In het najaar van 2025 kregen studenten van 30 docenten aan de University of Maryland een AI-tutor die antwoordt uit hun cursusmateriaal. Aan het eind van het semester hadden ze lagere cijfers dan de vergelijkingsgroepen.
De tutor zat in de elektronische leeromgeving, noemde zijn bronnen en kon door docenten worden ingesteld. Toch lagen de eindcijfers tot 0,37 standaarddeviatie lager wanneer groepen van dezelfde cursus werden vergeleken (Liu et al., 2026). Twee jaar eerder had een AI-tutor aan Harvard University het omgekeerde laten zien: studenten natuurkunde leerden er in minder tijd meer mee dan in een activerende college-sessie (Kestin et al., 2025).
Beide bevindingen komen uit gerandomiseerde studies, en beide kloppen. De vraag die voor universiteiten en hogescholen telt, is daarom onder welke voorwaarden AI-tutors werken. Dit artikel ordent de belangrijkste studies uit 2025 en 2026 in drie groepen en zet uiteen wat daaruit volgt voor het ontwerp van een tutor en voor een pilot.
Voor de transparantie: acemate maakt zelf een AI-tutor voor het hoger onderwijs en leverde de technische infrastructuur voor een van de studies die hier aan bod komen (IZA). We geven de bevindingen volledig weer, ook de ongunstige.
In het kort
- Het ontwerp beslist: of een AI-tutor studenten helpt leren, hangt af van waarvoor hij is gebouwd en hoe hij in de cursus is ingebed.
- Gestructureerde tutors verbeterden in gecontroleerde studies de toetsresultaten, bijvoorbeeld in een natuurkundecursus aan Harvard.
- Open chatbots die uitwerkingen geven verhogen de prestaties tijdens het oefenen en verlagen ze zodra de AI wegvalt.
- Een tutor alleen is niet genoeg: zonder inbedding in het onderwijs hielp zelfs een tutor met cursusmateriaal niet, en in Maryland ging hij samen met lagere cijfers.
- Een pilot heeft een meting zonder AI nodig: betere oefenscores laten nog niet zien dat studenten meer hebben geleerd.
Waarom de vraag nu speelt
Een AI-tutor is een AI-systeem dat studenten in een dialoog begeleidt bij het doorgronden van cursusinhoud, bij het oefenen en bij het controleren van hun begrip. Wat hem onderscheidt van een algemene AI-chat, is de koppeling aan een specifieke cursus.
Studenten gebruiken AI al. In een enquête onder 1.054 voltijdse bachelorstudenten in het Verenigd Koninkrijk zei 95 procent AI op minstens één manier te gebruiken, en 94 procent gebruikt generatieve AI bij beoordeelde opdrachten (HEPI en Kortext, 2026). In Duitsland gebruikte 46,5 procent van de ondervraagde studenten AI in het wintersemester 2025/26 dagelijks voor de studie (CHE, juli 2026). Vergelijkbare Nederlandse cijfers over dagelijks gebruik hebben we niet gevonden.
Ook in Nederland staat het onderwerp op de agenda. In meer dan de helft van de opleidingsbeoordelingen van de NVAO tussen november 2024 en augustus 2025 kwam generatieve AI ter sprake (NVAO, februari 2026). SURF en Npuls bouwen met EduGenAI een eigen AI-platform voor het onderwijs, dat volgens de planning rond eind 2026 breed beschikbaar moet zijn (Universiteit Twente, november 2025). Veel keuzes over AI in het onderwijs vallen in de komende semesters, en het onderzoek biedt daar nu meer houvast voor dan een jaar geleden.

Wanneer AI-tutors het leren verbeteren
Harvard: een gestructureerde AI-les vóór het college
In een inleidende natuurkundecursus voor studenten life sciences werkten de deelnemers twee lessen door, een met een AI-tutor thuis en een in een activerende college-sessie. De analyse omvatte 194 studenten. Met de tutor lag de mediane score op de natoets op 4,5 in plaats van 3,5 punten, en de auteurs rapporteren effectgroottes van 0,73 tot 1,3 standaarddeviatie, afhankelijk van de methode. Studenten hadden mediaan 49 in plaats van 60 minuten nodig en voelden zich meer betrokken (Kestin et al., 2025).
De bouw van de tutor is belangrijk. Hij leidde studenten stap voor stap door elk deel van elke opgave, en achter elke opgave lagen uitwerkingen die het cursusteam had geschreven. De auteurs raden uitdrukkelijk af om er onderwijs op de campus mee te vervangen: de tutor neemt de introductie van nieuwe stof vóór het college over, zodat de tijd samen vrijkomt voor lastiger werk. De beperkingen noemen ze zelf: één cursus, de ontwikkelaars van de tutor gaven die cursus ook, en het leren werd direct na de les gemeten.
Een lab in Berlijn: doorlopende toegang werkte beter dan uitgestelde
In een vooraf geregistreerd experiment in het lab van de TU Berlin bereidden 334 studenten zich 25 minuten met een tekst uit een studieboek voor op een toets. Eén groep las alleen, één kreeg de AI-tutor na tien minuten lezen, en één had hem vanaf het begin. In de toets daarna, zonder hulpmiddelen, scoorden de groepen met de tutor 0,23 standaarddeviatie hoger. De winst kwam vooral van doorlopende toegang (0,34 boven de controlegroep). Studenten met minder voorkennis en een goede zelfregulatie hadden er het meeste aan (Fischer, Rau en Rilke, 2025). acemate leverde voor deze studie de technische infrastructuur.
De studie is een discussion paper en nog niet door vakgenoten beoordeeld. Ze meet leren op korte termijn in één labsessie en zegt niets over wat er in een heel semester gebeurt.
Wanneer open chatbots het leren schaden
De meest geciteerde waarschuwing komt uit het voortgezet onderwijs. In een veldexperiment met bijna 1.000 leerlingen uit de klassen 9 tot en met 11 van een Turkse school oefenden de deelnemers wiskunde met een interface zoals ChatGPT, met een tutor die hints geeft in plaats van uitwerkingen, of zonder AI. Tijdens het oefenen deden beide AI-groepen het veel beter (48 en 127 procent). In de toets daarna, zonder AI, scoorde de chatbotgroep 17 procent onder de controlegroep. De tutorgroep scoorde gelijk (Bastani et al., 2025). De vangrails voorkwamen de schade, al leverden ze geen voordeel op.
Een studie aan de Technische Universität München laat een vergelijkbaar patroon zien. In een programmeercursus voor eerstejaars maakten 275 studenten een opdracht van 90 minuten met Iris, een tutor die hints geeft en volledige uitwerkingen achterhoudt, met ChatGPT, of zonder AI. Beide AI-groepen haalden duidelijk betere scores op de opdracht. Geen van beide liet een voordeel zien in kennisgroei of begrip van code. Alleen de tutor met hints verhoogde de intrinsieke motivatie, terwijl studenten ChatGPT nuttiger vonden (Bassner et al., 2026). De auteurs spreken van een gemaksval: wat tijdens het studeren prettig voelt, is niet per se wat het leren helpt.
Waarom een tutor alleen niet genoeg is
Maryland: toegang zonder onderwijsontwerp
Terug naar de studie uit de inleiding. Er deden 2.379 studenten en 30 docenten uit verschillende vakgebieden mee, ingedeeld per cursusgroep. Naast de cijfers daalde de geregistreerde deelname aan activiteiten in de leeromgeving, zoals quizzen en bijdragen aan discussies, met 0,90 standaarddeviatie. Bij eerstegeneratiestudenten, van wie de ouders niet hebben gestudeerd, was het verlies in cijfers meer dan twee keer zo groot als bij de anderen (Liu et al., 2026).
De context verklaart veel. Docenten kregen geen handreiking over hoe ze de tutor in hun onderwijs konden inbedden. Slechts 2 van de 30 hadden aan het eind van het semester de standaardmodus, die direct antwoordt, omgezet naar de tutormodus, die studenten naar het antwoord leidt. 73,8 procent van de vragen ging over informatie, uitleg of uitwerkingen. Slechts ongeveer 15 procent van de studenten met toegang gebruikte de tutor überhaupt. De auteurs vermoeden daarom dat de invoering van de tutor het leergedrag in de hele cursus veranderde. De studie is een working paper zonder beoordeling door vakgenoten en evalueert uitdrukkelijk de tutor zoals hij was ingesteld.
Cursusmateriaal alleen levert geen leereffect op
In een gerandomiseerd veldexperiment van een semester met ongeveer 500 bachelorstudenten had een chatbot die uit cursusinhoud antwoordt, geen significant effect op prestaties, interesse, self-efficacy of betrokkenheid (Thoeni en Fryer, 2026). Samen met Maryland laat dat zien dat bronvermelding antwoorden beter controleerbaar maakt. Op zichzelf zorgt ze er niet voor dat studenten meer leren.
Beieren: veel draagvlak, open vragen over het effect
Het Beierse onderzoeksinstituut voor digitale transformatie (bidt) evalueerde de AI-tutor OneTutor in het zomersemester van 2025 in 84 cursussen aan tien Beierse hogeronderwijsinstellingen. 90 procent van de ondervraagde docenten vond hem een zinvolle aanvulling, en 84 procent zou hem opnieuw inzetten. Het zelf ingeschatte leersucces van studenten verschilde nauwelijks tussen gebruikers en niet-gebruikers. Objectieve gegevens zoals tentamenresultaten waren om privacyredenen niet beschikbaar, en studenten kozen zelf of ze de tutor gebruikten (bidt, maart 2026). De studie laat draagvlak zien en zegt weinig over het effect op leren.
Wat de meta-analyse toevoegt
Een vooraf geregistreerde meta-analyse van 49 studies naar generatieve AI in bèta- en techniekonderwijs, grotendeels in het hoger onderwijs, vond eerst een positief totaaleffect. Na correctie voor publicatiebias bleef daar weinig van over. Eén verschil hield wel stand: AI die de eigen leeractiviteit van studenten uitbreidt, had een positief effect, en AI die die activiteit overneemt, kon schade doen (Boolzen et al., 2026).
Wat dit betekent voor het ontwerp van een AI-tutor
1. Hints en oefenen in plaats van kant-en-klare antwoorden
Waar tutors op verzoek uitwerkingen leveren, stijgen de oefenscores en daalt wat studenten zelfstandig kunnen (Bastani, Bassner). Een tutor moet in te stellen zijn op hints en sturende vragen, en oefeningen met feedback aanbieden.
2. Uit het cursusmateriaal, en ingebed in opdrachten
Bronvermelding is de voorwaarde voor controleerbare antwoorden. Een effect ontstaat pas als de tutor een vaste plek in de cursus heeft: als voorbereiding op het college zoals aan Harvard, naast werkcolleges en opgavensets, of bij de voorbereiding op het tentamen. In Maryland bedde geen van de ondervraagde docenten hem in opdrachten in.
3. Docenten bepalen modus en regels
Een instelling die niemand wijzigt, is in de praktijk geen instelling. Docenten hebben een korte introductie nodig in de regels die bij hun cursus passen, en ondersteuning in het eerste semester.
4. Beschikbaar wanneer studenten studeren
In het Berlijnse experiment leidde uitgestelde toegang tot korte uitbarstingen van intensief vragen en zwakkere resultaten. Vangrails werken daarom beter op de manier waarop de tutor antwoordt dan op het moment waarop hij beschikbaar is.
Vragen voor je eigen pilot
Wie een AI-tutor wil uitproberen, vermijdt het best vanaf het begin de zwakke plekken van de studies tot nu toe. Deze vragen helpen bij de planning:
- Meten we leren zonder AI, bijvoorbeeld met een toets of het tentamen, los van de oefenscores?
- Hoeveel studenten gebruiken de tutor, en hoe verandert hun overige deelname aan de cursus?
- Kijken we naar groepen die het meest kunnen winnen of verliezen, zoals eerstegeneratiestudenten?
- Hebben we vooraf met de privacy officer afgesproken welke gegevens we voor de evaluatie mogen combineren, ook tentamenresultaten?
- Hebben docenten bepaald waar de tutor in de cursus terugkomt en welke regels hij volgt?
- Wat biedt de tutor bovenop wat studenten al hebben via een instellingsbrede AI-omgeving of een algemene chatbot?
De laatste vraag verdient aandacht. Veel instellingen bieden al toegang tot taalmodellen in een omgeving die rekening houdt met privacy, en met EduGenAI werken SURF en Npuls aan zo'n platform voor het hele Nederlandse onderwijs. Voor zoeken en schrijven is dat vaak genoeg. Een AI-tutor loont waar hij voor een specifieke cursus meer doet: oefeningen, feedback, regels van de docent en inzicht in de cursus. Criteria voor selectie, privacy en aanbesteding vind je in onze gids voor het kiezen van een AI-tutor.
Waar acemate staat
De studies laten zien dat bronvermelding alleen niet genoeg is. Ook de tutor in Maryland antwoordde uit cursusmateriaal. Daarom bouwen we onze AI-tutor rond zijn plek in het onderwijs. De AI-tutor antwoordt uit het cursusmateriaal en noemt document en pagina. Met AI Policies bepalen docenten welke onderwerpen hij behandelt en hoe hij antwoordt, bijvoorbeeld met hints en sturende vragen in plaats van volledige uitwerkingen. AI-functies kunnen worden gepauzeerd. Om te oefenen zijn er oefeningen met feedback, flashcards en persoonlijke leerpaden die laten zien welke onderwerpen al goed zitten. Analytics laten docenten geaggregeerd zien waar het begrip in een cursus vastloopt, zonder individuele studenten te volgen. De gegevens worden in de EU verwerkt, en cursusinhoud wordt niet gebruikt om AI-modellen te trainen (AI-controle en gegevensbescherming).
Aan de Duitse WHU volgden op de onderzoeksstudie een cursus Business Ethics met meer dan 260 studenten en cursussen in Finance en Accounting. Binnen minder dan zes maanden gebruikte ongeveer een derde van alle WHU-studenten het platform. Aan de Universität zu Köln begon het gebruik in het wintersemester van 2024 bij het Instituut voor Genetica, en leerreeksen hielpen studenten op weg. Inmiddels doen er meer vakgebieden mee, waaronder geografie.
Of een AI-tutor in jouw onderwijs werkt, laat uiteindelijk je eigen cursus zien. Wil je een pilot plannen met een duidelijke plek in de cursus en een degelijke evaluatie, dan bespreken we dat graag met je aan de hand van een concrete cursus.


