ИИ в образовании: реальная практика

Первые этапы интеграции искусственного интеллекта в преподавание и управление, когда смешивались повальное увлечение, хаотичный опыт, дефицит знаний, попытки запретов и утечка информации, постепенно уходят в прошлое. Система ищет способы вернуть утраченное равновесие, но сохранить динамику, порожденную новыми технологиями. Приходит понимание, где они создают риски, а где приносят пользу. В этом интервью управляющий директор компании ChangeSchool Вирен Лалл делится британским и международным опытом в выстраивании новой архитектуры образования.

– Господин Лалл, мы хотели бы узнать Ваше мнение как эксперта, имеющего большой опыт в организации управления в университетах, о том, что означает готовность к искусственному интеллекту для высшего учебного заведения.

– Благодарю за возможность поделиться своими наблюдениями. 

Закономерности, которые я опишу, основаны на британском и международном опыте, и они применимы повсеместно: учебные заведения вашего региона работают над теми же вопросами, что и наши клиенты.

Многие организации путают структуру с готовностью. Этот паттерн наблюдается и в высшем образовании. В Global Risk Report 2026 от Sedgwick представлены результаты опроса 300 топ-руководителей компаний Fortune 500. 

Опрос показал, что

у 70% компаний есть комитеты по рискам ИИ и структуры управления, но готовыми к внедрению ИИ при этом считают себя лишь 14%. Тот же разрыв проявляется и в секторе высшего образования.

Университеты, рассматривая риски, как правило, сосредотачиваются на необъективности ИИ при делегировании ему подбора персонала и оценки работ. Например, при приеме документов алгоритм может отсеивать хороших кандидатов просто потому, что в обучающих данных было мало людей определенного пола, возраста или из определенных регионов. Если университет загрузил в систему данные успешных профессоров за последние двадцать лет, а среди них исторически было больше мужчин старше сорока пяти лет, и ИИ сделает вывод, что идеальный кандидат должен быть такого возраста, а остальных можно отсеять. При проверке работ ИИ может ставить оценки на основе скрытых, заложенных в него искажений. Модель, обученная на строгом академическом английском языке, может занизить оценку студенту, который написал блестящую по смыслу работу, но использовал чуть более простой, живой язык или обороты, характерные для иностранных студентов. ИИ, основываясь на своей базе, посчитает это «ошибкой» или «плохим стилем».

Но нужно также обратить внимание на влияние искусственного интеллекта на сам процесс обучения.

Готовность имеет три конкретных признака, которые очевидны без лишних разговоров о стратегии. 

Первый – это актуальный реестр процессов, в которых уже задействован ИИ: каждой модели, каждого набора данных, каждого решения, на которое он влияет. Многие университеты не могут составить такой список.

Второй – измерение результатов, а не отслеживание активности. Обычно в отчетах для совета директоров пишут: «Запускаем пилоты по ИИ в трёх направлениях». Напротив, те 14% организаций, которые действительно готовы к работе с технологиями, сообщают конкретные цифры: «ИИ улучшил удерживаемость студентов на 3,2%, погрешность составляет менее 1%».

Третий – управление, встроенное в рабочий процесс: контрольные этапы одобрения на каждом шагу внедрения технологий.

–  Какие процессы ИИ уже может автоматизировать в приёмной комиссии и в работе с прогрессом студентов, и чему учит британский опыт?

– Наиболее зрелые с точки зрения практического применения британские примеры – это давно работающие аналитические системы, которые выявляют студентов, которым грозит отчисление или неудовлетворительные оценки, и сигнализируют преподавателям о необходимости вовремя вмешаться.

Генеративный ИИ и его большие языковые модели практически не имеют к этому отношения. 

Эти системы уже много лет базируются на обычном машинном обучении – точно так же, как платформа Turnitin.com уже давно используется для проверки работ на плагиат.

Система OU Analyse в в Open University – Открытом университете Великобритании, мировом лидере дистанционного обучения, еженедельно оценивает вероятность того, что студент не сдаст следующее задание, и направляет список учащихся из группы самого высокого риска к тьюторам. Эта система успешно работает в масштабах всего вуза уже много лет, помогая измеримо снизить отсев студентов.

Nottingham Trent University, один из крупнейших и наиболее инновационных государственных вузов Великобритании, использует электронную панель мониторинга, построенную на сигналах вовлеченности студентов: это фиксация входов в виртуальную учебную среду, посещений библиотеки, посещаемости занятий и данных электронных пропусков. Если первокурсник не проявляет активности в течение десяти дней, система автоматически отправляет уведомление куратору. Этим решением пользуются около 30 000 студентов и 1 500 сотрудников.

Британская служба приема документов UCAS работает на общенациональном уровне и проверяет каждое мотивационное письмо на сходство с прошлыми заявками и огромными базами существующих текстов. При этом UCAS принципиально не использует программы для распознавания ИИ, считая их ненадежными. Для учебных заведений, которые хотят перенять этот опыт, главный урок заключается в правильной организации самого процесса, а не в степени продвинутости используемого софта.

Простая система, выдающая ежедневный сигнал о пассивности студента, и закрепленный сотрудник, готовый сразу прийти на помощь, работают гораздо эффективнее, чем сложнейшая интеллектуальная модель, выводы которой в итоге никто не использует на практике.

Британский опыт содержит важное предостережение: многие опубликованные данные корреляционны – положительный эффект в равной степени зависит как от технологий, так и от изменения в поведении самих тьюторов. Аналитика необходима. Но её недостаточно.

– Актуальны ли «белые списки» разрешенных программ? Как университету выстроить архитектуру управления ИИ?

–  Любые «белые списки» разрешенных программ устаревают за 90 дней – технологии развиваются слишком быстро. Реальный вопрос заключается в том, по какому операционному регламенту университет работает каждый день. Например, модель AI Operating Charter, разработанная организацией ChangeSchool (www.virenlall.com/ai-operating-charter), предлагает четыре уровня управления, которые может выстроить любой вуз.

Первый уровень –  инвентаризация. Это постоянно обновляемый реестр всех систем ИИ, которые используются в вузе – независимо от того, имеют ли они официальные лицензии, внедрил ли их сторонний поставщик или это личный эксперимент конкретного преподавателя. Управлять можно только тем, что ты видишь. Защита личных и биометрических данных студентов встроена сюда же. Когда реестр работает, защита данных становится одним из нескольких фильтров, через которые проходит каждая система.

Второй уровень – разграничение прав: кто имеет право одобрять использование ИИ, с кем нужно консультироваться, а кто передает спорные вопросы на рассмотрение руководству.

Третий уровень – работа с исключениями. Преподаватели все равно будут пробовать то, что выходит за рамки общих правил.

И сам этот путь легальных исключений важнее жестких запретов, потому как в таких независимых экспериментах педагогов как раз и рождается реальный инновационный опыт университета.

Четвертый уровень – регулярный аудит. Это ежеквартальные проверки реальных результатов работы ИИ, которые приходят на замену формальным ежегодным декларациям об этике.

Профессор Джулиан Биркиншоу, у которого я обучался London Business School, ныне декан Ivey Business School, высказывает созвучную мысль: обучение всегда требует преодоления трудностей. Главный управленческий вопрос в том, куда именно эти трудности поместить. Правильное интеллектуальное сопротивление должно быть встроено в сам процесс учебы, а официальные циркуляры и запреты – это слишком грубый инструмент.

– Можно ли доверять оценивание искусственному интеллекту? Имеет ли под собой почву мнение о предвзятости ИИ?

– Исходное предположение о том, что оценивание с помощью ИИ предвзято, а проверка человеком абсолютно объективна, не выдерживает никакой критики. Я входил в состав жюри международной премии EFMD (Европейского фонда развития менеджмента) Excellence in Practice и могу сказать: преподаватели-экзаменаторы подвержены гораздо более сильной субъективности. На оценку человека влияет всё: время суток, усталость, личные предпочтения и даже «эффект ореола», когда репутация студента заставляет экзаменатора неосознанно завышать или занижать балл.

Эффективная система – это непрерывное взаимодействие человека и машины, а не замена одного другим. 

ИИ выставляет предварительную оценку по четко заданным критериям. Преподаватель проверяет и корректирует её. Эти исправления возвращаются в систему, благодаря чему ИИ учится и с каждым разом становится точнее. Со временем эта связка выдает результат, гораздо более объективный, чем если бы проверкой занимался кто-то один. Кроме того, ИИ превосходно справляется с развернутой обратной связью. Он мгновенно выдает студенту подробный письменный разбор работы – у преподавателей на такие комментарии чаще всего не хватает времени и сил.

Мой коллега, с которым мы вместе преподавали на программе Executive MBA еще 15 лет назад, сейчас работает профессором в ведущей бизнес-школе Токио, которая обучает студентов с высоким акцентом на практику, и там ИИ успешно применяют для оценивания уже более пяти лет. 

Порядок апелляции при этом остается простым: если студент не согласен с результатом, он имеет возможность оспорить решение системы, поскольку в этой системе всегда присутствует живой экзаменатор.

– Что меняется в работе преподавателя, когда в аудиторию приходит ИИ?

– Роль преподавателя смещается от передачи контента к проектированию вовлеченности студентов вокруг этого контента. Две практики, которые мы используем в ведущих учебных заведениях, наглядно иллюстрируют эти изменения.

Первая практика – дебаты на основе синтеза прочитанного.

Студенты получают список источников и приносят на занятие резюме: что они вынесли из текстов, а что осталось за рамками их понимания. Затем преподаватель делает тематический синтез, подсвечивает то, что упустила группа, и использует этот пробел, чтобы разогнать двустороннюю дискуссию.

Учитель больше не является первоисточником знаний. Он – модератор диалога, который движется на гораздо более высокой скорости.

Вторая практика – так называемое «обязательное воспроизведение» (forced recall), которое применяется в виде письменного теста на бумаге.

Каждое занятие открывается простым вопросом. Два балла студент получает за правильный ответ с цитатой; один балл – если суть верна, но цитата упущена (или наоборот: цитата точная, но содержание хромает); ноль баллов – если ответ мимо цели. Любой человек с минимальной подготовкой может получить высший балл. Суть здесь в культуре подготовки, которая за этим следует: когда студенты знают, что знание материала будет проверяться на каждой сессии, чтение действительно происходит, и дискуссия начинается с общей для всех базы.

Результаты отражаются как на удовлетворенности студентов, так и на их успеваемости: подготовленные учащиеся справляются лучше и сами говорят об этом. Это и есть «Гауссов вызов» (The Gaussian Challenge, www.virenlall.com/gaussian-challenge-ai), примененный к педагогике. Обычный шаг в духе ИИ – это сделать краткую выжимку прочитанного за студента. «Гауссово переосмысление» переворачивает фактор скорости:  усвоение материала не разгоняется с помощью ИИ, а наоборот, намеренно замедляется, чтобы заставить работать мозг самого студента. Если на мгновение забыть о существовании технологий, как проверить,  что чтение действительно произошло? Самый надежный способ – предложить студентам воспроизвести полученные знания на бумаге. Оценить такую работу преподаватель (или его помощник) может вручную за считанные минуты по простейшей шкале. ИИ намеренно оставляется вне этого цикла, потому что цель цикла – проявить то, что ИИ иначе сократил бы: само чтение и дисциплину подготовки.

Искусственный интеллект обесценил контент, превратив информацию в общедоступный ресурс. Но чего он не затронул – и, вероятно, никогда не затронет, – так это живого интеллектуального обогащения в ходе грамотно выстроенной дискуссии среди подготовленных студентов. Именно в такие моменты понимание превращается в применение.

Сдвиг, с которым сегодня сталкивается академическое сообщество, – это переход от роли трансляторов знаний к роли наставников в обучении.

Этот шаг требует от самих преподавателей готовности к внутреннему росту и развитию (https://www.virenlall.com/growth-mindset-for-ai). Им придется учиться вместе со студентами, открыто демонстрировать этот процесс и принять тот факт, что традиционный непререкаемый авторитет лектора больше не работает так, как раньше. Теперь ценность преподавателя заключается в умении задавать правильные рамки: выбирать, над какими именно вопросами работает аудитория, подсвечивать, где студенческий синтез противоречит первоисточнику, и вовремя замечать, когда простое воспроизведение перерастает в осознанное владение материалом.

Профессор Джулиан Биркиншоу совместно со своим коллегой по Ivey Business School Мази Разом недавно опубликовал исследование о так называемом «структурированном социальном обучении» (Structured Social Learning). Речь идет о намеренной организации формата peer-to-peer (P2P) – «равный – равному» как педагогического противовеса попыткам студентов «срезать углы» с помощью ИИ. По сути, это та же самая идея, но поданная через призму научных исследований.

Если университет обучает сотрудников использованию инструментов ИИ, но игнорирует это изменение роли, технологии начинают усиливать совершенно не то, что нужно. Они лишь ускоряют передачу того контента, который ИИ и без того сделал банальным и доступным каждому.

 

– Как превратить единичные эксперименты отдельных преподавателей с ИИ в систему, работающую на уровне всего университета?

– Сегодня многие преподаватели в частном порядке пробуют внедрять ИИ на своих занятиях. Но главный вызов для высшей школы – превратить этот разрозненный личный опыт в общую системную компетенцию вуза.

Здесь очень полезна более ранняя работа профессора Джулиана Биркиншоу о контекстуальной амбидекстрии (Gibson and Birkinshaw, 2004) – способности сотрудников самостоятельно и гибко балансировать между двумя противоположными задачами: текущей эффективной работой и внедрением инноваций. Эта работа дает нам модель организации процесса: сотрудники исследуют новые технологии в рамках своей основной работы, а учреждение одновременно задействует существующие возможности. Эти две функции удерживаются в продуктивном напряжении самой конструкцией рабочего процесса, а не силами закрытой «секретной лаборатории» или отдельного спецотдела. Его более поздний тезис о том, что в мире генеративного ИИ метод кейсов приобретает большее значение, дает нам педагогическую модель. Вместе они описывают, как может масштабироваться современный университет.

Практический механизм здесь – регулярный ритм структурированного обучения по принципу peer-to-peer. 

Преподаватели встречаются, обмениваются тем, что попробовали, выявляют то, что оказалось жизнеспособным, кодифицируют удачные практики и отказываются от тех, что не сработали. Сам Джулиан Биркиншоу преподавал на программах Executive Education ChangeSchool для стран Персидского залива, где мы применили этот ритм работы.

Учреждения, которые успешно масштабируют преподавание с ИИ, – это те, у кого лучше всего отлажены процедуры сбора индивидуальных экспериментов в общую практику. Блестящий опыт отдельных аудиторий распространяется только тогда, когда такие механизмы существуют.

– Как выглядит выпускник, готовый к работе в эпоху ИИ, и способны ли университеты успевать за этими изменениями?

– Отчет Всемирного экономического форума «Будущее рабочих мест – 2025» (Future of Jobs Report 2025) дает сухие цифры: около 39% существующих навыков сотрудников изменятся или полностью устареют уже к 2030 году. В тройке самых востребованных компетенций – исключительно технологические: ИИ и большие данные, кибербезопасность и цифровая грамотность. Но бок о бок с ними идут чисто человеческие качества – стрессоустойчивость, любознательность и готовность учиться всю жизнь (lifelong learning). При этом критическое мышление неизменно остается главным фундаментом.

У выпускника, который готов к работе в мире ИИ, можно четко выделить шесть ключевых компетенций.

Он умеет учиться самостоятельно, воспринимая собственное развитие как непрерывный и естественный процесс.

Он использует ИИ как стартовую площадку, чтобы быстро разобраться в любой незнакомой сфере, а не сидит в ожидании, пока его кто-то придет и научит.

Он умеет экспериментировать, но сохраняет жесткую дисциплину ради конечного результата. У него развито критическое мышление от обратного, что защищает от «эффекта подтверждения» (когда человек ищет только те факты, которые подходят под его гипотезу), и он всегда перепроверяет собственную работу.

Он не попадается в ловушку «информационного мусора» (workslop) – то есть не генерирует тонны красиво оформленных, отполированных текстов, которые в реальности никто не будет внимательно читать.

Он никогда не принимает рекомендации ИИ на веру без стресс-тестирования. Он всегда проверяет логику модели, ее «память» и адекватность предложенных суждений.

Он умеет учиться у систем ИИ и одновременно обучать эти системы через качественную обратную связь – так, чтобы в процессе рос и сам инструмент, и человек, который им управляет.

Наша программа Executive MBA в Казахстане – это Executive MBA в эпоху ИИ, которая целиком воплощает этот принцип на практике.

Очевидно, что обычное обновление учебных планов и программ просто не успевает за бешеной скоростью развития технологий. Но университеты могут успевать за прогрессом иначе – выстраивая у студентов именно эти базовые компетенции. Тогда выпускник сможет легко адаптироваться и освоить любые инструменты, каким бы ни оказался ИИ к 2030 году.

Вирен Лалл – управляющий директор ChangeSchool, лондонской компании в сфере Executive Education, работающей с университетами, бизнес-школами и корпоративными советами директоров над применением ИИ в развитии лидерства. Недавние проекты ChangeSchool – разработка программ для руководителей высшего звена (CXO) для ведущих британских бизнес-школ, открытая программа для ведущей бизнес-школы региона MENA и учебная программа «AI for leaders» – «ИИ для лидеров», реализованная для производственного сектора, председателей советов директоров, попечителей и для программы Leaders in Innovation Fellowships при Royal Academy of Engineering в Великобритании. ChangeSchool готова продолжить диалог с учреждениями региона, размышляющими над этими вопросами.

https://www.virenlall.com

https://www.changeschool.org

---

АННОТАЦИЯ

Жасанды интеллектті білім беруде қолдану әдістері бүкіл әлемде қызу талқыланып жатқан тақырыптардың бірі болып табылады. Жоғары технологиялардың пайда болуымен оқытушының рөлі, материалды ұсыну тәсілдері және бүкіл білім беру құрылымы өзгеруде. «ChangeSchool» компаниясының басқарушы директоры Вирен Лалл білім берудің жаңа архитектурасын құрудағы британдық және халықаралық тәжірибесімен бөліседі.