AI-geletterdheid begint niet alleen bij tools, maar ook bij denkvaardigheden.

Chamin Hardeman — 18 maart 2026 | Computational thinking biedt een stevig fundament voor AI-geletterdheid.

De afgelopen maanden zie ik steeds vaker dezelfde vraag opduiken in gesprekken met onderwijsprofessionals: "Hoe bereiden we onze studenten voor op een wereld waarin AI overal is?" Het antwoord dat ik dan hoor, focust meestal op het aanleren van de nieuwste AI-tools. ChatGPT gebruiken, prompts schrijven, deepfakes herkennen.

Door AI-geletterdheid te reduceren tot toolgebruik, trainen we studenten voor gisteren in plaats van morgen. Tools verouderen, cognitieve structuren niet. AI-geletterdheid begint niet bij het beheersen van tools, maar bij het ontwikkelen van fundamentele denkvaardigheden die studenten in staat stellen om kritisch en bewust samen te werken met intelligente systemen. En die basis? Dat is computational thinking – systeemdenken in actie.

Meer dan coderen alleen

Toen we bij Mediaheads werkten aan Rolf Connect – Coderen, zagen we hoe kinderen van vijf jaar al complexe problemen konden oplossen door ze systematisch te benaderen. Ze leerden sequenties maken, patronen herkennen, functies gebruiken en parallelle processen begrijpen. Dit is computational thinking in zijn meest pure vorm: het vermogen om problemen op te delen, patronen te herkennen, het essentiële te destilleren en stap-voor-stap oplossingen te ontwerpen.

Deze vaardigheden zijn niet alleen relevant voor programmeren. Ze vormen de basis voor systeemdenken in een wereld vol complexiteit – precies wat we nodig hebben in een AI-gedreven samenleving waar systemen elkaar beïnvloeden en onverwachte effecten kunnen hebben.

De brug naar AI-geletterdheid

AI-systemen zijn geen magische entiteiten. Het zijn systemen die patronen toepassen op basis van trainingsdata. Wie niet begrijpt hoe systemen werken, kan ook niet kritisch omgaan met hun uitkomsten.

Studenten die computational thinking beheersen, zijn fundamenteel beter voorbereid op AI omdat ze:

Begrijpen hoe algoritmes werken: Ze hebben zelf algoritmes gemaakt en weten dat elke stap consequenties heeft. Wanneer een AI-systeem een bepaalde output geeft, kunnen ze redeneren over hoe die tot stand is gekomen.

Kritisch kunnen evalueren: Ze herkennen patronen en kunnen beoordelen of een AI-output logisch is binnen de context. Ze begrijpen dat AI-systemen patronen toepassen die ze uit trainingsdata hebben geleerd.

Problemen kunnen structureren: Ze weten hoe je complexe vraagstukken opdeelt zodat AI effectief kan helpen als partner in het denkproces, niet als vervanger ervan.

Systematisch kunnen debuggen: Ze begrijpen dat systemen falen en weten hoe je methodisch naar oplossingen zoekt. Deze vaardigheid is cruciaal wanneer AI-systemen onverwachte of ongewenste resultaten produceren.

Van transparantie naar begrip

In Rolf Connect – Coderen zagen we deze principes in actie. Kinderen legden fysieke blokken op een HUB en zagen hun robot stap voor stap hun instructies uitvoeren. Wanneer de robot de verkeerde kant opging, konden ze precies zien waar hun redenering fout was gegaan. Deze transparantie, het zichtbaar maken van het denkproces, is cruciaal voor AI-geletterdheid. Bekijk hier Rolf Connect

Net zoals kinderen in Rolf Connect leerden dat hun "functie-blok" herbruikbaar was voor verschillende situationen, moeten ze begrijpen dat AI-modellen patronen toepassen die ze uit trainingsdata hebben geleerd. De stap van "mijn robot doet wat ik programmeer" naar "deze AI doet wat het geleerd heeft" wordt dan veel kleiner en begrijpelijker.

Ethische dimensies zichtbaar maken

Een van de grootste uitdagingen in AI-onderwijs is het bespreekbaar maken van ethische vraagstukken. Hoe leg je uit dat AI-systemen vooroordelen kunnen hebben? Hoe maak je studenten bewust van privacy-implicaties?

Hier ligt overigens ook een kans voor serious gaming. Door studenten te laten experimenteren met eenvoudige AI-systemen in een spelomgeving, kunnen we deze abstracte concepten concreet maken. Stel je voor: een spel waarin studenten een "slimme assistent" trainen om dieren te herkennen. Ze voeren foto's in en zien hoe hun assistent leert. Maar wat gebeurt er als alle foto's van honden golden retrievers zijn? Plotseling herkent de assistent een teckel niet als hond. Studenten ervaren direct hoe beperkte data tot bevooroordeelde resultaten leidt.

AI als katalysator voor collectief denken

In ons werk aan Care Continuum zien we hoe AI kan functioneren als katalysator voor gezamenlijk redeneren. Verpleegkundestudenten oefenen in realistische ziekenhuisscenario's waarin ze klinisch moeten redeneren: prioriteiten stellen, patiënten monitoren, beslissingen nemen onder tijdsdruk.

We gebruiken AI niet om de juiste antwoorden te geven, maar om scenario's te genereren en structuur zichtbaar te maken. De gegenereerde beslisbomen worden gedeelde objecten voor gezamenlijke discussie. Verschillende perspectieven komen samen: educatieve haalbaarheid, klinische authenticiteit en technische maakbaarheid.

Het kern-inzicht: de waarde van AI ligt niet in wat het genereert, maar in wat het zichtbaar maakt. Het maakt verschillen bespreekbaar, dwingt expliciete keuzes af en helpt teams gedeelde taal te ontwikkelen.

Het risico van toolgerichte AI-educatie

Scholen die focussen op het aanleren van AI-tools maken een fundamentele denkfout. Ze behandelen AI alsof het een softwarepakket is dat je leert bedienen, zoals Word of Excel. Maar AI verandert de applicatielaag voortdurend. Wat studenten vandaag leren over ChatGPT is morgen alweer achterhaald.

Erger nog: toolgerichte educatie creëert de illusie van competentie zonder het fundament van begrip. Studenten leren prompts schrijven zonder te begrijpen hoe AI-systemen redeneren. Ze leren outputs herkennen zonder de onderliggende patronen te doorzien. Het resultaat? Een generatie die afhankelijk is van systemen die ze niet begrijpen.

Praktische implementatie

Computational thinking en AI-geletterdheid ontwikkel je niet in één les, maar door consistente, opbouwende ervaringen. Net zoals bij Rolf Connect – Coderen, waar kinderen stap voor stap complexere concepten leerden, hebben we een gelaagde aanpak nodig:

Fundament: Spelenderwijs leren denken in stappen, patronen herkennen, simpele algoritmes maken. Unplugged activiteiten waarbij studenten zelf 'robot' spelen en instructies volgen.

Verdieping: Kennismaken met eenvoudige AI-concepten door zelf simpele systemen te bouwen. Experimenteren met patroonherkenning, classificatie en voorspellingen in een veilige leeromgeving.

Reflectie: Kritisch nadenken over AI-impact op hun toekomstige beroepspraktijk. Ethische dilemma's verkennen en eigen standpunten ontwikkelen.

Serious games als brug

Serious games kunnen een cruciale rol spelen in deze ontwikkeling. Ze maken abstracte concepten tastbaar, stellen studenten in staat te experimenteren zonder gevolgen, en creëren een veilige omgeving voor het maken van fouten en het leren ervan.

In onze ervaring met projecten zoals Stable Success en RisicoRijk zien we hoe gaming complexe scenario's kan simuleren waarin studenten beslissingen moeten nemen met onvolledige informatie – precies wat ze nodig hebben in een AI-gedreven wereld.

Maar serious games doen meer dan onderwijzen over AI – ze demonstreren ook hoe systemen werken. Elke game heeft regels, patronen en logica. Door deze spelregels transparant te maken, leren studenten hoe systemen redeneren. Ze ervaren dat achter elke "slimme" reactie van het spel een vooraf bedachte regel zit.

Naar bewust systeemdenken

De snelheid van AI-ontwikkeling maakt het verleidelijk om te focussen op de nieuwste tools en toepassingen. Maar echte voorbereiding op de toekomst vraagt om dieper liggende vaardigheden. Door computational thinking als fundament te leggen, geven we studenten niet alleen de sleutels tot AI-geletterdheid, maar tot levenslang leren in een snel veranderende wereld.

AI verandert de applicatielaag, maar het (leren) denken blijft de enige duurzame vaardigheid. De vraag is niet of AI onderdeel wordt van hun toekomst, dat is het al. De vraag is of we ze voorbereiden om actief meer "in systemen te denken", in plaats van passieve gebruikers ervan.

AI-geletterdheid is geen vak. Het is een fundament. En wie dat fundament niet legt, bouwt onderwijs op drijfzand. Met computational thinking als basis kunnen we een generatie vormen die niet alleen met AI-systemen kan werken, maar die ook begrijpt hoe die systemen hun wereld vormgeven – en hoe zij die systemen kunnen vormgeven.