Генеративный искусственный интеллект и трансформация образования: анализ экспертного дискурса конференции YaC/e 2026

Введение

С конца 2022 г. разговор об искусственном интеллекте в образовании сменил тональность. Первые реакции вузов сводились к запретам, но уже к 2024-2025 гг. в литературе возобладала установка на регулируемое использование генеративных инструментов [2, с. 6-21]. ЮНЕСКО в своём руководстве идёт дальше и предлагает пересмотреть сами представления о знании, о содержании обучения и о способах его оценивания [10].

Эмпирическая картина при этом неоднородна. В гарвардском рандомизированном исследовании студенты, занимавшиеся с ИИ-тьютором, который был построен по педагогическим принципам, освоили больше материала за меньшее время, чем на занятии в формате активного обучения [6]. Полевой эксперимент в турецких школах дал иной результат: свободный доступ к GPT-4 улучшал выполнение тренировочных заданий, но на экзамене без ИИ школьники справлялись на 17% хуже контрольной группы [8]. К этому добавляются работы о когнитивной разгрузке и критическом мышлении [9; 11, с. 676-688; 12, с. 1-22] и эксперимент MIT, авторы которого заговорили о «когнитивном долге» [15].

Российские данные пока касаются в основном установок. Опрос в Томском государственном университете, в котором участвовали 1597 студентов и 250 преподавателей, показал, что студенты относятся к ИИ-инструментам заметно спокойнее преподавателей, которых больше заботят риски [3, с. 160].

Научные публикации неизбежно отстают от практики. Решения о курсах, экзаменах и нагрузке преподавателей принимаются уже сейчас, и обсуждают их нередко не в журналах, а на профессиональных конференциях. Такие обсуждения редко становятся предметом анализа, хотя по ним хорошо видно, как складывается позиция профессионального сообщества. Мы обратились к материалам седьмой конференции Яндекса об образовании YaC/e, которая прошла онлайн 30 сентября 2026 г. [13]. Задача статьи – описать, какие проблемы участники считают главными и как их позиции соотносятся с имеющимися эмпирическими данными.

Материалы и методы

Материалом послужили записи трёх площадок конференции, опубликованные организатором [14]: главной сцены (около 6 ч), студии и педагогического коворкинга (примерно по 2,5 ч). Четвёртую площадку, «Образовательную лабораторию», проанализировать не удалось: на момент работы её запись не воспроизводилась. Всего рассмотрено 19 выступлений и дискуссий. В программе было заявлено 51 выступающий – от руководителей МФТИ, НИУ ВШЭ, Университета ИТМО и МГУ до школьных учителей, писателей и студентов.

Записи были расшифрованы с помощью средств автоматического распознавания речи, а затем изучены методом тематического анализа в варианте В. Браун и В. Кларк [7, с. 77-101]. Темы не задавались заранее: они складывались по ходу кодирования и несколько раз пересматривались. Приведённые в статье цитаты сверены с аудиозаписью; фрагменты, которые не удалось подтвердить дословно, в текст не вошли. Выступление профессора Университета Цинхуа цитируется по синхронному переводу. Генеративные ИИ-инструменты использовались для расшифровки записей и первичной систематизации материала, интерпретация и выводы принадлежат автору.

У выбранного материала есть очевидные ограничения. Конференцию проводит технологическая компания, которая сама вкладывается в образовательные программы с ИИ, и это не может не влиять на подбор спикеров. Кроме того, со сцены чаще говорят о том, как должно быть, чем о том, как есть. Поэтому речь идёт о реконструкции позиций, а не об оценке практик.

Результаты и обсуждение

Повестку конференции задала директор по образованию Яндекса Д. Козлова. Её формула «75-75-75» описывает положение дел в самой компании: 75% разработчиков постоянно пользуются ИИ, с его помощью создаются 75% изменений и 75% кода [14]. Образование в таких условиях, по её словам, должно готовить не исполнителей, а «архитекторов сложных систем» [14]. За этим стоят и конкретные цифры: на программах Яндекса в вузах сейчас учится более 20 тыс. студентов, а программа по Physical AI в пяти университетах набрала первые 100 человек [4, 5].

Темы, выделенные при анализе, сведены в таблицу. Рассматривать их удобнее не по отдельности, а через три напряжения, вокруг которых шли почти все дискуссии.

Таблица

Темы экспертного обсуждения на YaC/e 2026

Первое напряжение связано с тем, что ответ стал дешёвым. Х. Ван из Университета Цинхуа описал это так: ИИ «может дать ответы за секунду всем студентам», остаётся только проверить их, «но на самом деле они так не делают» [14]. Его вывод о том, что знания «никогда не могут быть получены пассивно», звучит как общее место педагогики, но сейчас приобретает практический смысл: если ответ ничего не стоит, учить приходится тому, что к ответу ведёт. Похоже рассуждали люди из совсем разных областей. Писатель Р. Джафаров считает, что «вопрос в творчестве всегда важнее, чем ответ», а тренер сборной России на Международной математической олимпиаде К. Сухов – что машине «очень сложно объяснить, что такое красивая задача» [14].

Из этого, однако, не следует, что фундаментальные знания можно отложить. Скорее наоборот. Робототехники напоминали, что в физическом мире «концепция масштабирования… перестаёт работать» (С. Колюбин, Университет ИТМО) [14], и инженеру нужно понимать физику процесса, а не только уметь обучать модели. Е. Самосват сравнил разработчика с пилотом, который большую часть полёта «особо не управляет самолётом», но берёт управление на себя, «когда самолёт начинает падать», – и тогда «нет момента открыть учебник» [14]. На наш взгляд, это самый точный из прозвучавших аргументов в пользу фундаментальной подготовки: она нужна не для повседневной работы, а для нештатной ситуации, которую нельзя делегировать.

Второе напряжение возникает между тем, что студент показывает с ИИ, и тем, что он в итоге знает. И. Реморенко (МФТИ) оценил долю алармистских публикаций, которые «топят за цифровую аскезу» и пишут о «когнитивной лени», примерно в 30% [14]. В той же дискуссии звучала и более спокойная мысль: ИИ можно рассматривать как партнёра, который расширяет зону ближайшего развития учащегося в смысле Л. С. Выготского [1]. Конкретные данные, приведённые на других площадках, удерживают от оптимизма. А. Толстухин (МГУ) говорил об исследованиях, в которых при работе с ИИ результаты учеников «резко повышаются», а при последующей проверке знаний «результат не изменяется» [14]. Названная им величина прироста, 127%, совпадает с показателем ИИ-тьютора с педагогическими ограничениями в работе Х. Бастани и соавторов; там же школьники со свободным доступом к модели написали экзамен на 17% хуже [8].

Ещё показательнее данные Е. Терентьева (Институт образования НИУ ВШЭ). По его словам, за годы учёбы в вузе «довольно сильно сокращается доля тех, кто демонстрирует… трансформационные установки», а студенты-прагматики вкладывают усилия в то, что считают важным для рынка труда, и готовы «легко замещать» искусственным интеллектом остальное, прежде всего надпрофессиональные навыки [14]. Если это так, когнитивная разгрузка избирательна: студент перекладывает на машину не всё подряд, а то, что сам считает неважным. Тогда спор о том, «глупеют» ли студенты от ИИ, поставлен неточно. Вопрос в другом – что именно они перестают делать сами и кто решает, важно ли это.

Отсюда интерес к оцениванию. А. Толстиков рассказал, что в Школе анализа данных курсы теперь делятся на три вида: в одних ИИ не используется вовсе (фундаментальная математика), в других помогает студенту, а проектные курсы без делегирования части работы машине пройти невозможно [14]. Цель последних – научить студента «различать свой шаг деятельностный: где я делал полностью сам, где меня ИИ усилил, а где я передал полностью действие» [14]. На панели педагогического коворкинга обсуждались «промпт-логи» – история общения с ИИ, которую студент сдаёт вместе с работой и комментирует [14]. Идея привлекательная, но у неё есть слабое место, о котором на конференции не говорили: лог тоже можно сгенерировать или отредактировать, так что он показывает скорее готовность студента к рефлексии, чем его реальный вклад.

Автоматическая проверка – другая сторона того же вопроса. Команда системы ThetaGrader, которая проверяет домашние задания в МФТИ и ШАД, сообщила, что оценки системы совпадают с ручной проверкой примерно в 89% случаев, и подчеркнула, что без «чётко составленных критериев» такая проверка невозможна [14]. Для тренировочных заданий это хороший результат. Для итоговой аттестации расхождение примерно в каждой девятой работе уже существенно, и, видимо, поэтому разработчики говорят не о замене преподавателя, а о том, чтобы «вернуть преподавателю время на те задачи, где действительно нужна экспертиза» [14].

Третье напряжение касается того, за кем остаётся решение. Разработчика на конференции называли «руководителем армии агентов» (Е. Самосват) и человеком, «который больше думает, чем делает» (А. Толстухин) [14]. А. Паволоцкий (Яндекс Лицей) возразил против лёгкого вывода: работа «легче не становится», потому что на специалиста ложатся новые обязанности [14]. В докладе о мультиагентной системе сопровождения студентов Н. Разживина сформулировала принцип, под которым, вероятно, подписались бы многие: агент «может подсветить» риск отчисления, но решение о вмешательстве «всегда остаётся» за куратором, а «главное правило – не навреди» [14]. По сути, это то же требование сохранять человеческую субъектность, что записано в руководстве ЮНЕСКО [10].

Психолог А. Асмолов перевёл вопрос в другую плоскость. Напомнив слова В. Франкла – «тот, кто знает зачем, всегда выдержит любое как», – он предупредил, что университеты исчезнут, если будут видеть в человеке «скиллбокс», набор навыков и компетенций [14]. Студенты отвечали на это по-своему. Н. Ильтяков (НИУ ВШЭ) назвал ИИ «мультипликатором» и сказал, что в важных решениях для него главное – насколько путь «с моими ценностями сопоставим», и эту часть он ИИ «точно не отдаёт» [14]. Модератор студенческой панели А. Левушкина (МФТИ) подвела итог обсуждения фразой «искусственный интеллект сильных делает сильнее» [14].

На конференции эту фразу произносили с одобрением, но её можно прочитать и как предупреждение. Множитель усиливает то, что уже есть. Если сильные студенты становятся сильнее, а слабые получают инструмент, позволяющий не напрягаться, разрыв между ними будет расти. Данные о том, что когнитивная разгрузка сильнее выражена у молодых и менее подготовленных пользователей [9], говорят скорее в пользу такого прочтения.

Часть ответа участники видели в учебной среде. А. Толстиков заметил, что «по-настоящему хороший шаг» в ситуации неопределённости «делают коллективы» [14]. К. Мареева, модерировавшая панель о студенческих сообществах, сказала ещё резче: «сообщество – это не рюши на платье, это часть архитектуры образовательной программы» [14]. Г. Ведерников (Яндекс Лицей) объяснил механизм совсем просто: учиться неприятно, «но когда всем вокруг неприятно, то тебе чуточку приятнее» [14]. Аргумент звучит по-бытовому, но попадает в точку: мотивацию к самостоятельному усилию ИИ-инструмент сам по себе не создаёт, а группа сверстников создать может.

Если сравнить сказанное на конференции с научной литературой, бросаются в глаза два обстоятельства. Эксперты в целом опираются на те же данные, что и исследователи, и приходят к сходному выводу: результат зависит не от того, есть ли в классе ИИ, а от того, как устроено задание [6, 8]. Но тон обсуждения заметно оптимистичнее, чем у преподавателей в массовых опросах [3, с. 160-193]. Ректор Университета ИТМО В. Васильев даже признался, что его обрадовала доля преподавателей «в панике» – больше 60%, потому что в панике «ты начинаешь думать, а что делать» [14]. Такой оптимизм отчасти объясняется составом участников: на сцене были люди из ведущих вузов и компаний, которые уже перестраивают свои программы. Насколько их опыт применим в обычном региональном вузе, по материалам конференции судить нельзя.

Заключение

Материалы YaC/e 2026 показывают, что профессиональное сообщество уже прошло этап споров о запретах. Обсуждается другое: чему учить, когда ответ ничего не стоит, как проверить, что студент действительно чему-то научился, и где проходит граница между работой человека и работой машины. Самые содержательные предложения касались именно этой границы: разделение курсов по допуску ИИ в ШАД, промпт-логи, автоматическая проверка с явными критериями, при которой решение остаётся за преподавателем.

Менее заметной на конференции, но, на наш взгляд, важной оказалась проблема неравенства: формула «ИИ сильных делает сильнее» описывает не только возможность, но и риск. Как предложенные практики работают за пределами нескольких ведущих вузов и сокращают ли они этот разрыв, предстоит выяснить в эмпирических исследованиях.