Da generativ AI ble allemannseie, ble mange lærere kastet inn i et nytt og ubehagelig spørsmål: Hvordan vet vi om eleven faktisk har lært, når en chatbot kan levere en velskrevet tekst på sekunder? Matt Miller tar dette dilemmaet på alvor i AI for Educators (2023), men boken er langt fra en alarmklokke. Den er snarere en pedagogisk verktøykasse som viser hvordan AI kan brukes til å styrke undervisning, redusere tidstyver og – viktigst – flytte vurderingskulturen i retning av dypere forståelse. Sett fra et pedagogisk-psykologisk perspektiv er bokens kjerneidé enkel: Når teknologien endrer hva som er lett å produsere, må skolen endre hva den belønner. Denne artikkelen forklarer bokens hovedpoenger, supplerer med nyere innsikt om AI i utdanning, og gir konkrete strategier for læring, motivasjon, vurdering og klasseledelse i en AI-drevet skolehverdag.
Miller peker på noe mange lærere allerede har erfart: oppgaver som hjemme-essay, refleksjonsnotat og «skriv en tekst om …» var designet for en tid der tekstproduksjon var et tydelig tegn på elevens kompetanse. Med generativ AI er ikke tekstmengde lenger et pålitelig mål på forståelse. Pedagogisk psykologi skiller ofte mellom ytelse (det vi kan produsere her og nå) og læring (varig endring i kunnskap og ferdigheter). Når AI kan løfte ytelsen uten at eleven har gjort den kognitive jobben, øker risikoen for en farlig illusjon: at «produktet» ser bra ut, mens læringen er svak.
Et relevant begrep er kognitiv anstrengelse. Dyp læring krever ofte at eleven må hente frem kunnskap, feile, justere og prøve igjen. Hvis AI brukes som en snarvei som fjerner denne anstrengelsen, kan det svekke etablering av begrepsnettverk, automatisering av grunnferdigheter og evnen til transfer. Miller argumenterer derfor ikke for mer kontroll alene, men for smartere læringsdesign: vurderingsformer og aktiviteter som gjør tenkning synlig.
AI for Educators kan leses som et skifte i lærerrollen. I stedet for å bruke energien på å avsløre AI-bruk, oppfordrer Miller til å bygge undervisning der AI enten (1) ikke gir «gratis gevinst», fordi vurderingen krever autentisk forståelse, eller (2) brukes åpent som et læringsverktøy, på samme måte som kalkulator og søkemotor ble integrert i skolen. Han bruker historiske paralleller: kalkulatoren «drepte» ikke matematikk, men flyttet fokus mot resonnering; søkemotoren «drepte» ikke kunnskap, men gjorde kildekritikk og informasjonskompetanse mer sentralt.
Et kort poeng fra bokens budskap kan oppsummeres slik (parafrasert): Når teknologien endrer hva elever kan produsere, må skolen endre hva den vurderer. Miller uttrykker dette i samme ånd som følgende idé: AI er ikke bare en trussel mot autentisk arbeid – det er også en mulighet til å gjøre læring mer meningsfull
. (Sitatet er kort og brukt for å belyse hovedperspektivet.)
Et av de mest handlingsrettede kapitlene i boken handler om vurdering. Miller foreslår flere vurderingsformer som er robuste i møte med AI – ikke fordi de forbyr verktøy, men fordi de gjør elevens forståelse observerbar. Her er fire av de mest relevante, med pedagogisk-psykologisk begrunnelse:
Korte, uforberedte forklaringer («forklar fotosyntesen uten notater», «hva er hovedargumentet i teksten vi leste?») tvinger frem retrieval practice – det å hente frem kunnskap fra hukommelsen. Dette er en av de best dokumenterte læringsstrategiene i kognitiv psykologi. Muntlige vurderinger avdekker også misoppfatninger og overfladisk forståelse som lett skjules i en polert AI-tekst.
Når elever skriver, regner eller løser problemer mens læreren følger prosessen, kan man vurdere resonnering, strategibruk og metakognisjon. Et enkelt grep er å kreve «tenk-høyt»-forklaringer eller korte refleksjonsstopp: «Hvorfor valgte du denne metoden?» Dette reduserer sjansen for at sluttproduktet alene blir fasiten.
Miller fremhever vurderingsformer som krever syntese, perspektivtaking og formidling. I pedagogikk handler dette om å vurdere kompetanse gjennom anvendelse og transfer: Kan eleven bruke kunnskapen i en ny kontekst? En podkast om historiske perspektiver eller en visuell forklaringsmodell gjør det vanskeligere å «late som» man forstår, fordi man må ta valg og begrunne dem.
I gruppediskusjoner må eleven respondere på motargumenter og justere tankene i sanntid. Dette ligner autentiske kompetansekrav i arbeidslivet: samarbeid, argumentasjon og kommunikasjon. I tillegg støtter det sosialkonstruktivistiske læringsteorier der forståelse utvikles gjennom dialog.
Boken er tydelig på at AI ikke bare er et problem som må «håndteres», men et verktøy som kan styrke pedagogikk når bruken er tydelig rammet inn. Miller foreslår blant annet:
AI kan omskrive tekster til ulike nivåer, lage forklaringer med flere eksempler eller gi støttebegreper. Pedagogisk psykologi kaller dette å tilpasse støtte innenfor elevenes nærmeste utviklingssone. Et praktisk eksempel: Samme faginnhold kan finnes i tre versjoner – enkel, standard og avansert – der alle jobber mot samme læringsmål, men med ulik språklig kompleksitet.
Miller beskriver en «trinnvis feedback-modell»: AI kan gi første tilbakemelding på struktur, språk og tydelighet, mens læreren bruker tiden på faglig dybde, resonnering og misoppfatninger. For læring er dette viktig fordi hyppige tilbakemeldingssløyfer kan øke motivasjon og mestring – spesielt når eleven får mulighet til å revidere flere ganger før endelig vurdering.
Oppdatert perspektiv (2024–2025): Erfaringer fra skoler internasjonalt tyder på at AI-feedback fungerer best når elever får klare kriterier og må levere en kort «endringslogg» (hva de endret og hvorfor). Dette fremmer metakognisjon og reduserer passiv aksept av AI-forslag.
Et konkret grep Miller foreslår, er å bruke AI «live» når det dukker opp vanskelige spørsmål: Læreren kan demonstrere hvordan man stiller gode spørsmål (prompting), og deretter evaluere svaret kritisk sammen med klassen. Her kobles digital kompetanse til klassisk kildekritikk: Hva er påstanden? Hvilke kilder burde støtte den? Hvilke begreper mangler? Hva kan være feil?
En av de mest interessante metodene i boken er en utvidet variant av Think–Pair–Share. Elevene tenker først alene, diskuterer i par, konsulterer AI for motargumenter/eksempler, diskuterer på nytt, og deler i plenum. Pedagogisk-psykologisk sett er dette verdifullt av tre grunner:
Praktisk tips: La elevene levere et kort notat til slutt med to kolonner: «Dette mente vi før AI» og «Dette endret vi etter AI (med begrunnelse)». Da vurderer du læring, ikke bare sluttprodukt.
Miller beskriver AI som debattpartner og som rollefigur i historiske samtaler. Dette kan virke som «edtech-underholdning», men det treffer flere sentrale mekanismer i pedagogisk psykologi:
Case-eksempel (klasserom): I samfunnsfag kan elever debattere klimapolitikk med AI som representerer ulike interessenter (kommuneøkonom, ungdomspolitiker, industrileder). Etterpå må elevene identifisere hvilke verdier og antakelser som styrte argumentene, og koble det til teori om interessekonflikter.
Miller er tydelig på at AI best fungerer som et «førsteutkast-verktøy». Eksempler:
Viktig oppdatering: Skoler bør etablere tydelige rutiner for personvern. Ikke legg inn sensitive elevdata i åpne AI-tjenester uten godkjenning og databehandleravtaler. Mange kommuner og fylker har i 2024–2025 strammet inn praksis nettopp av denne grunn.
Mot slutten av boken løfter Miller blikket: Elevene arver en fremtid der AI blir en del av de fleste yrker, men hvor innholdet i jobbene endrer seg raskt. Derfor bør skolen trene tilpasningsdyktighet heller enn å gjette «riktige» fremtidsjobber. To kompetanseområder blir særlig viktige:
Å kommunisere presist med AI – gi kontekst, avgrense, iterere – ligner på informasjonskompetanse fra søkemotorens tidsalder, men med større krav til presisjon. Et konkret undervisningsgrep er å la elever forbedre en prompt i tre runder og loggføre hva som ble bedre i svaret og hvorfor.
Generativ AI kan gi overbevisende, men feil informasjon. Derfor bør elever trenes i å verifisere: sjekk mot lærebok/primærkilder, be om kilder, og vurdere om svarene er konsistente. Praktisk øvelse: Gi elevene et AI-svar som inneholder 3 bevisste feil, og la dem finne, korrigere og dokumentere med kilder. Da vurderer du kritisk tenkning, ikke bare faktagjenkalling.
AI for Educators av Matt Miller er mest nyttig når den leses som pedagogikk, ikke teknologi. Boken beskriver et reelt problem: tradisjonelle vurderingsformer er blitt mindre pålitelige når AI kan produsere «perfekte» elevtekster. Men Miller stopper ikke ved bekymringen. Han viser hvordan lærere kan redesigne vurdering og undervisning slik at elever må demonstrere forståelse gjennom muntlighet, prosess, dialog og kreative produkter – og hvordan AI kan brukes til nivåtilpasning, idéutvikling og raskere feedback uten at lærerens profesjonelle skjønn forsvinner.
I et pedagogisk-psykologisk perspektiv er budskapet særlig relevant: Dyp læring krever aktiv tenkning, tilbakemelding og refleksjon, og AI bør brukes slik at disse mekanismene forsterkes – ikke erstattes. Når rutinearbeid automatiseres, blir de mest menneskelige sidene av lærerrollen enda viktigere: relasjon, trygghet, motivasjon, vurdering for læring og støtte til elever som strever. AI kan endre verktøyene, men det er fortsatt læreren som designer læringsreisen.