Как студенты используют ИИ: выводы для руководителя

· 14 мин чтения · Stanislav Belyaev

ИИ в образованииКритическое мышлениеУправление командойAI-детекторыОценка работы

Как студенты используют ИИ: выводы для руководителя

Студент сделал эссе с ИИ за несколько минут и получил такую же оценку, как одногруппник, который работал сам. Позже он не смог вспомнить, что именно сдал. Такие истории студенты рассказывали авторам отчёта «Making AI work for students». Это свидетельства участников. Масштаб явления по ним измерить нельзя.

Отчёт подготовили Office for Students (OfS), регулятор высшего образования Англии, и Advance HE. У вузов возникла та же задача, с которой сталкивается руководитель команды: человек приносит качественный документ, сделанный с ИИ, а по готовому тексту невозможно понять, разобрался ли он в задаче. Мой вывод из материала: проверять нужно понимание и устройство работы. Попытка угадать автора по стилю почти ничего не даёт.

Исследование шло с июня по сентябрь 2026 года. Отчёт собран из разговоров: круглые столы, практические семинары, открытые ответы и интервью. В нём участвовали 91 студент и представитель студенческого сообщества, а также 244 сотрудника вузов. Участники представляли минимум 127 вузов. Люди пришли по собственному желанию, поэтому авторы предупреждают о возможном отличии участников от всей студенческой среды. Среди собеседников были компании, которые продают вузам ИИ-инструменты и детекторы. Собственных количественных данных в отчёте нет.

Где ИИ помогает учиться

Польза здесь конкретная. Модель объясняет сложную тему в любой момент и подстраивает ответ под человека. Каждый следующий такой разговор почти ничего не стоит вузу – в отчёте это названо поддержкой с почти нулевыми дополнительными затратами. Там, где репетитор доступен лишь некоторым, разница ощутима.

Особенно часто участники говорили о студентах с инвалидностью и особенностями нейроразвития, а также о тех, для кого английский не родной. ИИ расшифровывает занятия, помогает с орфографией, переводит записи в шрифт Брайля, упрощает формулировки критериев оценки и составляет план повторения. Преподаватели быстрее готовят кейсы и вопросы. Появляется и повод переделать задания, которые и раньше плохо проверяли знания.

Проблема начинается, когда модель забирает саму работу, ради которой придумано задание. Студент получает пересказ вместо чтения, а затем сдаёт результат, который почти никак не связан с его пониманием предмета. В отчёте это называется перекладыванием мышления (cognitive offloading). Исчезает усилие, в котором и происходит обучение.

У менеджера тот же механизм возникает, когда сотрудник приносит статус или аналитическую записку: документ выглядит законченным, но объяснить допущения и выбор решения он не может. Этот эффект я подробнее разбирал в статье «Thinkslop: как ИИ незаметно подменяет ваше мышление».

Главная формула отчёта звучит спокойно: польза или вред зависит от того, как используется ИИ. За ней стоит неудобная работа – для каждого задания решать, какое усилие студент обязан приложить сам.

От объяснения термина до готового черновика

В обсуждениях студенты называли три сценария:

  • объяснить понятие или специальный термин;
  • кратко пересказать лекцию, конспект или статью;
  • сгенерировать вопросы и тесты, чтобы проверить себя перед занятием или экзаменом.

Дальше – черновики. Во внешних опросах встречаются решение задач, обзор литературы, создание картинок, подготовка и правка текста. Именно здесь помощь быстро переходит в выполнение задания за студента, хотя по одному названию сценария границу не провести: «объясни, как решить» и «реши за меня» ведут к разному обучению.

Рост использования ИИ отчёт берёт из внешнего опроса HEPI: доля студентов, применявших генеративный ИИ для заданий, выросла с 53% в конце 2023 года до 94% в конце 2025 года. Размер выборки в отчёте не указан, собственного опроса у OfS не было. Поэтому эти проценты описывают результат конкретного внешнего исследования, но точно оценить по ним долю всех студентов или перенести вывод на российские вузы без отдельных данных нельзя, даже если такая динамика выглядит убедительно.

Вузы чаще всего дают студентам Microsoft Copilot Chat, потому что он уже входит в лицензию Microsoft 365. При этом часть студентов и преподавателей выбирает более сильные бесплатные или платные инструменты. Возникает двойной разрыв: у людей разные возможности моделей, а оценка может начать отражать цену подписки и умение обращаться с ней.

Различается и разговор внутри курса. Медики и программисты обсуждают ИИ открыто. На творческих специальностях студенты чувствуют давление не пользоваться им и делятся на тех, кто встроил модель во всю работу, и тех, кто отказывается совсем. Есть отказники по убеждениям: экология, данные для обучения, судьба творчества. Других отпугнули истории о наказаниях и неясные правила.

Отдельная чувствительная тема – английский. Некоторые студенты пишут на родном языке и переводят работу машинным переводом. Преподаватели опасаются, что диплом перестанет подтверждать знание языка, хотя качество самой работы может оставаться высоким.

Оценка начинает измерять другие вещи

Многие участники считают, что обучение атрофируется. Сильнее всего они опасаются за первые курсы, где закладывается база. Преподаватели также говорят, что студентам меньше нравится учиться: модель постоянно предлагает перейти сразу к готовому результату.

Это рассказы. Отчёт ссылается на школьные исследования из Китая и Турции: ученики с ИИ сначала обгоняли остальных, а потом хуже писали контрольные без доступа к нему. Мы уже разбирали китайское исследование на 26 811 школьниках и похожие школьные работы. Но участники там школьники, поэтому перенос на вузы и взрослых специалистов остаётся предположением, даже если механизм выглядит знакомым любому руководителю, который видел быстрый черновик и пустое объяснение к нему.

Студенты рассказывали, что сокурсники делали задания с ИИ за несколько минут и получали похожую оценку. Некоторые потом не могли вспомнить содержание сданной работы. Измерений частоты таких случаев нет. Зато понятен стимул: многие студенты считают ИИ самым эффективным путём к высокой оценке. Тот, кто не пользуется моделью, чувствует себя в проигрыше и иногда подключает её, даже считая это вредным для учёбы.

Декларации ситуацию не спасают. Студенты боятся, что признание даже в разрешённом использовании ИИ снизит оценку, поэтому молчат. Правила на бумаге есть, данных о реальной работе у преподавателя всё равно нет.

С профессиональной стороны добавляется ещё один разрыв. Почти все работодатели во внешнем опросе Institute of Student Employers (ISE) ждут, что задачи начального уровня изменятся в ближайшие три года; размер выборки в отчёте не указан, поэтому превращать это ожидание в точный прогноз сокращения начальных позиций нельзя. При этом систематических связей вузов с работодателями по этой теме авторы почти не увидели.

Перечислить сценарии легко. Труднее заметить, где в вашей работе модель помогает разобраться, а где просто снимает необходимость думать. Для этого нужно пробовать инструмент на реальных задачах и проверять результат по источникам и смыслу. Скорость и уверенный тон здесь слабые ориентиры. В этом и разница между знанием и навыком.

Для найма джунов, на мой взгляд, диплом теперь даёт меньше информации. Он мог подтвердить умение самостоятельно разобраться в предмете. В другом случае за ним стоят хороший доступ к модели и удачный набор заданий. Различить эти ситуации придётся на практической задаче и в разговоре о ней.

Защита начинается с другого задания

Самой действенной в отчёте названа защищённая оценка: очный экзамен, презентация, устная защита, короткое обсуждение сданной работы или практическое задание. Так проверяется то, что человек способен сделать и объяснить сам.

Дорого. И не универсально. Очные форматы требуют времени преподавателей, закрытый экзамен слабо похож на реальную работу и может мешать студентам с инвалидностью. Развитие носимых устройств может сделать обход ограничений реальнее.

Поэтому вторая группа решений переносит внимание на процесс: промежуточные контрольные точки, черновики, короткие разборы хода работы. Третья прямо включает ИИ в задание. Студент должен разобрать ответ модели или улучшить её черновик, а преподаватель получает возможность оценить и предметное понимание, и грамотность работы с ИИ.

Логика здесь простая и требовательная: если задание можно выполнить с ИИ без тех знаний и навыков, которые оно должно проверять, задание нужно заменить и затем регулярно проверять снова, потому что возможности моделей меняются. Преподаватели уже сами пробуют пройти свои задания с ИИ, а один вуз сделал инструмент для поиска уязвимых форм.

Проверьте это на рабочем задании. Ниже модель получает задачу руководителя вместе с данными и выполняет её как сотрудник – можно запускать как есть.

Попробуйте самиСтресс-тест задания: аналитическая записка по готовой выгрузке

Вы

Ты аналитик в отделе клиентского сервиса. Ниже – задание руководителя и данные, которые он приложил. Выполни задание как сотрудник: сдай готовую записку, без уточняющих вопросов.

Задание руководителя:
«Подготовь аналитическую записку о том, что происходит с обращениями клиентов за три месяца, и предложи одно изменение в работе отдела. Не больше страницы: главный вывод, обоснование по данным, предложение».

Данные:
| Месяц | Обращения | Жалобы на сроки доставки | Вопросы по оплате | Возвраты |
| Июнь | 480 | 120 | 90 | 60 |
| Июль | 520 | 190 | 85 | 55 |
| Август | 610 | 310 | 80 | 50 |

Из писем коллег: в июле в двух регионах сменился перевозчик; среднее время ответа поддержки выросло с 4 до 7 часов; штат отдела не менялся.

Сравниваем:kimi-k3gpt-5.6-sol

Смотрите, потребовалось ли для ответа понимание предмета. В наших прогонах обе модели сдают законченную записку: вывод, доли жалоб, одно предложение. Kimi K3 уверенно называет причиной смену перевозчика, хотя данных по регионам в выгрузке нет. GPT-5.6 Sol оговаривается, что связь надо проверить по регионам, и всё равно сдаёт готовый документ. Значит, в такой постановке задание проверяет только умение обращаться с ИИ.

Второй промпт – для приёмки работы: по черновику, который сотрудник сделал с ИИ, модель готовит вопросы автору.

Попробуйте самиВопросы для устной защиты по черновику, сделанному ИИ

Вы

Ты руководитель и принимаешь работу у сотрудника. Ниже – черновик аналитической записки, сделанный с ИИ. Составь 5–7 вопросов для короткой устной защиты: о выбранном решении, об отброшенных альтернативах, о допущениях и об источниках цифр. По ответам должно быть видно, разбирается ли автор в предмете. Записку не оценивай и не исправляй – нужны только вопросы.

Черновик записки:
«Обращения клиентов растут: с 480 в июне до 610 в августе. Основной драйвер – жалобы на сроки доставки: их доля выросла с 25% до 51%. Причина – смена перевозчика в июле. Предлагаю вернуть прежнего перевозчика в проблемных регионах: это снизит нагрузку на поддержку и вернёт сроки доставки к июньскому уровню. Время ответа поддержки выросло с 4 до 7 часов, что подтверждает перегрузку отдела».

Сравниваем:kimi-k3gpt-5.6-sol

В хорошем ответе вопросы бьют в допущения: почему возврат перевозчика вернёт июньские сроки, откуда взяты цифры и какие варианты автор отбросил. Kimi K3 в двух прогонах из трёх спрашивает ещё и о том, зачем перевозчика вообще меняли в июле. Автору, который не разбирался в задаче, отвечать на такие вопросы нечем.

Проверка понимания выглядит несложной на бумаге. На рабочих задачах приходится заранее решать, какие данные дать человеку, что считать достаточным объяснением и где потребуется независимая сверка с источником. При этом согласие модели ничего не подтверждает: под давлением без новых фактов она меняет и верные ответы – мы измеряли эту уступчивость в исследовании на 18 моделях.

Детекторам нельзя доверить решение

Соблазн понятен: когда уследить за каждым невозможно, хочется загрузить готовый текст в сервис и получить объективный процент, который разом снимет необходимость разбираться в работе и разговаривать с её автором. Но люди ненадёжно отличают текст ИИ, улучшения детекторов часто оказываются временными, а сервисы-«очеловечиватели» снижают их точность. Исследования также показывают предвзятость к тем, для кого проверяемый язык не родной.

В прошлой статье мы разбирали игру «ИИ или человек»: на глаз читатели особенно плохо различают деловые тексты. Детектор выдаёт число. Само по себе оно не доказывает авторство.

Сам Turnitin сказал исследователям OfS, что его оценка – только одна точка данных. Студенты при этом рассказывали: при высоком балле детектора им нечем доказать, что текст написан самостоятельно. Другие научились снижать балл, удаляя признаки машинного текста, прогоняя его через «очеловечиватели» или нарочно добавляя опечатки.

Правила отчёта для таких случаев прямые. Вывод детектора – в лучшем случае одно из доказательств. Подозрение без весомых оснований не должно снижать оценку. Процедура о нарушениях не исправит задним числом уязвимое задание. Для руководителя это означает конкретное ограничение: решение о качестве работы принимается после проверки содержания и разговора с исполнителем. Скриншот из сервиса достаточным основанием служить не может.

Две полосы Бата для задач команды

Университет Бата раньше использовал трёхуровневый «светофор». Средняя ступень разрешала отдельные способы применения ИИ, но соблюдение этой границы невозможно было проверять надёжно и справедливо. С сентября 2026 года остались две полосы: закрытая, где условия исключают доступ к ИИ, и открытая, где задание сразу строится с расчётом на использование модели.

Закрытая полосаОткрытая полоса
УсловияИИ недоступен по условиям заданияИИ разрешён, задание спроектировано под него
Что проверяетСамостоятельное пониманиеУмение проверить и доработать ответ модели
Пример с аналитической запискойВывод по данным без модели и ответы на вопросы руководителяРазбор ответа ИИ по источникам, исправления и защита решения

Среднюю полосу уберите. Формулировка «черновик можно делать с ИИ, а аргументы нужно придумать самому» создаёт правило, соблюдение которого руководитель проверить не сможет. Лучше выбрать, что именно вы хотите узнать о человеке, и собрать проверку вокруг этого.

Для задач команды подходит короткий чек-лист:

  • Запишите, что проверяет задача: понимание человека или качество результата в условиях, где ИИ доступен.
  • Попробуйте сами выполнить её с моделью. Если нужный навык не потребовался, текущая постановка его не измеряет.
  • Для проверки самостоятельного понимания выберите закрытую полосу: работа без ИИ, практическое действие или устная защита результата.
  • Для открытой полосы сразу выдайте черновик ИИ, попросите найти ошибки, объяснить исправления и показать промежуточные версии, чтобы по ним было видно, как человек проверял модель и на каком основании менял её ответ.
  • Оставьте равноценный маршрут тем, кто сознательно не хочет пользоваться ИИ.

Пример с аналитической запиской. В закрытой полосе сотрудник получает исходные данные, делает вывод без модели и отвечает на вопросы руководителя. В открытой он приносит ответ ИИ, разбирает его по источникам, исправляет и защищает итоговое решение. В обоих случаях видно понимание, хотя проверяются разные рабочие ситуации. Если хочется отдельно проверить, кто кем управляет в повседневной работе, поможет статья «9 вопросов к себе: вы используете AI или AI – вас?».

Правила требуют обучения и координации

Ясность разрешений нужна в обеих полосах. Человек должен заранее понимать, какой режим действует, как раскрыть использование ИИ и что будет, если он выберет работу без модели. Процедура разбора нарушений должна опираться на доказательства. Она не заменит переработку задания, которое изначально ничего не проверяет.

Преподавание требует такой же прозрачности. Материалы и обратную связь, подготовленные с ИИ, нужно проверять: иначе ошибки и предвзятость модели попадут в учебную программу. Студентам стоит говорить, где преподаватель использовал модель. В обсуждениях студенты особенно критиковали непрозрачную обратную связь: экспертный разбор входит в то, за что они платят вузу.

Обучение тоже нужно. В отчёте сказано: «грамотность в ИИ не стоит ожидать только от личного использования ИИ-инструментов». Оценить ответ модели может тот, кто глубоко знает предмет. А руководитель, который не понимает возможности модели, не спроектирует проверку, устойчивую к её ответам.

Университет Кента требует пройти обучение перед доступом к платформе, при этом пользоваться самим ИИ необязательно. Имперский колледж запускает курсы на 40 часов с итоговым проектом. В Университете Англия Раскин обязательное обучение сотрудников различается по уровню: новички получают основы, активные пользователи идут дальше. Для команды здесь полезен принцип: обучение учитывает исходный уровень и конкретную специальность.

Есть и организационный слой. Стихийные эксперименты преподавателей дали студентам разный опыт и упущенную экономию. Собственная стратегия по ИИ была лишь у немногих участников. Отчёт предлагает координацию сверху с пространством для экспериментов снизу и регулярное обсуждение ИИ на уровне совета вуза: тогда команды пробуют новое, а общие правила, проверка материалов и защита данных не зависят от энтузиазма одного человека.

Экономию при этом обещать рано. Большинство сотрудников вузов, участвовавших в исследовании, сказали, что заметного выигрыша времени пока нет: ошибок много, всё проверяет человек. Отдельные риски – конфиденциальные данные в бесплатных чат-ботах и зависимость от поставщика, который может изменить цену.

Даже рекомендации самого OfS описывают хорошую практику. Новых требований документ не вводит. Участники просили регулятора объяснять существующие правила на примерах и воздержаться от новых обязательных условий, чтобы оставить место экспериментам.

Чего отчёт пока не знает

Сколько самостоятельной работы необходимо человеку, если ИИ всегда под рукой и готовый ответ доступен в любой момент, когда возникает трудность? Отчёт фиксирует опасения преподавателей и отдельные исследования, но длинных наблюдений за формированием профессионального опыта здесь нет. Ответа пока нет.

Переносятся ли школьные результаты на взрослых? Ученики с ИИ сначала выигрывали, затем хуже справлялись без него, но у взрослого специалиста уже есть предметная база, рабочий контекст и другая мотивация, а значит, один и тот же результат у школьника и опытного сотрудника может иметь разные причины. Я не знаю, насколько этот механизм сохранится в команде, и не вижу в материале данных для уверенного ответа.

Как сработают две полосы? Система Бата действует только с сентября 2026 года, результатов ещё нет. Пока это продуманная модель правил, эффективность которой ещё предстоит проверить.

При приёмке работы и собеседовании джуна руководителю всё же приходится решать сегодня. Самый информативный вопрос остаётся простым: «Почему вы выбрали именно это решение и что отбросили по пути?»

Частые вопросы

Как студенты используют ИИ в учёбе?
В обсуждениях OfS называли объяснение терминов, краткий пересказ лекций и статей, генерацию вопросов для самопроверки. Во внешних опросах добавляются решение задач, обзор литературы, черновики и правка текста. ИИ помогает студентам с инвалидностью и тем, для кого английский не родной: с расшифровкой, орфографией и пониманием учебных материалов. Часть студентов пишет работу на родном языке, а затем переводит её машинным переводом.
Работают ли детекторы ИИ?
Полагаться на них при оценке нельзя. Отчёт OfS указывает, что люди ненадёжно отличают текст ИИ, улучшения детекторов часто временны, а сервисы-«очеловечиватели» снижают точность. Детекторы также предвзяты к тем, для кого язык не родной. Turnitin сам назвал свою оценку только одной точкой данных. Вывод детектора – максимум одно из доказательств. Подозрение без весомых доказательств не должно снижать оценку.
Как проверить, что человек понял работу, сделанную с ИИ?
Назначьте короткий разговор о сданной работе: пусть объяснит решение, альтернативы и причины выбора. Добавьте промежуточные контрольные точки или практическое задание. В задачах с разрешённым ИИ попросите разобрать ответ модели и доработать её черновик. OfS называет устную защиту, презентацию и обсуждение работы среди самых действенных способов подтвердить знания. Детектор текста для этого не нужен.
Что такое две полосы оценки Университета Бата?
С сентября 2026 года вуз делит задания на закрытые и открытые. В закрытой полосе условия исключают доступ к ИИ. Открытая полоса допускает ИИ, и задание сразу проектируют с этим расчётом. От прежней средней категории с частичным разрешением отказались: соблюдение таких правил нельзя было проверять надёжно и справедливо. Результатов новой системы пока нет.
Stanislav Belyaev Engineering Leader в Microsoft

18 лет в управлении инженерными командами. Основатель mysummit.school. 700+ выпускников в Яндекс Практикуме и Стратоплане.