Studenten vragen ChatGPT al vóór het eerste contact met uw school

Het eerste contactmoment is niet meer de open dag

Een student die contact opneemt met uw hogeschool of universiteit, doet dat zelden als eerste stap. Ze heeft eerst ChatGPT of Perplexity geraadpleegd — met een antwoord dat correct, verouderd of ronduit fout kan zijn. Tegen de tijd dat ze uw voorlichter aan de lijn heeft, praat ze niet vanuit een schone lei, maar vanuit wat een taalmodel haar al heeft verteld.

Volgens onderzoek van Qompas onder 880 bovenbouwscholieren (vmbo, havo, vwo) in januari 2026 zet circa 45% van de studiekiezers AI in tijdens het studiekeuzeproces, tegenover 55% die dat niet doet. Van de gebruikers doet 27% dit "heel af en toe", 12% "soms" en 6% "vaak". Dat is geen nichegedrag van een handvol early adopters — het is bijna de helft van de instroom die op enig moment een AI-antwoord over uw instelling heeft gelezen vóórdat ze u sprak.

Dat verandert wat een "eerste indruk" betekent. Vroeger begon de relatie met een studiekiezer bij de open dag, een Studielink-registratie of een telefoontje naar de studievoorlichting — momenten die u zelf regisseerde. Nu begint ze vaak bij een antwoord dat u niet hebt geschreven, niet hebt geredigeerd, en waarvan u vaak niet eens weet wat erin stond.

Wat een taalmodel al heeft gezegd voordat de student u spreekt

Wanneer een AI-chatbot een vraag beantwoordt over uw opleiding, valt het resultaat in drie categorieën — en elke categorie vraagt een andere reactie van uw kant.

Correct en actueel. Het model citeert uw huidige toelatingseisen, uw NVAO-accreditatie of uw collegegeldtarief precies zoals ze nu gelden. Dit is het beste scenario, maar het gebeurt alleen wanneer uw website die feiten expliciet en gestructureerd aanbiedt — een taalmodel raadt niet, het herhaalt wat het ergens gelezen heeft.

Correct, maar verouderd. Het model citeert een cijfer, een deadline of een programmanaam die vorig studiejaar klopte, maar nu niet meer. Numerus-fixusgrenzen wijzigen, opleidingen fuseren, aanmelddeadlines schuiven op — en een taalmodel dat getraind is op een ouder corpus, of dat een verouderde cachepagina raadpleegt, weet dat niet automatisch. Een student die vraagt naar het collegegeld van vorig jaar en dat bedrag letterlijk herhaalt aan de balie, verwacht dat u haar bevestigt — niet dat u haar tegenspreekt.

Ronduit onjuist. Het model verzint een toelatingseis die nooit heeft bestaan, noemt een niet-bestaande opleidingsnaam, of verwart uw instelling met een andere hogeschool met een vergelijkbare naam. Dit is zeldzamer dan de eerste twee categorieën, maar de schade is het grootst: de student neemt een verzonnen feit mee de intake in en corrigeert het zelden uit zichzelf.

Het probleem met de tweede en derde rij is niet alleen dat de student verkeerd geïnformeerd raakt. Het is dat uw voorlichter dat gesprek nu opent met corrigeren in plaats van adviseren — en corrigeren kost geloofwaardigheid, ook wanneer u gelijk hebt. Dit is geen eenmalig risico dat u ooit oplost en daarna vergeet: elke wijziging in uw aanbod — een nieuwe aanmelddeadline, een aangepast collegegeld, een opleiding die van naam verandert — opent opnieuw een venster waarin een taalmodel nog het oude antwoord geeft, tot de nieuwe informatie voldoende breed en gestructureerd online staat.

Waarom studenten AI eerder vertrouwen dan u zou willen

Studenten controleren wat een AI-model zegt niet altijd systematisch. Uit hetzelfde Qompas-onderzoek blijkt dat een groot deel van de scholieren AI-antwoorden als "een beetje betrouwbaar" beoordeelt — genoeg vertrouwen om er een studiekeuze op te baseren, niet genoeg om elk detail te verifiëren. Dat is precies de zone waarin een verouderd of onjuist antwoord het langst blijft hangen: te geloofwaardig om te negeren, te vaag onthouden om zelf te checken.

Voor Gen Z-studiekiezers is dit patroon inmiddels het standaard startpunt van de studiekeuze, niet de uitzondering. Wie pas bij het intakegesprek nadenkt over wat een student al weet, reageert op het probleem in plaats van het te sturen.

Wat dit betekent voor hoe u uw publieke informatie structureert

De consequentie is niet "meer content schrijven". Het is dat uw bestaande feiten — toelatingseisen, NVAO-accreditatie, collegegeld, aanmelddeadlines — op precies één plek moeten staan die u beheert, in een vorm die een taalmodel als canoniek herkent. Drie aanpassingen maken het grootste verschil.

Eén bron van waarheid per feit, machinaal leesbaar. Elk cijfer dat een student aan een AI-model kan vragen — collegegeld, CROHO-status, stagepercentage, aanmelddeadline — hoort op precies één pagina te staan, met een datum erbij, in Schema.org EducationalOrganization-opmaak. Staat hetzelfde cijfer op drie pagina's met drie net iets andere waarden — de opleidingspagina, een oude PDF-brochure, een verouderd nieuwsbericht — dan kan een taalmodel niet bepalen welke actueel is, en kiest het soms de verkeerde. De technische documentatie van Google Search Central beschrijft de exacte syntaxis hiervoor.

Zichtbare actualiteitsdata. Een taalmodel weegt mee wanneer een pagina voor het laatst is bijgewerkt. Een toelatingspagina zonder zichtbare "laatst bijgewerkt"-datum geeft het model geen signaal om een ouder antwoord te wantrouwen. Dateer elke pagina met feitelijke informatie, en werk die datum ook echt bij wanneer u iets wijzigt — een datum die nooit verandert is voor een AI-model net zo onbetrouwbaar als geen datum.

Congruentie met externe bronnen. Studenten — en de taalmodellen die hen informeren — kruisen uw eigen website met NVAO, Studielink en Keuzegids. Wijkt uw eigen collegegeldvermelding af van wat op Studielink staat, dan ziet een taalmodel een tegenstrijdigheid en kiest het niet automatisch voor uw versie. Voor de specifieke mechanica van NVAO- en CROHO-citaties in AI-antwoorden gaat ons artikel over accreditatie en AI-citatie dieper in.

Deze drie aanpassingen zijn een onderdeel van een bredere GEO-strategie. Voor het volledige overzicht — van entiteitsherkenning tot contentstructuur — leest u onze gids over GEO voor scholen.

Het gesprek zelf: een nieuwe openingsvraag voor de intake

Naast het structureren van uw publieke informatie verandert er iets aan het gesprek zelf. Een voorlichter die ervan uitgaat dat de student bij nul begint, mist waar het gesprek eigenlijk moet beginnen: bij wat de student al denkt te weten.

Eén concrete aanpassing werkt bijna altijd: open elk eerste gesprek — telefonisch, via de chatbot op uw website, of aan de balie op een open dag — met de vraag "wat heeft u tot nu toe al gevonden of gehoord over onze opleiding?" in plaats van te beginnen met uw eigen standaardpitch. Dat legt meteen bloot of de student een correct beeld heeft, een verouderd cijfer meesleept, of iets gelooft dat nooit heeft geklopt. Zonder die vraag corrigeert u soms iets waarvan u niet wist dat het gecorrigeerd moest worden — of, erger, bevestigt u onbedoeld iets wat niet klopt omdat u niet wist dat de student er al van uitging.

Een chatbot op uw eigen website kan dezelfde functie vervullen, maar dan structureel: als eerste aanspreekpunt herkent hij welke vraag een student stelt, geeft hij het actuele antwoord uit uw eigen, beheerde gegevens, en registreert hij welke vragen het vaakst terugkomen — een directe indicatie van waar uw publieke informatie tekortschiet of waar een AI-model elders een ander antwoord geeft.