AI op school: AI-teksten herkennen en opdrachten maken die AI niet voor je doet

Kort gezegd: je kunt vandaag niet betrouwbaar bewijzen dat een tekst door AI is geschreven — detectors meten hoe voorspelbaar een tekst is, niet waar hij vandaan komt, en ze raken juist de leerlingen die in een tweede taal schrijven het hardst. De strategie die wél werkt is niet betrappen, maar opdrachten herschrijven: koppel ze aan persoonlijke ervaring, aan de gegevens van je eigen klas en aan een korte mondelinge verdediging. Om te laten zien wat er gebeurt als je op automatisch nakijken gokt, hebben we de grootste AI-cursussen ter wereld doorgelicht. Die fout is daar al gemaakt, en hun cursisten hebben hem woord voor woord opgeschreven.

Waarom detectors een slechte basis zijn

De verleiding is duidelijk: tekst plakken, percentage krijgen, gesprek afgelopen. Het probleem is dat er geen bewijs achter dat getal zit. Detectors “zien” de herkomst van een tekst niet — ze schatten hoe glad en voorspelbaar hij is. En glad en voorspelbaar schrijven is niet voorbehouden aan modellen.

• Vals alarm bij niet-moedertaalsprekers. Een leerling die in een tweede taal schrijft, gebruikt eenvoudiger constructies en standaardwendingen — precies de signalen die een detector als “machinaal” leest. Dit is een redenering over hoe het instrument werkt, geen meting van ons: we hebben detectors niet op klassen getest en kunnen geen foutpercentage noemen. Maar de richting van de fout volgt rechtstreeks uit het mechanisme.
• Vals alarm bij zorgvuldige leerlingen. Strakke structuur, neutrale toon, geen fouten — en eerlijk werk krijgt een hoog “AI-percentage”.
• Omzeilen is triviaal. Vraag het model om eenvoudiger en levendiger te schrijven, herschrijf een paar zinnen met de hand en de score zakt. Een filter dat averechts werkt: het pakt de eerlijken en laat iedereen door die moeite deed om zich te verstoppen.
• Een percentage is geen bewijs. Een getal op een ondoorzichtige schaal is geen kans. Je kunt het een leerling niet als bewijs voorleggen, niet methodisch en niet ethisch.

De conclusie is hard, maar belangrijk: op een detector bouw je geen beschuldiging. Hooguit is het een reden om het werk beter te bekijken en erover te praten — en dat gesprek begint met een vraag, niet met een vonnis. Meer over hoe zulke tools in elkaar zitten: AI-tekstdetectors: werken ze?.

Ons onderzoek: wat er gebeurt als je het nakijken aan een machine geeft

Op 17 juli 2026 haalden we de gegevens op van de grootste AI-cursussen op Udemy en Coursera: aantallen cursisten, beoordelingen, het aandeel negatieve reviews en de reviews zelf. We waren op zoek naar concurrenten en vonden een kant-en-klare lescasus. Want de onlineplatforms hebben het experiment allang gedaan waar scholen nog voor staan: ze hebben menselijk nakijken vervangen door automatisch nakijken. Het resultaat schreven hun eigen cursisten op, letterlijk.

De schaal, zodat je weet over wie we het hebben: Google AI Essentials heeft 1.876.929 inschrijvingen. Generative AI for Everyone van DeepLearning.AI (Andrew Ng): 814.083. Prompt Engineering for ChatGPT van Vanderbilt: 698.444. Generative AI: Prompt Engineering Basics van IBM: 654.256. Google Prompting Essentials: 365.425. Prompt Engineering Specialization van Vanderbilt: 138.967. Dat zijn miljoenen mensen, en daar zitten jouw bovenbouwleerlingen en hun ouders tussen.

“100% correct” — het vonnis over automatisch nakijken

Deze review verdient het om uitgeprint in de docentenkamer te hangen:

“you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not.” — Shinysheep, 21-09-2023, 1★ (Vanderbilt, Prompt Engineering for ChatGPT)

Iemand levert werk in, krijgt meteen “100% correct” en gaat weg zonder enig idee of het goed of slecht was. Dat is geen storing van het platform. Het is een structurele grens: in de Coursera-les zit geen model, dus er is daar fysiek niets om de prompt van een cursist mee te beoordelen. Het enige wat het systeem kan, is het bestand aannemen en er een stempel op zetten.

Wat dat betekent voor je klas: een cijfer dat wordt gegeven zonder dat een mens het werk heeft gelezen, zegt de leerling niets. Nul informatie. En andersom geldt precies hetzelfde — het percentage van een detector komt er ook zonder dat een mens het werk heeft gelezen. Alleen het teken verschilt: daar een automatische tien, hier een automatische beschuldiging. Allebei waardeloos, en om dezelfde reden.

Dit is wat er met lerenden gebeurt als het nakijken automatisch is en feedback ontbreekt:

“Videos are too short and superficial so you end up memorizing sentence by sentence to pass quizzes. Not a learning experience.” — Laurie J Phillips, 12-04-2024, 3★ (IBM)

“quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'” — Cory Covino, 04-05-2024, 2★ (IBM)

“All the coding is done in the labs for you. You won't have to debug anything or figure anything out, just press shift-enter.” — Cornelius Griggs, 1★ (Generative AI with LLMs)

Drie reviews, drie symptomen die elke docent herkent: stampen om een toets te halen, feedback die neerkomt op “kijk de video nog eens”, en een opdracht waarin alles al gedaan is en één toets aanslag hem afmaakt. Geen van de drie gaat over AI. Alle drie gaan ze erover dat toetsing geen gesprek meer is. AI is hier niet de oorzaak maar de versneller: waar een opdracht met één knop te sluiten is, vindt de leerling die knop.

“Hij leest alleen de dia voor” — en wat dat betekent voor je les

Het meest voorkomende motief in de negatieve reviews die we verzamelden (§4.1 van ons onderzoek) is niet moeilijkheid en niet prijs. Het is het gevoel dat de docent overbodig is:

“why read straight from the slide? I can do that. This was not a helpful course at all” — Janie I., 02-07-2026, 1★ (Justin Barnett, 152.821 cursisten)

“50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website” — Shashank T., 13-04-2026, 1★ (The Complete AI Guide)

“Written by AI, delivered by AI. The slides are way too crowded to be useful and it really doesn't help to have the bot read them out word-for-word” — Bradley M., 16-04-2026, 1★ (RPATech, 118.803 cursisten)

De les voor school is onaangenaam maar nuttig: als de inhoud van je les van een dia te lezen valt, leest AI hem beter voor — sneller, op elk moment, zo vaak als nodig. Het deel van lesgeven dat uit informatieoverdracht bestaat, is je al afgenomen en komt niet terug. Wat overblijft is het deel dat geen model kan: merken dat juist dit kind bij juist deze stap vastloopt, het een vraag stellen, de fout in de redenering pakken en niet die in de zin. Precies daar loont het om opdrachten te herschrijven.

“Alleen theorie die we al kennen”

Een tweede cluster reviews verklaart waarom een leerling überhaupt naar de machine grijpt:

“The content of this course is incredibly simple to the point of uselessness, it is essentially stating that generative AI exists and listing a bunch of example models.” — Nicholas Munford, 1★ (Generative AI: Introduction and Applications)

“Didnt meet expectations, only theory is discussed which we already know.” — Aditya Nagavolu, 19-11-2023, 1★ (Generative AI for Everyone)

Een opdracht die niets anders vraagt dan het bekende navertellen, wordt op de goedkoopste manier afgehandeld. Dit gaat niet over moraal maar over de economie van moeite. “Schrijf een opstel over vriendschap” meldt eerlijk: er wordt hier niets persoonlijks gevraagd, niets controleerbaars, niets van jou. Het model hoort die mededeling als eerste.

Inhoud bederft — en de toetsen bederven mee

Nog een cluster, belangrijk voor iedereen die een les over AI wil geven:

“Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models.” — Jose C., 12-05-2026, 1★ (Barnett)

“The content is mostly from 2023. …I invested my 41 hours and Im learning content which is from 2023. Very disappointed.” — Harsh A., 09-04-2026, 1,5★ (The Complete AI Guide)

“Most content is from 2024. This course is not bad for its time, but just too dated now.” — Martin F., 27-05-2026, 2★ (Generative AI for Beginners — terwijl de pagina “bijgewerkt op 18-04-2026” claimt)

De eerste is de scherpste. De fout zit in de video's en in de toetsen — de cursist moet dus het foute antwoord aanklikken om het punt te krijgen. Praktische conclusie voor een les: bouw hem niet rond schermafbeeldingen en een lijstje modieuze modellen. Dat is volgend semester bedorven. Bouw hem rond wat niet bederft: hoe je een bewering controleert, waar een getal vandaan komt, waarom een bepaalde vraag niet met één prompt te beantwoorden is.

Over het aandeel negatieve reviews — en een eerlijk voorbehoud tegen onszelf

We berekenden het aandeel beoordelingen van 3,5★ en lager bij de grootste Udemy-cursussen: 9,61% bij Generative AI for Beginners (409.492 cursisten, score 4,53), 10,36% bij The Complete AI Guide (376.845 cursisten, 42 uur, 545 colleges) en minstens 4,00% bij Prompt and Context Engineering 101 van Mike Wheeler (84.942 cursisten, 4,31 — de slechtste score in de steekproef). Op Coursera ligt het negatieve aandeel duidelijk lager: 1,5–3,5%.

Het voorbehoud zonder welke die cijfers onleesbaar zijn: het sterrenfilter van Coursera draait in de browser, en de server geeft altijd de eerste pagina met reviews terug. De citaten hierboven komen dus uit de standaardweergave die elke bezoeker ziet, niet uit een volledige steekproef van de negatieve. Het verschil tussen “1,5–3,5%” en “9,61%” lees je niet als “op Coursera wordt beter lesgegeven”: de platforms hebben een ander publiek, een andere drempel en een andere manier om reviews te verzamelen. We geven het als meting, niet als oordeel over kwaliteit.

Wat dan wel werkt

Verleg de focus: niet “hoe betrap ik ze”, maar “hoe maak ik overschrijven zinloos”. AI is uitstekend in ontpersoonlijkte opdrachten — “schrijf een opstel over vriendschap”, “maak een werkstuk over vulkanen”. Ze is slecht in opdrachten die vastzitten aan een specifiek mens, een specifiek moment en specifieke gegevens die niet op internet staan.

Zes manieren om een opdracht te herschrijven

1. Koppel hem aan persoonlijke ervaring. Niet “een opstel over vriendschap”, maar “een moment in je leven waarop je begreep dat vriendschap niet altijd leuk is — beschrijf de plek, het tijdstip en wat je precies voelde”. Een model verzint dat, en het verzinsel stort in bij de eerste doorvraag. Klassieke fout: het woord “persoonlijk” aan de oude formulering plakken en de opdracht herschreven noemen. “Schrijf over je persoonlijke ervaring met vriendschap” wordt net zo makkelijk afgehandeld als de oude versie.
2. Koppel hem aan de les. “Gebruik de drie voorbeelden die we donderdag behandelden en leg uit waarom het vierde voorbeeld uit het boek hier niet past.” AI heeft jouw donderdag niet. De kracht zit in de tweede helft: uitleggen waarom iets niet past is veel lastiger dan opsommen wat wel past.
3. Geef ze je eigen data. Een enquête in de klas, metingen uit het practicum, een tabel die je zelf hebt gemaakt. De leerling werkt met AI bovenop die gegevens — en dat is een normale vaardigheid, geen overschrijven. Bonus: de hele klas heeft dezelfde data en verschillende conclusies, en de verschillen worden zelf de les.
4. Vraag het proces, niet het product. Een klad, een opzet, een lijst verworpen ideeën en waarom ze afvielen. De eindtekst schrijft AI in een seconde; de geschiedenis van je twijfels niet. Voorbehoud tegen onszelf: ook het proces is na te maken, met “verzin drie verworpen ideeën”. Daarom werkt het proces niet op zichzelf — het werkt samen met een mondelinge verdediging.
5. Mondelinge verdediging. Drie minuten, twee vragen over de tekst: “leg deze alinea uit in je eigen woorden” en “wat zou je veranderen als…”. Dit is de eerlijkste en snelste manier om te weten van wie het werk is, en er komt geen techniek aan te pas. Het is ook precies wat er ontbrak toen Shinysheep “I am still speechless” schreef.
6. Legaliseer AI en eis reflectie. “Je mag AI gebruiken. Voeg je prompts toe, voeg toe wat het model gaf, en schrijf op wat je eraan hebt veranderd en waarom.” Overschrijven wordt analyse — en eerlijk gezegd een betere les. Meteen zie je wie in de klas de fouten van het model opmerkt en wie klakkeloos kopieert.

Prompt 1: een opdracht doorlichten op overschrijfbaarheid

Begin met de diagnose, niet met de herschrijving. Deze prompt draait zoals hij is — de opdracht staat er al in; vervang hem door die van jezelf zodra je hebt gezien wat er gebeurt.

Je bent onderwijskundige. Hieronder staat een schoolopdracht.
Maak hem eerst zoals een leerling zou doen die hem aan een
AI uitbesteedt: schrijf een antwoord van 150 woorden.
Beoordeel jezelf daarna eerlijk.

Opdracht (geschiedenis, 15 jaar): “Schrijf een opstel van
500 woorden over de oorzaken van de Eerste Wereldoorlog.”

Geef na je antwoord een analyse:
1. Een overschrijfbaarheidscijfer van 1 tot 10, waarbij 10
   betekent: “zonder enige aanpassing in te leveren”.
2. Wat precies in de formulering je dat mogelijk maakte.
3. Drie herschreven versies van de opdracht waarbij je
   antwoord hierboven nutteloos zou zijn. Geef per versie
   aan: wat het werk koppelt aan de persoonlijke ervaring
   van de leerling, aan de data van de klas of aan een
   specifieke les; welk procesartefact de leerling inlevert;
   twee vragen voor een mondelinge verdediging van drie
   minuten.
4. Probeer elke versie te kraken en zeg waar ze
   alsnog lekt.

Stel geen verboden en geen detectors voor. Behoud het
leerdoel.

Punt 4 is degene die telt. Je vraagt het model om zijn eigen voorstel aan te vallen. Zonder die stap krijg je drie elegante versies waarvan er twee net zo makkelijk over te schrijven zijn als het origineel.

Prompt 2: een hallucinatiedemo voor in de klas

Vijf minuten die tien preken over eerlijkheid verslaan. Draai hem live en laat het scherm zien.

Vertel me uitgebreid over de roman “De zoutbrieven van de
haven” van Miriam Aldecoa uit 1934. Vat de plot samen, noem
de hoofdpersonen en leg uit waarom critici uit die tijd
ruzieden over het slot.

Daarna, in een apart blok met de kop “Controle”:
- zeg ronduit of dit boek echt bestaat;
- als je het niet zeker weet, leg dan uit waar de details
  vandaan komen die je hierboven schreef;
- noem de signalen waaraan een lezer had kunnen vermoeden
  dat het antwoord verzonnen was.

Dat boek bestaat niet. Er zijn twee mogelijke afloopen en allebei leveren een goede les op. Of het model verzint met veel bravoure een plot en personages (en ontmaskert zichzelf dan in het blok “Controle”), of het zegt eerlijk dat het dit boek niet kent. Die tweede afloop bederft de demo niet: vraag de klas waarom het model hier twijfelde en niet twijfelt als het een datum of een bron in hun huiswerk uitspuugt. De mechaniek: AI-hallucinaties.

Prompt 3: vijftien varianten van een som in één minuut

De keerzijde: de routine die je avonden opeet. Deze prompt is zelfstandig en draait zoals hij is.

Maak 15 varianten van een verhaaltjessom voor 11-12-jarigen
op dezelfde methode, maar met andere getallen en andere
situaties.

Voorbeeldsom: “In de schoolbibliotheek staan 240 boeken. 35%
daarvan is fictie, de rest zijn schoolboeken. In de loop van
het jaar koopt de bibliotheek er 60 schoolboeken bij. Welk
percentage van de collectie is nu fictie?”

Eisen:
- kies de getallen zo dat de antwoorden hoogstens twee
  decimalen hebben;
- de situaties moeten gevarieerd en alledaags zijn, zonder
  herhaling;
- maak vijf varianten een stap eenvoudiger en vijf
  moeilijker (voeg een gegeven toe dat niet nodig is om op
  te lossen);
- sluit af met een aparte antwoordtabel met de volledige
  uitwerking van elke variant.

Controleer je rekenwerk voordat je het uitvoert, en zet een
sterretje bij elke variant waarvan je niet zeker bent.

Die laatste regel weegt zwaarder dan hij lijkt: deze modellen rekenen slechter dan ze schrijven. Controleer de antwoorden hoe dan ook — maar de controle beperken tot de gemarkeerde varianten scheelt je al een avond.

Prompt 4: vragen voor de mondelinge verdediging

Je bent docent. Hieronder staat een alinea uit het werk van
een leerling. Bedenk vijf vragen voor een mondelinge
verdediging van drie minuten die niet te beantwoorden zijn
door de alinea gewoon hardop voor te lezen.

Alinea: “De industriële revolutie veranderde de structuur
van de samenleving. Er ontstond een nieuwe klasse, de
industriearbeiders, wier positie zwaar was: lange werkdagen,
kinderarbeid, geen verzekering. Tegelijk groeiden de steden,
wat problemen met hygiëne en huisvesting opleverde.”

Geef bij elke vraag aan:
- wat ze echt toetst (begrip van de oorzaak, het vermogen
  een voorbeeld te geven, het vermogen een versimpeling op
  te merken);
- hoe het antwoord klinkt van iemand die het snapt;
- hoe het antwoord klinkt van iemand die andermans tekst
  heeft ingeleverd.

Noem apart drie plekken in de alinea waar de auteur iets
heeft gladgestreken, en hoe je naar elk daarvan vraagt.

Die laatste instructie is het nuttigst. Gladgestreken plekken zitten in elke tekst, en een vraag daarover zet zowel de leerling die overschreef als degene die zelf schreef maar niet nadacht klem. Precies dat verschil tussen “tekst ingeleverd” en “mens heeft het begrepen” is wat je wilt meten.

Onderwijstaal: het cijfer dat je blik op niet-moedertaalsprekers verandert

Zitten er in je klas kinderen voor wie de onderwijstaal niet de moedertaal is, dan is dit peer-reviewde resultaat het kennen waard. Bälter, Kann, Mutimukwe en Malmström (Applied Linguistics Review 15(6): 2373–2396, 2024) deden een gerandomiseerde gecontroleerde studie met 2.263 Zweedse studenten: dezelfde online programmeercursus, gegeven in het Zweeds en in het Engels.

• Uitval in de moedertaal: 57%. Uitval in het Engels: 71% (φ=0,2; p<0,00001).
• Gemiddelde score van wie actief bleef: 16,9 tegen 14,3 (δ=0,085 — een verwaarloosbare effectgrootte).

Lees dat goed: de taal schaadde het begrip niet — wie bleef, scoorde bijna hetzelfde. Ze joeg mensen weg. Nog een detail: zelfingeschatte taalvaardigheid beschermde niet tegen de hogere uitval.

Daaruit volgen twee dingen voor school. Ten eerste: schrijft een leerling in een tweede taal eenvoudiger en droger, dan is dat geen teken van luiheid en geen teken van een model. Het is de prijs die hij betaalt voor het werken in andermans taal. Ten tweede: een detector die op eenvoud reageert, raakt structureel precies die leerling. De combinatie — hoger uitvalrisico plus hoger risico op een valse beschuldiging — maakt hem het kwetsbaarste punt van je klas. Dat is de enige categorie waar de fout van een docent het duurst uitpakt.

Hoe weet je of de herschrijving is gelukt

Een simpele eerlijkheidstest: neem je nieuwe opdracht, plak hem volledig in een chat en kijk wat eruit komt. Levert het model een tekst die een leerling zo kan inleveren, dan heb je de opdracht niet herschreven maar alleen langer gemaakt. Levert het model een geloofwaardige lege huls die instort bij “en waar komen die cijfers vandaan?”, dan zit je goed.

Tweede signaal: een leerling die het werk eerlijk heeft gedaan, moet het drie minuten kunnen verdedigen zonder voorbereiding. Lukt dat niet, dan heeft hij het óf niet begrepen, óf de opdracht toetst iets anders dan je wilde toetsen. Beide conclusies zijn nuttig en geen van beide heeft een detector nodig.

Derde signaal, het strengste: twee leerlingen die je opdracht eerlijk maken, moeten verschillend werk inleveren. Zijn eerlijke werkstukken niet van elkaar te onderscheiden, dan toetst de opdracht gehoorzaamheid en geen denken — en een machine handelt hem af.

Vijf klassieke fouten bij het herschrijven

• Verlengen in plaats van herschrijven. De eis “minimaal 1000 woorden” maakt het alleen lastig voor wie zelf schrijft.
• “In je eigen woorden” als toverspreuk. Modellen zijn uitstekend in “eigen woorden”. Die zin is een wens, geen beperking.
• AI verbieden zonder manier om te controleren. Een regel waarvan je de naleving niet kunt zien, leert precies één ding: dat je regels kunt negeren.
• Gokken op een obscuur onderwerp. “Hierover staat vast niets op internet” is bijna altijd onwaar en in een minuut te weerleggen. Zeldzaam moeten de gegevens zijn, niet het onderwerp.
• Beschuldigen op een percentage. De duurste. Een valse beschuldiging kost het vertrouwen van een hele klas voor jaren; een gemist geval van overschrijven kost één cijfer.

Hoe je er met de klas over praat

Een kaal “AI mag niet” faalt om dezelfde reden waarom het rekenmachineverbod faalde: het gereedschap zit in ieders zak, en leerlingen gebruiken het los van jouw mening. Wat wel werkt, is een afspraak die hardop is uitgesproken.

• Noem de regels expliciet. Waar AI mag (ideeën zoeken, iets onduidelijks laten uitleggen, spelling controleren), waar niet (gegenereerde tekst als eigen werk inleveren), en wat je moet vermelden als je het hebt gebruikt.
• Leg uit waarom. Niet “omdat het oneerlijk is”, maar “omdat je geen tekst inlevert maar je begrip; een tekst zonder begrip is niets waard, niet voor mij en niet voor jou”.
• Vertel over hallucinaties. Leerlingen weten oprecht niet dat modellen met volle overtuiging feiten, datums en bronnen verzinnen. Eén demo in de les weegt op tegen tien preken — prompt 2 hierboven start rechtstreeks vanaf deze pagina.
• Laat ze de review van Shinysheep zien. Serieus. “I put all that effort in and have no idea whether I my answer was correct or not” is exact wat een leerling voelt die een cijfer zonder commentaar krijgt. Het gesprek over waarom een mens nakijkt, begint makkelijker bij het voorbeeld van een ander dan bij jouw cijferlijst.
• Beschuldig nooit op een percentage. Roept een werkstuk vragen op, stel ze dan: “vertel eens hoe je dit hebt geschreven”.

Waar AI de docent zelf helpt

De routine die je avonden opeet, laat zich verrassend goed automatiseren.

• 15 varianten van hetzelfde somtype met andere getallen genereren (prompt 3 hierboven)
• Een tekst herschrijven op het niveau van je klas, of aanpassen voor een leerling die het zwaar heeft
• Een beoordelingschecklist en vragen voor de mondelinge verdediging opstellen (prompt 4 hierboven)
• Een warming-up, een stelling of een rollenspel van 5 minuten bedenken
• Een concept-feedback op een werkstuk maken — die je daarna herschrijft voor dat ene kind

Een harde grens: plak geen leerlingenwerk met namen, cijfers of persoonlijke details in een chat. Dat zijn persoonsgegevens van kinderen, en regels als de AVG gelden hier onverkort. Anonimiseer voor je iets verstuurt, of gebruik tools die je school heeft goedgekeurd. Meer: privacy bij het werken met AI.

En een tweede grens, die rechtstreeks uit onze eigen data volgt: een conceptcommentaar is een concept. De machine die een cijfer geeft zonder dat een mens het werk leest, heet “100% correct” en leert niemand iets. Herhaal andermans fout niet met je eigen materiaal.

Het belangrijkste

Betrappen heeft geen zin, detectors zijn onbetrouwbaar, verboden werken niet. Iets anders werkt wel: opdrachten waarin de waarde door een mens wordt gemaakt en AI alleen gereedschap is. De grootste AI-cursussen ter wereld, met cursisten in de honderdduizenden en miljoenen, hebben al laten zien waar automatisch nakijken eindigt: bij “100% correct” en nul feedback. Je hebt precies één voordeel op hen, en dat is enorm: jij kunt een vraag stellen en het antwoord horen. Wil je eerst zelf snappen hoe deze modellen werken, begin dan bij de ChatGPT-gids voor beginners, ons artikel over prompts en de analyse van hallucinaties.