Почему вузам придётся перестраивать образование под AI

Разрыв между высшим образованием и реальными потребностями рынка труда заметен уже давно (Hansen, 2021; Weissman, 2024; Stephenson & Swift, 2025). Правда, некоторые руководители вузов спорят с самой идеей, что трудоустраиваемость – главная цель или ценность университетского образования. Они предпочитают делать ставку на развитие личности, а не на профессиональную подготовку (Tight, 2023). Падение интереса к университету (Fry et al., 2024; Anderson, 2023) во многом связано с растущими сомнениями в окупаемости традиционных дипломов – особенно с точки зрения карьерных перспектив. 

А развитие ИИ и автоматизации только усугубляет проблему. Как высшее образование может готовить выпускников к рынку, где свободное владение AI так же важно, как и профильные знания? И, что не менее важно, как работодателям придется адаптировать свои ожидания и системы поддержки к этой новой реальности?

Чтобы ответить на эти вопросы, нужно сначала понять, как различаются роли ИИ в университете и на работе.

Роли ИИ: в вузе и в офисе

В университетах использование нейросетей студентами часто не поощряется или строго ограничивается – под флагом академической честности. На некоторых курсах, с разрешения преподавателя, студенты обязаны раскрывать, как именно они применяли ИИ в учебных работах, что порождает новые проблемы с оценкой знаний. А вот работодатели, наоборот, всё чаще ждут активного использования AI, видя в нём рычаг для повышения производительности, снижения затрат и улучшения решений.

Традиционная модель высшего образования долгие годы делала упор на освоение контента: студенты получают знания по дисциплине и демонстрируют компетенции через эссе, экзамены, исследования. Акцент – на развитии экспертизы и интеллектуальной строгости до выхода на работу. Но трудоустраиваемость на практике часто зависит от совсем других вещей: коммуникации, умения работать в команде, прикладного решения проблем, управления проектами. Эти навыки сложно измерить, они редко в приоритете у текущих академических систем оценки и часто не вписываются в границы отдельных дисциплин. В итоге выпускники выходят плохо подготовленными к реальностям офиса.

Доктор Шу-И Сюй, старший специалист по педагогическому дизайну в Колумбийском университете, так описывает отношение к ИИ в академической среде и рекомендованный подход: «Отношение к искусственному интеллекту в высшем образовании варьируется от большого энтузиазма до глубокого скепсиса. Преподавателей беспокоит честность оценивания и то, не подрывает ли reliance на ИИ подлинное обучение и критическое мышление. ИИ должен дополнять, а не заменять живое преподавание. У студентов должна быть ИИ‑грамотность, и они должны знать, как использовать нейросети ответственно, понимая их ограничения».

Раньше этот разрыв могли преодолевать работодатели – через программы адаптации, стажировки, ученичество, обучение на рабочем месте с постепенным усложнением задач. ИИ разрушает этот мост сразу с двух сторон. Во‑первых, нейросети берут на себя значительную часть начальной работы, которая раньше давала молодым сотрудникам возможность нарабатывать практические навыки и уверенность, углубляя при этом экспертизу в своей области. А во‑вторых, новая высшая человеческая ценность в офисах, где правят нейросети, – это когнитивные навыки по управлению ИИ: умение задавать правильные вопросы, оценивать результаты и дорабатывать решения (Bharwaney & Lin, 2025). Но такими навыками высокого уровня могут обладать только сотрудники с глубокими профильными знаниями и профессиональным опытом.

Эта динамика породила два противоречия. Многие компании сокращают найм на начальные позиции, потому что ИИ показал способность эффективно выполнять похожие задачи (Temkin, 2025). И одновременно они изо всех сил пытаются мотивировать и направлять уже работающих сотрудников, чтобы те внедряли AI и применяли свою экспертизу по‑новому (Law, 2025).

Светлая сторона: шанс для высшего образования

Вдохновляющие преподаватели, структурированные учебные программы и формальное оценивание академических достижений – это по‑прежнему сильные активы университетов. Задача в том, чтобы гармонично соединить эти академические преимущества с растущим спросом рынка на навыки работы с ИИ.

Например, и в университете, и на работе нейросети можно использовать для саммари, черновиков и ускорения исследований – с общими ожиданиями по этичному использованию, проверке результатов и критическому суждению. И если высшее образование делает акцент на академической строгости, декларативных знаниях, критическом мышлении и интеллекте, а работодатели ценят скорость, влияние и исполнительность, то навыки быстрого освоения и применения нового знания, а также стремление к оригинальным идеям – это общая зона.

Доктор Ю Кён Чан, клинический профессор и академический директор по информационным системам и технологиям в Школе профессиональных исследований Нью-Йоркского университета, говорит: «ИИ стоит рассматривать в высшем образовании как когнитивный инструмент, чтобы ученики могли сосредоточиться на мышлении более высокого уровня – примерно как калькуляторы помогают в продвинутой математике. Студенты должны сами освоить интеллектуальные задачи до того, как делегировать их нейросети, тренируя критическое мышление, чтобы решать, что именно делать, что поручить и как сотрудничать с этими инструментами».

Учебные программы должны меняться

Потенциал ИИ в университетах – в том, чтобы сделать подготовку студентов по структурированным навыкам (то есть тем, которые следуют правилам и явно преподаются) более эффективной. Речь о запоминании, понимании, применении знаний в академических или профессиональных областях. Имея это в виду, и студенты, и преподаватели могут больше сосредоточиться на неструктурированных навыках – тех, которые возникают спонтанно, требуют адаптации и обычно развиваются через опыт. Примеры: решение проблем, критическое мышление, постановка под сомнение допущений, инновации, адаптивность, генерация идей, интеграция знаний из разных дисциплин, работа с неопределенностью, сотрудничество, лидерство, умение выстраивать самостоятельное исследование.

Чтобы высшее образование оставалось релевантным, учебные программы должны эволюционировать. Вот несколько общих рекомендаций, куда стоит двигаться вузам, чтобы сократить разрыв между университетами и реальным сектором:

Этика и безопасность ИИ: готовить студентов к вопросам справедливости, предвзятости, конфиденциальности и социальным последствиям.

Работа со сложными вопросами: делать упор на открытые задачи, которые смешивают структурированные и неструктурированные навыки, и снижать зависимость от стандартизированных тестов и повторяющихся упражнений.

Критическое мышление: разрабатывать новые способы оценки суждений, креативности и метапознания – это критически важно для контроля результатов работы ИИ.

Синергия человека и ИИ: встраивать ИИ‑грамотность во все дисциплины, помогая студентам находить ниши, где человеческая ценность максимальна.

Связь с индустрией: поддерживать плотные партнёрства и коллаборации с бизнесом, включая открытые инновации и подходы коллективного интеллекта (Bharwaney & Sleeva, 2024).

Обучение через опыт и сообщества практиков – это центральная идея. Стажировки, симуляции и междисциплинарные проекты могут помочь студентам тренировать коллаборацию с ИИ, устойчивость и принятие решений в среде, которая отражает неопределенность и сложность реального офиса.

Вместо заключения: кто задает правила игры с ИИ

Университеты, которые осуждают использование нейросетей студентами, рискуют оказаться в изоляции от реальностей сегодняшнего рынка труда. Там от стажёров и новых сотрудников ожидают – и довольно быстро – что они будут уметь использовать ИИ как для рутинных задач, так и для сложных проектов. Вдумчиво интегрируя ИИ в учебные программы, делая упор и на технические навыки, и на принципы ответственного и этичного использования, высшее образование может изменить свои методы преподавания и оценки. И тогда оно сможет гарантировать, что завтрашняя рабочая сила сохранит свои уникальные человеческие качества: суждение, креативность и ценности в эпоху, всё более определяемую технологиями. Академическая среда находится в уникальной позиции, чтобы технологическое внедрение усиливало человеческое измерение работы, а не размывало его.

Список литературы:

Anderson, J. (2023). How America Started to Fall Out of Love With College Degrees, Time.

Bharwaney, R., & Lin, E. (2025). Mind the Skills Gap: Moving from AI Myths to AI Supervision Skills. Cambridge Journal of Artificial Intelligence.

Bharwaney, R., & Sleeva, S. (2024). Navigating New Frontiers for AI Talent Access: Open Innovation and Collective Intelligence. Chief Talent Officer.

Fry, F., Braga, D., & Parker, K. (2024). Is College Worth It? Pew Research Center.

Hansen, M. (2021). The U.S. Education System Isn't Giving Students What Employers Need. Harvard Business Review.

Law, M. (2025). Kyndryl: 71% of Workforces Unprepared for AI Deployment. Technology Magazine.

Stephenson, D., & Swift, J. (2025). The Bridgeable Divide Between Higher Education and Work. Governing.

Temkin, M. (2025). AI May Already Be Shrinking Entry-Level Jobs in Tech, New Research Suggests. TechCrunch.

Tight, M. (2023). Employability: A Core Role of Higher Education? Research in Post-Compulsory Education, 28(4), 551–571.

Weissman, S. (2024). A 'Great Misalignment' Between Credentials and Jobs. Inside Higher Ed.