AI er gået fra at være et teknologisk "supplement" til at blive en aktiv medspiller i læring. I dag møder vi anbefalingssystemer, automatiseret feedback og generative sprogmodeller, der kan forklare, teste, opsummere og vejlede – ofte i realtid. Det gør noget ved pædagogik, læringsteori og psykologien bag motivation og mestring. Samtidig skaber det nye misforståelser: Mange antager, at AI "forstår", at den er neutral, eller at den kan erstatte undervisere. Donald Clark (2024) argumenterer i Artificial Intelligence for Learning for, at de største gevinster kommer, når AI bruges strategisk: som en skalerbar støtte, der personaliserer øvelse, reducerer friktion i læringsrejsen og frigør tid til menneskelige styrker som relation, dømmekraft og etik. Denne artikel kobler bogens hovedidéer til pædagogisk psykologi og giver praktiske råd til organisationer, der vil bruge AI til bedre læring – uden at miste kvalitet, retfærdighed eller tillid.
\n\nIdéen om kunstig intelligens fik en tydelig form ved Dartmouth-konferencen i 1956, hvor forskere som John McCarthy og Marvin Minsky lancerede en ambition om, at maskiner kunne udføre opgaver, vi forbinder med tænkning. Tidlige bølger af entusiasme blev senere afløst af "AI-vintre", men de seneste årtier har øget regnekraft, store datamængder og nye læringsmetoder (maskinlæring, dyb læring og forstærkningslæring) gjort AI praktisk anvendelig i stor skala.
\nFor læring er dette et skifte, der ligner andre kognitive spring i historien: skriftsprog, bogtrykkerkunst og internet udvidede hukommelse og distribution af viden. Generativ AI tilfører noget mere: den kan producere tekst, opgaver, forklaringer og dialog på forespørgsel. Det gør AI til mere end et administrativt værktøj; den bliver en samtalepartner, der kan støtte forståelse, øvelse og refleksion – hvis den bruges rigtigt.
\nPædagogisk psykologi minder os samtidig om, at læring ikke bare handler om informationsadgang. Det handler om opmærksomhed, motivation, forkundskaber, kognitiv belastning, følelser og sociale rammer. Netop derfor kan AI være en kraftig forstærker – eller en effektiv distraktion – afhængigt af design, formål og etik.
\n\nEn central afklaring i Clarks fremstilling er, at AI ikke er én samlet "intelligens". Den består af forskellige systemer og modeller, ofte bygget til specifikke opgaver. Sprogmodeller kan skrive flydende, men det betyder ikke, at de har menneskelig forståelse, intention eller bevidsthed. Dette opsummeres ofte som kompetence uden forståelse: modellen kan præstere, men den "ved" ikke, hvad den gør på samme måde som et menneske.
\nDette har direkte pædagogiske konsekvenser. Hvis vi antager, at AI "forstår", kan vi fejlagtigt stole på den som autoritet. I læringsdesign skal AI behandles som et sandsynlighedsdrevet værktøj, der kan hjælpe med:
\nMen samme værktøj kan også hallucinere (finde på), overforenkle eller reproducere skævheder fra træningsdata. Derfor bør AI altid sættes ind i en ramme for kvalitetssikring, kildekritik og læringspsykologiske principper.
\n\nBrug AI som coach og træningspartner, ikke som "facit". Det reducerer risikoen for fejlinformation og styrker elevens/deltagerens aktive rolle, hvilket er centralt i moderne læringsteori.
\n\nFor at forstå hvorfor generativ AI kan støtte læring, er det nyttigt at koble teknologien til pædagogisk psykologi. Flere mekanismer, som AI-løsninger efterligner, har solid forskningsstøtte:
\n\nInden for maskinlæring forbedres modeller gennem gentagne forsøg, hvor fejl bruges til at justere parametre. Mennesker lærer også gennem iteration: vi prøver, fejler, får feedback og justerer strategi. Inden for pædagogisk psykologi kobles dette til formativ vurdering og deliberate practice (målrettet øvelse). AI kan give hyppig feedback med lav tærskel, hvilket gør, at flere faktisk gennemfører de nødvendige gentagelser.
\n\nGenerative modeller kan føre samtaler, der minder om vejledning: stille opfølgningsspørgsmål, bede om begrundelser og foreslå alternative perspektiver. Det støtter dybdelæring ved at aktivere forkundskaber og fremme elaborering (at uddybe og forbinde idéer).
\nEt nyttigt princip er, at AI bør instrueres til at være en spørgende vejleder fremfor en "forelæser". Bed f.eks. AI om at spørge: "Hvad er din antagelse her?", "Kan du give et eksempel?", "Hvordan ville dette se ud i praksis?". Så bliver læringen mere aktiv.
\n\nClark fremhæver, at sprog og viden udvikles i mødet mellem stemmer, roller og kontekster. I pædagogik bruges dette i diskussioner, rollespil, cases og refleksionstekster. AI kan hurtigt generere kontrasterende synspunkter (f.eks. "argumenter for og imod"), tilpasse tone (begynder vs. ekspert) og tilbyde alternative forklaringsniveauer. Det kan øge forståelse – hvis eleven/medarbejderen også lærer at vurdere kvaliteten kritisk.
\n\nEt klassisk psykologisk princip er, at læring fungerer bedst, når opgaven er udfordrende men opnåelig med støtte. Generativ AI kan justere sværhedsgrad via dialog og hints, og dermed hjælpe flere til at blive i zonen, hvor de oplever progression. Det kan styrke mestringstroen (self-efficacy) og udholdenhed.
\n\nMange ønsker personalisering, men ender i forkert spor: de tilpasser efter præferencer ("jeg er visuel") i stedet for efter faktisk præstation og behov. Forskning giver svag støtte til, at undervisning baseret på "læringsstile" giver bedre resultater. Det, der derimod har dokumenteret effekt, er at tilpasse til:
\nHer kan AI være meget nyttig. Et adaptivt system kan starte med en diagnostisk test, foreslå et kortere forløb for erfarne, og give flere mikrolektioner og øvelser til begyndere. I organisatorisk læring kan det betyde, at sælgere får scenarier knyttet til reelle indvendinger, mens kundeservice træner på samtalestruktur og emotionelt krævende situationer.
\n\nEn mellemstor virksomhed indfører et AI-støttet uddannelsesforløb i datasikkerhed. I stedet for at sende alle den samme e-learning, får medarbejdere:
\nEffekten kan måles i reducerede fejlklik på phishing-tests, hurtigere respons på sikkerhedshændelser og højere gennemførelsesgrad. Selv uden at angive konkrete tal vil mange virksomheder se gevinster, fordi tiltaget flytter læring fra "engangskursus" til kontinuerlig praksis.
\n\nMeget af værdien i AI ligger ikke i flotte grænseflader, men i at støtte bliver tilgængelig præcis når behovet opstår. Inden for pædagogisk psykologi er timing afgørende: hjælp der kommer for sent, bliver ofte irrelevante rettelser i stedet for læringsstøtte.
\n\nEn godt designet bot kan:
\nFor læring reducerer dette kognitiv belastning: man slipper for at lede i mapper, intranet og PDF-filer. Når informationsfriktion sænkes, øges sandsynligheden for, at medarbejdere faktisk bruger støtteværktøjet – hvilket i sig selv er en stor adfærdspsykologisk gevinst.
\n\nAt tale og lytte er grundlæggende færdigheder. Stemmebaseret AI kan derfor give støtte med lav tærskel i situationer, hvor skærm ikke passer (på vej til arbejde, på lager, i hjemmebaseret praksis). For eksempel kan en lærling repetere arbejdsmiljørutiner mundtligt og få korrigerende spørgsmål, eller en leder kan træne vanskelige samtaler gennem rollespil med AI.
\n\nAdaptiv læring handler om, at systemet ændrer indhold og progression baseret på brugerens præstation og adfærd. Dette kræver mere end at samle data; man skal oversætte data til pædagogiske beslutninger. En moden læringsanalyse kan beskrives som en trappe:
\nFor instruktionsdesignere betyder dette et rolleskifte. Indhold kan ikke bare være lineære moduler; det skal bygges som fleksible komponenter, som AI kan sætte sammen. Designeren bliver en kurator og kvalitetssikrer: definerer mål, vurderingskriterier, sværhedsgrad og "guardrails" for, hvad AI kan sige og gøre.
\n\nVurdering er et område, hvor AI allerede giver tydelige ændringer. Traditionelt får mange feedback for sent: en prøve efter afsluttet emne eller en bedømt opgave uger senere. Pædagogisk psykologi viser, at hurtig feedback og mulighed for ny øvelse giver bedre læring.
\n\nAI kan justere sværhedsgrad undervejs og give forklaring knyttet til fejlen, ikke bare "rigtigt/forkert". Dette kan øge læringudbyttet og reducere frustration. I organisationer kan dette bruges i certificeringer, compliance og faglig uddannelse – hvor målet ofte er robust anvendelse, ikke bare gennemførelse.
\n\nGenerativ AI udfordrer traditionelle hjemmeopgaver og essays som vurderingsform. Løsningen er sjældent at "forbyde alt", men at redesigne vurdering mod:
\nAI kan også bidrage til integritet ved at identificere usædvanlige mønstre, men sådan overvågning skal balanceres mod privatlivsbeskyttelse og tillid.
\n\nEtiske udfordringer inden for AI handler ikke bare om teknologi, men om psykologi og pædagogik: hvem får støtte, hvem bliver fejlvurderet, og hvordan påvirkes motivationen, når systemer opleves uretfærdige?
\n\nSkævheder opstår ofte fra træningsdata: historiske mønstre, stereotyper eller underrepræsentation. I læring kan bias vise sig ved, at systemet:
\nEn vigtig indsigt er, at algoritmisk bias kan være lettere at opdage end menneskelig bias, fordi den kan testes systematisk. Men det kræver, at organisationen faktisk gør det: måler forskelle, evaluerer datasæt og har rutiner for korrektion.
\n\nClark beskriver et fragmenteret landskab: nogle jurisdiktioner lægger vægt på streng kontrol og værdiforankring, mens andre har mere branchestyret selvregulering. EU er gået langt med risikobaseret regulering (AI inddeles i risikoniveauer, med strengere krav ved "høj risiko"-brug). For læring i organisationer betyder dette, at man bør arbejde efter principper, der alligevel tåler fremtidige krav:
\nMange indførelser fejler, fordi de starter med værktøjer, ikke med læringsproblemer. Pædagogisk psykologi tilsiger, at tiltag skal forankres i mål, motivation og transfer (overførsel til praksis). En nyttig implementeringsmodel kan være:
\n\nDet er fristende at rapportere antal brugere, klik og gennemførelse. Men læring handler om ændret kompetence og adfærd. Brug derfor indikatorer som:
\nDen mest interessante konsekvens er ikke, at AI kan skrive tekster eller rette opgaver, men at læringsprocessen kan blive mere kontinuerlig, dialogbaseret og individualiseret. Det kan styrke motivation (oplevet kontrol), øge mængden af øvelse (lav tærskel) og gøre feedback mere tilgængelig (hurtig respons).
\nSamtidig skal pædagogisk psykologi hjælpe os med at undgå nye faldgruber: passiv afhængighed af forklaringer, reduceret udholdenhed når "svaret er én prompt væk", og en kultur hvor læring forveksles med produktion. Fremtidens pædagogik skal derfor vægte metakognition (at forstå egen læring), kritisk tænkning, og vurderingsformer der måler anvendelse og ræsonnement.
\n\nDonald Clarks hovedpointe kan opsummeres således: AI er ikke én magisk intelligens, men et sæt af værktøjer, der – når de bruges strategisk – kan gøre læring mere personlig, mere tilgængelig og mere effektiv. Generativ AI åbner for realtidsdialog, skalerbar vejledning og hyppig feedback. Det rammer kernen i pædagogisk psykologi: mennesker lærer bedst, når de får relevant støtte, oplever mestring og får øve sig på det, de faktisk skal kunne.
\nMen gevinsterne kommer ikke automatisk. Organisationer skal undgå myter (som at AI "forstår" eller at "læringsstile" kan automatiseres), og de skal prioritere etik, privatlivsbeskyttelse og retfærdighed. Den mest bæredygtige tilgang er at lade AI tage rutineopgaver og skalerbar støtte, mens mennesker tager ansvar for relation, kontekst, værdier og dømmekraft. Så kan AI blive en katalysator for bedre pædagogik og mere målrettet kompetenceudvikling – og ikke bare endnu et værktøj i en allerede støjende digital værktøjskasse.
\n\nKort direkte citat (inden for citatret): Clark beskriver en central pointe som "competence without comprehension" – en præcisering, der minder os om at designe læring med kvalitetssikring og kritisk vurdering af AI-svar.