Du har säkert stått där framför klassen någon gång och tänkt: “Okej, jag vet vart jag vill att de ska nå – men jag måste ta dem dit steg för steg.”
Det är läraryrkets hjärta, egentligen. Vi vet att förståelse inte landar på första försöket. Vi bygger den – lager för lager, fråga för fråga, med stöd som minskar i takt med att eleven växer.

Det är precis det som kallas scaffolding – den där stöttningen som gör det möjligt för någon annan att klättra lite högre än de hade klarat på egen hand.

Och det är också en av de viktigaste principerna när du arbetar med AI.

När vi börjar använda ChatGPT eller andra språkmodeller gör vi ofta misstaget att vilja få “det perfekta svaret” direkt.
Vi skriver en lång, genomtänkt prompt, trycker på enter – och hoppas på magi.
Men svaret blir sällan riktigt som vi tänkt oss. Lite för generellt, lite för tillrättalagt.

Det är då det är lätt att tänka: “AI:n fattar inte.”
Men det är faktiskt inte AI:n som inte förstår – det är vi som har hoppat över själva lärprocessen.

För AI fungerar ungefär som en elev i början av ett nytt arbetsområde. Den behöver vägledning, feedback och möjlighet att pröva igen. Den behöver scaffolding.

Tänk dig att du vill att AI ska hjälpa dig skapa en uppgift i historia om källkritik.

Du börjar kanske så här:

“Skriv en uppgift om källkritik för årskurs 9.”

Resultatet? En ganska torr text, fylld med formuleringar som “diskutera trovärdigheten i olika källor” och “reflektera över vem som skrivit texten”.
Allt korrekt – men inte särskilt levande.

Så du lägger till lite stöttning:

“Skriv en uppgift om källkritik för årskurs 9 som kopplar till elevernas vardag. Använd sociala medier som utgångspunkt.”

Plötsligt händer något. AI börjar prata om källor på TikTok, hur algoritmer påverkar vad vi ser, hur man kan jämföra olika källor om samma händelse.

Och om du sedan lägger till ännu ett steg:

“Lägg till tre reflektionsfrågor som hjälper eleverna att tänka metakognitivt – alltså om sitt eget tänkande.”

…ja, då har du byggt en prompt med scaffolding. Du har stegvis utvecklat uppgiften mot något som faktiskt speglar din didaktiska tanke.

Det fina med att jobba så här är att du samtidigt tränar din egen promptförmåga.
Du börjar tänka som en handledare även i dialogen med AI:

• Vad behöver den förstå för att ge ett bättre svar?
• Vilken sorts exempel eller instruktion hjälper den att tänka som jag?
• Hur mycket stöd ska jag ge nu – och vad kan jag ta bort nästa gång?

Det blir nästan som att handleda en kollega eller en VFU-student. Först mycket vägledning, sedan allt mer självständighet.

Jag minns en gång när jag arbetade med ett arbetslag som ville använda AI för att skriva lektionsplaneringar. De upplevde att det gick snabbt – men att allt lät likadant.
“Det är som att AI går på autopilot”, sa en av dem.

Vi testade då att använda scaffolding-principen. Istället för att be om en färdig planering, fick de börja med att be AI beskriva syftet med lektionen utifrån kursplanen.
Sedan bad de om exempel på aktiviteter som passade syftet.
Därefter: Hur kan lektionen differentieras för elever med olika behov?

När vi till slut bad AI att sätta ihop allt till en planering – var det något helt annat som kom ut. Det var lärarens tankar, skolans värdegrund och AI:s språk – tillsammans.

Det var då någon sa: “Aha! Det här är inte ett verktyg för att spara tid – det är ett verktyg för att tänka bättre.”

Det är egentligen kärnan i promptpedagogiken.
När du scaffoldar dina prompts lär du inte bara AI att svara bättre – du lär också dig själv att tänka tydligare, formulera syften och pröva idéer på nya sätt.
Det blir ett slags spegel av det du redan gör med dina elever.

Och ju fler gånger du gör det, desto mindre stöttning behöver du. Du börjar se mönstren: hur man formulerar, förtydligar, testar, omformulerar.
Precis som eleverna till slut klarar sig själva, börjar du och AI prata ett mer gemensamt språk.

Det är lätt att tro att prompteknik handlar om att skriva den perfekta meningen.
Men i verkligheten handlar det om att bygga förståelse i flera steg.
Först ett rått utkast. Sedan en fördjupning. Till sist – en förfining.

Och varje gång du tar det där extra steget, varje gång du ställer frågan “kan du utveckla det här med exempel?”, då växer AI:n lite i din riktning.

Så nästa gång du sitter med ChatGPT och känner att svaret inte riktigt håller – tänk som du gör i klassrummet.
Ge mer stöd. Bryt ner uppgiften. Ställ följdfrågor. Visa vad du menar.

För i slutändan är det inte bara elever som behöver scaffolding.
Det gör även vi – och vår nya kollega, AI.