Under lång tid har pedagogisk utveckling i STEM (Science, Technology, Engineering and Mathematics) skett genom gradvisa adaptiva processer: en metod eller ett verktyg utvecklas, utvärderas i studier och sedan skaleras upp när evidensen är tydlig. För många undervisningsinnovationer har själva idén om “institutionell förändring” vilat på antagandet att målet är känt i förväg och att det vi sprider är stabilt och väldefinierat. Samtidigt har vi sett hur teknologier som setts som lösningen på hur undervisningen kan förbättras inte har levt upp till förväntningarna [1]. En gemensam faktor för dessa är att implementeringen oftast har skett ”uppifrån” utan eller med lite påverkan av brukarna (undervisarna).
Det är den ordningen som generativ AI (GenAI) bryter. I stället för en långsam adoption av utvärderade innovationer kom AI in snabbt, brett och ofta utan att lärosäten och undervisare hade hunnit formulera en respons. I en artikel av Reich & Dukes [2] beskrivs GenAI som en ”arrival technology”: en teknik som ”anländer” till utbildningspraktiken innan en pedagogisk evidensbas och gemensamma rutiner har hunnit utvecklas.
Detta skapar en särskild form av osäkerhet. Lärosäten kan inte vänta på ”best practice”, eftersom studenter redan använder GenAI, och eftersom evaluering, inlämningsuppgifter och rapporter redan påverkas av verktygen. Samtidigt är det problematiskt att skapa lösningar eller policys som bygger på antaganden som inte kan beläggas.
Vi ställs inför en situation där varken ett generellt förbud eller en okritisk omfamning är hållbart på längre sikt. Det är heller inte möjligt att använda den modell som vi är vana vid, utan det behövs istället modeller för institutionell förändring under genuin osäkerhet, som bör vara präglade av intellektuell ödmjukhet, öppet sinne och lokala insatser.
Från “adoption” till “arrival”: varför tidigare förändringsmodeller inte räcker
Om vi ser på historien så kräver GenAI ett annat angreppssätt. Många, om inte alla, tidigare undervisningsreformer har följt en adoption-logik: forskningsbaserade undervisningsmetoder utvecklas och utvärderas, och därefter arbetar man systematiskt för att stödja implementering och spridning. Sådana förändringsmodeller kan ofta kopplas till klassiska ”diffusionsteorier”, där osäkerhet reduceras genom evidens, demonstrationer och gradvis . Gen AI passar sämre in i den logiken, eftersom verktygen togs i bruk innan det fanns tid att bygga samma typ av evidensbas och gemensamma förväntningar.
Det viktiga här är inte bara att “evidensen saknas”, utan att förändringsmekanismen ser annorlunda ut. När studenter använder GenAI utanför undervisares kontroll och när AI-funktioner byggs in i vardagsverktyg (sök, skrivstöd, kodhjälp) blir frågan inte “ska vi införa detta?”, utan “hur svarar vi på en förändring som redan pågår?”. Det flyttar fokus från spridning av färdiga lösningar till samordning, gemensam förståelse och iterativt lärande inom den lokala undervisningsorganisationen.
Flera aspekter: både verktyg och människor
Här handlar det om att se vad det är som vi behöver ta hänsyn till när vi planerar förändringar för att möta bruken av GenAI.
Det är lika viktigt att ta hänsyn till egenskaperna hos verktyget (GenAI) som till brukarna. Samtidigt är det viktigt att påpeka att det inte finns policy som passar alla. De olika disciplinernas egenart är viktig då effekten av GenAI är annorlunda i olika discipliner. Exempelvis kan GenAI-bruk i språk få en helt annan effekt på läringsutbytet än i en experimentell disciplin. Med andra ord, de antaganden som görs kommer att vara olika och kommer dessutom att behöva omprövas under utvecklingsarbetet.
De viktigaste (men inte alla) aspekterna som man måste beakta i förändringsarbetet ges här.
Evidensbasen: när förändring startar innan kunskapsläget är stabilt
I tidigare reformer har det ofta funnits relativt tydliga forskningsresultat att luta sig mot. För AI gäller motsatsen: verktygen används brett trots att det saknas en etablerad pedagogisk evidensbas för vad som fungerar väl, för vem och i vilka sammanhang. Med andra ord har vi inget att arbeta med. En lösning på detta är i första hand att prioritera lokala, försiktiga undersökningar snarare än att presentera olika lösningar som “beprövade”. Det innebär att dokumentera vad som testas i kurser och program, samla in erfarenheter och data, och dela lärdomar utan att överdriva generaliserbarheten. Här kommer de specifika egenarterna i kurserna: undervisaren och studenterna kommer att spela en stor roll.
Scope och syfte: när tekniken är allmän och inte byggd för utbildning
Många tidigare undervisningsverktyg utvecklades med specifika utbildningsmål som utgångspunkt. GenAI är i stället en generell teknik med användning långt utanför akademin, vilket innebär att dess införande i undervisningen påverkas av kommersiella intressen, samhällsdebatt, etik och integritetsfrågor. Att det finns kommersiella intressen gör att det dessutom finns ett starkt tryck på att detta skall implementeras.
Men då tekniken inte är undervisningsspecifik, gör det att GenAI blir både ett medel i lärandet och ett innehåll att lära om: studenter behöver utveckla förmågan att använda AI kritiskt och ansvarsfullt i sina framtida professioner. Det gör att samtalen i undervisningen behöver omfatta frågor om etik, transparens och omdöme—inte som ett sidospår, utan som en del av utbildningens kärna. Detta gör att dessa ”Transversal Skills” blir essentiella.
Förändringstakten: när verktyget hinner ändras innan vi hinner förstå det
En särskild utmaning är att AI-verktyg utvecklas snabbt och att alla studenter inte har tillgång till det senaste. Det betyder att även om man hinner utvärdera en viss funktion eller modell riskerar resultaten att bli inaktuella när nästa version kommer. Detta innebär att man inte kan fokusera på ett eller flera specifika (aktuella) verktyg utan se mer på olika pedagogiska angreppssätt. Det man bygger upp institutionellt bör vara arbetssätt, principer och exempel som kan överleva att ett verktyg byts ut, inte något som snabbt blir utdaterat.
Undervisarens roll: när förändringen inte längre är ett frivilligt “opt-in”
I många tidigare förändringsinitiativ har deltagande varit frivilligt och drivits av intresse för undervisningsutveckling. Med GenAI upplever många undervisare att förändringen sker oavsett om man vill eller inte, eftersom studenters användning påverkar undervisningen, bedömningen och studiebeteenden.
Här är det viktigt att, som nämnt ovan, notera att graden av påverkan kommer att variera kraftigt mellan kurser och ämnen, vilket betyder att stödinsatserna behöver börja med att kartlägga faktiska behov snarare än att anta att alla står inför samma problem. Det talar för differentierat stöd och för att skapa arenor där undervisare kan jämföra erfarenheter och identifiera var påverkan är störst.
Förändringsstödets roll: från “expert som sprider ”best practice”” till facilitator
I klassiska förändringsmodeller kan förändringsaktörer (pedagogiskt stöd) fungera som “bärare” av beprövade metoder: de förmedlar vad som fungerar och hjälper till med implementering. Här passar denna roll inte då osäkerheten är genuin och när “vad som fungerar” ännu inte är etablerat. I stället behöver förändringsstödet utformas som facilitering av kollektivt lärande: att skapa strukturer för gemensam undersökning, hjälpa till att samla och tolka lokala data, och stödja undervisare i att formulera rimliga experiment och principer. Detta betyder att det som behövs inte är ren “verktygsexpertis”, utan handlar mer om att ha djup och relevant didaktisk och pedagogisk kompetens och förståelse för de specifika lärandemålen i olika kurser.
Studenternas ändrade roll: från mottagare till medskapare
Då studenter redan använder GenAI-verktygen, är de på ett sätt inte bara “målgruppen” för reformer. Det är egentligen de som driver implementeringen genom sitt bruk.
Samtidigt vet vi från olika undersökningar (till exempel [3]) att många studenter efterfrågar vägledning om ansvarsfull användning. Därför är det viktigt att se studenter som partners i förändringsarbetet: deras faktiska användningsmönster behöver synliggöras och de bör involveras i samtal om vilka lärandemål som ska skyddas och hur GenAI kan användas produktivt utan att inverka på deras lärande.
Processen måste bli synlig
Det är frestande att reducera AI-frågan till en kontrollfråga: hur upptäcker vi AI-genererade texter? Hur “förhindrar” vi detta? Men de aspekter som tagits upp leder till en annan utgångspunkt.
När generering av text, kod eller lösningsförslag blir lättare, blir själva slutprodukten mindre informativ som indikator på lärande. Då behöver bedömning och undervisning i högre grad rikta in sig på process, omdöme och ansvar.
I praktiken innebär det ofta att utbildningar behöver bli tydligare med vad som räknas som kunskap i respektive disciplin: vilka moment kräver egen bearbetning, vilka delar kan stödjas av olika verktyg, och vilka former av redovisning som visar förståelse snarare än bara produktion. Här blir principen “approacher över verktyg” central: oavsett vilka AI-tjänster som kommer att dominera nästa år kommer utbildningar fortfarande behöva designa undervisningsaktiviteter som tränar kritisk granskning, val av modell eller metod, reflektion över begränsningar och konsekvenser.
Detta medför också att en policy inte bör vara ett statiskt dokument som “låses” en gång per år. Med snabbt föränderliga verktyg behöver riktlinjer utvecklas iterativt och i dialog med studenter, men utan att bli godtyckliga. En rimlig kompromiss är att hålla fast vid stabila principer (t.ex. transparens, integritet, ansvar och lärandemål) och låta konkreta tillämpningar (exempel på tillåten användning i en viss kurs) uppdateras när verktyg och erfarenheter förändras. Med detta följer också att man inte kan ha en övergripande policy utan att den måste vara så undervisningsnära som möjligt, kanske till och med på studieprogramnivå eller kursnivå.
Slutord: att bygga kapacitet snarare än att jaga lösningar
Slutsatsen man kan dra av detta är att man inte skall försöka hitta en generell lösning eller policy, utan det handlar mer om institutionell kapacitet att hantera den osäkerhet som finns: strukturer för lokal utvärdering, forum för kollegialt lärande, förändringsstöd som faciliterar snarare än instruerar, och studentpartnerskap som gör normer och mål explicita. Det är ett skifte från att tänka i termer av implementering av en innovation till att tänka i termer av pågående anpassning av utbildningens kärnpraktiker.
Om generativ AI är en “arrival technology” som förändrar utbildning innan vi hinner förstå den fullt ut, är en rimlig strategi att börja där vi står: med ödmjukhet, tydliga lärandemål och en vilja att lära tillsammans—snarare än med tvärsäkerhet och snabba, ofta ogenomtänkta, storskaliga beslut och lösningar.
[1] Cuban, L. (1986). Teachers and machines: The classroom of technology since 1920. Teachers College Press.
[2] Reich, J., & Dukes, J. (2025). The future of education technology after the arrival of ChatGPT. Phi Delta Kappan, 107(3-4), 19-23.
[3] Olsen, H. (2026). Master’s Thesis, NTNU (in preparation)








