ИИ заставляет университет заново изобретать образование

Искусственный интеллект поставил перед современной системой образования вопрос, который ещё недавно казался почти бессмысленным: «Что именно проверяет экзамен?» Знания студента, его способность самостоятельно мыслить и рассуждать, умение выполнять конкретные интеллектуальные операции или способность получить правильный и качественно оформленный результат при помощи любых доступных инструментов? Появление генеративного ИИ превратило этот теоретический вопрос в одну из центральных практических проблем университетского образования. Сегодня студент способен за считанные минуты получить готовое эссе, решение математической задачи, программный код, аналитическую справку, структуру исследовательской работы или развёрнутую аргументацию по сложной теме. В этих условиях привычная образовательная схема, при которой преподаватель формулирует задание, студент выполняет его самостоятельно вне аудитории, а затем преподаватель оценивает представленный результат, начинает утрачивать прежнюю очевидность. Причём проблема значительно шире традиционного списывания или академической недобросовестности. Генеративный ИИ ставит под сомнение саму институциональную связь между выполненной работой и фактом обучения. Работа может существовать, выглядеть убедительно и даже быть превосходной по формальным критериям, однако это ещё не означает, что человек, поставивший под ней своё имя, приобрёл знания, навыки и интеллектуальные способности, которые эта работа должна была подтверждать.

Поэтому происходящие сегодня изменения в ведущих университетах нельзя объяснить ни очередной волной технологической паники, ни консервативной попыткой вернуть образование в доцифровую эпоху. Возвращение рукописных заданий, устных экзаменов, очных обсуждений, индивидуальных собеседований и более жёсткого ограничения использования цифровых устройств отражает гораздо более глубокий процесс. Университеты вынуждены пересматривать саму институциональную конструкцию обучения и заново определять, что считать образовательным результатом, какое доказательство может подтверждать реальную компетентность студента и где проходит граница между допустимым технологическим содействием и фактической передачей машине той интеллектуальной деятельности, которую должен был осуществить сам обучающийся. В частности, речь идёт о возвращении университетов к бумаге, ручке и живым формам проверки показывает внешнюю сторону этого процесса. Однако за решениями, которые на первый взгляд могут выглядеть как возвращение к старым практикам, скрывается формирование принципиально новой логики образования.

Особенно ясно масштаб этого перелома демонстрирует отчёт специального комитета Массачусетского технологического института по использованию ИИ в преподавании, обучении и исследовательской подготовке. Сам факт появления такого документа показателен: институт, который исторически относится к числу мировых центров технологического развития и играет исключительную роль в развитии искусственного интеллекта, фактически признаёт, что проблема не может быть решена простой корректировкой нескольких правил академической честности. Комитету было поручено оценить существующее использование ИИ, определить возможности инноваций в преподавании и оценивании и предложить соответствующую политику. Однако в ходе работы стало очевидно, что необходимо обсуждать значительно более глубокие вопросы, связанные со структурой, смыслом и ценностью самого образования в условиях стремительного распространения генеративных систем. Комитет констатирует, что современные модели уже способны выполнять убедительные решения практически для любого письменного задания бакалаврского уровня: создавать эссе, писать программный код, решать задачи и воспроизводить математические доказательства. Тем самым разрушается одна из фундаментальных предпосылок, на которых строилась традиционная система оценки. Предположение о том, что конечный интеллектуальный продукт можно использовать как достаточно надёжное свидетельство процесса его самостоятельного создания.

Именно эта связь сегодня требует институционального восстановления. До появления генеративного ИИ домашнее эссе или письменная работа одновременно выполняли несколько функций. Они были способом обучения, поскольку студент должен был искать информацию, анализировать её, выстраивать аргументацию и формулировать собственный текст. Одновременно такая работа служила доказательством индивидуального освоения материала. Преподаватель не наблюдал весь процесс, но мог с достаточной степенью уверенности исходить из того, что представленный текст является результатом интеллектуальной деятельности конкретного человека. Генеративный ИИ разрушил это совпадение. Конечный продукт может быть создан с минимальным участием студента или при его весьма ограниченном интеллектуальном вкладе. Поэтому работа сохраняет внешнюю форму результата обучения, но перестаёт автоматически свидетельствовать о самом обучении. В этом и заключается принципиальное отличие нынешней ситуации от обычного академического мошенничества. Проблема уже не сводится к тому, что часть студентов нарушает установленные правила. Проблема состоит в том, что некоторые традиционные способы проверки перестают надёжно выполнять функцию, ради которой были созданы.

Если домашнее задание невозможно надёжно контролировать, контроль следует перенести в аудиторию. Запретить доступ к внешним цифровым инструментам, посадить студентов перед преподавателем, ограничить время и проверять результат непосредственно в контролируемой среде. Однако здесь обнаруживается новое противоречие. В отчёте MIT подчёркивается, что чрезмерный переход к ограниченным по времени экзаменам и контролируемым заданиям может иметь собственные отрицательные последствия. Студенты получат меньше стимулов заниматься сложными, продолжительными проектами, требующими недель или месяцев работы, последовательного исследования, многочисленных ошибок и переработок. Между тем именно такая длительная интеллектуальная деятельность часто обеспечивает наиболее глубокое освоение материала. Получается своеобразный институциональный парадокс, при котором университет стремится защитить самостоятельность обучения путём усиления контроля, но чрезмерное усиление контроля способно изменить само содержание образования. Когда вместо длительного исследовательского проекта главным доказательством компетентности становится двухчасовой экзамен под наблюдением то, система начинает измерять прежде всего способность быстро выполнять определённые операции в условиях временного ограничения. В таком случае университет не столько побеждает ИИ, сколько адаптируется к нему ценой сокращения тех форм обучения, которые стремился сохранить.

Поэтому возвращение к ручке и бумаге не следует понимать буквально как возвращение в прошлое. Современный университет не обнаружил внезапно, что ручка лучше компьютера или что рукописный текст сам по себе обладает особой образовательной ценностью. Рукописная работа становится важной прежде всего потому, что она позволяет восстановить наблюдаемость там, где цифровая среда даёт возможность практически незаметно передать существенную часть интеллектуальной работы внешней системе. В этом смысле бумажный экзамен выступает не как технологический идеал, а как инструмент создания условий, в которых можно более уверенно установить связь между человеком и результатом его деятельности. Ручка возвращается в аудиторию не потому, что университет отказывается от будущего, а потому, что будущее заставляет его заново искать способы увидеть сам процесс человеческого мышления.

Той же логикой объясняется возвращение устных форм проверки. Если письменный текст может быть создан или существенно преобразован машиной, то непосредственный разговор со студентом позволяет оценить значительно больше, чем качество заранее подготовленного продукта. В ходе беседы человек должен объяснить, почему был выбран определённый аргумент, каким образом возникла гипотеза, почему один метод предпочтительнее другого, какие существуют альтернативы, где находятся слабые места решения и что изменится при изменении исходных условий. Именно поэтому в университетской практике всё чаще появляются дополнительные устные собеседования после сдачи домашних заданий и письменных работ. В некоторых случаях студенту предлагается не просто представить решение, но и объяснить его логику непосредственно преподавателю или ассистенту. На отдельных курсах речь идёт даже о коротких индивидуальных интервью. С точки зрения старой системы подобная практика могла показаться слишком затратной: зачем тратить несколько минут на разговор с каждым студентом, если можно проверить сотни текстов? Но ИИ меняет саму экономику доверия. Когда массовое производство убедительных текстов становится дешёвым, автоматическая проверка готового результата перестаёт быть достаточным доказательством компетентности.

Происходит принципиальный переход. В традиционной модели студент должен был предоставить ответ. В формирующейся модели всё чаще требуется продемонстрировать владение этим ответом. Разница между этими требованиями гораздо глубже, чем кажется. Искусственный интеллект способен создать текст, сформулировать аргумент и предложить решение. Однако значительно труднее использовать его в качестве полной замены человеку, который должен в реальном времени объяснить ход рассуждения, отстоять собственную позицию, ответить на уточняющие вопросы, распознать слабое место аргумента или применить знание в изменившейся ситуации. Поэтому устный экзамен в эпоху ИИ приобретает новое значение. Он возвращает в центр оценки не только конечный продукт, но и непосредственную демонстрацию когнитивной компетентности.

Из этого вытекает ещё более значительный сдвиг. Академический контроль постепенно перемещается от контроля результата к контролю процесса. Старая модель образования в значительной степени была построена вокруг конечного продукта. Студент сдавал эссе, решение, проект или код. Преподаватель оценивал то, что оказалось перед ним. Процесс создания оставался в значительной степени скрытым и считался вторичным, поскольку существовала относительно устойчивая презумпция индивидуального авторства. ИИ делает такую презумпцию значительно менее надёжной. Поэтому всё большее значение приобретают формы оценки, позволяющие увидеть траекторию возникновения результата: портфолио, поэтапная сдача работы, история изменений документа, промежуточные версии, очные обсуждения, защита проекта, объяснение принятых решений и рефлексия над использованными методами.

В такой системе студенту недостаточно просто предъявить готовый результат. Возникает необходимость показать траекторию его формирования. Почему появилась именно эта идея? Какие варианты рассматривались первоначально? Почему один из них был отвергнут? Какие ошибки обнаружились? Что изменилось после замечаний преподавателя? Какая часть работы была выполнена самостоятельно? На каких этапах использовался искусственный интеллект и какую конкретную функцию он выполнял? Речь идёт о формировании новой модели доказательства компетентности. Объектом оценки становится не только ответ, но и способность человека объяснить происхождение ответа. В этом заключается одно из наиболее глубоких институциональных последствий генеративного ИИ. Технология, которая, казалось бы, должна была вести к дальнейшей автоматизации образования, парадоксальным образом заставляет университет вновь ценить наблюдение, диалог, рефлексию и индивидуальную ответственность.

При этом сам искусственный интеллект не становится главным врагом университета. Напротив, именно здесь особенно опасно впасть в упрощение и представить происходящее как борьбу между «настоящим» образованием и «вредной» технологией. Отчёт MIT строится на прямо противоположной предпосылке. Генеративный ИИ способен создавать индивидуализированные интерактивные инструменты обучения, помогать преподавателям адаптировать образовательные материалы, расширять возможности анализа данных и исследовательской работы, поддерживать создание сложных программных продуктов и проектов, которые ещё недавно были практически недостижимы в рамках одного учебного курса. Потенциал технологии заключается не только в том, что она способна выполнять работу вместо человека. В более продуктивной модели она может расширять диапазон задач, которые человек способен ставить и решать.

Поэтому принципиальным становится различие между автоматизацией и усилением человеческих возможностей. Первая модель предполагает, что машина замещает интеллектуальную работу студента. Вторая предполагает, что студент использует технологию для расширения собственных способностей, но сохраняет контроль над постановкой задачи, оценкой результата и ответственностью за принятое решение. В MIT этот подход выражается принципом «augmentation, not automation» — усиление, а не автоматизация. Его значение выходит далеко за пределы университетской аудитории. Проблема состоит не в том, способен ли ИИ дать человеку правильный ответ. Проблема состоит в том, что получение готового ответа может создавать психологическую иллюзию обучения. Студент видит качественное объяснение, соглашается с ним, получает решение, но при этом может не пройти через необходимую последовательность интеллектуальных действий, благодаря которой формируется собственное понимание.

В результате современное образование сталкивается с новой формой дефицита. В прошлом одной из главных проблем был недостаток доступа к информации. Чтобы получить ответ, нужно было знать, где искать, иметь доступ к библиотеке, владеть источниками и тратить значительное время на сбор материала. Сегодня всё чаще возникает избыток готовых интеллектуальных продуктов. Информация, аргументы, структуры текстов, решения и даже объяснения доступны практически мгновенно. Потому образовательной задачей становится уже не только способность найти ответ. Всё большее значение приобретает способность определить, является ли этот ответ правильным, достаточным и применимым; понять, на каких предпосылках он основан; увидеть его ограничения; сопоставить несколько альтернатив; сформулировать более точный вопрос и принять решение о том, можно ли доверять предложенному результату. В эпоху ИИ знание постепенно меняет собственный образовательный статус. Недостаточно просто обладать информацией. Необходимо обладать суждением.

Функция университет никогда не сводилась исключительно к передаче знаний. Одна из наиболее значимых частей отчёта MIT посвящена не экзаменам, а социальным последствиям распространения ИИ. Комитет обращает внимание на сокращение посещения консультаций преподавателей, уменьшение участия в обсуждениях и снижение значения учебных групп. Иными словами, ИИ влияет не только на выполнение конкретных заданий, но и на социальную архитектуру университета. Это обстоятельство потенциально важнее, чем отдельная проблема списывания. Традиционное образование основано на множестве взаимодействий, которые редко фиксируются в учебном плане. Человек учится не только из книги и не только слушая лекцию. Он учится, споря с однокурсником, объясняя собственное решение, наблюдая за работой более опытного исследователя, сталкиваясь с профессиональной критикой, участвуя в совместном проекте и преодолевая неудачу.

В отчёте MIT этот процесс связывается с необходимым для обучения «когнитивным трением». Знания формируются не только благодаря получению правильного ответа, но и благодаря усилию, возникающему при столкновении с задачей, которая не имеет мгновенного решения. Нужно попытаться самостоятельно, ошибиться, обсудить проблему, услышать возражение, изменить подход и снова попробовать. Генеративный ИИ предлагает чрезвычайно соблазнительную альтернативу этому процессу. Зачем спрашивать однокурсника, если можно мгновенно обратиться к чат-боту? Зачем ждать консультации преподавателя, если цифровой помощник отвечает в любое время? Зачем часами спорить над задачей, если система способна предложить несколько вариантов решения за секунды? С точки зрения непосредственной эффективности такой выбор выглядит рациональным. Но с точки зрения образования эффективность и глубина обучения далеко не всегда совпадают.

В этом заключается один из самых неприятных выводов эпохи ИИ: не всякая интеллектуальная деятельность, которую можно ускорить, должна быть ускорена до предела. Не всякая «неэффективность» является недостатком. Иногда именно длительный и сложный человеческий процесс представляет собой основное содержание образования. Если студент несколько часов пытается разобраться в математическом доказательстве вместе с другими студентами, спорит, делает неверные шаги и в конце концов приходит к пониманию, внешне это может выглядеть менее эффективно, чем мгновенное получение объяснения от ИИ. Но именно этот путь формирует способность самостоятельно сталкиваться со следующей сложной задачей. Машина может устранить трудность, однако вместе с ней она способна устранить и часть процесса, благодаря которому развивается интеллектуальная самостоятельность.

Отсюда возникает ещё более фундаментальный вопрос: «Зачем вообще человеку ходить в университет?» Если информация доступна в сети, персональный цифровой помощник способен круглосуточно объяснять материал, генеративная модель адаптирует ответ к уровню пользователя, помогает писать код, анализировать документы и строить исследовательские проекты, традиционное преимущество университета как места концентрации знаний неизбежно уменьшается. Университет уже не может оправдывать своё существование исключительно монополией на доступ к информации. Однако это не означает исчезновения его образовательной функции. Скорее, наоборот, становится более заметной та её часть, которая раньше могла оставаться в тени.

Университет представляет собой не просто хранилище знаний, а социальную и интеллектуальную среду, в которой человек постепенно становится специалистом. Значительная часть такого обучения вообще не помещается в формальные учебные планы. Это нормы профессионального взаимодействия, способность работать в коллективе, разрешать конфликты, выдерживать интеллектуальную критику, объяснять собственные решения, признавать ошибку, принимать ответственность и формировать профессиональную идентичность. Человек становится инженером, исследователем, врачом, юристом или преподавателем не только потому, что освоил определённый объём информации. Он становится частью профессионального сообщества, усваивает его способы рассуждения и постепенно приобретает способность действовать в ситуациях, для которых заранее не существует готового ответа.

Особенно показательны в этом отношении исследовательские программы. Отчёт MIT предупреждает о возможной ситуации, при которой искусственные агенты окажутся более дешёвой и быстрой альтернативой студентам при выполнении отдельных исследовательских задач. С экономической точки зрения подобная замена может выглядеть рациональной. Но образовательные последствия окажутся значительно сложнее. Студент теряет не просто возможность выполнить конкретную техническую операцию. Он теряет возможность оказаться внутри исследовательского процесса, работать рядом с опытными специалистами, наблюдать за тем, как принимаются решения, получать неформальную обратную связь и постепенно превращаться из человека, изучающего науку, в человека, способного участвовать в её создании. Поэтому замена студента искусственным агентом может оказаться эффективной для выполнения задачи, но разрушительной для воспроизводства профессионального сообщества.

Таким образом, ИИ заставляет заново оценить то, что прежде воспринималось как побочный эффект университетской жизни. Лаборатория, учебная группа, разговор в коридоре, спор после лекции, консультация преподавателя, совместное исправление ошибки могут оказаться не менее важными, чем сама передача учебного материала. Чем больше интеллектуальных операций способна выполнять машина, тем выше становится относительная ценность тех человеческих форм взаимодействия, которые машина не способна полностью воспроизвести. В этом смысле распространение ИИ может привести не к исчезновению университета, а к более чёткому пониманию того, чем университет отличается от простой цифровой платформы доступа к знаниям.

Однако одновременно разрушается и привычная система академического контроля. Наиболее очевидной реакцией университетов на использование генеративного ИИ стало появление специальных детекторов. Но сама идея технологически обнаружить технологическое нарушение быстро столкнулась с серьёзными ограничениями. Отчёт MIT подчёркивает риск ложных срабатываний и предупреждает, что результат AI-detector не должен сам по себе рассматриваться как достаточное доказательство нарушения. Кроме того, возникает риск бесконечной технологической гонки, когда одна система создаётся для обнаружения машинного текста, другая же для его маскировки, затем появляется новый детектор, за которым следует новый инструмент обхода. В результате образовательное учреждение может всё больше ресурсов тратить не на обучение, а на обслуживание инфраструктуры взаимного недоверия.

Проблема здесь носит не только технический характер. Постоянный контроль способен изменить социальную атмосферу образования. Если студент начинает воспринимать преподавателя прежде всего как наблюдателя, ищущего признаки скрытого использования ИИ, а преподаватель начинает воспринимать каждого хороший текст как потенциально подозрительный, разрушается доверие. Поэтому долговременное решение не может основываться исключительно на «полицейской» модели. Студент не должен постоянно чувствовать себя объектом наблюдения. Гораздо более устойчивой является система, в которой правила понятны, преподаватель ясно объясняет образовательный смысл ограничений, а использование ИИ воспринимается в контексте общих норм академического сообщества, а не как нарушение произвольного бюрократического запрета.

При этом генеративный ИИ делает особенно очевидной ограниченность старой дисциплинарной модели. Традиционная система академической честности была построена на относительно простой конструкции авторства: студент либо самостоятельно выполнил работу, либо использовал чужой результат. Но ИИ разрушает эту бинарность. Между полным самостоятельным выполнением и полной передачей работы машине возникает огромная зона промежуточных действий. Студент может попросить ИИ объяснить тему, предложить несколько вариантов решения, помочь найти ошибку в коде, структурировать текст, отредактировать стиль, перевести фрагмент, предложить контраргумент, создать черновой вариант или полностью сгенерировать итоговую работу. Формально во всех этих случаях использовался ИИ, но образовательное значение такого использования принципиально различно.

Поэтому новый академический контроль неизбежно должен отвечать уже не только на вопрос «использовал ли студент ИИ?». Значительно важнее другой вопрос: «Какую именно интеллектуальную функцию студент передал машине?» Если система помогла устранить грамматическую ошибку, это один случай. Если она выполнила основную аналитическую работу, это другой. Если студент использовал ИИ как собеседника для проверки собственной гипотезы, ситуация отличается от случая, когда готовая гипотеза была сгенерирована машиной и механически представлена как собственная. Именно поэтому единое правило, одинаковое для всех дисциплин, становится всё менее реалистичным.

Отношения между человеком и ИИ в поэзии, математическом доказательстве, архитектурном проектировании, программировании, юридическом анализе или исследовательской работе не могут быть полностью одинаковыми. Там, где главной целью является обучение конкретному техническому инструменту, использование ИИ может быть естественной частью профессиональной подготовки. Там, где целью является освоение фундаментальной интеллектуальной операции, передача этой операции машине способна лишить задание образовательного смысла. В одних курсах ИИ может быть разрешён без существенных ограничений. В других, использоваться только в качестве вспомогательного инструмента. В третьих, прямо требоваться как объект профессионального освоения. В четвёртых, запрещаться при выполнении определённой части работы. Следовательно, образование движется от простого вопроса «разрешён ли ИИ?» к значительно более содержательному вопросу «зачем ИИ используется именно здесь и какую функцию его использование выполняет в достижении конкретной образовательной цели?».

При этом новая норма прозрачности начинает распространяться не только на студентов. Если искусственный интеллект используется преподавателем для создания учебных материалов, подготовки презентаций, формирования обратной связи, оценки работ или выставления рекомендаций, возникает вопрос о том, должен ли студент знать, каким образом технология повлияла на образовательный процесс. MIT рекомендует преподавателям открыто сообщать студентам о существенном использовании ИИ при создании учебного контента и особенно при применении технологии в оценивании, выставлении оценок или подготовке обратной связи. Это формирует новый элемент образовательного социального контракта. Если студент обязан объяснять, каким образом он использовал ИИ, преподаватель также не может полностью скрывать собственное использование технологии. Иначе возникает очевидный риск двойного стандарта: от студента требуют самостоятельности и прозрачности, а преподаватель получает возможность автоматизировать часть собственной работы без объяснения границ такой автоматизации.

Здесь появляется новая система взаимной ответственности. Если использование ИИ ограничивается, студенту необходимо объяснить, почему это ограничение связано именно с его обучением и развитием, а не является самоцелью. Если ИИ используется преподавателем, студент должен понимать, какую функцию выполняет технология. Если алгоритм участвует в подготовке обратной связи или оценке, вопрос уже касается не только удобства, но и справедливости процедуры. Таким образом, искусственный интеллект превращается из индивидуального инструмента в элемент институциональных отношений, требующий правил, прозрачности и согласованных норм.

Наиболее радикальные последствия, однако, могут быть связаны с самой системой оценок. На протяжении десятилетий оценка выполняла сразу несколько функций. Она должна была мотивировать студента, измерять степень освоения материала, позволять сравнивать результаты разных учащихся и служить внешним сигналом для работодателей и других образовательных институтов. ИИ усиливает противоречие между этими функциями. Если высокая оценка становится главным стимулом, студент получает всё больше технических возможностей оптимизировать результат без пропорционального увеличения собственного обучения. В такой ситуации оценка может стимулировать не столько интеллектуальную работу, сколько поиск наиболее эффективного способа получить необходимый балл.

Именно поэтому в MIT обсуждаются альтернативные формы подтверждения достижений: портфолио, компетентностное и mastery-based оценивание, устные презентации, развёрнутая содержательная обратная связь и другие модели. Особый интерес представляет сама постановка вопроса: возможно ли, что традиционная система оценок в отдельных случаях создаёт дополнительный стимул использовать ИИ исключительно для максимизации формального результата? Если да, то проблема заключается не только в поведении студентов и не только в наличии технологии. Она связана с тем, как устроены сами институциональные стимулы. В этом смысле генеративный ИИ действует как своеобразный стресс-тест для системы образования. Он не обязательно создаёт все её проблемы, но делает гораздо более заметными существующие противоречия между реальной целью обучения и механизмами его измерения.

Если диплом должен удостоверять способность самостоятельно мыслить, одной итоговой оценки недостаточно. Если диплом должен подтверждать способность работать с современными профессиональными инструментами, полный запрет на ИИ выглядит не менее проблематичным. Если же выпускник должен быть человеком, способным принимать решения, критически оценивать информацию, сотрудничать с другими людьми, использовать технологию без утраты собственного контроля и отвечать за результат, тогда именно эти способности должны стать объектом образовательного процесса и проверки. Университет сталкивается с необходимостью гораздо точнее определить собственный конечный продукт. Он больше не может ограничиться абстрактным утверждением, что «выпускник освоил программу». Необходимо понять, какие человеческие способности сохраняют самостоятельную ценность в мире, где значительную часть интеллектуальных операций можно делегировать машине.

Из происходящих изменений постепенно вырисовывается новая формула образования. Традиционная схема условно выглядела следующим образом: знания передаются студенту, затем он получает задание, самостоятельно выполняет его, представляет результат, получает оценку и в конечном счёте диплом. Новая модель оказывается значительно сложнее. Она начинается с определения того, чему именно необходимо научиться. Затем создаётся образовательная практика, включающая самостоятельную работу, взаимодействие с другими людьми и, при необходимости, использование технологических инструментов. После этого студент должен продемонстрировать компетентность, объяснить собственные решения, показать понимание процесса и отрефлексировать использованные средства. Конечный результат сохраняет значение, но перестаёт быть единственным объектом оценки.

В этой модели ИИ не исчезает и не становится автоматически признаком нарушения. Он перестаёт быть невидимым посредником. Его использование должно быть осмысленным, связанным с конкретной образовательной задачей и, в соответствующих случаях, прозрачным. Именно поэтому идея «AI-aware» образования не означает требование встроить искусственный интеллект в каждое занятие. Напротив, некоторые элементы обучения могут сознательно оставаться свободными от ИИ именно потому, что их смысл заключается в самостоятельной человеческой деятельности. Способность написать первый вариант аргумента самостоятельно, решить определённый тип задачи без внешней помощи, объяснить концепцию своими словами или выдержать интеллектуальное напряжение при работе над сложной проблемой может сохранять образовательную ценность даже тогда, когда машина способна выполнить ту же операцию быстрее.

Парадокс современного момента состоит в том, что чем совершеннее становятся цифровые инструменты, тем большую относительную ценность образовательная система начинает приписывать тем формам деятельности, которые труднее полностью передать машине. Очному разговору. Объяснению. Спору. Совместному проекту. Лабораторной работе. Устной защите. Наблюдению за ходом рассуждения. Ошибке и последующей переработке решения. Личной ответственности за интеллектуальный результат. Поэтому возвращение бумажного экзамена или устной беседы нельзя автоматически интерпретировать как технологический регресс. Скорее, это может быть реакцией системы на ситуацию технологического избытка. Когда машина научилась создавать убедительный конечный продукт, образование вынуждено вновь обращать внимание на процесс его возникновения. Когда готовые ответы становятся дешёвыми и доступными, ценностью становится способность формулировать вопросы. Когда алгоритм способен предложить решение, важнее становится способность определить, следует ли этому решению доверять.

Но наиболее опасным ответом на этот вызов было бы простое закрытие цифровой двери. Университет может запретить смартфоны и ноутбуки, вернуть только письменные экзамены, ограничить доступ к генеративным системам, усилить наблюдение и добиться временного восстановления прежней управляемости. Однако такая стратегия не отвечает на главный вопрос: каким должен быть выпускник мира, в котором ИИ уже существует и продолжает стремительно развиваться? Невозможно подготовить человека к профессиональной среде будущего, просто изолируя его от одного из важнейших технологических факторов этой среды. Проблема состоит не в том, чтобы защитить студента от искусственного интеллекта, а в том, чтобы научить его использовать эту технологию профессионально, ответственно и без утраты самостоятельного суждения.

Значительная часть студентов считает владение ИИ важным для будущей профессиональной деятельности. Однако гораздо меньшая доля убеждена, что университет уже достаточно хорошо готовит их к профессиональному использованию таких систем. Это означает, что запретительная модель не может быть полноценным ответом. Образование будущего не может быть полностью «с ИИ» и не может быть полностью «без ИИ». Оно должно строиться вокруг более сложного принципа: использовать ИИ там, где технология действительно расширяет возможности человека, и сознательно ограничивать его там, где самостоятельная интеллектуальная работа является самой целью обучения.

Из этого следует ещё одно фундаментальное последствие. В условиях, когда технологии меняются быстрее традиционных образовательных циклов, невозможно создать одно окончательное правило и считать проблему решённой. Именно поэтому MIT предлагает формировать постоянные механизмы мониторинга развития ИИ, оценки его воздействия на образовательную среду и регулярной корректировки политики. Предлагается создание специализированных структур и ответственных лиц, способных координировать изменения на уровне подразделений, а также предоставление преподавателям поддержки при адаптации учебных курсов и методов оценки. Университету самому приходится учиться.

Это означает переход от образовательной системы, которая главным образом передаёт относительно стабильное содержание, к институту, способному регулярно пересматривать собственные практики. Программа курса больше не может десятилетиями существовать в неизменном виде только потому, что когда-то была признана эффективной. Метод экзамена также перестаёт быть неприкосновенной частью академической традиции. Его необходимо снова проверять: действительно ли он измеряет то, что университет считает важным? Правила академической честности требуют пересмотра, поскольку старые представления об авторстве больше не охватывают всё разнообразие отношений между человеком и машиной. В этом смысле ИИ создаёт для образования не разовую проблему, а постоянное состояние институциональной адаптации.

В конечном счёте искусственный интеллект обнаружил слабое место не столько в системе образования, сколько в её привычных предпосылках. Долгое время можно было относительно спокойно исходить из того, что если студент написал хорошую работу, значит, он чему-то научился. ИИ показал, что между этими утверждениями больше нет автоматической связи. Можно было считать, что экзамен измеряет знания. Теперь необходимо спрашивать, действительно ли конкретная форма экзамена измеряет знания или лишь способность воспроизводить определённые операции в заданных условиях. Можно было исходить из того, что повышение эффективности всегда улучшает образовательный процесс. ИИ показывает, что максимальная скорость получения результата может сопровождаться минимальным количеством собственно обучения. Можно было считать, что цифровизация автоматически делает образование современнее. Теперь становится очевидно, что цифровая среда способна одновременно расширять возможности и разрушать часть социальных механизмов, благодаря которым люди вообще учатся друг у друга.

И, наконец, университет долгое время воспринимался прежде всего как место получения и систематизации знаний. В мире, где информация и готовые интеллектуальные продукты становятся доступными практически мгновенно, этого объяснения уже недостаточно. Университет должен значительно яснее сформулировать собственную незаменимую функцию. Он должен создавать не просто информированного человека и не просто человека, способного пользоваться интеллектуальными инструментами. Его задача заключается в формировании человека, который способен самостоятельно мыслить, проверять, сомневаться, взаимодействовать с другими, принимать решения в условиях неопределённости и отвечать за последствия этих решений.

Именно поэтому парадокс нынешнего момента состоит в том, что искусственный интеллект одновременно толкает образование вперёд и заставляет его заново открыть значение некоторых, казалось бы, старых форм. В аудиторию возвращается бумага. На экзамене снова становится важным непосредственное присутствие преподавателя. Вместо длинного текста, который можно получить за несколько минут, возрастает значение разговора. Вместо единственного конечного продукта появляется портфолио и история его формирования. Вместо простого запрета на технологию возникает необходимость объяснить, какую роль она должна играть. Вместо вопроса «использовал ли студент ИИ?» постепенно выходит на первый план значительно более существенный вопрос: «Что в этой работе действительно сделал человек, какие решения он принял сам и чему он научился в процессе?»

Если высшее образование сможет ответить на этот вопрос, искусственный интеллект станет не причиной разрушения университета, а фактором его глубокой модернизации. Если же система ограничится механическим усилением контроля или, наоборот, начнёт выдавать оценки за результаты, всё большую часть которых производят машины, университет рискует утратить связь между собственными процедурами и собственным предназначением. Ведь образование существует не для того, чтобы удостоверять наличие красивого текста, правильного ответа или технически совершенного проекта. Оно существует для развития способностей человека, который сможет действовать после того, как экзамен закончится и исчезнет возможность следовать заранее подготовленному шаблону.

Поэтому нынешнее возвращение к ручке — вовсе не главное событие. Главное заключается в том, что искусственный интеллект заставляет университет заново доказать, зачем человеку вообще нужен университет. Ответ на этот вопрос уже не может состоять в простом обещании передать студенту определённый объём знаний. Машина всё чаще способна предоставить эти знания мгновенно. Но образование значительно сложнее передачи информации. Оно связано с формированием способности самостоятельно работать с неизвестным, отличать убедительное от истинного, использовать технологию без интеллектуальной зависимости от неё, взаимодействовать с другими людьми и сохранять ответственность там, где часть работы уже выполняет алгоритм.

Экзамен постепенно перестаёт быть просто проверкой памяти или способности создать текст. Контроль перестаёт сводиться к поиску нарушителя. Университет перестаёт быть только поставщиком знаний. Искусственный интеллект заставляет заново пересмотреть все три элемента одновременно: чему учить, как проверять и ради чего вообще существует образование. Чем лучше алгоритмы научатся производить ответы, тем настойчивее университету придётся отвечать на вопрос, который раньше можно было не задавать: «Какие способности должны остаться у человека после того, как машина научилась делать почти всё, что раньше служило доказательством его образованности?»