Khan Academy's AI-tutor — de belofte van 1-op-1 onderwijs voor iedereen

In 1984 publiceerde Benjamin Bloom, een Amerikaanse onderwijspsycholoog, een paper dat bekend zou worden onder de naam "het twee-sigma-probleem". Zijn bevinding was eenvoudig en schokkend. Als je een student individuele tutoring geeft, presteert die student gemiddeld twee standaarddeviaties beter dan vergelijkbare studenten met regulier klassikaal onderwijs. Twee standaarddeviaties. Dat is niet "iets beter" — dat is de middelmatige student die opeens een van de top-2% wordt.

De ontdekking was niet nieuw voor mensen die tutoring hadden ontvangen. Ze was wel bevestigend. En ze bracht een ontnuchterend probleem: als 1-op-1 tutoring zo veel beter is, waarom geven we niet elk kind een eigen tutor?

Het antwoord was simpel: omdat het te duur is. Een volwassen tutor kost enkele tientallen euro's per uur. Elk kind in de wereld meerdere uren tutoring per week geven zou een economie vergen die we niet hebben. Individuele tutoring bleef een privilege van wie het kon betalen.

Tot, mogelijk, nu.

De belofte

In mei 2023 stond Sal Khan op het TED-podium. Hij legde de twee-sigma-context uit. Hij liet zien hoe Khan Academy — zijn non-profit onderwijsorganisatie — een AI-tutor had gebouwd op basis van GPT-4. Ze noemden het Khanmigo.

Khan's argument: we kunnen nu, voor het eerst in de geschiedenis, individuele tutoring schalen. Een AI is oneindig beschikbaar, oneindig geduldig, oneindig persoonlijk. Een student in een Amerikaans suburbgebied heeft dezelfde toegang als een student in rurale Bangladesh. Het twee-sigma-probleem is niet meer onoplosbaar.

Dat is een krachtige visie. Het is ook testbaar. In de drie jaar sindsdien is de wereld gaan kijken of het klopt.

Wat Khanmigo anders doet

De belangrijkste innovatie van Khanmigo is niet technisch. Het is pedagogisch.

Een normale ChatGPT zou een student direct helpen. "Los deze wiskunde-opgave voor me op." ChatGPT lost het op. Student krijgt het antwoord. Student heeft niets geleerd.

Khanmigo weigert die rol. "Laten we samen naar deze opgave kijken. Wat denk je dat de eerste stap moet zijn?" Student probeert iets. "Dat is een interessante aanpak. Als je vijf toevoegt, wat krijg je dan?" Student rekent. "Goed. En als we nu..."

Dit is Socratische methode — vragen stellen zodat de student zelf tot inzicht komt. Het is decennialang erkend als effectief, maar is moeilijk te schalen omdat het geduld, individuele aandacht en constante aanpassing vereist. Dat zijn precies de eigenschappen waar AI goed in kan zijn, mits correct afgesteld.

Khanmigo is specifiek getraind om deze rol vol te houden. De prompts zijn ontworpen om direct antwoord vermijden. De feedback-loops belonen pedagogische begeleiding in plaats van informatie-overdracht. Het is geen standaard AI die doet alsof ze een tutor is — het is een AI die is gefine-tuned om een specifieke tutor-rol zo goed mogelijk te spelen.

De vroege resultaten

Onderzoek naar Khanmigo is beperkt maar positief tot nu toe.

Khan Academy heeft samenwerkingen opgezet met verschillende Amerikaanse schooldistricten. Studenten die Khanmigo gebruiken als aanvulling op hun reguliere les, scoren gemiddeld beter op toetsen dan vergelijkbare studenten zonder toegang. De effectgrootte is substantieel — niet zo groot als Bloom's twee-sigma (die is moeilijk te matchen), maar wel merkbaar.

Meer kwalitatief: docenten rapporteren dat studenten meer tijd besteden aan oefenen, meer vragen durven stellen (omdat ze zich minder geobserveerd voelen dan in de klas), en meer doorzettingsvermogen tonen bij moeilijke problemen.

Deze bevindingen zijn niet definitief. Er zijn methodologische zorgen — welke studenten zelf kiezen voor Khanmigo-gebruik, of contextuele factoren zoals school-kwaliteit het effect verklaren. Longitudinale studies (effecten over meerdere jaren) zijn nog niet beschikbaar. Voorzichtigheid is op zijn plaats.

Maar de eerste signalen zijn genoeg positief dat Khan Academy blijft investeren, dat scholen blijven adopteren, en dat onderzoekers actief verder onderzoeken.

De concurrenten

Khanmigo is niet uniek. Vergelijkbare systemen ontstaan snel.

Google's LearnLM. Google's AI-familie specifiek voor onderwijs. Geïntegreerd in meerdere Google-producten. Vergelijkbare Socratische aanpak.

Duolingo's Max. Duolingo's premium-tier bevat AI-tutor-functies voor taal leren. Rol-spelgesprekken, Explain My Answer-feature.

Synthetic tutoring startups. Tientallen startups richten zich op specifieke niches — Ivy League test-prep, programmeer-bootcamp, professionele certificering. Allemaal met AI-tutors.

Microsoft Copilot voor studenten. Geïntegreerde AI-assistentie in Office en Windows, aangepast voor leeromgevingen.

Niet alle systemen zijn zo pedagogisch bewust als Khanmigo. Sommige geven gewoon antwoorden en doen alsof ze onderwijzen. De kwaliteitsverschillen zijn groot. Khan Academy's specifieke voordeel is zijn onderwijs-expertise — ze hebben twintig jaar ervaring met wat online onderwijs werkt, en dat vloeit in Khanmigo's ontwerp.

De ongelijkheid-vraag

Een fundamentele zorg rond AI-tutoring is ongelijkheid. Als tutoring via AI effectief is, wie krijgt er toegang?

Voordelen voor toegankelijkheid: Khanmigo is gratis beschikbaar in veel programma's. Studenten in rurale gebieden kunnen toegang krijgen. Studenten uit lagere-inkomens-gezinnen kunnen er gebruik van maken zonder financiële drempels. In principe democratiseert het onderwijs-excellence.

Nadelen voor toegankelijkheid: AI-tutoring vereist hardware (smartphone, tablet, computer), internet, en basale digitale vaardigheid. Alle drie zijn niet gelijk verdeeld. Studenten in gezinnen met beperkte digitale middelen, zonder stabiel internet, of met ouders die niet kunnen helpen bij technologie, hebben moeite om te profiteren.

Khan Academy probeert dit actief aan te pakken. Ze hebben programma's voor onderbediende gemeenschappen. Ze werken met scholen om hardware beschikbaar te maken. Ze lobbyen voor publieke investering in digitale basisvoorzieningen.

Maar de structurele ongelijkheid blijft. In 2026 is het digitale-divide-probleem niet opgelost, ondanks tien jaar pogingen. AI-tutoring kan dat niet eenzijdig aanpakken.

Wat AI-tutoring niet kan

Zelfs in zijn beste vorm kan AI-tutoring niet alles doen. Een paar beperkingen die Khan zelf erkent:

Motivatie. Een menselijke tutor kan een worstelende student emotioneel ondersteunen, hoop bieden, een persoonlijke relatie opbouwen. AI kan simuleren, maar niet op dezelfde manier aanwezig zijn.

Context-lezen. Een goede tutor merkt wanneer een student moe is, afgeleid, of iets persoonlijks in de hand heeft. Ze past zich aan. AI kan tekstuele signalen oppikken maar mist de holistische context die een mens in de kamer wel heeft.

Morele ontwikkeling. Onderwijs gaat niet alleen om kennisoverdracht, maar ook om karaktervorming. Een AI kan Socratische vragen stellen, maar niet als moreel voorbeeld dienen op de manier waarop een gerespecteerde leraar dat kan.

Inspiratie. Soms werkt onderwijs door inspiratie — een leerkracht die zijn eigen passie voor een onderwerp overbrengt. AI kan enthousiasme simuleren, maar niet echt over iets gepassioneerd zijn.

Deze beperkingen zijn niet fatale. Ze betekenen dat AI-tutoring het beste werkt als aanvulling op menselijke begeleiding, niet als vervanger.

De docent-rol

Hoe past dit in de rol van menselijke docenten? Khan's visie is expliciet: niet vervangend. Docenten blijven centraal. AI-tutoring neemt repetitief, individueel oefenen over. De docent kan daardoor meer tijd besteden aan groepsdiscussie, creativiteit, persoonlijke ontwikkeling.

In theorie is dit win-win. In praktijk is de implementatie complex. Docenten moeten leren hoe AI-tutoring te integreren. Ze moeten adaptief worden. Ze moeten accepteren dat een deel van hun traditionele werk door AI wordt gedaan, terwijl ze hun eigen waarde in andere gebieden versterken.

Niet elke docent is enthousiast hierover. Sommigen vrezen verlies van professionele relevantie. Anderen voelen zich door de snelle technologische verandering overweldigd. Adoptie varieert per school en per individuele docent.

Het grotere beeld

Als AI-tutoring zich bewijst op lange termijn, kan het onderwijs fundamenteel veranderen. Niet door scholen te vervangen, maar door wat scholen kunnen bieden te uitbreiden.

Een student in een onderbediende school met een paar ongekwalificeerde docenten kan potentieel toegang krijgen tot hoogwaardige AI-tutoring die haar leermogelijkheden gelijktrekt met studenten in elite-scholen. Dat is een radicale democratisering.

Tegelijk kunnen elite-scholen AI-tutoring integreren met hun hoogwaardige menselijke onderwijs, waardoor hun studenten nog beter presteren. De ongelijkheid tussen onderwijs-niveaus kan ofwel kleiner worden (als onderbediende scholen sneller adopteren) ofwel groter (als elite-scholen de technologie beter inzetten).

De uitkomst hangt af van beleidskeuzes. Overheidsinvestering in AI-tutoring voor publieke scholen. Onderwijs-beleid dat digitale geletterdheid prioriteert. Ondersteuning voor docenten die willen adopteren.

De twee-sigma-vraag blijft open

Of Khanmigo en vergelijkbare systemen daadwerkelijk Bloom's twee-sigma-probleem oplossen — oftewel: of AI-tutoring echt de effectiviteit van 1-op-1-menselijke tutoring evenaart — is onbeantwoord. Vroege data suggereert substantiële winst, maar niet volledig twee-sigma.

Dat is eerlijk gezegd niet verrassend. Twee-sigma is een hoge standaard, gemeten onder ideale omstandigheden. Echte AI-tutoring in echte scholen met echte studenten zal zelden perfecte omstandigheden hebben. Een effect-grootte van bijvoorbeeld een halve sigma — niet twee — is nog steeds een enorme educatieve verbetering.

Wat we weten is: AI-tutoring werkt beter dan geen extra aandacht. Het werkt beter voor veel studenten dan het alternatief (geen tutoring of ongekwalificeerde tutoring). Voor een subset van studenten biedt het een toegang tot kwalitatieve leerervaringen die ze anders niet zouden hebben.

Dat is waarschijnlijk voldoende om serieus verder te investeren.

De utopische mogelijkheid

Als we ons een positieve versie van de toekomst voorstellen — een waarin AI wordt gebruikt voor menselijke ontwikkeling — staat onderwijs er centraal in. Elke student heeft toegang tot kwalitatieve individuele begeleiding. Leertalenten die nu verborgen blijven door slechte scholen of ontoereikende ouderlijke capaciteit, kunnen opbloeien. Gelijkheid van onderwijskans wordt dichterbij geweest dan in de menselijke geschiedenis ooit was.

Dat is niet hype. Dat is een plausibel scenario als we de technologie goed ontwerpen, breed distribueren, en met menselijk onderwijs integreren.

Khan's visie is hoopvol, maar niet naïef. Hij kent de valkuilen (ongelijkheid, overautomatisering, misbruik). Hij werkt er actief aan om ze te vermijden. Of zijn visie werkelijkheid wordt — niet alleen in Amerikaanse scholen maar in Vietnam, Nigeria, India — hangt af van meer dan Khan Academy alone.

Het hangt af van wat wij, collectief, willen dat onderwijs in een AI-tijdperk wordt.

Op dat antwoord werken we in 2026 nog. Maar de mogelijkheid is er. Dertig jaar nadat Bloom de twee-sigma-kloof beschreef, hebben we voor het eerst de technologie om haar te overbruggen. Of we het ook doen, is aan ons.

Niet aan Khan. Niet aan de AI. Aan ons.