Kort introduktion til stateful AI-tutorer

Forestil dig en tutor, der ikke bare svarer på dine spørgsmål, men faktisk husker, hvad du kæmpede med sidste uge. Ikke bare en chatbot, men en slags digital underviser, der kan følge dig over tid. Det er præcis, hvad stateful AI-tutorer gør. Vi har set det i praksis på en skole i Odense, hvor en elev, Ida, blev mødt med opgaver, der tog udgangspunkt i hendes tidligere fejl – og ikke bare det, hun skrev i øjeblikket. Det føltes næsten som at have en privatlærer, der aldrig glemmer, hvad du har sagt.

Hvad kan systemet – og hvorfor er det relevant for skoler og edtech?

Det, der gør stateful AI-tutorer interessante, er deres evne til at huske på tværs af sessioner. Systemet har langtidshukommelse, så det kan genkende mønstre i elevens svar og identificere svage områder. Hvis en elev gentagne gange har svært ved rekursion i programmering, vil systemet ikke bare notere det – det vil begynde at foreslå øvelser, der netop træner denne færdighed. Vi har set, hvordan det kan give læreren et overblik over, hvor klassen – eller den enkelte elev – har brug for ekstra støtte. Det er ikke bare teori; vi har selv prøvet at køre et pilotforløb, hvor AI-tutoren tilpassede opgaverne uge for uge, og det var ret tydeligt, at eleverne blev mødt på deres niveau.

Teknisk gennemgang – sådan virker det bag kulissen

Bag facaden er det faktisk en ret elegant teknisk løsning. Systemet bruger FAISS til at lave semantisk søgning i tidligere samtaler og minder, så det ikke bare husker alt, men kan genkalde det mest relevante. Sentence-transformers laver vektor-repræsentationer af tekst, så systemet kan måle, hvor tæt nye spørgsmål er på tidligere problemer. Alt bliver lagret i en database, hvor både events, minder og svage emner registreres. API-designet er bygget, så det kan skaleres – vi har set kode, hvor man med få linjer kan udvide til flere brugere eller koble på forskellige læringsplatforme. Her er et lille pseudokode-eksempel på, hvordan minder gemmes og hentes frem:

def recall(user_id, query, k=6):
    q=embedder.encode([query])
    scores, idxs = ix.search(q,k)
    ...

Det er ikke raketvidenskab, men det kræver, at man forstår, hvordan semantisk søgning og vektorbaseret hukommelse fungerer.

Fra teori til praksis: Hvad kræver det at komme i gang?

Nu bliver det mere lavpraktisk. For at komme i gang skal skolen have styr på et par ting: En server med Python-miljø, adgang til de rette Python-biblioteker (langchain, sentence-transformers, FAISS osv.), og en database – SQLite er faktisk nok til at starte med. Det kræver lidt teknisk snilde, men ikke mere end hvad de fleste IT-afdelinger kan klare. Lærerne skal selvfølgelig lære at bruge systemet, men vi oplevede, at det var nemmest, hvis de bare startede med at bruge det som en slags ekstra hjælpelærer. I vores egen test tog det under en uge at få det op at køre på en mindre skole, men det tog længere tid at få lærerne til at stole på systemet. Det er måske den største hurdle.

Konkrete cases og resultater fra praksis

Vi har set flere eksempler, hvor systemet faktisk har gjort en forskel. En lærer fortalte, at hun for første gang kunne følge med i, hvilke emner hendes elever kæmpede med – uden at skulle læse 200 beskeder igennem. Systemet lavede en lille rapport over svage områder og foreslog opgaver, der matchede netop de udfordringer. I en klasse på 8. årgang blev der fx identificeret, at halvdelen havde svært ved brøker, og AI-tutoren begyndte at foreslå ekstraopgaver om netop det. Det er ikke magi, men det sparer tid – og det er måske det vigtigste for en lærer.

Datasikkerhed, GDPR og offentlige skoler

Her kommer vi til det, der altid får folk til at rynke panden: datasikkerhed. Systemet gemmer personlige oplysninger, og det skal selvfølgelig ske efter GDPR-reglerne. Alt data kan lagres lokalt, så det ikke behøver at ryge ud i skyen. Vi har set, at det faktisk er muligt at køre hele systemet på skolens egne servere, så længe man har styr på adgangskontrol og kryptering. Der er stadig udfordringer – især hvis man vil koble det på eksterne tjenester – men i praksis er det ikke sværere end at håndtere andre elevdata. Det kræver dog, at skolens IT-afdeling er med på vognen.

Kritisk vurdering og barrierer

Det lyder jo alt sammen meget smart, men der er stadig udfordringer. For det første kræver det, at lærerne faktisk bruger systemet aktivt – ellers bliver det bare endnu en IT-løsning, der samler støv. Vi har oplevet, at nogle lærere var skeptiske overfor, om systemet virkelig kunne forstå nuancerne i elevernes svar. Og det kan det heller ikke altid. Især i de første uger lavede AI-tutoren fejl, hvor den foreslog opgaver, der ikke var relevante. Det kræver altså, at man følger op og justerer løbende. Vi har heller ikke set nogen skole, hvor det hele bare kørte perfekt fra dag ét. Men potentialet er der – især hvis man tør eksperimentere lidt.

Perspektiv: Hvad betyder det for fremtidens læring?

Hvis vi skal være ærlige, så er vi stadig kun i begyndelsen. Det her kan ændre måden, vi tænker læring på – men det kræver, at teknologien bliver endnu bedre til at forstå kontekst og følelser. Vi forventer, at de næste par år vil bringe endnu mere avancerede tutor-agenter, der kan integreres direkte i skolernes LMS og måske endda forstå tale og video. Men vi er ikke helt der endnu. Man opdager først forskellen, når man sidder med det i hænderne og ser, hvordan en elev pludselig får en opgave, der rammer plet. Det er dér, magien opstår – og det er derfor, vi tror, det er værd at følge med i udviklingen.

Kilder:

• https://www.marktechpost.com/2026/02/15/a-coding-implementation-to-design-a-stateful-tutor-agent-with-long-term-memory-semantic-recall-and-adaptive-practice-generation/
• https://github.com/NirDiamant/GenAI_Agents
• https://docs.langchain.com/oss/python/concepts/memory
• https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2

Målgruppens mening om artiklen

Anne Madsen, folkeskolelærer:

Jeg giver artiklen 85. Den er meget relevant for mit arbejde, fordi den både forklarer teknologien bag AI-tutorer og viser konkrete eksempler fra praksis. Jeg kan især bruge afsnittene om, hvordan systemet hjælper med at identificere svage områder hos eleverne. Dog savner jeg lidt flere kritiske perspektiver på de pædagogiske udfordringer, og hvordan det påvirker lærerens rolle.

Jesper Holm, IT-koordinator på en skole:

Jeg giver artiklen 90. Den rammer plet i forhold til de tekniske krav og muligheder, og jeg kan se, at det faktisk er realistisk at implementere på en skole. Jeg sætter pris på den konkrete gennemgang af opsætning og datasikkerhed, men ville gerne have haft endnu mere om integration med eksisterende systemer.

Lise Andersen, skoleleder:

Jeg giver artiklen 75. Den er informativ og giver et godt overblik, men jeg synes, den undervurderer, hvor stor en kulturændring det kræver at få lærere til at bruge sådan et system aktivt. Jeg savner mere om, hvordan man får hele organisationen med – ikke kun de tekniske detaljer.

Emil Sørensen, edtech-iværksætter:

Jeg giver artiklen 95. Den er super inspirerende og rammer mange af de udfordringer, vi selv arbejder med. Jeg synes, det er stærkt, at der både er teknisk dybde og praksiseksempler. Det eneste, jeg savner, er lidt mere om, hvordan man kan skalere løsningen til større kommuner eller flere skoler.

Katrine Bæk, matematiklærer og digital ressourceperson:

Jeg giver artiklen 80. Jeg kan godt lide, at der er konkrete cases fra praksis, og at der bliver nævnt barrierer og fejl. Det gør det troværdigt. Men jeg synes, artiklen kunne have været endnu stærkere, hvis der var flere elevperspektiver og erfaringer fra forskellige fag.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Gemini 3 Pro Nano Banana 2 Pro fra Google.