Почему число ИИ-инициатив не показывает готовность университета

На сайте одного университета можно найти портал об искусственном интеллекте, рекомендации для студентов, десятки курсов, лаборатории, хакатоны и форму запроса доступа к языковой модели. На сайте другого всё это может быть разбросано по факультетам и почти не находиться через общий поиск. Если просто пересчитать страницы, первый вуз будет выглядеть активнее. Но из этого ещё не следует, что он лучше умеет менять преподавание и исследования.

Именно эту границу показывает сканирование 15 канадских исследовательских университетов. Nadia Delanoy, Guy Levesque и Barbara Cernosa сообщили о 953 публично описанных ИИ-инициативах. Однако исследователи изучали не фактическую работу университетов, а то, что удалось обнаружить на их сайтах, порталах, в каталогах программ и официальных документах. Это карта публичной видимости, а не рейтинг готовности.

Что именно считали

Для каждой найденной инициативы авторы фиксировали название, URL, описание, предполагаемую аудиторию и стадию развития. Затем применяли 11 бинарных категорий: поддержка преподавания, грамотность студентов в области ИИ, образовательные программы, предпринимательство, внешние партнёрства, лаборатории и инфраструктура, мероприятия, финансирование, студенческие группы, централизованная координация и управление.

Одна запись могла получить несколько тематических меток. Исследователи также описывали модели управления, коммуникацию, исследовательские ресурсы и внешние связи университетов. Их задача состояла в том, чтобы сравнить способы интеграции ИИ, а не определить лучший вуз.

Единица счёта здесь особенно важна. Крупный центр или лаборатория могли попасть в набор как одна инициатива, хотя за ними стоят оборудование, финансирование, сотрудники и партнёрства. Семинар, рекомендация по использованию ИИ и большой образовательный проект тоже могли считаться отдельными записями. Поэтому одинаковое число инициатив не означает одинаковый объём работы.

В отчёте есть и арифметическое расхождение, которое нельзя уверенно истолковать по доступному тексту: он говорит о 953 уникальных инициативах, но сумма в таблице по университетам составляет 1222. В документе также сказано, что инициативам могли присваиваться несколько меток, однако это само по себе не объясняет, как именно связаны 953 и 1222. Отчёт не даёт достаточного пояснения, поэтому сравнивать университеты по этим итогам нужно осторожно.

Почему счётчик не равен готовности

Публичный список отвечает на вопрос: что университет разместил и что удалось найти? Готовность к изменению требует другого набора сведений. Нужно знать, считают ли участники внедрение необходимым, понимают ли они, какие действия предстоят, располагают ли временем и ресурсами, могут ли согласовать работу между факультетами и поддерживать практику после запуска.

Авторы отчёта прямо называют сканирование показателем публично задокументированной активности и видимости коммуникации, а не полного масштаба, вложений или эффекта ИИ в университете. Они также предупреждают, что наличие или отсутствие записи нельзя считать прямым показателем институциональной способности, уровня инвестиций или стратегического приоритета.

Разница между видимостью и реальной деятельностью может возникать по простой причине. Университет с отдельным ИИ-порталом и активной пресс-службой будет легче обнаружить. В другом вузе сопоставимая работа может находиться на страницах факультетов, библиотек или центров преподавания. Отсутствие записи не доказывает отсутствие практики, а множество страниц не доказывает её качество.

Для описания этой разницы полезна теория организационной готовности к изменениям Bryan J. Weiner. Это рецензированная теоретическая статья 2009 года в журнале Implementation Science, но она не изучала канадские университеты и не проверяла внедрение ИИ в образовании. Поэтому её следует использовать как понятийную рамку, а не как прямое доказательство пользы обучения преподавателей.

«Предпочтительнее рассматривать организационные структуры и имеющиеся ресурсы как способность внедрить изменение, а не как готовность к нему».

Bryan J. Weiner, A theory of organizational readiness for change, 2009

В модели Weiner готовность связана с двумя коллективными оценками: участники должны разделять решимость проводить изменение и верить, что способны сделать это совместно. Ресурсы, структура и время влияют на такую уверенность, но сами по себе не тождественны готовности.

Почему в центре оказываются преподаватели

Преподаватель связывает технологию с конкретной учебной задачей. Он решает, где ИИ может поддержать понимание материала, а где подменит работу, ради которой задано упражнение. Отсюда следуют вопросы об оценивании, допустимом использовании системы, проверке её ответов и о том, чему студент должен научиться без делегирования задачи модели.

В авторском материале Nadia Delanoy и Guy Levesque для The Conversation говорится, что из 953 найденных инициатив 91, около 9%, были явно ориентированы на преподавателей. В кратком отчёте той же команды указано другое число: 118 инициатив, примерно 12% от 953. Расхождение не позволяет считать точную долю установленной. Общий вывод авторов о сравнительно небольшой представленности преподавательской поддержки при этом сохраняется как их интерпретация результатов.

Авторы описывают риск инструментального подхода: университет предоставляет доступ к платформе, публикует правила и предполагает, что адаптация произойдёт сама. Но лицензия меняет технические возможности, а не учебный дизайн. Преподавателю всё равно нужно решить, как переписать задание, какие критерии оценки использовать и как обсуждать с группой ограничения ИИ.

«Институциональная реакция легко становится ориентированной на инструмент: предоставить доступ к платформе ИИ, опубликовать рекомендации и предположить, что адаптация последует».

Delanoy N., Levesque G., The Conversation, 2026

Отсюда авторы делают более узкий и осторожный вывод: университетам, возможно, следует столь же целенаправленно инвестировать в человеческую способность работать с ИИ, как и в саму технологию. Это не означает, что вычислительные мощности, специализированные модели или защита данных не нужны. Скорее, покупка инструмента и подготовка людей должны рассматриваться как связанные части одного изменения.

Подготовка не отменяет инфраструктуру

Доступ к модели может быть необходим лаборатории, медицинской программе или инженерному курсу. Без вычислительных ресурсов, защищённых данных и технической поддержки некоторые педагогические решения останутся невыполнимыми. Поэтому имеющиеся источники не позволяют утверждать, что обучение преподавателей всегда важнее закупки инструментов.

Но обратная связь работает так же: новый инструмент не определяет сам, какой эксперимент проводить или как трактовать результат. Он расширяет набор возможных действий, а смысл этим действиям придают участники. В университете это означает связь между технологией, целями дисциплины, заданиями, оцениванием и правилами работы с данными.

Практическая проверка готовности поэтому должна выходить за пределы счётчика. Полезно выяснить, есть ли у преподавателей время и консультационная поддержка для переработки курсов, связаны ли рекомендации по ИИ с целями дисциплин, проверяет ли университет качество новых практик и понятно ли, кто отвечает за конфиденциальность, академическую добросовестность и последствия ошибок. Как и при разборе методологии исследования, сначала нужно установить единицу анализа, правила подсчёта и границы вывода.

Университет не действует в одиночку

Сканирование показывает несколько моделей. Одни университеты делают упор на исследования и внешние партнёрства, другие развивают предпринимательство, третьи усиливают централизованное управление. Где-то инициативы распределены между факультетами, а где-то заметнее поддержка обучения и грамотности в области ИИ.

Часть ресурсов находится за пределами самого университета. Канадские институты Amii, Mila и Vector соединяют университеты с исследователями, государственными структурами и индустрией. Такие связи могут давать доступ к компетенциям, вычислительной инфраструктуре, исследовательским сетям и финансированию, которые не видны в подсчёте страниц одного вуза.

Это ещё одна причина не превращать количество инициатив в линейную шкалу: больше записей не обязательно означает больше возможностей, а меньше записей не обязательно означает слабую позицию. Внешняя исследовательская среда, модель управления и распределение ответственности могут быть важнее самого размера публичного списка.

Насколько убедительны выводы

Сильная сторона работы заключается в прозрачном описании объекта: авторы называют 15 университетов, категории кодирования и типы просмотренных источников. Полный краткий отчёт доступен в репозитории Университета Калгари. Он позволяет увидеть, что именно исследователи считали инициативой и какие ограничения признавали.

Но это предварительное сканирование, а не рецензированное исследование влияния ИИ на обучение. Отчёт и материал The Conversation не прошли научное рецензирование. Работа не измеряет фактическое использование инструментов, расходы, качество преподавания или результаты студентов. Выборка ограничена 15 исследовательскими университетами канадской группы U15, поэтому выводы нельзя автоматически переносить на все вузы Канады или другие страны.

Есть и несогласованность дат. В описании репозиторной записи сбор данных отнесён к марту-июню 2025 года. В других частях отчёта говорится о периоде до июня или июля 2026 года, а The Conversation указывает март-июнь 2026 года. Точно так же расходятся числа преподавательских инициатив: 91 в авторском материале и 118 в отчёте.

Поэтому наиболее надёжная формулировка такова: исследование описывает различия в публично видимых моделях интеграции ИИ и показывает, что поддержка преподавателей занимает небольшую долю обнаруженной активности. Оно не доказывает, что один университет лучше другого, что подготовка преподавателей всегда важнее инфраструктуры или что такая поддержка уже улучшила результаты обучения.

Для университета полезнее спросить не «сколько инициатив мы запустили», а «как они соединены с учебными задачами и кто отвечает за их проверку». Счётчик может показать направление поиска. Готовность становится видна только тогда, когда за ним обнаруживаются согласованные решения, время на их выполнение, поддержка преподавателей и данные о том, что изменилось в обучении.

Источники

1. Delanoy N., Levesque G., Cernosa B. AI Innovation Mapping: U15 Environmental Scan. Artificial Intelligence in Teaching, Learning, and Entrepreneurship. University of Calgary, 2026. Краткий отчёт, не прошедший рецензирование. Полный текст PDF; запись в репозитории ScholarIS.
2. Delanoy N., Levesque G. Universities are making different choices about AI. How will they fit with their public missions? The Conversation, 12 октября 2026 года. Авторский аналитический материал, исследование не прошло рецензирование. Полный текст.
3. Weiner B. J. A theory of organizational readiness for change. Implementation Science. 2009;4:67. Рецензированная теоретическая статья в открытом доступе. DOI: 10.1186/1748-5908-4-67.

Фото: Yan Krukau / Pexels