Paniken kring ”Min läxa skrevs av AI” är över: här är vad som har ersatt den

När ChatGPT blev tillgängligt för allmänheten började lärare föreställa sig värsta tänkbara scenario.

Studenter skulle inte längre skriva sina uppsatser själva. 

Hemuppgifter skulle bli omöjliga att lita på. 

Och någonstans skulle en LLM skriva en fullt godtagbar uppsats på fem stycken om The Great Gatsby, medan den påstådda författaren spelade tv-spel i ett annat rum.

Oron var förståelig. För första gången hade studenter fri tillgång till teknik som kunde producera övertygande texter om nästan vilket ämne som helst. Men efter flera år med generativ AI blir samtalet allt mer nyanserat.

Studenter använder fortfarande AI. Faktum är att användningen har blivit anmärkningsvärt vanlig. En undersökning från 2025 av Higher Education Policy Institute bland över 1 000 brittiska studenter på grundnivå visade att 92 % använde AI i någon form, medan 88 % hade använt generativ AI i examinationsuppgifter. En undersökning av UCLA:s avgångskull 2025 visade på liknande sätt att 73 % av de svarande avgångsstudenterna använde generativ AI som stöd i sina kursarbeten.

Men de här studenterna ber inte nödvändigtvis ChatGPT att göra en uppgift från början till slut. De undersöker ämnen, spånar idéer, pluggar inför prov, redigerar texter, får svåra begrepp förklarade och låter ibland AI skapa delar av uppgifter.

Det väcker en viktig fråga för lärare: Förstår studenterna faktiskt det de lämnar in?

Problemet med AI-detektorer

Svaret på AI-genererade hemuppgifter blev en annan form av AI: detekteringsprogram.

Om studenter kunde använda en algoritm för att skriva en uppsats, kanske lärare kunde använda en annan algoritm för att avslöja dem.

Det finns bara ett problem. AI-detektering är inte detsamma som bevis.

Ända sedan generativ AI började användas i stor skala har forskare varnat för falskt positiva och falskt negativa resultat. En studie från 2023 publicerad i The International Journal of Management Education visade att det fanns överlappningar i hur detektorer klassificerade äkta respektive AI-genererade texter, vilket innebar en risk för båda typerna av fel.

Nyare forskning tyder på att den grundläggande utmaningen kvarstår. En utvärdering från 2026 publicerad i Computers & Education testade 13 detektorer för AI-genererat innehåll mot autentiska studentuppgifter, uppsatser och kod. Forskarna drog slutsatsen att detektorernas prestanda fortfarande var otillräcklig för akademiska beslut med stora konsekvenser och konstaterade att redigerat AI-genererat innehåll ofta kunde undgå upptäckt.

Det innebär inte att detekteringsverktyg är värdelösa. Däremot blir det svårt att förlita sig på dem som den främsta lösningen på akademiskt arbete som utförts med hjälp av AI.

Det här väcker också en större fråga.

Även en detektor som fungerade perfekt skulle bara kunna säga om AI sannolikt hade genererat en text. Den skulle inte kunna säga om lärande hade ägt rum.

Tänk dig två studenter:

• Den första ber en AI-chattbot skriva en hel uppgift, gör några ändringar och lämnar in den utan att förstå resonemanget.
• Den andra använder AI för att få ett begrepp som hen har haft svårt med förklarat, ställer följdfrågor, spånar fram möjliga argument, skriver uppgiften på egen hand och använder sedan verktyget igen för att hitta svagheter i det första utkastet.

Båda använde AI. Men ur ett utbildningsperspektiv gjorde de två helt olika saker.

”Använde du AI?” blir allt mer fel fråga

Generativ AI är inte längre en skrivmaskin med ett enda användningsområde.

Studenter kan använda den som redaktör, handledare, bollplank, översättare, forskningsassistent, kodningshjälp eller studieverktyg. AI-funktioner byggs också i allt högre grad in i programvara som människor redan använder.

Även studenterna själva ser skillnaden. I Cheggs globala studentundersökning från 2025 uppgav 80 % av de tillfrågade studenterna på grundnivå att de hade använt generativ AI som stöd i studierna. Bland dessa användare använde 56 % den främst för att förstå begrepp eller ämnen. Samtidigt var 53 % oroliga för att få felaktig information.

Den sista siffran kan vara lika viktig som den första, eftersom en del av att lära sig arbeta med AI är att lära sig avgöra om ett svar är värt att lita på.

En chattbot kan föreslå källor till en uppsats. En del av dem kanske inte existerar. Den kan förbättra ett stycke. Men den kan också subtilt förändra det studenten försökte säga.

Ju enklare AI gör det att ta fram ett svar, desto viktigare blir det att ha tillräckliga kunskaper för att kunna bedöma svaret. Det är där samtalet om akademisk integritet börjar övergå i ett samtal om AI-kunnighet.

Studenter måste visa att de förstår

I årtionden har väl underbyggda och färdigställda uppgifter ofta fungerat som bevis på lärande.

En student lämnar in en uppsats, en labbrapport, en presentation eller kod, och läraren bedömer slutresultatet för att avgöra hur väl studenten förstår ämnet.

Generativ AI försvagar det antagandet, eftersom det nu går att ta fram ett välpolerat slutresultat utan att studenten nödvändigtvis har de kunskaper som resultatet verkar visa.

Det tvingar lärare att se bortom slutresultatet:

1. Be studenten förklara varför hen kom fram till en viss slutsats.
2. Fråga vilka belägg som fick hen att ändra uppfattning.
3. Be hen försvara ett resonemang muntligt.
4. Fråga vilken del av uppgiften hen tyckte var svårast.
5. Ändra en variabel i ett problem och be hen lösa det på nytt.
6. Be hen peka ut en svaghet i sitt eget arbete.

Om AI var tillåtet, fråga hur hen använde det, vad det bidrog med och vad hen valde bort.

Plötsligt är det bara en del av uppgiften att ta fram ett imponerande svar. Studenten måste också visa att hen står bakom tankearbetet som ligger till grund för det.

Läxor bör visa mer av arbetsprocessen

I åratal har digitala verktyg gjort det allt enklare att inrikta bedömningen på slutresultatet. Generativ AI får vissa lärare att gå i motsatt riktning: mot processen som ledde fram till det.

Det kan innebära att man granskar dispositioner och utkast i stället för enbart slutversioner. Det kan också innebära att klassrumsdiskussioner eller muntliga moment tas med. Studenter kan dokumentera hur deras resonemang utvecklades, förklara varför de valde vissa källor eller reflektera över var de körde fast.

AI kan till och med bli en del av själva bedömningen.

I stället för att säga åt studenterna att inte använda en chattbot kan läraren ge dem ett AI-genererat svar och be dem granska det kritiskt.

• Vad gjorde modellen rätt?
• Vad förbisedde den?
• Vilka påståenden behöver verifieras?
• Vilka källor skulle behövas innan man kan lita på svaret?
• Kan studenten lägga fram ett bättre resonemang?

De frågorna är mycket svårare att överlåta åt någon annan, eftersom uppgiften nu kräver mänskligt omdöme. Och omdöme är precis den förmåga studenter behöver när AI kan ta fram trovärdig information på begäran.

AI-kunnighet blir synonymt med akademisk kompetens

Det fanns en tid då ”digital kompetens” till stor del innebar att kunna använda en dator, navigera på internet och hantera vanliga program.

Definitionen blev mer sofistikerad eftersom det inte räckte att kunna söka på internet. Man behövde också kunna utvärdera webbplatser, känna igen opålitliga källor, skydda personuppgifter och förstå att något inte automatiskt är sant bara för att det ligger högst upp i sökresultaten.

AI-kunnighet genomgår en liknande förändring: det är användbart att kunna skriva instruktioner, men det är bara en del av förmågan.

Studenter behöver också förstå vad generativ AI kan och inte pålitligt kan göra. De behöver känna igen hallucinationer, ifrågasätta tvärsäkra svar, verifiera källor, ta hänsyn till integritet och förstå när AI-stödet går över gränsen och ersätter deras eget tänkande.

Den skillnaden kommer sannolikt att klarna genom en del prövande och misstag i arbetet mot det övergripande lärandemålet.

Att använda AI för att få en svår idé förklarad kan påskynda lärandet. Att be AI lösa ett problem innan man själv har försökt kan däremot kringgå just det tankearbete som uppgiften var utformad för att utveckla.

Världen utanför klassrummet

Utbildning har alltid varit en framåtblickande verksamhet. När studenterna tar examen tar de med sig det de har lärt sig i skolan ut i arbetslivet. Och det är osannolikt att arbetsplatserna de kommer till är fria från AI.

AI-assistenter integreras i kreativa plattformar och företagssystem. Många av dagens studenter kan komma att arbeta inom yrken där det förväntas att man kan använda AI effektivt. Därför blir det allt svårare att upprätthålla en generell ”ingen AI”-linje som förberedelse för yrkeslivet.

Den motsatta ytterligheten är inte heller särskilt användbar.

En student som inte kan formulera ett argument utan AI har inte nödvändigtvis blivit bättre rustad för en arbetsplats där AI används. Inte heller har en student som godtar en AI-genererad analys utan att granska den.

Den värdefulla förmågan är att veta vad man ska delegera och vad man inte ska delegera.

• AI kan ta fram en första sammanfattning på några sekunder. En människa behöver fortfarande tillräckliga ämneskunskaper för att upptäcka vad som saknas.
• AI kan generera kod. Någon behöver fortfarande veta om koden fungerar, om den är säker och om den löser det avsedda problemet.
• AI kan utforma ett utkast till ett mejl till en kund. Någon behöver fortfarande förstå kunden tillräckligt väl för att veta om det vore en usel idé att skicka det.

AI-kompetens utan självständigt omdöme är knappast någon större kompetens.

Den nya frågan om akademisk integritet

Det ursprungliga problemet med fusk finns fortfarande kvar. Studenter kan använda generativ AI för att slippa göra arbete, precis som studenter alltid har hittat sätt att slippa göra arbete. Lärare behöver fortfarande sätta gränser för när AI får användas, när självständigt arbete är viktigt och vad som räknas som akademisk oredlighet.

Men den större diskussionen har kretsat kring föreställningen att AI har gjort det anmärkningsvärt enkelt att skapa skenet av kunskap. Det innebär att utbildningen måste bli bättre på att skilja skenet av kunskap från faktisk kunskap.

Den gamla frågan var: ”Är det här ditt arbete?”

Den nya frågan är: ”Kan du visa att tankearbetet bakom det här arbetet är ditt?”

Den frågan är svårare att bedöma. För lärare kräver det mer än att köra en uppsats genom en detektor och vänta på en procentsiffra. Det är ändå värt att lägga ner det extra arbetet. Trots allt är läxor inte tänkta att vara en fråga med bara två svar: blev de gjorda eller inte? Läxor har handlat om, och handlar fortfarande om, det tänkande som krävs för att skapa dem.