När generativ AI blev allas egendom kastades många lärare in i en ny och obehaglig fråga: Hur vet vi om eleven faktiskt har lärt sig, när en chatbot kan leverera en välskriven text på sekunder? Matt Miller tar detta dilemma på allvar i AI for Educators (2023), men boken är långt ifrån en alarmklocka. Den är snarare en pedagogisk verktygslåda som visar hur AI kan användas för att stärka undervisning, minska tidstjuvar och – viktigast – flytta bedömningskulturen i riktning mot djupare förståelse. Sett från ett pedagogiskt-psykologiskt perspektiv är bokens kärnidé enkel: När teknologin förändrar vad som är lätt att producera måste skolan förändra vad den belönar. Denna artikel förklarar bokens huvudpoänger, kompletterar med nyare insikter om AI i utbildning, och ger konkreta strategier för lärande, motivation, bedömning och klassrumsledarskap i en AI-driven skolvardag.
\n\nMiller pekar på något många lärare redan har erfarit: uppgifter som hemmaessäer, reflektionsanteckningar och "skriv en text om ..." var designade för en tid då textproduktion var ett tydligt tecken på elevens kompetens. Med generativ AI är textmängd inte längre ett pålitligt mått på förståelse. Pedagogisk psykologi skiljer ofta mellan prestation (det vi kan producera här och nu) och lärande (varaktig förändring i kunskap och färdigheter). När AI kan höja prestationen utan att eleven gjort det kognitiva arbetet ökar risken för en farlig illusion: att "produkten" ser bra ut medan lärandet är svagt.
\nEtt relevant begrepp är kognitiv ansträngning. Djupt lärande kräver ofta att eleven måste hämta fram kunskap, misslyckas, justera och försöka igen. Om AI används som en genväg som tar bort denna ansträngning kan det försvaga etablering av begreppsnatverk, automatisering av grundfärdigheter och förmågan till transfer. Miller argumenterar därför inte för mer kontroll enbart, utan för smartare lärandedesign: bedömningsformer och aktiviteter som gör tänkande synligt.
\n\nAI for Educators kan läsas som ett skifte i lärarrollen. Istället för att lägga energi på att avslöja AI-användning uppmanar Miller till att bygga undervisning där AI antingen (1) inte ger "gratis vinst" eftersom bedömningen kräver autentisk förståelse, eller (2) används öppet som ett lärandeverktyg, på samma sätt som miniräknare och sökmotor integrerades i skolan. Han använder historiska paralleller: miniräknaren "dödade" inte matematik utan flyttade fokus mot resonemang; sökmotorn "dödade" inte kunskap utan gjorde källkritik och informationskompetens mer centralt.
\nEn kort poäng från bokens budskap kan sammanfattas så (parafraserat): När teknologin förändrar vad elever kan producera måste skolan förändra vad den bedömer. Miller uttrycker detta i samma anda som följande idé: AI är inte bara ett hot mot autentiskt arbete – det är också en möjlighet att göra lärande mer meningsfullt
. (Citatet är kort och används för att belysa huvudperspektivet.)
Ett av de mest handlingsinriktade kapitlen i boken handlar om bedömning. Miller föreslår flera bedömningsformer som är robusta i mötet med AI – inte för att de förbjuder verktyg, utan för att de gör elevens förståelse observerbar. Här är fyra av de mest relevanta, med pedagogisk-psykologisk motivering:
\n\nKorta, oförberedda förklaringar ("förklara fotosyntesen utan anteckningar", "vad är huvudargumentet i texten vi läste?") framtvingar retrieval practice – att hämta fram kunskap ur minnet. Detta är en av de bäst dokumenterade lärandestrategierna inom kognitiv psykologi. Muntliga bedömningar avslöjar också missuppfattningar och ytlig förståelse som lätt döljs i en polerad AI-text.
\n\nNär elever skriver, räknar eller löser problem medan läraren följer processen kan man bedöma resonemang, strategianvändning och metakognition. Ett enkelt grepp är att kräva "tänk-högt"-förklaringar eller korta reflektionsstopp: "Varför valde du den här metoden?" Detta minskar risken att slutprodukten ensam blir facit.
\n\nMiller framhåller bedömningsformer som kräver syntes, perspektivtagande och förmedling. Inom pedagogik handlar detta om att bedöma kompetens genom tillämpning och transfer: Kan eleven använda kunskapen i ett nytt sammanhang? En podd om historiska perspektiv eller en visuell förklaringsmodell gör det svårare att "låtsas" förstå, eftersom man måste göra val och motivera dem.
\n\nI gruppdiskussioner måste eleven svara på motargument och justera sina tankar i realtid. Detta liknar autentiska kompetenskrav i arbetslivet: samarbete, argumentation och kommunikation. Dessutom stödjer det socialkonstruktivistiska lärandeteorier där förståelse utvecklas genom dialog.
\n\nBoken är tydlig med att AI inte bara är ett problem som måste "hanteras", utan ett verktyg som kan stärka pedagogik när användningen är tydligt inramad. Miller föreslår bland annat:
\n\nAI kan omformulera texter till olika nivåer, skapa förklaringar med fler exempel eller ge stödbegrepp. Pedagogisk psykologi kallar detta att anpassa stöd inom elevernas närmaste utvecklingszon. Ett praktiskt exempel: Samma fackinnehåll kan finnas i tre versioner – enkel, standard och avancerad – där alla arbetar mot samma lärandemål, men med olika språklig komplexitet.
\n\nMiller beskriver en "stegvis feedback-modell": AI kan ge första återkopplingen på struktur, språk och tydlighet, medan läraren använder tiden till fackligt djup, resonemang och missuppfattningar. För lärande är detta viktigt eftersom frekventa återkopplingsslingor kan öka motivation och bemästrande – särskilt när eleven får möjlighet att revidera flera gånger före slutbedömning.
\nUppdaterat perspektiv (2024–2025): Erfarenheter från skolor internationellt tyder på att AI-feedback fungerar bäst när elever får tydliga kriterier och måste lämna in en kort "ändringslogg" (vad de ändrade och varför). Detta främjar metakognition och minskar passivt accepterande av AI-förslag.
\n\nEtt konkret grepp Miller föreslår är att använda AI "live" när svåra frågor dyker upp: Läraren kan demonstrera hur man ställer bra frågor (prompting) och sedan utvärdera svaret kritiskt tillsammans med klassen. Här kopplas digital kompetens till klassisk källkritik: Vad är påståendet? Vilka källor borde stödja det? Vilka begrepp saknas? Vad kan vara fel?
\n\nEn av de mest intressanta metoderna i boken är en utvidgad variant av Think–Pair–Share. Eleverna tänker först själva, diskuterar i par, konsulterar AI för motargument/exempel, diskuterar på nytt och delar i helklass. Pedagogiskt-psykologiskt sett är detta värdefullt av tre skäl:
\nPraktiskt tips: Låt eleverna lämna in en kort anteckning till slut med två kolumner: "Detta tyckte vi före AI" och "Detta ändrade vi efter AI (med motivering)". Då bedömer du lärande, inte bara slutprodukt.
\n\nMiller beskriver AI som debattpartner och som rollfigur i historiska samtal. Detta kan verka som "edtech-underhållning", men det träffar flera centrala mekanismer inom pedagogisk psykologi:
\nCase-exempel (klassrum): I samhällskunskap kan elever debattera klimatpolitik med AI som representerar olika intressenter (kommuntekonom, ungdomspolitiker, industriledare). Efteråt måste eleverna identifiera vilka värderingar och antaganden som styrde argumenten, och koppla det till teori om intressekonflikter.
\n\nMiller är tydlig med att AI bäst fungerar som ett "förstautkast-verktyg". Exempel:
\nViktig uppdatering: Skolor bör etablera tydliga rutiner för integritetsskydd. Lägg inte in känsliga elevuppgifter i öppna AI-tjänster utan godkännande och personuppgiftsbiträdesavtal. Många kommuner och regioner har under 2024–2025 skärpt praxis just av denna anledning.
\n\nMot slutet av boken höjer Miller blicken: Eleverna ärver en framtid där AI blir en del av de flesta yrken, men där innehållet i jobben förändras snabbt. Därför bör skolan träna anpassningsförmåga snarare än att gissa "rätt" framtidsjobb. Två kompetensområden blir särskilt viktiga:
\n\nAtt kommunicera precist med AI – ge kontext, avgränsa, iterera – liknar informationskompetens från sökmotorns tidsålder, men med högre krav på precision. Ett konkret undervisningsgrepp är att låta elever förbättra en prompt i tre omgångar och logga vad som blev bättre i svaret och varför.
\n\nGenerativ AI kan ge övertygande men felaktig information. Därför bör elever tränas i att verifiera: kontrollera mot lärobok/primärkällor, be om källor, och bedöma om svaren är konsekventa. Praktisk övning: Ge eleverna ett AI-svar som innehåller 3 medvetna fel, och låt dem hitta, korrigera och dokumentera med källor. Då bedömer du kritiskt tänkande, inte bara faktaigenkänning.
\n\nAI for Educators av Matt Miller är mest användbar när den läses som pedagogik, inte teknik. Boken beskriver ett verkligt problem: traditionella bedömningsformer har blivit mindre tillförlitliga när AI kan producera "perfekta" elevtexter. Men Miller stannar inte vid oron. Han visar hur lärare kan omdesigna bedömning och undervisning så att elever måste demonstrera förståelse genom muntlighet, process, dialog och kreativa produkter – och hur AI kan användas för nivåanpassning, idéutveckling och snabbare feedback utan att lärarens professionella omdöme försvinner.
\nI ett pedagogiskt-psykologiskt perspektiv är budskapet särskilt relevant: Djupt lärande kräver aktivt tänkande, återkoppling och reflektion, och AI bör användas så att dessa mekanismer förstärks – inte ersätts. När rutinarbete automatiseras blir de mest mänskliga sidorna av lärarrollen ännu viktigare: relation, trygghet, motivation, bedömning för lärande och stöd till elever som kämpar. AI kan förändra verktygen, men det är fortfarande läraren som designar läranderesan.