Tijdens de regiobijeenkomsten is het thema data- en AI-geletterdheid veel genoemd als randwaarden om data en AI waarde(n)vol te kunnen gaan benutten. Vanuit wet- en regelgeving moeten alle MBO instellingen inspanningen verrichten om medewerkers te trainen/scholen rondom gebruik van AI. Dit kan iedere instelling individueel oppakken, maar kennisdeling over methodieken en mogelijk ook collectiviteit in de aanpak van professionalisering kan veel voordelen opleveren. Ook bezien vanuit de sectordoelen van Npuls.

Npuls heeft met het AI-GO Raamwerk voor AI-Geletterdheid in het Onderwijs een solide, evidence-informed kader ontwikkeld dat beschrijft wat AI-geletterdheid inhoudt: een samenspel van kennis, vaardigheden, attituden en ethisch bewustzijn.
De volgende stap is het vertalen van dit raamwerk naar de praktijk van het professionaliseren van medewerkers in het MBO. 

Binnen de Datacoalitie voeren we een inventarisatie uit naar de initiatieven, aanpakken en behoeften van MBO‑instellingen op het gebied van data- en AI‑geletterdheid van medewerkers. 

Met deze inventarisatie willen we: 

  • Overzicht krijgen van aanpakken, lopende initiatieven en plannen ten aanzien van data- en/of AI-geletterdheid;
  • Begrijpen welke (theoretische)modellen, materialen en trainingen worden gebruikt;
  • Zicht krijgen op wat goed werkt en waar uitdagingen liggen;
  • Kansen identificeren voor collectiviteit binnen de Datacoalitie en mogelijk binnen de hele sector.

De inventarisatie richt zich op initiatieven rondom het bevorderen van data- en/of AI- geletterdheid van medewerkers van MBO instellingen.

Data- en/of AI-geletterdheid van studenten wordt buiten beschouwing gelaten.

  • Er is een vragenlijst opgesteld om de initiatieven en behoeften rondom het bevorderen van data- en/of AI-geletterdheid van medewerkers te inventariseren.
  • De vragenlijst is ter check voorgelegd aan twee MBO instellingen en Npuls. Tips en aanpassingen zijn verwerkt in de definitieve vragenlijst. 

De vragenlijst in uitgestuurd via MS Forms en ingedeeld in een aantal categorieën:

  • Visie, beleid en eigenaarschap rondom data- en AI‑geletterdheid. Doel: vaststellen of er een instellingsvisie is, hoe expliciet deze is, en of eigenaarschap is belegd. 
  • Aanpak & programma’s: wat doen jullie al? Doel: zicht krijgen op lopende initiatieven en inspanningen.
  • Modellen, raamwerken en meetinstrumenten. Doel: inzicht verkrijgen in onderliggende theorie, modellen, groeipaden.
  • Materialen, trainingen en leveranciers. Doel: in kaart brengen van gebruikte middelen en mogelijke overlap tussen instellingen.
  • Behoeften en kansen voor collectiviteit. Doel: inzicht in gezamenlijke ontwikkel- of ondersteuningskansen en behoeften.

Op deze pagina presenteren we de resultaten die binnen dit project/onderzoek zijn opgeleverd.

In het voorjaar van 2026 heeft de Datacoalitie de initiatieven en behoeften rondom data- en AI-geletterdheid van medewerkers binnen de aangesloten MBO-instellingen geïnventariseerd. Met een brede deelname van 12 van de 16 aangesloten MBO-instellingen biedt dit onderzoek een representatief fundament voor een collectieve aanpak om de bekwaamheid rondom data- en AI-geletterdheid van medewerkers duurzaam te versterken.

De volgende instellingen hebben deelgenomen aan de inventarisatie:

  • Noorderpoort
  • Alfa-college
  • ROC Nijmegen
  • Koning Willem 1 College
  • ROC Aventus
  • Gilde Opleidingen
  • Firda
  • ROC van Twente
  • Curio
  • ROC Mondriaan
  • Talland College
  • Deltion

Door op onderstaande + te klikken kun je de management samenvatting lezen. Onder de management samenvatting, bij ‘Analyse van de inventarisatie’ vind je de uitgebreide analyse.

In het voorjaar van 2026 heeft de Datacoalitie de initiatieven en behoeften rondom data- en AI-geletterdheid van medewerkers binnen de aangesloten MBO-instellingen geïnventariseerd. Met een brede deelname van 12 van de 16 aangesloten MBO-instellingen biedt dit onderzoek een representatief fundament voor een collectieve aanpak om de bekwaamheid rondom data- en AI-geletterdheid van medewerkers duurzaam te versterken.

De inventarisatie laat zien dat MBO instellingen de urgentie voelen om aan de slag te gaan met data- en/of AI-geletterdheid. Er is sprake van een sterke ‘bottom-up’ dynamiek: er wordt geëxperimenteerd met pilots en workshops op de werkvloer.
De snelle technologische ontwikkelingen lopen momenteel voor op de formele beleidsvorming en de structurele facilitering in tijd en middelen voor deskundigheidsbevordering.

Hoewel een groot deel van de instellingen inmiddels een formele visie heeft, is de definitieve organisatorische structuur en budgettering bij verschillende instellingen nog in onderzoek. Eigenaarschap op data- en/of AI-geletterdheid is bij de helft van de deelnemende instellingen vastgelegd en hier zien we dat onderwijs, IT en de interne academies nauw met elkaar samenwerken.

Er is een hoge adoptiegraad van landelijke kaders, waarbij materialen van Npuls veelvuldig worden benut.
De inventarisatie onderstreept de behoefte aan collectiviteit om versnippering te voorkomen. De grootste collectieve vraag ligt bij rolgerichte professionalisering en het gezamenlijk vaststellen van praktische ethische kaders.

Conclusie
De inhoudelijke bereidheid om de data en/of AI-geletterdheid van medewerkers van MBO instellingen te vergroten/verbeteren is hoog, maar de organisatorische randvoorwaarden (tijd, budget en kaders) behoeven verdere versterking.
De meerderheid van de instellingen ziet kansen in collectiviteit, zodat niet elke instelling zelf het wiel hoeft uit te vinden en kennis kan worden gedeeld.

In onderstaande tabbladen is de analyse per thema weergegeven. Klik op het tabblad om de analyse te bekijken.

Visie, eigenaarschap en budget

In welke mate zijn data- en AI-geletterdheid verankerd in de strategische koers van de instellingen? Een solide visie en een helder belegd eigenaarschap zijn randvoorwaarden voor een duurzame aanpak van het bevorderen van data- en AI-geletterdheid. De resultaten laten zien dat hoewel de urgentie breed wordt gevoeld, de formele vastlegging en de financiële borging vaak nog een eenzijdige focus op AI kennen, waarbij de bredere context van datageletterdheid nog in de schaduw staat.

Formele visie op data- en/of AI-geletterdheid

7 van de 12 (58%) instellingen heeft een formele visie. Hiervan hebben 4 instellingen een integrale visie op zowel data als AI-geletterdheid. 3 instellingen hebben een visie die uitsluitend gericht is op AI-geletterdheid. 

De 7 instellingen die een visie hebben op data- en/of AI-geletterdheid geven aan dat deze visie ook in een formeel document is vastgelegd.

Eigenaarschap

Bij 5 instellingen (42%) is het eigenaarschap bij meerdere posities binnen de instelling belegd. 1 instelling (8%) geeft aan het eigenaarschap op 1 plek in de organisatie belegd te hebben. 

Bij de overige 6 instellingen (50%) is het eigenaarschap nog onduidelijk en/of wordt onderzocht waar dit intern belegd moet worden. 

Op basis van de kwalitatieve toelichtingen in de inventarisatie kunnen we de volgende top 3 van meest voorkomende constructies destilleren:

  1. Gezamenlijk eigenaarschap tussen de afdelingen Onderwijs & Kwaliteit (vaak inclusief i-coaches) en Informatievoorziening/IT om zowel de inhoud als de randvoorwaarden te borgen.
  2. Gezamenlijk eigenaarschap tussen onderwijs- of personeelsacademie: Bij een aantal instellingen is de verantwoordelijkheid specifiek belegd bij de interne Academie. Zij ontsluiten het professionaliseringsaanbod en fungeren als spil voor de brede uitrol van trainingen binnen de organisatie.
  3. Tijdelijke projectorganisatie of programmateam: Verschillende scholen kiezen (nog) voor een tijdelijke structuur, zoals een kernteam, programmaraad of projectleider. Dit team heeft vaak de opdracht om de visie te vertalen naar een plan van aanpak, waarna het eigenaarschap uiteindelijk structureel in de organisatie moet worden belegd.

Het valt op dat eigenaarschap zelden bij slechts één functionaris ligt. De trend is overduidelijk integraal: men beseft dat data- en AI-geletterdheid zowel een ICT-vraagstuk als een HR/onderwijskundig vraagstuk is.

Budget en urgentie

6 van de 12 instellingen (50%) heeft een specifiek budget gealloceerd. Hiervan hebben 3 instellingen specifiek budget gealloceerd voor data- en AI-geletterdheid, en 3 instellingen hebben alleen budget gealloceerd voor AI-geletterdheid. De andere 6 instellingen (50%) hebben geen budget gealloceerd. 

De urgentie van het bevorderen van data- en/of AI-geletterdheid wordt door alle instellingen als beperkt urgent of hoog ervaren; geen enkele instelling scoort dit als “geen urgentie”.

Aanpak en programma’s: Wat doen scholen al?

Van de 12 deelnemende instellingen geven 3 instellingen (25%) aan een plan van aanpak te hebben. 1 instelling heeft een plan van aanpak voor data-en AI geletterdheid en 2 instellingen alleen voor AI-geletterdheid. 9 instellingen geven aan te werken aan een plan van aanpak. 

Alle instellingen zijn op dit moment in meer of mindere mate bezig met initiatieven die data- en/of AI-geletterdheid bevorderen. De initiatieven die het meest worden toegepast zijn: 

  • Workshops / trainingen
  • Pilots met AI-toepassingen
  • E-learning modules

Wat werkt goed in de huidige aanpak en waar worden knelpunten/uitdagingen ervaren?

De huidige aanpak kenmerkt zich door een sterke focus op praktische en nabije ondersteuning (workshops en i-coaches), wat leidt tot een positieve ‘bottom-up’ dynamiek en een groeiende bereidheid om te experimenteren. De grote uitdaging ligt echter in het faciliteren van de benodigde tijd en ruimte voor medewerkers om deze vaardigheden structureel te ontwikkelen. Daarnaast ontbreekt het vaak nog aan een overkoepelende visie en duidelijke governance, waardoor de versnelling van het onderwerp de organisatorische kaders soms inhaalt.

Wat gaat goed? 

Instellingen zien vooral succes in vormen van professionalisering die dicht bij de dagelijkse praktijk staan:

  • Vormen van training: (Fysieke) workshops en maatwerktrajecten binnen teams worden als zeer effectief ervaren omdat ze ruimte bieden voor sentimenten en dialoog.
  • Laagdrempelige ondersteuning: De inzet van i-coaches, diverse trainers en interactieve sessies (zoals ‘zeepkistsessies’) bevordert het delen van informatie.
  • Toegankelijkheid: Het aanbieden van meerdere leerstijlen en het makkelijk toegankelijk maken van scholing voor medewerkers werkt motiverend.
  • Experimenteerruimte: Het werken vanuit ‘the willing’ en het draaien van kleine pilots zorgt voor eerste resultaten en stimuleert het gesprek over AI in het onderwijs.

Waar liggen knelpunten/uitdagingen?  

De knelpunten zijn voornamelijk organisatorisch en voorwaardelijk van aard:

  • Tijd en ruimte: Dit is het meest genoemde knelpunt; medewerkers ervaren een gebrek aan tijd in de dagelijkse lijn om zich echt te verdiepen in (data)geletterdheid.
  • Visie en governance: Het ontbreken van een duidelijke visie en kaders zorgt voor onduidelijkheid over eigenaarschap en eindverantwoordelijkheid.
  • Tempo en schaal: De snelheid waarmee AI zich ontwikkelt is moeilijk bij te benen voor de organisatie, wat samen met de schaalgrootte zorgt voor een hoge druk op de uitvoering.
  • Kwaliteit en veiligheid: Er is behoefte aan een vertaalslag naar kwalitatief en veilig gebruik in het onderwijs; de huidige urgentie wordt gevoeld, maar de diepgang in materialen (zoals e-learnings) ontbreekt soms.
  • Middelen: Het regelen van budget en toegang tot de juiste applicaties (en de kosten daarvan) worden als barrières genoemd.

Modellen, raamwerken en meetinstrumenten

Om de mate van en de voortgang in de ontwikkeling van data-  en AI-geletterdheid van medewerkers te kunnen duiden, is behoefte aan standaarden en meetbare kaders. In dit hoofdstuk analyseren we welke theoretische modellen momenteel als kompas dienen. Daarnaast bekijken we in hoeverre instellingen al in staat zijn om het actuele niveau van hun medewerkers objectief vast te stellen via nulmetingen of monitoren.

Gebruik van een groeipad of groeimodel

De helft van de instellingen maakt gebruik van een groeipad of groeimodel voor het meten en volgen van de voortgang met betrekking tot data- en/of AI-geletterdheid.

De door instellingen meest gebruikte modellen zijn:

  • DigCompEdu: Dit Europese raamwerk voor de digitale competenties van docenten is de meest genoemde basis. Instellingen gebruiken dit model om de verschillende niveaus van digitale bekwaamheid te duiden.
  • AI-GO Raamwerk (Npuls): Dit specifiek voor het onderwijs ontwikkelde raamwerk wordt door meerdere instellingen genoemd als hun primaire kompas voor AI-geletterdheid.
  • Eigen (door)vertalingen: Opvallend is dat een aanzienlijk deel van de instellingen kiest voor een eigen praktische vertaling van bovenstaande modellen. Men combineert vaak elementen uit DigCompEdu met het AI-GO raamwerk om tot een werkbaar “groeimodel” te komen dat past bij de eigen organisatiecultuur.
  • Samenwerkingsmodellen: Sommige instellingen geven aan specifieke groeimodellen te verkennen in samenwerking met andere instellingen (via de Centers for Teaching and Learning).

Niveaumeting (nulmeting) van data- en/of AI-geletterdheid

Bij 5 van de 12 instellingen wordt de bekwaamheid van medewerkers met betrekking tot data- en/of AI-geletterdheid gemeten. 5 instellingen overwegen dit te gaan doen. 

De instellingen die meten, doen dit vooral door bestaande ICT-monitoren te gebruiken of door eigen nulmetingen te ontwikkelen. 

Gebruikte modellen en instrumenten:

  • Landelijke monitoren: Er wordt gebruikgemaakt van brede instrumenten zoals de Monitor Leren en Lesgeven met ICT en de Monitor Digitale Geletterdheid.
  • Zelfontwikkelde metingen: Meerdere instellingen zetten eigen nulmetingen of vragenlijsten uit om de specifieke behoefte en het huidige kennisniveau intern te peilen.

Modellen/Kaders als basis voor meting:

  • AI raamwerk 
  • Model van Ixperium 
  • DigCompEdu 

Materialen, training en leveranciers

Dit hoofdstuk richt zich op de bronnen die scholen gebruiken voor hun professionaliseringsaanbod. We maken inzichtelijk hoe de balans ligt tussen eigen ontwikkeling en inkoop bij marktpartijen, en in welke mate de landelijke materialen van partners zoals Npuls en MBO Digitaal hun weg naar de praktijk al hebben gevonden.

Materialen en hulpmiddelen

Op de vraag van welke tools en/of hulpmiddelen de instellingen gebruik maken om data- en/of AI-geletterdheid van medewerkers te bevorderen, worden de volgende antwoorden gegeven: 

  • Zelfontwikkelde leerlijnen en materialen: Veel instellingen bouwen eigen leeromgevingen (vaak in een LMS) met zelfgemaakte video’s, handleidingen en AI-wijzers voor docenten.
  • Inzet van externe expertise: Er wordt veelvuldig gebruikgemaakt van gespecialiseerde partijen zoals Ixperium, Arda, en de MIEC Data & AI voor verdiepende trainingen en leergangen.
  • Interactieve en informele vormen: Naast formele trainingen worden laagdrempelige initiatieven zoals ‘AI-cafés’, maandelijks bijpraat uurtjes en workshops op aanvraag ingezet om de kennisdeling te stimuleren.

5 instellingen geven hierbij aan enkel gebruik te maken van zelf ontwikkelde tools/hulpmiddelen en 7 instellingen geven aan dit deels zelf te ontwikkelen en deels in te kopen. 

Sectorale ondersteuning 

Vanuit de sector worden verschillende tools en hulpmiddelen beschikbaar gesteld om instellingen te ondersteunen bij data- en/of AI-geletterdheid. We hebben geïnventariseerd of er gebruik wordt gemaakt van deze middelen en, indien ja, welke specifiek worden ingezet.

De resultaten laten zien dat er een sterke verankering is met landelijke programma’s, wat getuigt van een grote behoefte aan centrale kaders en gevalideerd materiaal.

  • Npuls: Det 9 van de 12 instellingen is Npuls de meest geraadpleegde bron voor ondersteuning.
  • MBO Digitaal: Iets meer dan de helft van de instellingen maakt actief gebruik van de diensten en materialen van MBO Digitaal.

In de toelichting worden het AI-GO raamwerk, de AI-wijzer, en diverse handreikingen en inspiratie materialen expliciet genoemd als waardevolle hulpmiddelen. Meerdere scholen geven aan materialen van deze partners te gebruiken als basis of inspiratie voor hun eigen interne workshops en beleidsstukken.

De rode draad in deze antwoorden is de hoge mate van adoptie van landelijke initiatieven. Slechts een zeer kleine minderheid (2 van de 12) geeft aan van geen van beide bronnen gebruik te maken. Dit bevestigt dat de sector niet op eigen eilandjes opereert, maar actief zoekt naar aansluiting bij de landelijke koers en gebruik maakt van daar ontwikkelde materialen.

Behoeften en kansen voor collectiviteit

Het sluitstuk van de inventarisatie richt zich op de toekomst en de kracht van samenwerking. Op basis van de opgehaalde behoeften identificeren we hier de thema’s waarop instellingen gezamenlijk willen optrekken. 

Behoeften ten aanzien van bevorderen data- en/of AI-geletterdheid binnen instellingen

De inventarisatie laat zien dat instellingen op verschillende terreinen behoefte hebben aan ondersteuning bij het stimuleren van data- en AI-geletterdheid.

Behoefte aan collectiviteit

De roep om samenwerking is binnen dit thema hoog. 8 van de 12 instellingen (67%) geeft aan dat er behoefte is collectief met elkaar op te trekken. 4 van de 12 instellingen (33%) geven aan dat hier misschien behoefte aan is. Geen enkele instelling geeft aan dat deze behoefte er niet is. 

Welke initiatieven collectief oppakken? 

De kern van de behoefte ligt bij het verlagen van de ontwikkellast. Instellingen willen vooral samen ontwikkelen (leerlijnen, workshops, beleid) en ‘ervaringen delen’ (good practices, pilots) om te voorkomen dat elke instelling hetzelfde werk apart moet doen.

De kern van de behoefte ligt bij het verlagen van de ontwikkellast. Instellingen willen vooral samen ontwikkelen (leerlijnen, workshops, beleid) en ‘ervaringen delen’ (good practices, pilots) om te voorkomen dat elke instelling hetzelfde werk apart moet doen.

  • Professionalisering en leerlijnen: Dit is het meest genoemde thema. Scholen willen niet allemaal afzonderlijk het wiel uitvinden:
    • Gezamenlijke leerlijnen: Het breed ontwikkelen van leeraanbod (trainingen) en materialen voor diverse doelgroepen.
    • Kennisuitwisseling: Het structureel delen van ‘good practices’ en bewezen effectieve aanpakken tussen de instellingen.
  • Kaders, richtlijnen en ethiek: Er is behoefte aan een gemeenschappelijk fundament om consistent beleid te kunnen voeren:
    • Ethische kaders: Het gezamenlijk vaststellen van de normen en waarden voor verantwoord AI-gebruik in de klas en bij de ondersteunende diensten.
    • Beleidssjablonen: Het delen en ontwikkelen van raamwerken voor instellingsbreed beleid


Conclusie

De inventarisatie laat zien dat MBO instellingen de urgentie voelen om aan de slag te gaan met het bevorderen van data- en/of AI-geletterdheid van medewerkers. 

Er is sprake van een sterke ‘bottom-up’ dynamiek: ondersteuning door i-coaches en praktische workshops leiden tot een grote bereidheid om te experimenteren op de werkvloer.     

De structurele verankering van deze initiatieven bevindt zich echter nog in een vroege fase. Hoewel een meerderheid van de instellingen een visie heeft vastgelegd, blijft de structurele borging én de praktische vertaling in een plan van aanpak in de organisatie nog achter. 

De belangrijkste conclusies over de huidige status zijn:

  • Disbalans tussen tempo en borging: De snelle technologische ontwikkelingen lopen voor op de formele beleidsvorming en de benodigde organisatorische kaders.
  • Facilitering schiet tekort: Hoewel de bereidheid groot is, vormt het gebrek aan tijd en ruimte voor medewerkers het grootste obstakel voor structurele verdieping.
  • Versnipperd eigenaarschap: Bij de helft van de instellingen is het eigenaarschap nog onduidelijk of in onderzoek. Dit belemmert een integrale aanpak waarbij Onderwijs, IT en Academies (HR) eenduidig optrekken.
  • Financiële onzekerheid: Slechts de helft van de instellingen beschikt over een specifiek budget voor data- en/of AI-geletterdheid, waarbij de focus vaak eenzijdig op AI ligt en de bredere datageletterdheid onderbelicht blijft.

Behoefte

De roep om samenwerking is binnen dit thema hoog. De meerderheid van de instellingen geeft aan dat er behoefte is collectief met elkaar op te trekken. De kern van de behoefte ligt bij het verlagen van de ontwikkellast. Instellingen willen vooral samen ontwikkelen (leerlijnen, workshops, beleid) en ervaringen delen (good practices, pilots) om te voorkomen dat elke instelling hetzelfde werk apart moet doen.

De collectieve behoefte sluit aan bij de individuele behoefte die instellingen hebben om data- en/of AI-geletterdheid te bevorderen. De grootste behoefte (top 3) ligt bij de volgende onderdelen: 

  • Rol- en functiegerichte professionalisering
  • Basistraining
  • Bewustwording

De grote bereidheid tot samenwerking biedt een unieke kans om deze breed gedragen behoeften effectief te adresseren. Door krachten te bundelen op de meest urgente onderdelen kan de transitie naar een data- en AI-geletterde sector worden versneld.

Het voeren van verdiepende gesprekken met aan de inventarisatie deelgenomen instellingen.

Op deze pagina presenteren we een overzicht waarmee we komende periode aan het werk gaan.

De roep om samenwerking is groot: nagenoeg alle instellingen zien mogelijkheden voor een collectieve aanpak. Op basis van de behoeften die de instellingen expliciet hebben benoemd, luidt het advies om voor het MBO met de volgende punten aan de slag te gaan.

1. Gezamenlijke professionalisering en kennisdeling

  • Ontwikkeling van leerlijnen: Ontwikkel collectief leeraanbod en materialen (trainingen, presentaties, infographics) voor diverse doelgroepen, zodat instellingen niet individueel het wiel hoeven uit te vinden.
  • Structuur voor kennisdisseminatie van ‘good practices’: Richt een werkwijze in voor het structureel delen van bewezen effectieve aanpakken en materialen tussen de verantwoordelijke mensen binnen de instellingen.
  • Focus op rollen: Geef prioriteit aan rol- en functiegerichte professionalisering, aangezien hier de grootste behoefte ligt.

2. Uniforme kaders en richtlijnen

  • Ethische kaders: Stel gezamenlijk de normen en waarden vast voor verantwoord AI-gebruik, zowel in de klas als door de ondersteunende diensten.
  • Praktische beleidssjablonen: Deel en ontwikkel raamwerken en sjablonen voor instellingsbreed beleid.
  • Richtlijnen voor de onderwijspraktijk: Ontwikkel collectief duidelijke regels en raamwerken voor het gebruik van AI in het onderwijsproces en bij toetsing/examinering.

Om deze collectieve ambitie te realiseren, is er behoefte aan een actieve samenwerkingsstructuur waarin de verantwoordelijke mensen binnen de instellingen structureel van en met elkaar kunnen leren. Door kennis en ervaringen systematisch en actief uit te wisselen, ontstaat er een gedeelde sectorale aanpak die de basis vormt voor een duurzame bevordering van data- en AI-geletterdheid.

In Datacoalitie verband kunnen de organisatorische randvoorwaarden hiervoor worden versterkt en kunnen de individuele instellingen worden ontlast in hun ontwikkeling naar een data- en AI-geletterde organisatie.