В августе MIT выпустил отчёт о том, как ИИ влияет на учёбу. Пять месяцев над ним работали студенты, преподаватели со всех факультетов и сотрудники библиотеки. Прочитал его в формате расширенного саммари, хочу поделиться с вами. Там много полезного и для предпринимателей.
Что они нашли
ИИ уже решает почти любое домашнее задание: эссе, задачи по математике, код (как будто такое мы слышим каждый квартал, при выходе новой модели 
). Студенты реже ходят к преподавателям за помощью и меньше занимаются вместе. Программы, которые якобы ловят текст от ИИ, ошибаются, и из-за них преподаватели и студенты перестают доверять друг другу.
Ещё они заметили, что многие сдаются нейронке при первой же сложности. Получил правильный ответ и думаешь, что разобрался. А на деле ничего не понял.
Факт ☝️ У меня такое случается если информации я получаю так много, что некоторые моменты приходится молча принимать - не погрузившись детально. Я стараюсь с этим работать и дозировать информацию.
Больше двух третей студентов уверены, что ИИ пригодится им в работе. При этом только 25% считают, что университет их к этому готовит.
Причём тут бизнес?
В MIT почти все студенты (93%) подрабатывают ассистентами в лабораториях у профессоров: ищут статьи, обрабатывают данные, помогают с опытами. И некоторые профессора признались, что задумываются поручить эту работу ИИ-агентам и студентов не брать. Нейронка быстрее и денег на исследования тратит меньше.
Авторы отчёта против. Их довод: в лаборатории учат будущих учёных. Если стажёров не брать, через несколько лет работать будет некому.
Поменяйте профессора на владельца бизнеса, а студента на новичка в команде. Получится тот же выбор, который сейчас стоит у многих предпринимателей.
Я проходил через это когда уволил ассистента, с которым проработал почти два года, а мелкие задачи отдал ИИ-агенту. Он собрал базу партнёров в Турции, нашёл почты, написал письма и сам всё разослал. Я этому искренне радовался как ребёнок. Тогда это работало очень топорно, сейчас в разы лучше.
Но рассылку проверить легко. Со сложными задачами всё иначе. Потом я несколько месяцев строил контроль звонков наших продавцов через ИИ. Нейронка регулярно ошибалась в оценках, и косяки приходилось ловить по одному. Поймать их может только тот, кто понимает, как устроены продажи. А такое понимание появляется, когда сам годами делаешь эту работу.
С кодом то же самое. Когда я собирал единую систему для турецкой компании (ERP), код почти весь писал Claude Code. Но что и как должно работать, решал я, опираясь на восемь лет в такси. Тут показательно то, как разрабочтик был исключен из части разработки ПО.
В чём я не согласен с отчетом
Что предлагает MIT: создать постоянный комитет, назначить ответственных за ИИ на каждом факультете, нанять команду помощников и открыть фонд. Большая организация решает быструю проблему медленными методами. Думаю, и в универах, и в бизнесе так не получится, пока соберёшь комитет, конкуренты уже всё перестроят. У ВУЗов тоже если, что есть конкуренты). Похожая история с LLM, пока Anthropic думает о безопасности своих продуктов и замедляет выпуск новых моделей, OpenAI выпускает мощную версию и Anthropic приходится оперативно отвечать. По всей видимости тут и ломается идея притормозить гонку ИИ ради безопасности. Потому, что если обе компании задержат выпуск моделей, это сделает Китай. Anthropic, кстати, сами писали, что такой механизм почти нереален.
При этом в выводе я сам за то, чтобы учить людей, а это тоже медленно. Простого ответа тут нет.
Мой вывод
Когда-то я услышал от руководителя Циан: «Что будет, если мы обучим сотрудников, а они уйдут? А если не обучим, и они останутся?» Смысл простой: необученный сотрудник, который остался, обходится дороже, чем обученный, который ушёл. С нейронками это стало ещё важнее. Если не учить людей сейчас, через пару лет в команде останутся те, кто не сможет проверить, что нагенерила нейронка.
Учить в первую очередь надо самой работе: как устроены продажи, выплаты, договор с клиентом. Без этого человек просто не заметит ошибку нейронки. Дальше учить проверять ответ ИИ и объяснять своими словами, почему он верный. В MIT, кстати, предлагают похожее: больше устных экзаменов, где студент сам объясняет своё решение.
Поэтому у себя мы например используем протоколы разработки через ИИ: короткие правила, что разработчик обязан проверить и показать, прежде чем код от нейронки пойдёт в работу. Нарушил правила — за ошибку отвечает сам. Про то, как не разучиться думать, я уже писал тут. MIT пришёл к тому же выводу.
Сам отчёт можно почитать здесь.