No products added!
AI i undervisning er ikke en “ny gadget” på lærerværelset. Det er en ny type faglig infrastruktur, der kan frigøre tid, give mere præcis feedback og åbne for differentiering i en skala, som ellers kræver ekstra hænder. Samtidig skubber teknologien til vores vaner omkring opgaver, prøver og kildearbejde.
Den gode nyhed er, at lærere allerede har værktøjerne til at styre udviklingen: didaktik, klasseledelse og professionel dømmekraft. AI fungerer bedst, når den kobles til en klar læringsintention og en tydelig ramme for elevernes ansvar.
Hvorfor AI giver mening i undervisning nu
AI kan aflaste rutineopgaver, men dens største værdi ligger ofte i kvaliteten af læringsdialogen. Når elever kan få hurtig, målrettet respons på et udkast eller en beregning, flytter undervisningen sig fra “retning” til “forbedring”. Lærerens rolle bliver mere redaktionel og vejledende: at definere kriterier, stille skarpe spørgsmål og hjælpe elever med at tænke.
Samtidig ændrer AI præmissen for, hvad vi kan tage for givet om hjemmeopgaver. Hvis en elev kan få en tekst produceret på få sekunder, bliver opgavens design vigtigere end nogensinde. Det kalder på opgaver, hvor proces, refleksion og faglig argumentation er synlige.
En kort tommelfingerregel hjælper ofte: brug AI til at skabe flere muligheder, ikke til at sløre faglighed.
Typiske anvendelser, der faktisk virker i praksis
Mange starter med “lav en opgave” eller “skriv et resume”. Det kan være fint, men effekten bliver markant større, når AI bruges til at styrke læringsprocessen før og under elevens eget arbejde.
AI kan især understøtte:
- Differentiering uden at sænke ambitionen
- Hurtigere feedbacksløjfer, mens eleven stadig kan nå at ændre noget
- Støtte til elever, der har svært ved at komme i gang
- Variation i øvelsestyper, tekster og eksempler
- Sprogstøtte i alle fag, også de naturfaglige
Når man vælger use cases, er det en fordel at prioritere dem, der enten sparer lærertid eller øger elevens tid på faglig tænkning.
Fra idé til didaktik: 5 konkrete undervisningsgreb
En praktisk tilgang er at se AI som en “medunderviser”, der kan spille bestemte roller. Det er ikke magi, men det kan skabe struktur og momentum.
Her er fem greb, der ofte giver hurtig effekt:
- Idéværksted: Elever får 10 forslag og vælger 2, de kan begrunde fagligt
- Sokratisk tutor: AI stiller kun spørgsmål, ikke svar, indtil eleven når et delresultat
- Begrebscoach: Elever beder om forklaringer på tre niveauer (kort, mellem, dyb) og sammenligner
- Fejlfinder: AI leder efter typiske misforståelser i elevens løsning og peger på næste skridt
- Modargument-generator: AI producerer den bedste indvending mod elevens påstand, som eleven skal besvare
Grebene fungerer på tværs af fag. I dansk kan “modargument-generator” træne argumentation. I samfundsfag kan “begrebscoach” sikre begrebsmæssig præcision. I matematik kan “fejlfinder” bruges til at synliggøre, hvor tankegangen knækker.
Brugbare prompts til lærere (uden at det bliver teknisk)
En prompt behøver ikke være lang. Den skal være tydelig på rolle, mål og kriterier. Tænk på det som en mini-brief.
God praksis er at bruge faste skabeloner, så du kan genbruge dem på tværs af klasser og forløb. Det giver ensartethed, og det gør det lettere at tale med kolleger om, hvad der virker.
Nedenfor er eksempler, der kan kopieres direkte og tilpasses:
- Formål og kriterier: “Du er faglig vejleder. Giv feedback på teksten ud fra kriterierne A, B, C. Peg på 2 styrker og 2 forbedringer. Stil 3 spørgsmål, som hjælper eleven videre.”
- Niveau og støtte: “Forklar begrebet til en elev på niveau X. Brug et eksempel fra emnet Y. Afslut med en mini-quiz på 5 spørgsmål med svar.”
- Proces frem for produkt: “Spørg mig trin for trin, så jeg selv kan løse opgaven. Giv ikke løsningen, før jeg har forsøgt.”
Det er også klogt at bede AI om at vise sin struktur: “Start med en disposition” eller “giv en tjekliste før du skriver”. Det gør output lettere at vurdere.
Et overblik over gevinster og faldgruber (med praktisk risiko-styring)
AI skaber værdi, når den er forankret i faglige mål, men den kan også give fejl, overfladiske svar eller skjult snyd. Derfor er det nyttigt at have et fælles sprog for både potentiale og risici.
| Anvendelse | Hvad du kan vinde | Typisk risiko | Praktisk modtræk |
|---|---|---|---|
| Hurtig feedback på udkast | Flere iterationer pr. elev | Eleven kopierer uden refleksion | Kræv ændringslog og kort mundtlig forklaring |
| Differentierede opgaver | Mere passende udfordring | Opgaver bliver uens i sværhed | Brug fælles kriterier og fælles “kerneopgave” |
| Generering af eksempler | Variation og relevans | Faktuelle fejl eller skæve eksempler | Kræv kildecheck eller faglig verifikation i klassen |
| Sprogstøtte | Bedre formulering og struktur | Elevens stemme udviskes | Arbejd med “før og efter” og begrundede valg |
| Quiz og træning | Mere øvetid med feedback | Overtræning på overfladeviden | Kombinér med åbne opgaver og forklaringskrav |
Tabellen peger på et vigtigt princip: AI skal ofte kobles til synliggørelse af proces. Når processen er synlig, bliver både læring og vurdering stærkere.
Vurdering, prøver og faglig integritet: nye spilleregler, ikke bare forbud
Hvis AI kan skrive, skal vi i højere grad vurdere tænkning, valg og faglig begrundelse. Det betyder ikke, at skriftlige produkter bliver ligegyldige. Det betyder, at det skriftlige i højere grad skal være et spor af elevens arbejde.
Mange skoler arbejder med en tydelig “AI-politik” på elevniveau: hvornår det er tilladt, hvordan det skal angives, og hvad der betragtes som snyd. Den bedste politik er kort, kendt af alle og let at håndhæve i praksis.
Et stærkt greb er at gøre AI-brug til en del af fagligheden: Elever lærer at dokumentere, hvad de har fået hjælp til, og hvad de selv har ændret. Det minder om, hvordan vi allerede arbejder med kilder, citater og metode.
Her er tre enkle spor, der ofte gør en forskel:
- Definér “tilladt hjælp” pr. opgavetype og vis et eksempel
- Indfør en standard for angivelse: hvad blev brugt, til hvad, og hvad blev ændret
- Vurdér proces: disposition, udkast, feedback og refleksion kan tælle med
Det bliver hurtigt mere trygt for både lærer og elev, når forventningerne er eksplicitte.
Data, GDPR og ansvarlighed: det lærere bør have styr på
Når AI bruges i undervisning, er det ikke kun et pædagogisk valg. Det er også et ansvarligt valg. Man skal være opmærksom på, hvilke data der deles, og hvor de ender.
En praktisk tommelfingerregel er at undgå personoplysninger og elevfølsomme data i åbne tjenester, medmindre institutionen har klare aftaler og retningslinjer. I mange undervisningssituationer kan man få samme faglige værdi ved at anonymisere cases eller arbejde med syntetiske eksempler.
Det kan være hjælpsomt at aftale et fælles minimum på skolen: Hvad må lærere indtaste? Hvad må elever indtaste? Hvilke værktøjer er godkendt? Når det er på plads, kan kreativiteten få friere rammer, fordi de juridiske grænser er tydelige.
Kompetenceløft: fra enkeltlærer til fælles praksis
AI i undervisning lykkes sjældent som et soloprojekt. De bedste resultater kommer, når teams deler prompt-skabeloner, opgavetyper og vurderingskriterier. Det reducerer både forberedelsestid og usikkerhed.
Et kompetenceløft behøver ikke være tungt. En realistisk model er korte læringsloops: prøv én use case i to uger, saml erfaringer, justér, og gør det til fælles standard der, hvor det virker. Med tiden kan man bygge et lokalt “katalog” af gennemprøvede forløb.
Nordisk Business Academy arbejder med praksisnære, AI-integrerede kompetenceforløb, hvor undervisere typisk får konkrete skabeloner, cases og certificering, der kan bruges direkte i planlægning og undervisning. Den type forløb kan være et effektivt supplement til interne workshops, fordi materialer og metoder holdes løbende opdateret.
Når eleverne bruger AI: gør det til en faglig disciplin
Elever bruger allerede AI, også når vi ikke taler om det. Derfor er det stærkt at gøre AI-brug til en del af dannelsesopgaven: kritisk sans, metode og ansvar.
Et enkelt greb er at arbejde med “AI som sparringspartner” i stedet for “AI som svar-maskine”. Det kan også være en øvelse at lade elever sammenligne AI-output med lærebog, artikler eller primærkilder og markere, hvor AI svarer stærkt, og hvor den bliver vag.
Når elever lærer at udfordre AI med bedre spørgsmål, får de samtidig bedre faglige spørgsmål. Det løfter niveauet i klassedialogen, og det skaber en kultur, hvor kvalitet tæller mere end hastighed.
Organisering på institutionen: en model der er til at styre
Skoler og uddannelsesinstitutioner har forskellige rammer, men et enkelt set-up går igen mange steder: en lille arbejdsgruppe, få fælles standarder og løbende erfaringsdeling.
Start småt og målrettet. Vælg et fagteam eller et enkelt forløb. Beslut, hvad der skal testes, hvordan det dokumenteres, og hvilke elevprodukter der skal indsamles. Når der er data og erfaringer, er det lettere at udvide.
Det hjælper også at tænke i roller: en person med fokus på pædagogik, en med fokus på data og retningslinjer, og en med fokus på drift og værktøjer. Så bliver arbejdet både menneskeligt og håndterbart.
Små startpunkter, der kan mærkes allerede i næste uge
Du behøver ikke omkalfatre årsplanen for at komme i gang. Vælg ét sted, hvor AI kan give tydelig værdi, og gør succeskriteriet konkret: mindre forberedelsestid, hurtigere feedback eller bedre elevtekster.
En lærer kan starte med at skabe two faste prompt-skabeloner: én til feedback og én til differentierede øvelser. Et team kan starte med en fælles standard for AI-angivelse i opgaver. En institution kan starte med en enkel retningslinje om data og godkendte værktøjer.
Når AI bliver sat i ramme af faglige mål, tydelige kriterier og professionel dømmekraft, kan det føles som et reelt løft, ikke som endnu et system, der kræver mere, end det giver.
