Welkom in mijn werkplaats

Mijn naam is Arjan Hartevelt. In het dagelijks leven werk ik als functioneel beheerder in het onderwijs. Dat klinkt misschien alsof ik vooral knoppen beheer, systemen uitleg en tickets tem. En ja, dat doe ik ook. Iemand moet tenslotte voorkomen dat technologie alleen werkt in een PowerPoint-presentatie. Mijn werk gaat echter verder dan klassiek systeembeheer. Ik beweeg me op het snijvlak van AI, onderwijs, toegankelijkheid en menselijk leren. Visible4all is de werkplaats waar mijn praktijkervaring, technische kennis en onderwijsblik samenkomen.

Ik onderzoek hoe artificiële intelligentie praktisch inzetbaar wordt voor docenten, studenten en organisaties. Niet als speelgoed en niet als magische antwoordmachine, maar als hulpmiddel om het menselijk denken, leren en werken beter te ondersteunen.

Anders denken als uitgangspunt

Mijn blik op technologie, taal en onderwijs wordt sterk gevormd door de manier waarop mijn eigen brein werkt: ik ben autistisch en dyslectisch. Dit noem ik niet om een label op te plakken, maar omdat het mijn perspectief verklaart. Ik zie snel structuur, merk direct waar systemen rommelig worden en voel waar taal onnodig ingewikkeld is. Vaak zie ik eerder dan anderen waar een proces vastloopt voor mensen die niet precies binnen het gemiddelde passen.

Veel organisaties ontwerpen beleid, systemen en onderwijs alsof de gemiddelde gebruiker echt bestaat. In de praktijk kom je echter alleen echte mensen tegen, met wezenlijk verschillende manieren van denken, lezen, plannen, reageren en leren. Vanuit die realiteit is mijn interesse in AI ontstaan.

Voor veel mensen is generatieve AI vooral een creatieve assistent die teksten schrijft of ideeën verzint. Voor mij is AI primair een cognitief hulpmiddel dat structuur aanbrengt, taal vereenvoudigt, informatie ordent en sociale ruis vermindert. AI helpt om een onduidelijke wereld net iets leesbaarder te maken. Voor iemand met dyslexie is dat geen luxe, maar praktisch gereedschap. Ik gebruik AI dagelijks om complexe informatie om te zetten naar heldere taal. Niet om mijn denken te vervangen, maar om mijn denken beter zichtbaar te maken. Toegankelijkheid is voor mij dan ook geen mooi woord op een beleidsdia, maar een dagelijkse praktijk.

De fundamenten van cognitieve ondersteuning

Wanneer we AI inrichten als hulpmiddel voor overzicht, kijken we naar drie specifieke effecten:
Reduceren van administratieve ruis: Het filteren van overbodige formuleringsstappen in softwareomgevingen.

Expliciet maken van de context: AI kan impliciete aannames in beleidsteksten of opdrachten vertalen naar heldere, sequentiële stappen.

Visuele en tekstuele structurering: Grote lappen tekst automatisch omzetten naar logische hiërarchieën zonder de inhoudelijke diepgang te verliezen.

Dit helpt gebruikers grip te krijgen op hun informatievoorziening en voorkomt vroegtijdig afhaken bij complexe processen.

Met beide voeten in de onderwijspraktijk

Omdat ik midden in de onderwijspraktijk werk, zie ik van dichtbij hoe instellingen worstelen met de opkomst van AI. De discussie blijft vaak hangen bij fraude, plagiaat en de angst dat studenten ChatGPT misbruiken. Dat zijn begrijpelijke zorgen, maar de focus is te smal. We kijken naar een dynamiek waarin studenten werkstukken laten schrijven en docenten achterdochtig naar een detectietool staren.

De werkelijk waardevolle vragen liggen ergens anders:

Hoe gebruiken we AI om studenten juist beter te leren denken?
Hoe bouwen we didactische simulaties waarin studenten veilig kunnen oefenen met klinisch of casusgericht redeneren?
Hoe geven we feedback die aansluit bij verschillende manieren van leren?
Hoe ondersteunen we docenten zonder hun vakmanschap plat te automatiseren?

Bij het beantwoorden van deze vragen hanteer ik altijd één kritische toetssteen: voor wie werkt dit systeem niet? Juist de uitzondering laat zien waar een systeem, een workflow of een beleidskader te smal is ontworpen.

Van AI-geletterdheid naar AI-vakmanschap

AI-geletterdheid is slechts een begin; weten wat AI wel en niet kan is niet meer voldoende. We moeten toe naar AI-vakmanschap. Dit betekent het ontwerpen van doordachte prompts, veilige workflows, didactische simulaties en verantwoorde toepassingen. Binnen mijn werkplaats richt ik me daarom op de praktische inzet van prompt engineering, context engineering, multi-agent systemen en lokale AI-modellen.

Techniek is pas interessant als het een reëel probleem oplost voor echte mensen. De onderstaande tabel laat zien hoe deze technische componenten direct vertaald worden naar ondersteuning in de praktijk:

Technische component	Vertaling naar de dagelijkse praktijk	Professionele beslisdimensie
Context engineering	Bouwen van didactische simulaties waarmee studenten veilig scenario’s oefenen.	Scholing en professionalisering
Doordacht prompt-ontwerp	Docenten ondersteunen bij het efficiënt formuleren van gerichte feedback.	Integratie met bestaande systemen
Lokale AI-modellen	Draaien van taalmodellen op eigen infrastructuur om studentgegevens lokaal te houden.	Privacy en datasoevereiniteit
Multi-agent workflows	Complexe administratieve processen opknippen in overzichtelijke deeltaken.	Implementatie en beheer

De belangrijkste conclusie uit deze vergelijking is dat de keuze voor een technische inrichting altijd gekoppeld moet zijn aan een organisatorisch of didactisch doel. Je lost een privacyvraagstuk niet op met beleid alleen, maar door te kiezen voor een architectuur (zoals lokale modellen) die datasoevereiniteit technisch afdwingt.

Menselijke regie en governance

In al mijn projecten en experimenten staat één uitgangspunt onwrikbaar voorop: de mens houdt de regie. AI mag ondersteunen, ordenen, simuleren, spiegelen en versnellen. Maar AI moet niet ongemerkt gaan bepalen wat goed onderwijs is, welke student een risico loopt of welke beslissing logisch is.

Dit vraagt om gedegen governance, heldere interne afspraken, scherpe ethische kaders en een grondige kennis van wetgeving zoals de EU AI Act. Privacy is hierbij geen juridische bijlage die achteraf wordt toegevoegd; het is een fundamenteel onderdeel van een goed startontwerp. Juist bij toepassingen voor studenten, kwetsbare groepen of gevoelige informatie moeten we scherp blijven op datacontrole en de afhankelijkheid van grote, externe platformen minimaliseren.

Evaluatiekader voor AI-toepassingen

Om te bepalen of een AI-toepassing binnen de organisatie daadwerkelijk bijdraagt aan inclusiviteit en overzicht, gebruik ik een praktisch besliskader bestaande uit vijf richtinggevende evaluatievragen:

De inclusiviteitsvraag: Hebben we expliciet getoetst voor welke studenten of medewerkers dit specifieke AI-systeem niet werkt, en welke drempels zij ervaren?
De regievraag: Op welk specifiek punt in de workflow is de menselijke controle verankerd, en hoe voorkomen we dat de output van de AI kritischloos wordt overgenomen?
De soevereiniteitsvraag: Waar worden de prompts en ingevoerde gegevens verwerkt, en is een lokaal AI-model overwogen om de privacy van kwetsbare groepen te beschermen?
De cognitieve vraag: Vermindert deze AI-toepassing aantoonbaar de administratieve druk en onnodige prikkels voor de docent of student, of voegt het juist een extra handeling toe?
De vakmanschapsvraag: Helpt dit systeem de gebruiker om beter te redeneren en te leren, of automatiseert het de intellectuele kern van het werk plat?

Wanneer we AI ontwerpen met het oog op de uitzondering, bouwen we systemen die uiteindelijk voor iedereen beter werken.

Voor welke specifieke groep gebruikers schiet de huidige AI-inrichting binnen jouw organisatie op dit moment nog tekort?