Bedömning i AI-tider

När generativ AI snabbt kan skapa texter, analyser och bilder förändras förutsättningarna för vad vi bedömer – och hur. I grunden handlar bedömning om att synliggöra vad en elev kan, förstår och kan använda, men AI-verktyg utmanar det eftersom de kan automatisera delar av det arbete som tidigare fungerade som bevis för lärande.

Det ställer nya krav på validitet (mäter vi verkligen det vi avser att mäta?), transparens (är det tydligt vad eleven själv gjort?) och likvärdighet (har alla samma möjligheter?).

AI blir en spegel som visar hur mycket våra bedömningsformer faktiskt bygger på produkten – det färdiga resultatet – snarare än på elevens process och förståelse.

Bedömning i AI-tider kräver alltså en återgång till kärnan: att värdera förståelse, reflektion och ansvarstagande. Det handlar mindre om att kontrollera verktyg och mer om att tydliggöra kunskapens värde – även när en maskin kan efterlikna den.

AI gör att skillnaden mellan process och produkt blir mer central än någonsin.

Produkten kan snabbt förskönas eller till och med skapas av en maskin – men lärandet sker i processen: i valet av frågor, i förmågan att avgöra om ett svar är rimligt, i hur eleven bearbetar och omformar information.

Historiskt har skolan ofta bedömt produkten – den färdiga texten, provet, presentationen – som ett tecken på kunskap. I en AI-stött värld behöver läraren i högre grad se processen som lärandets primära arena och bedömningsunderlag.

När processen synliggörs blir bedömningen både mer transparent och autentisk. I praktiken handlar det inte om att "avslöja" AI-användning, utan om att förstå hur eleven förhåller sig till teknologin – kritiskt, kreativt och självständigt.

AI förändrar inte bara vad elever kan göra, utan också vad bedömning behöver fånga. Därför blir alignment – samspelet mellan syfte, uppgift och bedömningskriterier – avgörande. En uppgift kan vara hur välgjord som helst, men om den inte hänger ihop med syftet eller öppnar för rätt slags AI-användning, riskerar bedömningen att tappa riktning.

Om målet är att utveckla kritisk reflektion, är det rimligt att låta AI hjälpa till med språkstruktur men inte med argument. Om syftet är att lära sig informationssökning, blir det kanske viktigare att analysera AI:s svar än att skapa ett eget.

När syfte, uppgift och bedömning är i balans blir AI inte ett hot mot validiteten, utan ett verktyg som hjälper både lärare och elever att fokusera på det som verkligen ska läras.

Ingen regelbok kan täcka alla situationer där AI används. Därför är det klokt att skapa en gemensam överenskommelse i klassen – inte som ett kontrollinstrument, utan som ett sätt att bygga ansvar och tillit.

När elever får vara med och definiera vad som är okej och varför, ökar deras förståelse för både teknikens möjligheter och risker. Det flyttar också fokus från vad man får till hur man förhåller sig.

Det viktiga är inte perfekta formuleringar, utan ägarskap. När elever varit med och satt ramarna blir AI-användningen inte ett gråzonsspel – utan en del av en medveten lärandekultur.

AI-utvecklingen gör att bedömning inte längre kan förstås som ett enskilt tillfälle i slutet av ett arbete. Den måste bli flerstämmig och situationsanpassad. Olika bedömningsformer fångar olika delar av lärandet – och i AI-miljöer behöver de kombineras för att behålla både rättvisa och djup.

Att luta sig mot endast summativ bedömning (slutprodukten) riskerar att ge en skev bild, eftersom AI kan dölja vägen dit. Samtidigt blir formativ och autentisk bedömning centrala verktyg för att synliggöra förståelse, ansvar och metareflektion.

När dessa former samspelar blir bedömningen både mänsklig och framtidsanpassad: AI används där den stärker lärandet, men aldrig där den tar över det.

När AI kan formulera välstrukturerade svar på sekunder blir det ännu viktigare att kunna se djupet i lärandet. Det är inte längre produktens yta som visar vad eleven kan, utan graden av förståelse, förbindelse och överföring.

Här erbjuder SOLO-taxonomin (Structure of Observed Learning Outcomes) ett kraftfullt språk för både lärare och elever att tala om tänkande och utveckling – särskilt i en tid där det mänskliga bidraget måste synliggöras.

SOLO-taxonomin hjälper oss alltså att synliggöra mänskligt tänkande i en automatiserad värld – den gör det möjligt att fortsätta bedöma det som faktiskt är skolans uppdrag: förståelse, omdöme och förmågan att använda kunskap på nya sätt.

AI ställer inte bara frågor om vad vi bedömer, utan vilka förmågor som blir meningsfulla att utveckla i en tid då maskiner kan skriva, översätta och analysera snabbare än vi.

Här blir de så kallade fyra C:na – Critical thinking, Communication, Collaboration och Creativity – en central kompass. De formulerades redan 2002 i det amerikanska ramverket Partnership for 21st Century Skills (P21) som svar på frågan: Vilka färdigheter behöver människor i ett samhälle där information är oändlig och teknik är självklar?

Två decennier senare har AI gjort den frågan ännu mer akut.

Att lyfta de fyra C:na i undervisning och bedömning innebär att förskjuta fokus från prestation till förhållningssätt. Det är där framtidens kompetenser formas – i hur eleverna lär sig tänka, samarbeta och skapa med tekniken, utan att låta sig styras av den.

AI har förändrat själva villkoren för skrivande. Det handlar inte längre bara om att producera text, utan om att förstå och forma mening i samspel med teknik.

När chattbotar kan leverera grammatiskt korrekta och välstrukturerade texter på sekunder, blir det lärarens uppgift att bedöma hur eleven tänker genom sitt skrivande, snarare än hur vacker texten ser ut.

Bedömning av skrivande i AI-tider handlar därför om att se rösten, resonemanget och reflektionen – det som avslöjar människan bakom texten.

När generativ AI blir en del av skriv- och lärprocessen behöver vi nya sätt att se vad elever faktiskt kan. Det räcker inte längre att titta på slutprodukten – den visar resultatet men sällan resan dit.

Det är i processen – i valen, omarbetningarna och reflektionerna – som lärandet blir synligt.

En väl utformad processlogg fungerar som ett fönster in i elevens tänkande: den visar hur eleven prövar, tolkar och utvecklar sina idéer, och hur AI används som stöd snarare än ersättning.

När loggarna används kontinuerligt förändras kulturen i klassrummet. Fokus flyttas från att "göra uppgiften rätt" till att förstå hur man lär sig. Eleverna tränas i att se sin egen roll som aktiva medskapare i kunskapsprocessen, inte bara som mottagare av uppgifter eller AI-svar.

Processloggen blir då en metafor för hela skolans AI-förhållningssätt: ett sätt att följa tänkandet, inte kontrollera det.

Ett av de vanligaste förslagen för att säkerställa att elever förstår sina AI-stödda texter är att låta dem försvara sitt arbete muntligt.

Tanken är intuitiv: om eleven verkligen skrivit, förstått och bearbetat sin text själv, borde hen kunna prata om den. Men även om detta kan fungera som ett värdefullt bedömningskomplement, är det inte en enkel lösning – det kräver omtanke och medveten design.

Det muntliga försvaret kan på så sätt fungera som ett metakognitivt filter: eleven tränar sig i att förstå sitt eget tänkande, och läraren kan se om förståelsen är genuin.

När elever får förklara sina val – varför de använde AI, vad de lärde sig, hur de gjorde om – sker något avgörande: de börjar internalisera bedömningens språk. De förstår vad som bedöms och varför, och lär sig sätta ord på sitt eget lärande.

Det muntliga försvaret blir då inte ett slutprov, utan en pedagogisk handling i sig: en övning i ansvar, självkännedom och argumentation.

AI förändrar skrivandet, men läraren har fortfarande det viktigaste verktyget: samtalet. Det är i dialogen – inte i kontrollen – att vi ser vem eleven faktiskt håller på att bli.

När AI blir en naturlig del av lärande och produktion behöver vi ett sätt att synliggöra nivåer av mänskligt och maskinellt bidrag.

Det är inte längre meningsfullt att ställa frågan "Har du använt AI?" – utan snarare "Hur och i vilket syfte har du använt det?"

För detta kan man inspireras av Leon Furze, Ben Gallagher och Darren Coxons modell AI Assessment Scale (2023), som hjälper lärare att förstå och kategorisera olika typer av AI-stöd i elevuppgifter.

AI Assessment Scale tydliggör att ansvarsfull AI-användning inte handlar om ja eller nej, utan om hur medvetet och i vilket syfte AI används.

Den ger språk för något som annars riskerar att bli abstrakt eller laddat. Genom att använda skalan blir både lärare och elever bedömningsmedskapare – de kan diskutera teknik, etik och lärande på ett konkret sätt.

När AI blir en del av skolans vardag ställs grundläggande frågor om rättvisa, ansvar och integritet på sin spets.

Vem har egentligen tillgång till vad? Hur påverkas elevers möjligheter att visa sina kunskaper när tekniken inte är jämlikt fördelad? Och var går gränsen mellan pedagogiskt stöd och otillbörlig påverkan?

AI i bedömning är inte bara en didaktisk fråga — det är också en etisk och juridisk sådan.