Docenten zijn overbelast en de administratie is eindeloos. Wij bouwen AI die routinewerk van docenten overneemt, leerlingen persoonlijke ondersteuning geeft en de privacy van studenten respecteert — zodat mensen zich op lesgeven en leren kunnen richten.
Laatst bijgewerkt: 11 juni 2026
Scholen, universiteiten en edtech kennen dezelfde druk: te veel administratie en de wens elke leerling individueel te ondersteunen. AI helpt aan beide kanten — het routinewerk automatiseren en studenten gegronde, relevante hulp bieden — zonder de rol van de docent over te nemen.
Studentdata is gevoelig, vaak met minderjarigen, dus we bouwen privacy-first: AVG-compliant, met private modellen en waarborgen waar de context dat vraagt.
Gegronde assistenten die leerlingen helpen met uitleg en oefenen, op uw curriculum.
Automatiseer planning, rapportage en routinecorrespondentie om docenttijd vrij te maken.
Concept-lesmateriaal, opdrachten en quizzen uit uw eigen content, voor docenten om te verfijnen.
Beantwoord veelgestelde vragen van studenten en ouders uit officiële informatie, dag en nacht.
Spot studenten met risico op achterstand zodat ondersteuning hen eerder bereikt.
Maak materiaal toegankelijk en meertalig zodat elke leerling kan meekomen.
We brengen de grootste tijdvreters en uw privacy-eisen in kaart.
Bij het tweede gesprek krijgt u een werkend prototype op uw use case — geen spec.
We integreren met uw LMS en rollen uit met privacy en toezicht ingebouwd.
We volgen de kwaliteit zodat de tool docenten en leerlingen echt blijft helpen.
De meeste schoolbesturen en edtech-bedrijven beginnen niet bij de techniek, maar bij een rekensom: een docent in het voortgezet onderwijs is volgens onderzoek van DUO en de onderwijsbonden al snel zeven tot tien uur per week kwijt aan administratie, correspondentie en het nakijken van routinewerk. Dat is tijd die niet naar de klas gaat. Wanneer u die last met een paar gerichte AI-toepassingen terugbrengt — niet door lesgeven te automatiseren, maar door het papierwerk eromheen weg te halen — wint u die uren terug voor begeleiding, lesvoorbereiding en de leerlingen die net iets extra's nodig hebben. Daar draait het bij AI for education in Nederland om: onderwijs-AI die uren teruggeeft in plaats van een nieuwe laag werk toe te voegen.
Wij denken in uitkomsten, niet in features. Een nakijk-assistent die docenten een eerste correctie en feedbackvoorstel aanlevert, scheelt realistisch een derde tot de helft van de nakijktijd op gestructureerde toetsen — de docent blijft aftekenen, maar begint niet meer bij nul. Een administratieve automatisering die roosterwijzigingen, absentiemeldingen en standaardbrieven afhandelt, haalt routinewerk weg dat anders blijft liggen tot na schooltijd. En een vroegtijdige risicodetectie die afglijdende prestaties signaleert vóór een leerling echt vastloopt, betekent dat een mentor weken eerder kan ingrijpen in plaats van pas bij de rapportvergadering. Dat zijn de drie hefbomen waar het in deze sector om draait: bespaarde administratietijd, vroege risicosignalering en docenttijd die terugkomt.
Student analytics is in het Nederlandse onderwijs vaak een gevoelig onderwerp, en terecht. Niemand zit te wachten op een black-box-systeem dat leerlingen een risicolabel geeft dat niemand kan uitleggen. Toch is juist hier de winst het grootst, mits het zorgvuldig is opgezet. Een goed model kijkt niet naar één cijfer, maar combineert signalen die mentoren nu handmatig en versnipperd in de gaten houden: een dalende trend in tussentijdse resultaten, oplopend verzuim, achterblijvende inleveringen in het LMS en veranderingen in de inzet bij opdrachten.
De kunst zit in uitlegbaarheid. Een bruikbaar systeem zegt niet alleen "deze leerling loopt risico", maar laat zien wélke signalen meewegen en hoe zwaar — zodat de mentor het oordeel kan toetsen aan wat hij of zij over de leerling weet. De AI signaleert; de mens beslist. Zo blijft het een hulpmiddel voor de zorgcoördinator en niet een vonnis. In de praktijk verschuift de begeleiding daarmee van reactief naar preventief: in plaats van bijspijkeren ná een onvoldoende reeks, krijgt een leerling extra aandacht op het moment dat de eerste scheurtjes zichtbaar worden. Dat verschil — een paar weken eerder ingrijpen — is vaak het verschil tussen bijsturen en blijven zitten.
Wij bouwen deze modellen bewust met dataminimalisatie: alleen de gegevens die nodig zijn, alleen voor het doel waarvoor ze verzameld zijn, en met een duidelijke bewaartermijn. Voor scholen met minderjarige leerlingen is dat geen extra, maar het uitgangspunt. Meer over hoe wij voorspellende modellen opzetten leest u op onze pagina over machine learning.
Als u één plek wilt aanwijzen waar AI in het onderwijs het snelst rendeert, is het de administratie. Administrative automation klinkt minder spannend dan een lerende assistent, maar het is wel de kant die elke week opnieuw tijd opslokt. Denk aan terugkerende correspondentie met ouders, het verwerken van aanmeldingen en verlofaanvragen, het samenvatten van leerlingdossiers vóór een gesprek, en het opstellen van standaardrapportages die nu met de hand uit verschillende systemen worden geplukt.
Een paar concrete toepassingen die in een Nederlandse onderwijscontext goed werken:
Het patroon is steeds hetzelfde: de AI doet het voorwerk, de mens controleert en tekent af. Dat is bewust. In het onderwijs is een fout in een brief naar ouders of in een leerlingdossier niet vrijblijvend, dus de controle blijft bij een verantwoordelijke medewerker. Hoe wij dit soort werkstromen in elkaar zetten, beschrijven we op onze pagina over AI-automatisering.
Er bestaat in het onderwijs een terechte zorg dat AI het vak uitholt. Wij delen het uitgangspunt dat dat niet mag gebeuren, en het zit ingebakken in hoe we bouwen. Een studie- of bijles-assistent legt stof uit en laat leerlingen oefenen op úw curriculum, maar maakt het huiswerk niet vóór ze — met guardrails die het verschil bewaken tussen begeleiden en voorzeggen. Een nakijk-assistent — grading support in internationale termen — stelt een correctie voor, maar de docent bepaalt het cijfer. Een content-generator levert een concept-les of een set oefenvragen aan, die de docent vervolgens aanscherpt op de eigen klas.
Die scheiding is niet alleen een ethische keuze, het is ook praktisch beter. Een docent die elk AI-resultaat blind zou moeten vertrouwen, levert geen tijdwinst op — die moet immers alles dubbelchecken. Een docent die een goed voorbereid concept krijgt en daar het laatste, professionele oordeel overheen legt, werkt juist sneller én met meer vertrouwen. Het doel is niet minder docent, maar méér docent op de plekken waar het ertoe doet.
Bij leerling-gerichte tools ontwerpen we expliciet tegen het omzeilen van leren. Een assistent die gegrond is in uw lesmateriaal (via een aanpak als retrieval-augmented generation, ofwel RAG) geeft antwoorden binnen de kaders van wat u onderwijst, geen willekeurige internetuitleg. Hij stuurt aan op begrip — met tussenstappen, hints en controlevragen — in plaats van het kant-en-klare antwoord. Zo wordt de tool een oefenpartner en geen sluiproute. Voor de kennislaag onder dit soort assistenten kunt u terecht op onze pagina over LLM-optimalisatie.
Onderwijs is een van de sectoren die de EU AI Act apart benoemt. AI-systemen die meebeslissen over toegang tot onderwijs, over het beoordelen van leerresultaten of over de toelating tot opleidingen, vallen in de categorie hoog risico. Dat betekent concrete verplichtingen: gedegen risicobeheer, transparantie over wat het systeem doet, menselijk toezicht dat daadwerkelijk kan ingrijpen, en documentatie die een toezichthouder kan controleren. Wie nu een toetsings- of analysetool invoert zonder daaraan te denken, bouwt een probleem in voor over een jaar.
Wij pakken dit van de eerste dag af aan. Een risicodetectie-model voor leerlingen wordt zó ingericht dat de uitkomst altijd door een mens wordt beoordeeld vóór er een gevolg aan hangt — dat menselijk toezicht is geen toevoeging achteraf, maar het sluitstuk van het ontwerp. Datastromen worden in kaart gebracht onder de AVG, met dataminimalisatie en heldere bewaartermijnen, en waar minderjarigen in het spel zijn met extra waarborgen. Waar de gevoeligheid van de data dat vraagt, draaien we op private modellen, zodat leerlinggegevens binnen uw eigen omgeving blijven en niet naar een publieke dienst lekken.
Voor scholen en edtech-bedrijven die hier scherper op willen sturen, schreven we een aparte uitleg over EU AI Act-compliance in Nederland. Het korte antwoord: compliance is in deze sector geen rem op innovatie, maar de voorwaarde om het überhaupt verantwoord te kunnen invoeren.
Een AI-tool die naast uw bestaande systemen staat in plaats van erin, wordt niet gebruikt. Dat weten we, en daarom bouwen we voor integratie. In het Nederlandse onderwijs betekent dat koppelen met de leeromgeving en het leerlingadministratiesysteem die er al zijn — denk aan een LMS of een SIS waar docenten dagelijks in werken. De assistent verschijnt dan binnen de vertrouwde werkomgeving, leerlinggegevens hoeven niet handmatig te worden overgetikt, en de tool put uit dezelfde bron als de rest van de school.
Die integratie staat of valt met de datalaag eronder. Versnipperde gegevens over roosters, resultaten, verzuim en dossiers moeten betrouwbaar en veilig samenkomen voordat er een zinnig model of een nuttige assistent op kan draaien. Dat fundament — schone, gekoppelde, goed beheerde data — leggen wij voordat we iets slims erbovenop bouwen. Meer daarover op onze pagina over data-engineering.
We zijn een boutique, senior-geleid AI-bureau — geen groot consultancyhuis dat junioren op uw project zet, en geen webbureau dat zich net "AI" is gaan noemen. De senior mensen die het traject starten, blijven aan boord, en u eindigt als eigenaar van de oplossing, niet als huurder ervan. Dat past bij het Nederlandse onderwijs, waar budgetten scherp zijn en afhankelijkheid van één leverancier een reëel risico vormt.
Het traject is transparant en in vaste stappen geprijsd (bedragen exclusief btw):
Die vaste stappen betekenen dat u niet aan een open eind vastzit: u beslist na elke fase of de waarde de volgende stap rechtvaardigt. Onze prijzen staan volledig op de site, zonder verrassingen achteraf.
Crux Digits is sinds 2022 gevestigd in Nieuwegein, in de provincie Utrecht, en bedient van daaruit de regio Utrecht én heel Nederland en Europa. We hebben dertien cases opgeleverd over uiteenlopende domeinen — van klinische NLP en computervisie tot forecasting en predictive maintenance — waarvan de klantnamen vertrouwelijk blijven. Die ervaring met gevoelige data in gereguleerde sectoren is precies wat een onderwijsorganisatie nodig heeft: iemand die compliance, privacy en menselijk toezicht serieus neemt omdat het moet, niet omdat het mooi staat.
Wilt u weten waar bij u de meeste uren te winnen zijn, en welke toepassing dat verantwoord kan? Lees meer over onze aanpak op AI-consulting in Nederland, of plan een gratis consult — dan schetsen we samen een veilig, privacy-first pad van use case naar het klaslokaal.
Privacy is het startpunt — AVG-compliant verwerking, dataminimalisatie en, waar minderjarigen betrokken zijn, extra waarborgen en private modellen zodat studentdata beschermd blijft.
Nee. We bouwen tools die docenten en studenten ondersteunen — administratie van docenten overnemen en leerlingen hulp geven — terwijl lesgeven en toetsing bij de onderwijzers blijven.
Ja — we koppelen aan uw leermanagement- en studentsystemen zodat AI binnen uw bestaande tools werkt.
We ontwerpen tools om leren te ondersteunen, niet te omzeilen — gegrond in uw materiaal, met guardrails en focus op begrip.
Dat doen wij. Crux Digits is een gespecialiseerd AI-bureau uit de regio Utrecht dat samenwerkt met scholen, universiteiten en edtech-bedrijven in heel Nederland en de EU, op afstand of op locatie. We bouwen bijles-assistenten, administratieve automatisering en leertools, waarbij senior engineers het werk doen, in het Nederlands of Engels en privacy-first vanaf dag een.
Eerst brengt een korte betaalde discovery uw use case, budget en privacy-eisen in kaart; daarna leveren we tegen een vaste prijs en bezit u de code en het IP. Een proof-of-concept begint bij enkele duizenden euro's, een productiebouw meestal vanaf zo'n 20k. Omdat onderwijsdata vaak minderjarigen betreft, bouwen we AVG-proof en ontwerpen we binnen de EU AI Act.
Vertel ons waar de tijd heen gaat — we schetsen in een gratis consult een veilig, privacy-first pad naar waarde.
Gratis consult boeken →