De volgende generatie developers opleiden: een HBO-ICT-gids voor AI
Aan hogescholen bereiden HBO-ICT-docenten toekomstige developers voor op een beroep waarin AI werkende code kan opleveren voordat studenten het probleem begrijpen. Wat moeten opleidingen bewaken?
TraceYield Inzichten
11 min leestijd · Bijgewerkt 19 september 2026
TraceYield
Bewijs van AI-ondersteund werk
De volgende generatie developers opleiden: een HBO-ICT-gids voor AI
De developers die straks in onze teams werken, worden nu opgeleid
Wij bouwen software en gebruiken AI daar zelf ook voor. Tegelijk zien we hoe snel de norm verschuift: een student kan nu tot plausibele, werkende code komen voordat die het probleem, de architectuur of de afwegingen erachter goed begrijpt.
Daar ligt een lastige verantwoordelijkheid voor HBO-ICT-docenten en programmeeropleidingen. Zij leiden de volgende generatie developers op voor teams waarin AI normaal is, terwijl juist het oordeel moet blijven bestaan waarmee een developer verantwoordelijkheid neemt voor code.
Een kort gesprek dat bleef hangen
We spraken onlangs iemand die net HBO-ICT had afgerond. Op de vraag waarmee de frontend was gebouwd, kwam in essentie het antwoord: “Claude.” Geen bekentenis en geen reden om AI af te wijzen, maar wel een eerlijk beeld van hoe snel de tool het middelpunt van het werk kan worden.
Het probleem is niet dat studenten Claude, Codex, Cursor of een andere coding agent gebruiken. Wij gebruiken die tools zelf ook. Het wordt pas een probleem wanneer een student een overtuigend resultaat kan overnemen zonder het probleem, de aannames of de risico’s erachter te kunnen uitleggen.
De onderwijsvraag is veranderd
Een repository kan nog steeds goed softwarewerk laten zien: leesbare code, geslaagde tests en een werkende interface. Maar het eindproduct vertelt minder dan vroeger over hoe de student de taak afbakende, alternatieven afwoog, op fouten reageerde of besloot dat een resultaat veilig genoeg was om in te leveren.
Daarom richten Npuls en onderzoek naar AI-bestendige toetsing zich op toetsontwerp, leeruitkomsten en bewijs — niet alleen op het herkennen van een tool in het eindproduct. De Npuls-visie op toetsing, examinering en AI is een bruikbaar Nederlands vertrekpunt voor die verschuiving.
Twee nette projecten kunnen heel verschillend leren laten zien
Stel je twee studenten met bijna dezelfde applicatie voor. De één vraagt een agent om een opzet, neemt de eerste plausibele implementatie over en kan belangrijke keuzes niet toelichten. De ander gebruikt AI tijdens het hele project, maar test voorstellen, verwerpt een ongeschikte aanpak, formuleert de taak opnieuw na nieuw bewijs en kan de uiteindelijke afweging verdedigen.
De repositories kunnen er even verzorgd uitzien. Onderwijskundig zijn het geen gelijke prestaties. De eerste student heeft een artefact opgeleverd. De tweede heeft geoefend in het werk van een developer: afbakenen, beoordelen, debuggen, testen en verantwoordelijkheid nemen.
Waarom procesbewijs ertoe doet
Dat bewijs hoeft geen volledig promptlog of registratie van elke toetsaanslag te zijn. Een korte toelichting op een gewijzigde aanpak, een gekozen debugmoment, een test die een aanname weerlegt of een korte code walkthrough geeft een docent vaak meer bruikbare context dan een uitkomst van een AI-detector.
Het rapport van de ACM Task Force over programmeertoetsing en onderzoek naar AI-bestendige toetsing pleiten beide voor meer dan één eindproduct. Het bewijs moet passen bij de leeruitkomst én hanteerbaar blijven voor student en docent.
Dit is geen pleidooi voor surveillance
TraceYield is geen AI-detector, zelfstandigheidsscore of geautomatiseerd beoordelingssysteem. Een geschiedenis van toolgebruik bewijst op zichzelf geen begrip, en een docent heeft geen permanent transcript van elke privé-interactie nodig.
Het gaat om een klein, controleerbaar beeld van betekenisvolle momenten: wat probeerde de student, wat veranderde er, wat werd gecontroleerd en wat kan de student uitleggen? Procesbewijs moet een beter academisch gesprek mogelijk maken, niet een extra controletaak creëren.
Waar TraceYield past
Dit is het probleem waarvoor we TraceYield zijn gaan bouwen. Op sessieniveau kan één AI-ondersteunde werkepisode begrijpelijk worden. Op projectniveau worden samenhangende momenten verbonden. Op het niveau van een studentprofiel kunnen patronen over opdrachten heen zichtbaar worden, altijd voor een docent om te duiden.
Het product brengt bewijs en context samen; de docent houdt het onderwijskundige oordeel. Hoe TraceYield werkt en development trajectories leggen dit model verder uit.
Wat opleidingen moeten beschermen
Programmeeronderwijs hoeft niet elke handmatige stap te beschermen. Het moet de vaardigheden beschermen die studenten nodig hebben wanneer AI ongelijk heeft, niet beschikbaar is, onvolledig blijft of overtuigend misleidt: een probleem afbakenen, code lezen, gedrag testen, over architectuur redeneren, risico zien en een beslissing uitleggen.
AI kan juist helpen om die vaardigheden te oefenen: met een foutieve patch om te reviewen, een plausibele uitleg om uit te dagen of meerdere aanpakken om te vergelijken. De kern is dat een snel antwoord nooit een vervanging wordt voor het begrip van de student.
Als een agent aangeeft klaar te zijn, is het ontwikkelwerk nog niet automatisch af.
Referenties
Pilotprogramma
Begrijp waarom uw team AI gebruikt zoals het dat doet.
TraceYield beoordeelt het traject achter AI-gebruik in plaats van alleen kosten en tokenaantallen te bekijken. Meld u aan voor de private pilot om AI-gebruik in Codex-, Claude Code- en Copilot-werkwijzen te onderzoeken, met aandacht voor technische context, security en vertrouwen bij developers.
Meld u aan voor de TraceYield-pilot