Volgens een studie van het MIT Media Lab (2025) daalt onze hersenactiviteit met wel 55% wanneer we een LLM zoals ChatGPT gebruiken om een probleem op te lossen. Dat lijkt misschien veel, maar het is eigenlijk logisch. Als AI al het denkwerk doet, hoef je zelf minder na te denken.
Het opvallende is vooral dat ons brein ook na het gebruik van zo’n model minder actief blijft. Dat is wat onderzoekers “metacognitive laziness” noemen (Fan et al., 2024). We stellen onszelf minder vragen, plannen minder en controleren ons begrip minder. We worden niet per se dommer, maar we denken wel minder actief mee.
Je werkt misschien sneller met AI, maar dat betekent niet dat je automatisch meer leert. Integendeel: zonder bewuste aandacht voor onze eigen leerprocessen, halen we een significant lager leerrendement.
De impact van AI stopt niet bij ons denkvermogen. Fan en collega’s (2024) stellen vast dat studenten die regelmatig AI gebruiken minder intrinsiek gemotiveerd zijn om zelf tot een oplossing te komen. Het leerproces voelt minder waardevol, en de neiging om het werk over te laten aan de AI neemt toe.
Dat is een opvallende bevinding. Want als we alleen nog gefocust zijn op het eindresultaat (bijvoorbeeld een goed cijfer of een werkend antwoord) en het leerproces zelf niet meer waarderen, voelen we geen reden meer om AI bewust aan de kant te schuiven. Je denkt al snel: “Waarom zou ik nog moeite doen als ChatGPT het sneller en beter kan?”
Volgens Fan en collega’s is dit een vorm van cognitive offloading. We schuiven het zware denkwerk af op de technologie. En dat voelt comfortabel. Het is niet zo vreemd dat we dat doen. Ons brein verbruikt meer dan 20% van onze energie, dus het is logisch dat we soms kiezen voor de weg van de minste weerstand.
Maar dat gemak heeft een prijs. Als AI verantwoordelijk is voor het antwoord, dan voelen wij ons zelf ook minder verantwoordelijk voor eventuele fouten. Hierdoor schuift ook het gevoel van eigenaarschap weg.
Deze impact sluit nauw aan bij de Zelfdeterminatietheorie van Deci en Ryan. Die stelt dat drie psychologische basisbehoeften cruciaal zijn voor motivatie en persoonlijke groei:
Autonomie: Als AI het werk doet, voelt het minder alsof het jouw prestatie is.
Competentie: Je voelt je minder bekwaam: iedereen had die prompt kunnen schrijven.
Zingeving: Het proces wordt oppervlakkiger en minder betekenisvol.
Zoals Fan et al. schrijven:
“Students who relied on LLMs reported lower engagement and less satisfaction with the learning task, even when the output was better. The perceived meaningfulness of the task decreased.”
(Fan et al., 2024)
Met andere woorden: hoe vaker we AI inzetten zonder zelfregulatie, hoe passiever ons leerproces wordt.
Als we dit verbinden met het kennisoverdrachtsmodel van Nonaka, dan zie je dat LLM’s vooral helpen bij het combineren van informatie (snel verschillende bronnen samenbrengen). Maar internalisatie (zelf betekenis geven aan informatie) wordt daardoor moeilijker, omdat het actieve betrokkenheid vereist. En net dat proces is essentieel om informatie om te zetten tot echte kennis.
Zelfregulerend leren is al sinds de jaren 80 een belangrijk begrip in de onderwijspsychologie, maar het idee bestaat eigenlijk al langer. In de jaren 60 wees Albert Bandura er al op hoe belangrijk zelfcontrole en zelfreflectie zijn bij leren. Zijn concept van zelfwerkzaamheid (self-efficacy), het geloof dat je in staat bent om een taak succesvol uit te voeren, vormt een fundament van zelfregulerend leren (Bandura, 1977).
Het is dus zorgwekkend dat we vandaag steeds vaker onze zelfsturing uit handen geven aan AI-tools. Als we niet alleen het denken, maar ook het leren uitbesteden, lopen we het risico om niet alleen minder actief te denken, maar ook minder actief te leren.
Onderzoek toont aan dat zelfregulerend leren leidt tot betere prestaties, meer motivatie en dieper begrip (Zimmerman & Schunk, 2011; Panadero, 2017). Maar met de opkomst van LLM’s is het belangrijker dan ooit om stil te staan bij hoe we leren. Anders veranderen we van actieve lerenden naar passieve consumenten van informatie.
Want leren draait niet enkel om een goed resultaat. Het gaat om het opbouwen van kennis die je later opnieuw kunt inzetten in andere situaties. Dat lukt alleen als je informatie actief verwerkt; niet door simpelweg te lezen, maar door je echt met de stof bezig te houden.
Een praktische manier om aan het stuur van je eigen leerproces te blijven, is om jezelf vragen te stellen over de leerstof. Pas na het denkwerk kan je AI inzetten om je antwoorden te toetsen of aan te vullen. Zo doe je het denkwerk zelf, en gebruik je AI als klankbord in plaats van als vervanger. Dat zorgt voor meer betrokkenheid én een dieper leerproces.
Nog een handige houvast bij elk leerproces zijn de drie kernvragen van zelfregulerend leren:
Voorbereiding: Wat wil ik leren en hoe ga ik dat aanpakken?
Uitvoering: Hoe voer ik mijn leerplan uit? Volg ik mijn strategie?
Reflectie: Wat werkte goed? Wat kan ik de volgende keer anders doen?
Met die vragen in gedachten is een LLM zoals ChatGPT geen vervanger van je denkproces, maar een ondersteunend hulpmiddel binnen je leerstrategie. Het blijft jouw pad en jouw leerdoel. En dat maakt het verschil.
Dus… weg met alle AI-modellen?
Nee, zeker niet.
Schuif deze technologie niet zomaar aan de kant. Tools zoals ChatGPT kunnen ons net helpen om levenslang te leren, om nieuwe invalshoeken te verkennen, om te verdiepen en te verbinden. Maar alleen als wij zelf aan het stuur van ons leerproces blijven zitten.
We moeten ons bewuster worden van hoe we leren. Wie alleen nog maar voor de snelle weg kiest en blind vertrouwt op de antwoorden die AI voorschotelt, riskeert geleidelijk zijn kritische blik en leergierigheid te verliezen.
Het gevaar schuilt juist in hoe subtiel dat gebeurt. Want wie denkt “bij mij gebeurt dat niet”, is misschien al begonnen met uitbesteden, zonder het te merken.
Blijf dus eigenaar van je leerproces. Want dat is wat uiteindelijk het verschil maakt tussen informatie consumeren en kennis opbouwen.