Waarom universitaire ondersteuning en gebruiksvriendelijkheid van AI-interfaces belangrijker zijn geworden dan geletterdheid voor de carrièrestart van afgestudeerden
Een onderzoek, gepubliceerd in de tweede helft van 2026, onthult een onverwachte paradox: voor de concurrentiekracht van afgestudeerden zouden universiteiten zich niet moeten richten op het uitbreiden van AI-cursussen, maar op de intuïtiviteit van interfaces en systematische ondersteuning bij het gebruik ervan. De auteurs van de Applied Private University in Amman (Jordanië) voerden een structurele modellering uit op een steekproef van 211 studenten, waarbij ze de Partial Least Squares (PLS-SEM) methode gebruikten – een techniek die bijzonder geschikt is voor het analyseren van complexe modellen met een kleine steekproef.
Op het eerste gezicht lijken de resultaten in tegenspraak met alles wat het klassieke Technology Acceptance Model (TAM) ons heeft geleerd: men zou verwachten dat de waargenomen bruikbaarheid van tools de belangrijkste drijfveer voor adoptie zou zijn. De realiteit bleek anders. Twee factoren – institutionele ondersteuning en het gebruiksgemak van platforms – voorspelden statistisch significant de overgang van studenten van theorie naar praktische toepassing met AI-toepassingen. Tegelijkertijd had een betere beheersing van AI-fundamentals een onverwacht negatief effect: mogelijk kijken beter voorbereide studenten kritischer naar de tools, waarbij ze de beperkingen en risico's beter zien. De waargenomen bruikbaarheid had geen statistisch significante invloed – een feit dat vreemd, maar veelzeggend is.
De oorzakelijke keten ziet er als volgt uit: adoptie van AI-tools → ontwikkeling van Future-Ready Skills → verhoogde inzetbaarheid van afgestudeerden (employability). Op elke stap werd deze relatie statistisch bevestigd. Interessant is dat 'future-ready' vaardigheden fungeren als een mediërende schakel (mediator) tussen het gebruik van AI en reële resultaten op de arbeidsmarkt – ze transformeren technische vaardigheden in marktconcurrentievermogen.
De onderzoeksmetodologie – een cross-sectionele enquête gevolgd door PLS-SEM analyse – heeft zowel voordelen als beperkingen. De voordelen zijn duidelijk: een kleine steekproefomvang wordt gemakkelijker overgedragen met deze aanpak, complexe latente variabelen worden natuurlijker gemodelleerd. Maar de nadelen zijn aanzienlijk. Het ontbreken van longitudinale (langdurige) gegevens en een controlegroep betekent dat we voorzichtig moeten zijn met het trekken van conclusies over oorzakelijke verbanden – het zijn correlaties, ondersteund door logica, maar niet door experimenten. Bovendien hebben de auteurs de details van de steekproefverdeling naar specialisaties, geslacht en eerdere AI-ervaring niet prijsgegeven – dit maakt het moeilijk om te begrijpen in hoeverre de bevindingen overdraagbaar zijn naar andere contexten, andere landen, andere universiteiten.
Maar het belangrijkste is de paradigmaverschuiving. Twee decennia van onderzoek naar klassieke TAM en UTAUT (Unified Theory of Acceptance and Use of Technology) hebben vastgesteld: waargenomen bruikbaarheid en gebruiksgemak zijn de belangrijkste hefbomen. In 2025-2026 is deze hiërarchie herschreven. Bruikbaarheid is naar de achtergrond verschoven. Intuïtiviteit en ondersteuning zijn op de voorgrond getreden.
Dit resoneert met ander recent onderzoek: wanneer het veld van AI-tools volwassen en toegankelijk wordt, wijkt utilitaire logica plaats voor de vraag 'Wil ik dit wel gebruiken?' Menselijke factoren – vertrouwen, psychologische veiligheid, de aanwezigheid van een instructeur of een ondersteunende omgeving – beginnen de ruwe bruikbaarheid te overtreffen.
Voor de praktische werking van universiteiten betekent dit een ommezwaai in investeringsstrategie. Waar het woord 'digitalisering' voorheen betekende: de aanschaf van software en het trainen van geletterdheid, nu is het het ontwerpen van ervaringen, cultuur, en een ecosysteem rond AI-tools. Universiteiten die hun studenten gemakkelijke, one-click platforms bieden, begeleiding, succesvolle toepassingsvoorbeelden en psychologische zekerheid bij het gebruik, winnen. Degenen die zich beperken tot lezingen over AI-ethiek of algemene geletterdheid, lopen het risico achterop te raken in de daadwerkelijke opleiding van personeel.
De kwestie van het negatieve effect van hoge geletterdheid vereist nader onderzoek. Er zijn verschillende mogelijke verklaringen: studenten met diepgaande kennis kunnen sceptischer zijn, de valkuilen ziend; ze kunnen handmatige controle verkiezen boven automatisering; of de initiële geletterdheid correleert met andere variabelen (zoals perfectionisme) die de adoptie vertragen. Dit opent de deur voor het volgende onderzoekslaag.
Het onderzoek laat de langetermijneffecten op de onderwijskwaliteit onopgelost: biedt het gebruik van AI afgestudeerden daadwerkelijk een betere voorbereiding, of lijkt het slechts zo? Leidt het gebruiksgemak van AI-tools niet tot oppervlakkig leren? Wat gebeurt er met de ongelijkheid in toegang – krijgen studenten van universiteiten met beperkte middelen hetzelfde voordeel? Ethische risico's – het gebruik van studentengegevens, bias in AI-modellen – blijven ook in de schaduw. Onafhankelijke replicaties op grotere en meer diverse steekproeven, experimentele interventies (waarbij de ene faculteit ondersteuning implementeert en de andere niet) en longitudinale studies zullen helpen verduidelijken hoe robuust deze bevindingen zijn.
De conclusie is duidelijk: universiteiten die zich richten op het creëren van een ondersteunende, intuïtieve omgeving voor het werken met AI, zullen een aanzienlijk voordeel behalen bij het opleiden van concurrerende en inzetbare afgestudeerden. Investeringen in gebruikerservaring en institutionele ondersteuning betalen zich beter uit dan klassieke trainingsprogramma's.
