AI-codeeragenten in HBO-ICT: wat moeten opleidingen studenten leren?

Onderscheid toolbediening, AI-ondersteund ontwikkelen en fundamenten

Toolvaardigheid is het bedienen van een bepaald product of een interface. Dat kan nuttige lesstof zijn, maar een productnaam is zelden een duurzame leeruitkomst. AI-ondersteunde engineeringvaardigheid is AI kunnen inzetten tijdens softwareontwikkeling en tegelijk relevante technische keuzes maken, beoordelen en verifiëren. Afhankelijk van de leeruitkomst gaat het bijvoorbeeld om een taak afbakenen, een wijzigingsvoorstel inspecteren, het aanpassen, een fout debuggen of een keuze toelichten.

Fundamentele programmeervaardigheid betekent voldoende begrip van software en relevante concepten om gedrag te beredeneren, code te lezen en aan te passen, fouten te diagnosticeren en resultaten te controleren. Fundamenten zijn niet hetzelfde als syntax uit het hoofd leren of al het werk handmatig doen; ze worden ook niet vervangen door een agent te kunnen bedienen.

Deze vaardigheden overlappen. Een student kan AI gebruiken en tegelijk kennis van de fundamenten inzetten om een onjuiste aanname te herkennen, een wijziging te testen of een voorstel af te wijzen. “Kan Copilot gebruiken” benoemt een interface. “Kan een AI-ondersteunde implementatie aanpassen aan eisen, gedrag controleren en belangrijke technische keuzes toelichten” beschrijft werk en oordeel. Dat is een redactioneel voorbeeld, geen voorgeschreven HBO-ICT-leeruitkomst.

Beoordeel iedere leeruitkomst voordat je lesstof toevoegt

Vraag bij bestaande leeruitkomsten: verandert AI wezenlijk hoe het professionele werk wordt uitgevoerd? Welke onderliggende kennis hebben studenten nog nodig? Is AI-ondersteund presteren onderdeel van de beoogde vaardigheid? Moet de formulering van de uitkomst veranderen? Ontbreekt er werkelijk een afzonderlijke vaardigheid? Krijgt een beperkte handmatige activiteit meer tijd dan haar onderwijsdoel rechtvaardigt?

Prompten is één manier om met een tool te werken, geen curriculum op zichzelf. Duurzamere vaardigheden zijn de taak afbakenen, relevante context en beperkingen meegeven, ontbrekende informatie herkennen, een ongeschikte aanpak bijsturen en toetsen of het voorstel aan de eis voldoet. De interface kan veranderen; de engineeringvraag blijft gekoppeld aan de leeruitkomst.

Wanneer AI werk voorstelt of aanpast, moeten studenten mogelijk gedrag met eisen vergelijken, relevante wijzigingen inspecteren, negatieve of grensgevallen testen en bepalen wat de tests niet aantonen. De diepgang hangt af van de leeruitkomst. Een gegenereerde test bewijst niet automatisch dat aan de eis is voldaan.

Bepaal wat je behoudt, aanpast, toevoegt of minder nadruk geeft

Behouden: laat een leeruitkomst staan als zij nog steeds de vaardigheid beschrijft die de opleiding wil ontwikkelen. Aanpassen: wijzig haar wanneer de vaardigheid relevant blijft maar AI de omstandigheden of verwachte prestatie verandert. Toevoegen: neem alleen een uitkomst op als een afzonderlijke vaardigheid nog niet voldoende is afgedekt.

Minder nadruk geven vraagt terughoudendheid. Dat AI een beperkte handmatige taak kan uitvoeren, is op zichzelf geen reden om die af te bouwen. Daarvoor is een onderwijsinhoudelijke onderbouwing nodig; behoud de conceptuele kennis die studenten nodig hebben om software te begrijpen, fouten op te sporen, aan te passen en te verifiëren. Schrap geen uitkomst alleen omdat een tool een aannemelijk resultaat kan produceren.

Curriculumtijd is schaars. Voordat je aparte onderdelen toevoegt voor agents, prompten, verificatie, governance of verantwoord gebruik, kijk je of de vaardigheid binnen een bestaande uitkomst voor softwareontwikkeling kan worden behandeld. Voeg materiaal toe met een duidelijk doel; maak niet van ieder product of onderwerp een nieuwe curriculumeis.

Plaats AI in het curriculum zonder één vaste volgorde voor te schrijven

Studenten kunnen leren over AI — mogelijkheden, beperkingen, onzekerheid en verantwoord gebruik — en software leren ontwikkelen terwijl AI als hulpmiddel beschikbaar is. Dat zijn verwante, maar verschillende curriculumkeuzes. Een aparte module kan gedeelde begrippen en gerichte oefening bieden; geïntegreerd onderwijs verbindt AI met implementatie, testen, debuggen, review of onderhoud. Een opleiding kan beide combineren. Beschikbaar bewijs toont niet aan dat één vorm altijd beter is.

Er is geen onderbouwde vaste jaarindeling voor HBO-ICT en geen algemene regel dat studenten eerst alles zonder hulp moeten beheersen of vanaf dag één AI moeten gebruiken. Stem de volgorde af op voorkennis, leeruitkomst, taakcomplexiteit, ondersteuning en verantwoordelijkheid. Sommige uitkomsten vragen om een demonstratie zonder AI; andere gaan expliciet over professioneel werk met AI.

Een gerandomiseerde studie uit 2026 in één inleidend programmeervak van de TU München laat zien waarom taakprestatie niet gelijkstaat aan leren. 275 CS1-studenten maakten een oefening van ongeveer negentig minuten over concurrency met begeleidende Iris-ondersteuning, onbeperkte ChatGPT of een AI-vrije situatie met webbronnen. AI-ondersteunde groepen presteerden beter op de oefening, maar gemeten kenniswinst en codebegrip namen niet overeenkomstig toe. Deze ene taak en cursus bepalen niet of AI leren in het algemeen helpt of schaadt, noch wanneer HBO-ICT AI moet introduceren.

Voorbeeld: herzie een leerlijn voor backendontwikkeling

Voorbeeld ter illustratie — curriculumredenering, geen opleidingsbewijs, klaslokaalonderzoek of TraceYield-validatie. Een leerlijn voor backendontwikkeling in het tweede jaar bevat al leeruitkomsten over API-gedrag implementeren, tests ontwerpen, fouten debuggen en architectuur toelichten. De opleiding beoordeelt eerst die uitkomsten in plaats van “een AI-codeeragent gebruiken” als vervangende uitkomst toe te voegen.

Behouden: redeneren over API-gedrag en architectuur toelichten blijven relevant. Aanpassen: bij een implementatie-uitkomst kan toegestaan toolgebruik worden opgenomen, met de eis dat studenten wijzigingen aan de opdracht aanpassen en relevant gedrag controleren. Toevoegen, als de opleiding een echt hiaat vaststelt: expliciet leren een ongeschikte AI-ondersteunde wijziging te beoordelen en te corrigeren. Zelfstandig bewijs behouden waar de uitkomst dat vraagt: een afgebakende diagnose- of basisvaardigheid kan nog steeds zonder AI worden getoond. Niet iedere opleiding hoeft dezelfde voorwaarden te kiezen.

In dit voorbeeld wordt geen beperkte handmatige vaardigheid automatisch afgebouwd. Wil het team daarvoor minder tijd reserveren, dan legt het uit hoe het onderwijsdoel is veranderd en hoe studenten de conceptuele kennis blijven opbouwen die nodig is om met de software te werken. Het doel is niet programmeren te vervangen door prompten, maar elke curriculumkeuze te koppelen aan een bestaande of goed onderbouwde vaardigheid.

Gebruik beroeps- en onderwijskundige bronnen, geen producthype

De domeinbeschrijving van HBO-i uit 2023 is een Nederlands landelijk kader voor ICT-kwalificaties en beroepstaken in het hoger beroepsonderwijs. Zij omvat onder meer analyseren, adviseren, ontwerpen vanuit eisen, realiseren en testen, en het beheren of optimaliseren van systemen. HBO-i meldt dat de update uit 2023 in voorbeeldtaken aandacht besteedde aan AI, data, cloud, beveiliging en maatschappelijke impact. Dat ondersteunt een herziening van bestaande ICT-activiteiten; het definieert geen nieuw AI-domein en schrijft de keuzes behouden/aanpassen/toevoegen van dit artikel niet voor.

CS2023 bespreekt generatieve AI, fundamenten, code lezen, begrip en verificatie, maar erkent expliciet onzekerheid en bevat toekomstgerichte redeneringen. Gebruik het als curriculumcontext, niet als vaststaand bewijs voor een bepaalde volgorde of voor minder programmeeroefening. Het ACM Task Force-rapport beschrijft door docenten gemelde aanpassingen en zorgen; gerapporteerde praktijk bewijst geen effectiviteit.

Het AI-GO-werk van Npuls biedt Nederlandse context voor AI-geletterdheid en curriculumontwikkeling, geen competentienorm voor software-engineering en geen verplicht model. Opleidingsuitkomsten vragen om een gewogen combinatie van beroepsprofiel, bestaande leeruitkomsten, studentenwerk en toetswaarnemingen, onderzoek naar informaticaonderwijs en relevant advies. Eén productintroductie, enquête, werkgever of klasexperiment is op zichzelf onvoldoende grond voor een opleidingsbrede wijziging.

Houd leeruitkomsten duurzaam en grenzen duidelijk

Leeruitkomsten kunnen relatief stabiel blijven terwijl voorbeelden, tools, oefeningen en toetsvoorwaarden vaker veranderen. Beschrijf de vaardigheid die studenten ontwikkelen, niet een actueel product als competentie. Voor regels over AI-gebruik en voor opleidingsbrede leerclaims, zie AI-codeerbeleid en Integriteit van de beoordeling. Voor gevolgen voor de lespraktijk, zie De rol van de programmeerdocent.

TraceYield kan docenten helpen patronen te zien in taakafbakening, interacties, bijsturing, keuzes, correcties en verificatie, voor zover die gebeurtenissen zijn vastgelegd. Zulke waarnemingen kunnen curriculumoverleg informeren, maar TraceYield bepaalt geen curriculum, beslist niet welke vaardigheden thuishoren in een opleiding, meet geen bekwaamheid automatisch, stelt geen leereffecten vast, voorspelt geen arbeidsmarktbehoefte en beoordeelt geen studenten. Opleidingsteams blijven verantwoordelijk voor curriculumkeuzes.