Студенты пишут работы с помощью нейросетей. Преподаватели все чаще не понимают, что именно они оценивают. А рынок труда начинает отказываться от выполнения людьми части типовых задач, которым университет учил десятилетиями. Это значит, что проблема ИИ в образовании — не просто в списывании. Она гораздо глубже.
О том, почему запреты не спасут, зачем преподавателю нужен искусственный интеллект и каким будет будущее университетов в эпоху нейросетей, поговорили с директором Центра технологического и исследовательского сопровождения ИДО Артемом Фещенко.
Беседовала: Валентина Анкудинова, преподаватель факультета журналистики ТГУ
Два подводных хищника
— Не секрет, что сегодня студенты все чаще пишут работы с их использованием, преподаватели не всегда понимают, как это проверять. Я сама с этим столкнулась: не понимаю, кому выставляю оценку — студенту или ChatGPT.
— На самом деле это только верхушка айсберга. Когда мы пытаемся понять, что делать с нейросетями внутри университета, мы часто обсуждаем самый заметный симптом, а не саму причину.
Под водой, если продолжать эту метафору, скрываются как минимум два серьезных хищника. Первый — это отсутствие у студента понимания, зачем ему нужно прилагать интеллектуальное усилие. Университет дает задания, упражнения, тексты, проекты, предполагая, что они развивают мышление, профессиональные навыки, дисциплину ума. Но ценность этого когнитивного усилия студент часто не видит.
По-хорошему преподаватель должен не просто читать курс, а все время отвечать на вопрос: зачем тебе это? Где это пригодится? Почему стоит тратить на это силы? Но давайте честно: мы делаем это редко. Иногда в начале курса, иногда формально, иногда не делаем вовсе. А этого недостаточно. Если студент не видит смысла в интеллектуальной работе, он будет искать способ сэкономить силы. ИИ в этом смысле просто оказался идеальным инструментом.
И пока мы не разберемся с этой глубинной проблемой, никакие разговоры о том, как «не допустить списывания из GPT», не дадут результата.
Второй большой вызов заключается в том, что рынок труда начинает обесценивать навыки решения типовых задач. А именно на них во многом и строилось университетское обучение.
Что такое типовая задача? Это действие, которое специалист выполняет регулярно, по понятному алгоритму, с понятным результатом. И проблема в том, что большие языковые модели уже умеют решать огромное количество таких задач — без специального обучения под конкретную компанию. Они делают это быстрее, а часто и качественнее, чем выпускник, который только выходит на рынок труда.
Масштаб проблемы отлично иллюстрирует тепловая карта уязвимости профессий (построена на основе данных Росстата и проекта JoshKale/jobs). На ней видно, что миллионы рабочих мест в России — от бухгалтеров до младших IT-специалистов — окрашены в красный цвет. Это значит, что львиную долю их работы уже сегодня могут выполнять алгоритмы, вымывая те самые стартовые позиции для вчерашних студентов.
Компании ведь считают деньги и понимают: некоторые процессы дешевле и быстрее решаются с помощью нейросетей. И если университет продолжит готовить человека только к решению типовых задач, то он начнет выпускать специалистов в реальность, где таких стартовых позиций становится все меньше.
— Но ведь без базы нельзя. Невозможно сразу перейти к сложным задачам, если не научился простым.
— Именно так. От базы нельзя отказаться. Нельзя сказать: раз нейросеть умеет решать типовую задачу, значит, студенту больше не нужно этому учиться. Нужно. Иначе он потом не сможет ни оценить результат, ни увидеть ошибку, ни стать специалистом более высокого уровня.
Но проблема сейчас в другом: база часто не присваивается. Студент перепрыгивает ее с помощью ИИ. Возникает когнитивный долг. Человек не научился решать задачу сам, но формально прошел дальше. И если потом он еще и на работе будет решать эту же задачу только через нейросеть, этот долг начнет расти.
Концепция «когнитивного долга» сейчас находится в центре внимания нейробиологов. Согласно свежему обзору зарубежных исследований за 2024–2025 годы, постоянное делегирование задач нейросетям ведет к физическому снижению мозговой активности и ухудшению памяти — процессу, который ученые называют «когнитивной разгрузкой». Мозг не деградирует безвозвратно, но привыкает к бездействию, если студент использует ИИ не для расширения своих знаний, а лишь для уклонения от умственных усилий.
Раньше была естественная траектория: университет выпускает молодого специалиста, он приходит на позицию джуниора, постепенно доучивается, становится сильнее, движется вверх. Сейчас зарубежные исследователи все чаще говорят о вымывании этой середины — слоя рабочих мест, на которых человек раньше набирал опыт. И это серьезнейший вызов.
Если университет ничего не предпримет, он может потерять свою общественную миссию. Потому что он окажется институтом, который готовит людей к интеллектуальному труду, уже частично выполняемому машинами.
Каким будет университет будущего
— Тогда что делать? Как вообще должна меняться модель образования?
— Похоже, нам придется искать компромисс. Мы не можем оставить все как есть, но и не можем просто выкинуть из обучения всю базу. Скорее всего, часть типовых задач должна остаться, но место и логика их освоения изменятся.
Я, например, думаю, что первый курс университета будущего — это очень жесткая модель, в которой искусственный интеллект запрещен как инструмент выполнения учебных задач. Почему? Потому что сначала нужно сформировать способность к автономному мышлению. Если этого не сделать в начале, дальше все рассыпается.
Но здесь есть важная развилка: если для студента на этом этапе ИИ запрещен, то для преподавателя он, наоборот, должен быть обязателен. Потому что один преподаватель физически не может качественно работать с каждым студентом в группе. Он не может на каждой паре увидеть прогресс всех, проанализировать вклад каждого в обсуждение, скорректировать траекторию, дать адресную обратную связь.
А ИИ как раз может помочь с этой аналитикой. Особенно мультимодальные модели, которые умеют работать не только с текстом, но и со звуком, видео, следами групповой работы. Это уже не про автоматическую проверку ради галочки, а про поддержку преподавателя в живом, сложном, адаптивном обучении.
— Когда тогда студенту уже нужно разрешать ИИ?
— На старших курсах, когда у нас есть уверенность, что у него сформировалась способность мыслить самостоятельно. Тогда ИИ становится не костылем, а инструментом более высокого уровня.
Но и здесь важно не просто научить пользоваться нейросетью. Важно научить видеть, где ИИ может заместить типовую операцию, где он может дополнить человеческое решение, а где задача вообще не решается без человека.
Мы внутри нашего сообщества “ИИ-образованцев” обсуждаем это как три зоны. Первая — зона замещения: типовые задачи, которые можно делегировать машине, но при этом нужно уметь проверять результат. Вторая — зона дополнения: ИИ подсказывает, ускоряет, предлагает неожиданные ходы, особенно в междисциплинарных вещах, но последняя миля все равно человеческая. И третья — зона усиления, где возникает гибридный интеллект: задачу можно решить только вместе, потому что ни у человека, ни у ИИ по отдельности нужного качества нет.
Университету будущего придется учить именно этому переходу: не просто решать задачи, а понимать, какие задачи кому делегировать и как подниматься над типовым уровнем к реальным, сложным проблемам.
Реальные задачи всегда сильнее имитации
— А что вы называете реальными задачами?
— Это задачи с живым контекстом: с настоящим заказчиком, с ограничениями, с культурной, социальной, организационной средой. Их нельзя до конца описать в виде алгоритма. Поэтому ИИ не может просто взять и решить их «из коробки».
Именно такие задачи мы считаем главным ресурсом новой образовательной модели. Потому что в них бессмысленно имитировать. Когда студент работает не над абстрактным упражнением, а над проблемой, у которой есть реальный хозяин, включается субъектность, появляется ответственность. И вместе с ней меняется отношение к знаниям, к усилию, к собственному результату.
Поэтому для нас новая модель образования — это не про то, как удобнее встроить ИИ в старую схему. Это про переход к деятельностному обучению, где знания не просто передаются, а осваиваются в работе над настоящими задачами.
— Получается, что ИДО здесь берет на себя гораздо более широкую роль, чем просто внедрение цифровых инструментов?
— Именно. Нам кажется, что в университете сегодня есть свободная ниша — держатель темы цифровой дидактики в условиях применения ИИ. Это не просто служба поддержки или подразделение, которое помогает настроить платформу, а центр, отвечающий за методику, за исследования, за накопление доказательной базы, за сопровождение изменений.
Потому что вопрос сейчас уже не в том, как преподавателю сэкономить время на старой модели. Вопрос в том, как вообще учить человека в эпоху, когда искусственный интеллект становится такой же данностью, как электричество.
И в этом смысле ИДО может быть и центром исследований, и методическим штабом университета, и площадкой, где можно безопасно экспериментировать, собирать обратную связь, проверять гипотезы, проектировать новые форматы.
ИИ-оценщик, конструктор заданий и лектор
— Но ведь у ИДО уже есть вполне прикладные решения. Например, ИИ-оценщик.
— Да, это была одна из первых разработок. Изначально она родилась из очень простой практической боли: мы запустили свою программу на цифровой кафедре, где студентов оказалось не 30 и не 50, как мы думали, а 300. Проверять их работы вручную каждую неделю стало просто невозможно.
Сначала идея была в том, чтобы автоматизировать оценивание. Но очень быстро стало понятно, что с точки зрения этики ИИ не должен выставлять человеку итоговую оценку за интеллектуальную работу. И тогда мы развернули этот инструмент в сторону формирующего оценивания.
Сейчас задача ИИ-оценщика — не ставить балл, а давать качественную обратную связь. Подсвечивать сильные и слабые стороны, объяснять, где ошибка, куда двигаться дальше. По сути, это попытка встроить в высшую школу то, чего ей давно не хватало: регулярное, подробное, персонализированное формирующее оценивание.
Записаться на программу «Оптимизация обратной связи в текущих заданиях с помощью нейросетей»
Раньше это почти не обсуждалось, потому что было экономически нереализуемо. У преподавателя просто нет на это времени. А с ИИ это становится возможным.
— Еще один ваш инструмент, над которым ведется работа в ИДО ТГУ — конструктор заданий, устойчивых к ИИ. Как он работает?
— Мы пошли от понятного запроса: преподаватели видят, что старые задания больше не работают. Их слишком легко выполнить с помощью нейросети. Но далеко не всегда сразу возникает понимание, как их можно переработать.
Поэтому мы сделали веб-сервис, где преподавателю достаточно ввести свое задание, а система предлагает несколько вариантов, как его усилить: изменить формулировку, формат выполнения, способ предъявления результата, чтобы студенту было сложнее обойтись без собственного вклада.
Пока это прототип, версия 1.0. Но уже сейчас видно, что такой инструмент нужен.
— А что дальше?
— Один из самых интересных шагов — это персонализация не только обратной связи, но и самой теории. Мы называем это ИИ-лектором.
Слабое место университета всегда было одним и тем же: очень трудно сделать так, чтобы студент действительно включился в теоретический материал, увидел его связь со своей жизнью, будущей профессией, своими интересами. Преподаватель физически не может для каждого студента каждую неделю заново актуализировать материал.
А ИИ может. Если мы понимаем, кто перед нами, на каком факультете учится студент, кем хочет работать, чем интересуется, в каком контексте изучает тему, то мы можем адаптировать объяснение без потери содержания. Не упростить, а сделать осмысленнее именно для него.
И это очень важная вещь. Потому что один из корней проблемы в образовании сегодня — разрыв между академическим знанием и ощущением его пользы. ИИ может помочь этот разрыв сократить.
Новая программа для преподавателей: не про промпты, а реинжиниринг дисциплины
— Но пока все-таки кажется, что университеты в основном видят в ИИ угрозу.
— Да, это так. Угроза видна лучше. А возможности требуют опыта, наблюдения, доказательств.
У нас недавно закончилась программа повышения квалификации для исследователей. На нее пришло около 270 человек — для университетской программы это очень много. И хотя она состояла всего из нескольких мастер-классов, эффект оказался очень показательным. Многие участники написали, что их представление об ИИ поменялось.
До этого они воспринимали его как продвинутый поиск или текстовый калькулятор. После — как инструмент мышления. Как систему, которая может помогать анализировать статьи, формулировать гипотезы, проверять дизайн исследования, подбирать методы, делать стресс-тест заявки на грант.
То есть проблема не в том, что возможности отсутствуют. Проблема в том, что академическая культура очень медленно перестраивается.
— Значит, главная задача сейчас — обучить преподавателей ИИ?
— Не только. Дело не столько в грамотности, сколько в культуре работы с ИИ. Потому что знать инструменты — мало. Важно, чтобы в университете возникла привычка обсуждать опыт, делиться экспериментами, публично говорить не только об успехах, но и об ограничениях.
Мы в ИДО давно поняли, что одних программ повышения квалификации здесь недостаточно. Поэтому стараемся делать их не просто курсами, а лабораториями. Собирать обратную связь, смотреть, как работают разные модели в разных дисциплинах, сравнивать российские и зарубежные решения, анализировать, что происходит на практике.
Например, в одной из ранних программ для преподавателей мы специально ввели в итоговую работу формат публичного выступления на кафедре: человек должен был не просто научиться чему-то сам, а рассказать коллегам, что у него получилось и что не получилось в работе с ИИ. Потому что культура меняется только тогда, когда новый опыт начинает обсуждаться в профессиональном сообществе.
— Как тогда будет устроена новая программа для преподавателей?
— Мы хотим уйти от формата «сейчас мы научим вас правильно писать запросы в ChatGPT». Это слишком мало для масштаба задачи.
Новая программа должна помочь преподавателю сделать следующий шаг: понять, как перестроить свою дисциплину так, чтобы она работала в новой образовательной логике. Не просто быстрее, не просто удобнее, а содержательно иначе.
Для нас это тоже вызов. Раньше программы были в основном мастерскими: каждый решал свою практическую задачу, часто дистанционно, в экономном формате. Сейчас речь идет о проектной работе, о совместном поиске решений, о необходимости обсуждать сложные контексты. Не все это можно сделать онлайн. Возможно, придется искать смешанный формат. Но ясно одно: без живого взаимодействия, без совместного проектирования здесь не обойтись.
— Получается, на самом деле речь идет уже не об отдельных инструментах, а о переходной модели университета?
— Именно. Нам больше недостаточно просто прикрутить ИИ к старым процессам. Да, это нужно: оценщики, конструкторы заданий, персонализация, аналитика — все это важно. Но если ограничиться только этим, мы просто быстрее и аккуратнее будем воспроизводить старую образовательную модель.
А вызов гораздо больше. Нужно понять, как университету перейти к модели, где студент не накапливает когнитивный долг, где преподаватель работает не в логике фронтальной передачи знаний, а в логике сопровождения сложного обучения, где ИИ не разрушает процесс, а помогает поднять его на другой уровень.
Именно этим мы в ИДО сейчас и занимаемся. Не потому, что у нас уже есть все ответы. Наоборот — потому что вопросов стало слишком много, чтобы продолжать делать вид, что ничего не происходит.