de organisatie hen nu voor andere zaken benadert. Deze ‘break-out’-groep gebruikt AI evenveel voor content als anderen, maar zet AI ruim twee keer zo vaak in voor oefening, coaching en feedback voor lerenden (38% tegenover 17%) en bijna drie keer zo vaak voor automatisering en eigen tools (45% tegenover 17%). Wat hen onderscheidt, is volgens de auteurs niet hoeveel AI ze gebruiken, maar waarvoor. Ze plaatsen wel kanttekeningen: de groep is klein en het is onduidelijk wat oorzaak en gevolg is.
Wat de belemmeringen betreft, weten L&D-professionals beter hoe ze kunnen beginnen. Belemmeringen die L&D zelf kan oplossen, zoals gebrek aan vaardigheden of niet weten waar te beginnen, dalen van 49% naar 36%. Wat overblijft, ligt grotendeels buiten de eigen invloedssfeer: integratie met systemen, kosten, tijd en risico’s. Zorgen over privacy en beveiliging blijven met 52% de belangrijkste belemmering. Nieuw is dat ethische en milieuzorgen op de vijfde plaats binnenkomen. In de open antwoorden klinkt frustratie over de eigen organisatie, zorg over stijgende kosten en angst voor de eigen baan. Ook wijzen respondenten erop dat het controleren van AI-output de tijdwinst teniet kan doen.
Over AI-agents is het rapport terughoudend. Veel van de 41 respondenten die het woord ‘agent’ gebruiken, bedoelen eigenlijk een chatbot: één assistent met een naam en enige kennis van de organisatie. Slechts enkelen beschrijven agents die samen workflows in meerdere stappen uitvoeren. Vier casestudies laten een divers gebruik hiervan in de praktijk zien: van een agent als ‘teamgenoot’ bij een luchtvaarttechnische opleiding in Riyad en ruim 35 agent-persona’s bij EY tot een eenvoudige Gemini Gem die managers bij Randstad Enterprise naar het juiste leeraanbod leidt en gepersonaliseerde leerroutes bij KPMG UK. Ik zou deze cases zeker lezen.
Donald H Taylor en Eglė Vinauskaitė concluderen dat het gebruik van AI voor L&D is toegenomen, maar dat het zwaartepunt niet is verschoven. Toepassingen die integratie met data, systemen en relaties in de rest van de organisatie vereisen, komen nauwelijks vaker voor dan vier jaar geleden. Een andere rol voor L&D ontstaat volgens hen niet vanzelf door meer AI te gebruiken. Daarvoor moet bewust worden gekozen.
Mijn opmerkingen
Bij de introductie van praktisch elke nieuwe technologie lees je vaak dat deze technologie de manier waarop leren, opleiden en onderwijs plaatsvindt, “revolutionair” zal veranderen. In de praktijk valt dat vaak tegen (of mee, al naar gelang je perspectief hierop). Als het gaat om AI en L&D, lijkt vooralsnog iets vergelijkbaars aan de hand. AI wordt vooral ingezet om het eigen werk sneller en beter te doen, ook al pleit menigeen ervoor om nieuwe technologieën zoals GenAI-toepassingen te gebruiken voor transformatie, voor andere dingen. Dat is echter behoorlijk complex. De auteurs melden zelf onder meer dat dit vraagt om strategische keuzes en om organisatorische transformatie. Je ziet binnen het onderwijs ook dat docenten en onderwijsontwikkelaars AI gebruiken voor het creëren van lesmateriaal, toetsvragen en feedback op ontwerpen. Dus ter versterking van het bestaande.
Toepassingen waarbij lerenden rechtstreeks met AI werken blijven beperkt in gebruik. Dat kan meerdere redenen hebben. Suzanna Horsfall van Randstad Enterprise vertelt bijvoorbeeld dat haar team AI-activiteiten weer uit een programma heeft gehaald, omdat het leren juist zit in het denkwerk en de worsteling. Dat sluit aan bij discussies over cognitive outsourcing en het bewust inbouwen van frictie in learning design. Met andere woorden: De afname van AI-coaching en adaptief leren kan dus ook wijzen op ervaringen met negatieve effecten van AI op leren. Daar komt bij dat niet alleen de L&D-functie (Gen)AI in toenemende mate is gaan gebruiken, maar dat dat ook geldt voor medewerkers zelf. Je hebt als L&D-functie waarschijnlijk geen zicht op waarvoor deze grotere groep AI-gebruikers AI inzet. Medewerkers kunnen AI best voor coaching gebruiken, terwijl jij als L&D-er daar volstrekt geen weet van hebt. Dit kan trouwens tot een nieuwe uitdaging leiden: hoe voorkom je dat werknemers minder goed leren doordat zij het leren uitbesteden aan (Gen)AI. Hierbij moet je trouwens een onderscheid maken tussen onervaren werknemers en ervaren werknemers. Deze laatste groep beschikt over veel meer kennis, en is daarom beter in staat output op waarde te schatten en taken uit te besteden aan AI-tools, zonder dat dit ten koste van de kwaliteit gaat.
Tegelijkertijd zet ik vraagtekens bij de interpretatie van sommige verschuivingen. De auteurs verklaren de daling van vertalen, video en audio uit gewenning: wat gewoon is, wordt niet meer genoemd. Bij de daling van AI voor lerenden passen ze die redenering niet toe. Dat is op z’n minst niet consequent. Bij open antwoorden van gemiddeld 32 woorden is het niet noemen van een toepassing een zwakke indicator. Ook de break-out-groep is met 43 personen klein, maar krijgt in de conclusie wel veel gewicht.
Relevant vind ik de constatering dat de veel belemmeringen vooral organisatorisch zijn. Dat is ook herkenbaar binnen onderwijsinstellingen. Zaken als privacywetgeving, inkoopregels (bijvoorbeeld gericht op digitale soevereiniteit) en gegevensbescherming stellen duidelijke kaders. Ik kan me voorstellen dat instellingen en organisaties AI-toepassingen geen toegang geven tot bepaalde data en applicaties. Persoonlijk ben ik daar ook terughoudend in. Daardoor ben je wel beperkt in de mogelijkheden en kun je bijvoorbeeld minder baat hebben van AI-agents die met elkaar en in meerdere stappen bepaalde workflows kunnen uitvoeren. Het risico dat misbruik gemaakt kan worden van toegang van AI-agents tot data en applicaties of dat gevoelige gegevens per ongeluk hierdoor in verkeerde handen vallen, is aanwezig. Ook kost het tijd en energie om e.e.a. verstandig te regelen. Wie wil dat AI verder gaat dan individuele productiviteit, moet investeren in governance en in samenwerking met IT en andere afdelingen. Verder verdient inderdaad ook aandacht: tijdwinst bij het maken gaat verloren bij het controleren.
Tot slot: de casestudies komen grotendeels van grote organisaties met veel middelen. Het voorbeeld van Randstad Enterprise, gebouwd met een bestaande tool en betrekkelijk weinig middelen, is voor veel onderwijsinstellingen en kleinere organisaties waarschijnlijk het meest bruikbaar. Ook de opmerking van Remco van den Hout spreekt me aan: meer content lost een transferprobleem niet op.
Mijn bronnen over (generatieve) artificiële intelligentie
Deze pagina bevat al mijn bijdragen over (generatieve) artificiële intelligentie.
Lees het hele
artikel