AI som støtte i folkeskolens undervisning

Resumé

AI kan allerede nu støtte arbejdet som underviser i folkeskolen på en måde, der er praktisk relevant for både lærere og skoleledere. Den største og mest dokumenterede værdi ligger ikke i, at AI “overtager undervisningen”, men i at den hjælper med forberedelse, materialegenerering, differentiering, formativ feedback og visse inklusionsopgaver. Samtidig er forskningsgrundlaget stadig ungt: den mest omfattende gennemgang hvad der svarer til grundskolden (kaldet K-12 på engelsk pga. børnehave (kindergarten) til 12. klasse, altså svarende til startem af gymnariet) fra 2026 peger på, at den kausale evidens fortsat er begrænset, men også på, at AI kan reducere læreres tidsforbrug på rutineopgaver uden tydelige kvalitetstab, og at værktøjer med pædagogiske guardrails fungerer bedre end generelle chatbots, især når de giver hints og trinvis støtte frem for færdige svar. ¹

I en dansk skolekontekst er den vigtigste konklusion derfor organisatorisk snarere end teknologisk: Skoler bør ikke begynde med “hvilken chatbot skal vi købe?”, men med en fælles retning for, hvornår AI faktisk giver faglig, didaktisk og pædagogisk mening. Den mest brugbare danske ramme kommer lige nu fra Børne- og Undervisningsministeriet og Styrelsen for It og Læring, som kombinerer syv anbefalinger til brug i folkeskolen med en juridisk og organisatorisk syv-trins model for kortlægning, rolleafklaring, lovlighed, risikohåndtering, information, politikker og kompetenceudvikling. ²

For indskolingen er det mest robuste spor normalt lærer-styret AI, ikke elevers frie brug af generelle konti. Det skyldes både didaktiske forhold og platformsvilkår: generelle tjenester som ChatGPT er ikke beregnet til børn under 13 år ³, og yngre elever har typisk størst udbytte af tydelig menneskelig stilladsering, multimodale forklaringer og korte, strukturerede interaktioner. På mellemtrin og i udskoling bliver AI mere relevant direkte i elevaktiviteter, især til idéudvikling, sprogstøtte, guidet problemløsning, projektarbejde og refleksion over teknologiens muligheder og begrænsninger. Men også her virker pædagogisk styret brug bedre end “fri promptning”, hvis målet er varig læring frem for kortsigtet opgaveløsning. 

Den anbefalede vej for en almindelig folkeskole er derfor trinvis: Start med få, lærerrettede og lavrisiko-brugsscenarier; vælg godkendte værktøjer med kontrakt, dataafklaring og lokal support; opbyg AI-literacy blandt medarbejderne; og skaler først til mere elevnær brug, når skolen har dokumenteret tidsgevinst, pædagogisk merværdi og forsvarlig databehandling. Det er også den tilgang, der passer bedst til EUs AI-forordning, hvor AI-literacy allerede gælder, og hvor organisationer forventes at tilpasse kompetenceudvikling til både kontekst, risici og de personer, AI-systemerne bruges på. ⁴

Hvor AI skaber størst værdi

Det mest oplagte sted at hente værdi er i lærernes arbejdsgange før og efter selve undervisningen. Internationale data ⁵ viser, at lærere ofte bruger AI til at tilpasse undervisningsindhold til elevers niveau og til at generere materialer, og den aktuelle evidens peger på, at AI kan forkorte tiden til lektionsplanlægning mærkbart uden klare tegn på forringet kvalitet. For danske skoler betyder det, at AI først og fremmest bør vurderes som et professionelt støtteværktøj til årsplaner, forløbsudkast, differentierede opgaver, små forklaringsbokse, eksempler, quizzer og alternative forklaringer — ikke som en erstatning for lærerens dømmekraft. Leverandørsider for skoleværktøjer bevæger sig i samme retning: de mest skoleegnede løsninger lover netop sparring, materialeproduktion og hurtigere forberedelse frem for fuldautomatiseret undervisning.

Ser man på fag og klassetrin, tegner der sig et ret klart mønster. I dansk og andre sprog er AI stærk som generator af variation: alternative formuleringer, ordforrådsstøtte, læsevenlige versioner, skrivefeedback og øvelser, der gør elevernes sprogarbejde synligt. I matematik er den bedste brug ikke “giv mig facit”, men trinvis forklaring, hints, sproglig støtte til problemløsning og hurtig omformulering af samme opgave på flere sværhedsniveauer. I natur/teknik er potentialet størst i forklaringer, illustrationer, begrebsafklaring og scenariearbejde, mens tværfaglige forløb især vinder på AI til brainstorming, problemformulering, perspektiver, modargumenter og kildekritiske samtaler. Forskningen understøtter netop, at værktøjer med trinvis vejledning og tydelige læringsstilladser er mere lovende end brede generalister; danske cases viser samtidig, at AI fungerer særligt godt, når den kobles til konkrete produktioner som idiomer, filmideer eller projektopgaver frem for at stå alene som “svarmaskine”. ¹

Differentiering er sandsynligvis det område, hvor AI på mellemlangt sigt kan ændre mest i folkeskolen. En primærskolestudie med 110 elever i 4.-6. klasse viste, at generativ AI kunne personalisere tekster, illustrationer og øvelser undervejs i undervisningen, så de bedre matchede elevernes aktuelle vidensniveau; det øgede både motivation og faglig præstation i den konkrete intervention. Det er ikke ensbetydende med, at alle adaptive AI-forløb virker, men det viser, at dynamisk tilpasning ikke længere kun er teori. For danske lærere er det praktiske budskab, at AI især giver mening, når den bruges til at variere den samme kerneopgave på flere niveauer — ikke til at skabe et helt parallelt pensum pr. elev. ⁶

Feedback og vurdering er et mere følsomt område. AI kan godt hjælpe med formativ feedback på tekst, argumentation, struktur, begrebsbrug og sproglige fejl, og flere værktøjer er nu bygget med lærerdefinerede kriterier, rubrics og én-til-én-feedback. Men de danske retningslinjer er med rette tydelige: AI må være støtteværktøj, ikke erstatning for lærerens faglige vurdering, og skolen skal dokumentere menneskelig kontrol. Den praktiske balance er derfor, at AI egner sig til hurtige formative loops, mens den endelige vurdering, karaktertænkning og beslutninger med reel betydning for eleven skal forankres hos læreren. ⁷

Inden for inklusion og specialpædagogik er potentialet reelt, men kræver særlig nøgternhed. OECD peger på, at AI kan støtte elever med særlige undervisningsbehov gennem personalisering, læse- og sprogstøtte, strukturering og kompensation, mens UNESCO fremhæver, at AI- og ICT-baserede teknologier kan styrke tilgængelighed og kvalitet for elever med handicap og særlige behov. Samtidig advarer UNESCO mod at forveksle genereret “hjælp” med egentlig deltagelse: ægte inklusion kræver menneskelig relation, professionel vurdering og adgang til de rette støttestrukturer, ikke bare flere automatiske funktioner. I praksis betyder det, at oplæsning, tekstforenkling, oversættelse, undertekster, multimodalitet og læseindsats kan være stærke anvendelser, mens AI ikke bør bruges til at skjule manglende ressourcer i specialpædagogikken. ⁸

Værktøjer anno 2026

Nedenstående sammenligning prioriterer danske og europæisk tilgængelige løsninger først, men medtager også de generelle værktøjer, som lærere og skoleledere næsten uundgåeligt møder i praksis. “GDPR-kompatibilitet” skal læses som “understøtter en lovlig implementering”, ikke som en garanti for compliance. Den endelige vurdering afhænger stadig af formål, kontrakt, databehandleraftale, dataflow, tredjelandsoverførsler, informationspligt og eventuel DPIA. Hvor pris, sprog eller kontraktvilkår ikke er offentligt specificeret på leverandørens åbne sider, er det markeret som “tilbud”, “ikke offentligt specificeret” eller “antaget”. ⁹

Analytisk kan værktøjerne deles i tre grupper. Den første er skole- og kommuneegnede støtteværktøjer til lærernes daglige arbejde, hvor danske og europæiske løsninger står stærkt, fordi de passer bedre til folkeskolens governance og sprog. Den anden er elevnære værktøjer til aktivitet, deltagelse og feedback, som især er stærke i det synkrone klasserum. Den tredje er brede generalister, som er meget kapable, men først bliver skoleegnede, når de er pakket ind i kontrakter, konti, politikker og menneskelig kvalitetskontrol. Valget bør derfor ikke handle om “bedste AI” i abstrakt forstand, men om det bedste match mellem opgave, risikoprofil og skolens organisatoriske modenhed. ¹

Implementering i skolen

Den juridiske og organisatoriske hovedregel er enkel: Skolen kan ikke outsource sit ansvar til leverandøren. Ministeriets vejledning fastslår, at uddannelsesinstitutionerne har ansvaret for, at de AI-løsninger, de tager i brug, lever op til reglerne, og at skolen typisk vil være både dataansvarlig efter GDPR og idriftsætter efter AI-forordningen. Derfor skal implementering begynde med kortlægning af løsninger, roller, persondata, risikoniveau, informationspligt og interne retningslinjer. Det er ikke først og fremmest et teknisk projekt, men et ledelses- og driftsprojekt med pædagogiske konsekvenser. ⁹

Kompetenceudvikling er det næste nøglepunkt. Artikel 4 i AI-forordningen kræver, at deployers og providers af AI-systemer sikrer et tilstrækkeligt niveau af AI-literacy hos de mennesker, der bruger systemerne på deres vegne, og EU-Kommissionen er tydelig om, at dette skal tilpasses medarbejdernes rolle, erfaring, kontekst og risici. For en folkeskole betyder det, at alle ikke behøver samme kursus, men at alle skal kende skolens minimumsrammer: hvad AI må bruges til, hvad der aldrig må indtastes, hvornår output skal kvalitetssikres, og hvornår menneskelig vurdering er ufravigelig. De danske anbefalinger peger samtidig på, at erfaringsudveksling mellem lærere og skoleledelse er lige så vigtig som formelle kurser. ⁴

Den nødvendige infrastruktur er sjældent spektakulær, men den er afgørende. De fleste skoler har større gavn af SSO-styrede konti, godkendte platforme, tydelige retningslinjer for deling og lagring, og et lille lokalt katalog over “godkendte brugsscenarier” end af avancerede egne AI-løsninger. Hvis skolen bruger enterprise-værktøjer, bør man kende deres logning, retention og eksterne dataflows; i Microsofts tilfælde logges prompts og svar i tenant-miljøet, og web-grounding går via Bing med særskilt datahåndtering. Lokale modeller som kommunale godkendelseslister og plakater til lærere og elever, som man ser i kommunal praksis, er ofte mere værdifulde i opstarten end stor teknisk kompleksitet. ¹⁰

Omkostningsmæssigt er det vigtigt at skelne mellem anskaffelsespris og totalomkostning. En lille og fornuftig opstart kan være næsten omkostningsneutral, hvis skolen bruger gratis eller allerede licensdækkede værktøjer til lærerstøtte, såsom SkoleGPT, Canva for Education, fobizz Basic eller Copilot Chat i eksisterende Microsoft-miljøer. De første egentlige udgifter kommer typisk i to spor: kompetenceudvikling og institutionsaftaler. Microsoft viser eksempelvis, at Copilot Chat kan være inkluderet med uddannelseslicenser, mens fuld Copilot ligger som betalt add-on; fobizz har en gratis basislicens, men tager fra 250 euro for en kort hybrid PD-dag; og flere skoleprodukter som Meebook, Curipod og Lexplore arbejder med tilbudspriser frem for åbne listepriser. En realistisk dansk budgetmodel bør derfor afsætte midler ikke kun til licenser, men også til onboarding, juridisk afklaring, pilotledelse og evaluering. ¹¹

Risici, jura og ansvar

Den juridiske og organisatoriske hovedregel er enkel: Skolen kan ikke outsource sit ansvar til leverandøren. Ministeriets vejledning fastslår, at uddannelsesinstitutionerne har ansvaret for, at de AI-løsninger, de tager i brug, lever op til reglerne, og at skolen typisk vil være både dataansvarlig efter GDPR og idriftsætter efter AI-forordningen. Derfor skal implementering begynde med kortlægning af løsninger, roller, persondata, risikoniveau, informationspligt og interne retningslinjer. Det er ikke først og fremmest et teknisk projekt, men et ledelses- og driftsprojekt med pædagogiske konsekvenser. ¹

På persondataområdet er billedet endnu skarpere. Datatilsynet understreger, at en konsekvensanalyse er obligatorisk, når der sandsynligvis er høj risiko for fysiske personers rettigheder og frihedsrettigheder, og STILs vejledning lægger til grund, at AI er “ny teknologi”, hvor risikoen ofte vil være høj. Den danske mini-guide gør det meget konkret: Hvis en lærer vil bruge AI til feedback på elevopgaver, skal skolen afklare, hvilke data der behandles, hvem der er dataansvarlig og databehandler, om der er en databehandleraftale, om data bruges til modeltræning, hvilke risici der er for uautoriseret deling og bias, og hvordan elever og forældre informeres om rettigheder, formål og opbevaring. Det er således ikke nok, at et værktøj “føles sikkert”; sikkerheden skal kunne beskrives, aftales og dokumenteres. ¹²

Ansvarsfordelingen bliver særligt vigtig, når AI glider fra støtte til vurdering. Ministeriets case om AI-feedback advarer udtrykkeligt mod at lade AI stå alene, og peger på risiko for konflikt med GDPR’s regler om automatiserede afgørelser, hvis læreren ikke kan dokumentere egen afsluttende vurdering og personlig feedback. For hjemmeopgaver og snydedetektion er budskabet det samme: AI må identificere noget, der skal ses efter, men læreren skal altid foretage den faglige gennemgang, og skolen skal kunne forklare systemets brug, proportionalitet og retssikkerhed. Ved folkeskolens prøver bliver grænsen endnu tydeligere, fordi særlige regler gælder for digitale hjælpemidler og kunstig intelligens, og ministeriet slår fast, at AI ikke må anvendes i selve bedømmelsesprocessen af skriftlige prøvebesvarelser. ⁷

Et mere praktisk, men ofte overset, risikofelt er forskellen mellem forbrugerværktøjer og institutionsværktøjer. I en standard forbrugerkonto hos ChatGPT kan brugerindhold anvendes til modeltræning, medmindre brugeren aktivt ændrer dataindstillingerne; i business- og enterprise-tilbud lover leverandøren derimod som udgangspunkt, at data ikke bruges til træning. Microsoft tilbyder enterprise data protection, men gør også opmærksom på, at prompts og svar logges, og at web-søgninger håndteres i et særskilt dataregime. Canva tilbyder en GDPR-kompatibel DPA til skolebrug, men beskriver også i sin generelle privatlivspolitik, at prompts og brugerindhold indsamles for at drive og forbedre tjenesten. For skoleledelser er den praktiske lære, at det er farligt at tale om “AI-værktøjer” som én kategori; der er stor forskel på datalogik, styrbarhed og kontraktmodenhed. ¹³

Alder og elevrolle bør også oversættes til lokal politik. ChatGPT er ikke beregnet til børn under 13 år, og brugere under 18 år kræver forældres eller værges tilladelse. Det gør ikke generativ AI irrelevant for indskolingen, men det forstærker argumentet for lærer-styret brug, skolemedierede platforme og løsninger uden personlige elevkonti i de yngste klasser. Det er både juridisk og didaktisk mere robust. ³

Praksiseksempler og implementeringsguide

Dansk praksis er allerede længere, end debatten nogle gange antyder. KL har samlet otte konkrete eksempler på AI i undervisningen i grundskolen og peger samtidig på, at kommuner med størst fremdrift arbejder med fælles materialer, skolestøttet kompetenceudvikling og tydelige lokale rammer, før teknologien slippes bredt løs. Det er vigtigt, fordi det viser, at AI i folkeskolen ikke længere kun er enkeltlæreres eksperimenter, men i stigende grad et spørgsmål om skoleudvikling og ledelse. ¹⁴

Casespændet er også pædagogisk interessant. På Birkerød Skole fremhæver kataloget et forløb om “menneskeskabt eller ej?” som museumsoplevelse og dialogform om AI; på Præstemoseskolen bruges AI i sprogundervisningen; på Munkekærskolen har 9. årgang brugt SkoleGPT i udvalgte processer i projektopgaven til brainstorm, inspiration og rettelser; og på Marienhoffskolen er chatbot-brainstorming knyttet til filmarbejde oven på en bredere temauge om AI. Tilsammen peger de eksempler på en vigtig praksisregel: AI giver mest mening, når den kobles til et tydeligt fagligt produkt, en eksplicit samtale om kildekritik og en lærer, der styrer processens stopklodser. ¹⁴

Et særligt interessant lærerrettet eksempel kommer fra Tåsingeskolen, hvor skolen gennem et legende læringsprojekt har udviklet egne AI-baserede chatbots til forberedelse og idéudvikling. Her bruges værktøjerne ikke som automatisk indholdsproduktion, men som sparringspartnere på teammøder, der genererer aktiviteter ud fra fag, emne, lokation, materialer og ønskede stemninger. Det er et godt billede på den form for lokal pædagogisk “indpakning”, der ofte gør forskellen mellem nytte og støj. Som governance-eksempel er Silkeborg Kommune interessant, fordi kommunen har opstillet lokale retningslinjer, lavet plakater for både fagprofessionelle og elever og samtidig koblet AI til eksisterende digitale læremidler og databehandleraftaler. ¹⁵

Kort sigt. Den bedste start for en skole er at vælge to til tre lærerrettede brugsscenarier med lav risiko og tydelig nytte. Det kan være differentierede opgaver i dansk og matematik, formativ feedback på udkast eller hurtigere planlægning af et natur/teknik-forløb. Samtidig bør skolen vedtage en kort lokal AI-ramme: hvilke værktøjer der er godkendt, hvilke data der aldrig må indtastes, hvordan output kvalitetssikres, og hvordan elever og forældre informeres, hvis elevdata indgår. Det er her, gevinsten er størst og risikoen mest håndterbar. ²

Mellemlangt sigt. Når de første use cases virker, bør skolen organisere AI som en del af fagteams og ikke som enkeltpersoners hobby. Hvert fagteam kan have ét prioriteret AI-scenarie: dansk kan arbejde med skrivefeedback og tekstvariation, matematik med guidede hints, sprog med idiomer og oversættelse, natur/teknik med begrebsforklaringer og tværfaglige forløb med idéudvikling og kildekritik. Samtidig bør ledelsen indføre rollebaseret kompetenceudvikling, fælles promptbibliotek, evalueringskriterier for kvalitet og faste stop for juridisk og didaktisk revision. ⁴

Langt sigt. På længere sigt bør AI indgå i skolens almindelige kvalitetsarbejde, ikke som særprojekt. Det betyder årlig gennemgang af værktøjer, kontrakter og datapraksis; ajourføring af lokalaftaler i takt med AI-forordning, platformsvilkår og prøveformer; og selektiv skalering til elevnære værktøjer, hvor skolen kan dokumentere merværdi for læring, inklusion eller arbejdsgange. Langsigtet modenhed betyder også, at skolen tør sige nej: ikke alle AI-funktioner, der er teknisk mulige, er pædagogisk værdifulde.  ⁴

flowchart TD
    A[Afklar formål og pædagogisk problem] --> B[Vælg lavrisiko use case]
    B --> C[Kortlæg værktøj, data og roller]
    C --> D[Vurder lovlighed, DPA og behov for DPIA]
    D --> E[Pilot i 1-2 fagteam eller årgange]
    E --> F[Evaluer læringsudbytte, tidsgevinst og fejl]
    F --> G[Justér politikker, prompts og kompetenceudvikling]
    G --> H[Skalér kun det, der dokumenteret virker]
    H --> I[Løbende audit, opdatering og opfølgning]

Forslag til visuelt implementeringsflow. Nedenstående mermaid-flowchart operationaliserer ministeriets syv-trins logik og AI-forordningens fokus på organisatorisk AI-literacy i en skolevenlig proces. ⁹

timeline
    title Kompetenceudvikling over 12 måneder
    Måned 1-2 : Fælles retning, lokal AI-ramme, leverandørvurdering
    Måned 3-4 : Grundkursus i AI-literacy for alle medarbejdere
    Måned 5-6 : Fagvise pilotforløb i dansk, matematik, sprog og natur/teknik
    Måned 7-8 : Kollegial sparring, promptbibliotek, justering af retningslinjer
    Måned 9-10 : Evaluering af læringsudbytte, tidsforbrug og datapraksis
    Måned 11-12 : Skalering, onboarding af nye medarbejdere og årlig revisionsplan

Eksempel på elevlæringsscenarie med før og efter AI. Tabellen her er et synteseeksempel for 9. klasse og bygger på de danske cases om projektopgaven samt ministeriets krav om menneskelig kontrol og kildekritik. ¹⁴

Samlet peger research, dansk forvaltningspraksis og leverandørmarked i samme retning: AI kan støtte arbejdet som underviser i folkeskolen betydeligt, men kun når skolen behandler teknologien som en pædagogisk og organisatorisk beslutning — ikke som en hurtig app-installation. Det mest bæredygtige princip er derfor enkelt: Brug AI dér, hvor den styrker lærerens professionelle handlerum og elevers aktive læring, og afgræns den dér, hvor den skubber ansvar, dømmekraft eller persondata i den forkerte retning. ¹

Note Artiklen og cover-billedet er lavet med støtte af kunstig intelligens.

Litteraturliste