Иллюзия эффективности: тёмная сторона ИИ в образовании
88,52% китайских студентов-инженеров говорят, что ИИ сделал их учёбу эффективнее. Звучит как победа. Но в том же опросе почти половина признаёт, что их собственная успеваемость от этого не выросла. Студенты стали быстрее – и не стали лучше. Это и есть главный нерв этой части: разрыв между ощущением эффективности и реальным результатом.
Предыдущие части серии были про то, что ИИ в китайском образовании делает хорошо: что уже работает в классе и как он помогает самому преподавателю. Эта часть – скептический противовес. Она задаёт неудобный вопрос, без которого серия была бы рекламой: если стало быстрее, стало ли лучше – и какой ценой.
Сразу обозначу рамку доверия к цифрам, потому что без неё дальше нельзя. Основной источник этой части – отчёт о состоянии ИИ в китайском образовании, и это китайская официальная оптика, к тому же сгенерированная ИИ (Kimi). Поэтому проценты тут стоит читать как сигнал: «по данным отчёта», «сообщается, что». Я сверял их по второму источнику с конкретными примерами внедрения. Примеры практик подтверждаются. А вот самые тревожные цифры тёмной стороны встречаются ровно в одном месте – и именно их стоит читать с поправкой.
Быстрее – ещё не лучше
Начнём с цифры, которая выглядит триумфом, а на деле прячет проблему. По данным отчёта, 88,52% студентов-инженеров сообщили о росте эффективности учёбы с ИИ, причём примерно каждый третий назвал улучшение значительным. О снижении эффективности сказали лишь 0,68%. На первый взгляд – почти единодушное «работает».
Но тот же отчёт честно фиксирует трещину в этой картине. При 88,52%, заявивших о росте эффективности, почти половина респондентов не почувствовала, что использование ИИ улучшило их академические результаты. Эффективность выросла – успеваемость нет. Авторы прямо называют это иллюзией продуктивности: студент завершает задачу быстрее, получает «немедленное чувство выполненного», и это чувство маскирует поверхностное обучение.
Для преподавателя это снимает с пьедестала самую соблазнительную метрику. «Студенты стали справляться быстрее» – не доказательство, что они стали учиться лучше. Скорость – это про продукт, обученность – про процесс, и ИИ умеет ускорять первое, не трогая второе. Если оценивать только результат и время на него, вы измеряете эффективность модели, а не знание студента.
Стоит уточнить и про якобы строгое доказательство пользы. Да, рандомизированный эксперимент в Университете Цинхуа показал, что студенты с ИИ-наставником ощущали больше контроля над учёбой и выполняли задания эффективнее, и это ощущение контроля предсказывало рост результатов на тесте. Но обратите внимание на формулировку: измеряли воспринимаемый контроль и эффективность выполнения. Это важный результат, но он же иллюстрирует ловушку – ощущение «я разобрался» легко перепутать с тем, что человек действительно разобрался.
Эту тему серия уже затрагивала мельком. В статье про списывание иллюзия эффективности и аутсорсинг мышления упомянуты одной строкой как фон. Здесь – полный разбор: что именно ломается, на каких цифрах и что с этим делать.
Когда ИИ думает вместо студента
Иллюзия эффективности – это про самоощущение. Аутсорсинг мышления – про реальную деградацию навыка, и это вторая, более глубокая проблема.
Термин из отчёта – «аутсорсинг мышления» (思维外包). Речь о ситуации, когда студент принимает сгенерированный результат, не вникая в его логику. В Цинхуа, сообщается, заметили студентов, которые брали ИИ-код и схемы модулей и шли дальше, не пройдя ту критическую работу, без которой материал не понять. Готовое выглядит правильно – значит, можно не думать. Ровно тот шаг, на котором обучение и заканчивается.
Цифры рядом подтверждают, что это не единичный случай. По данным отчёта, 17,56% студентов сами, добровольно, признали, что ИИ ослабил их способность мыслить самостоятельно. Почти каждый пятый – без всякого давления сверху – говорит, что стал думать хуже. Остальные распределились примерно поровну между «почувствовал улучшение» и «почти без изменений».
Картина по инициативности в учёбе похожая: большинство отмечает рост, но отдельная группа – около 7% – фиксирует спад, и исследователи связывают его именно со сверхопорой на инструмент. Сходный эффект зафиксирован по креативности: примерно каждый девятый студент сказал, что ИИ подавил её шаблонной генерацией.
Западные данные показывают ту же развилку с другой стороны. В разборе исследований об ИИ и учёбе мы уже видели, что при выверенном, откалиброванном режиме работы с ИИ навыки учеников росли – деградация начинается там, где инструмент остаётся без методической рамки. То есть эффект определяет режим использования, и китайские цифры это лишь подтверждают в больших масштабах.
Я бы не стал смягчать этот блок. Это та же проблема, которую HBR в июне 2026 года назвал thinkslop: результат выглядит профессионально, а когнитивной работы автора за ним нет. Разница между «ИИ снял рутину» и «ИИ снял мышление» – это и есть граница между пользой и вредом. Когда модель берёт на себя поиск источников и черновую сверку – это разгрузка. Когда она берёт на себя анализ, выводы и понимание – это и есть аутсорсинг мышления, и образование его проигрывает, даже если метрика эффективности продолжает расти.
Прежде чем идти дальше, честно обозначу разрыв между «прочитать про это» и «уметь это различать». Отличить, где ИИ разгрузил студента, а где подменил его мышление, может только тот, кто сам способен поймать момент, где модель домысливает вместо того, чтобы знать. Без этого умения вы не отличите осмысленную работу с ИИ от красиво оформленной пустоты – ни в студенческой работе, ни в собственной.
Что стоит персонализация на самом деле
Есть ещё одна цена, о которой отчёты в духе «успехов» обычно молчат, а этот – нет. Умный класс, который персонализирует обучение, работает на данных о ребёнке. И с этими данными в Китае, по собственному признанию источника, всё непросто.
Самая жёсткая цифра здесь: сообщается, что не менее 63% школьников столкнулись с последствиями утечек данных – от спам-звонков до случаев, когда мошенники знали точное местоположение ребёнка. Регуляторная рамка при этом слабая: профильные стандарты носят рекомендательный характер, не задают требований к шифрованию и срокам хранения и слабо ограничивают передачу данных третьим лицам. Школы нередко берут с родителей согласие на широкие права на данные, а сами данные нередко идут через обычные мессенджеры вместо защищённых порталов.
Отдельно тревожит, что «умные классы» по проекту собирают биометрию: камеры анализируют мимику и язык тела, чтобы определить, кто из учеников «не вовлечён». А приложения для ментального здоровья могут по сигналам ИИ решать, что ребёнку нужна психологическая помощь, без внятных гарантий от стигматизации тех, кого алгоритм пометил. Любопытная деталь из сравнительного анализа в отчёте: китайские СМИ подают ИИ в образовании в подчёркнуто позитивной рамке (около 93% позитивной тональности по цифровым темам), тогда как западные – заметно критичнее. То есть даже эти цифры идут через оптику, которая по умолчанию настроена на оптимизм.
Практический вывод для СНГ простой и не требует паники. Прежде чем подключать любой «умный» сервис, который персонализирует обучение, стоит задать неудобные вопросы: какие данные о ребёнке он собирает, где они хранятся, кому передаются и можно ли вообще обойтись без биометрии. Удобство персонализации реально, но оно не бесплатно, и платит за него тот, кого сложнее всего защитить.
Вы руководите школой или учебным центром?
Какие сервисы подключать и как обращаться с данными детей – решает руководитель. Приватность, обучение учителей, оценка эффекта: программа для директоров школ и учебных центров.
Где ИИ реально выровнял неравенство
Если бы на этом я остановился, вышла бы пугалка – а это было бы так же нечестно, как глянцевый отчёт. У ИИ в образовании есть результат, который трудно списать на оптику, и он стоит того, чтобы его проговорить отдельно.
Самое сильное из доказанного – выравнивание разрыва между сельскими и городскими школами. Контролируемый эксперимент в 12 китайских школах (4 городские, 8 сельских) показал, что ИИ-поддержка дала сельским школам прирост результатов на 15,69% против 10,27% в городских. То есть сильнее выиграли именно те, кому исторически не хватало ресурсов. Механизм понятен: там, где дефицит сильных учителей и материалов, персональный ИИ-помощник частично его компенсирует, давая ученику в глубинке доступ к тому, что в городе есть по умолчанию. Эффект особенно заметен в естественных науках, где ресурсный разрыв всегда был самым большим.
И это не разовая аномалия. Отчёт связывает результат с более ранней китайской программой дистанционного образования 2004 года, которая соединила спутниковым интернетом сельских школьников с сильными городскими учителями. По оценкам исследователей, программа сократила исходный городско-сельский разрыв в образовании примерно на 21%. Ученики в среднем прошли почти на 0,85 года обучения больше и впоследствии зарабатывали заметно выше сверстников, не охваченных программой. Технологически опосредованное вмешательство в образование действительно способно снижать неравенство – но важен масштаб и горизонт: это годы вложений и измерение эффекта спустя 7–10 лет, быстрой победы здесь не бывает.
Для регионов СНГ с той же проблемой неравного доступа это, пожалуй, самый обнадёживающий сигнал из всего отчёта. Но и здесь та же оговорка, что и в первых двух частях: технология сама по себе не выравнивает. Отчёт честно фиксирует, что без инфраструктуры, обучения учителей и техподдержки ИИ скорее усилит «эффект Матфея» – больше выиграют и так сильные. Инструмент сам по себе ничего не выравнивает – работает то, что вложено вокруг него.
ИИ выравнивает неравенство только в руках того, кто понимает его пределы. 9 учебных и управленческих кейсов учат различать, какому выводу модели можно верить, а какой стоит перепроверить. Бесплатно, без регистрации.
Доступ сразу после регистрации
Один принцип, который держит всю серию
Соберём серию в один вывод. Части про класс и про преподавателя показали, что ИИ реально снимает рутину с обеих сторон парты. Эта часть добавляет необходимую поправку: всё это окупается только при одном условии.
Условие такое. ИИ в образовании приносит пользу тогда, когда он убирает рутину – и параллельно с этим осознанно перестраивается само задание и сама система оценивания, а поверх остаётся человеческое суждение. Уберите переделку заданий – получите иллюзию эффективности. Уберите суждение – получите аутсорсинг мышления, только красиво оформленный. Уберите вложения в инфраструктуру – и вместо выравнивания получите усиление разрыва.
Это тот же стержень, к которому пришла открывшая серию статья про списывание: запрет и детектор почти не помогают; работает переделка заданий под то, чего у модели нет, плюс человек, который понимает её пределы. Тёмная сторона из этой части и практические решения из той – две половины одного тезиса. Эффективность без переделки оценивания – это и есть та самая иллюзия.
И всё упирается в одно умение самого преподавателя: понимать, что ИИ делает хорошо, а где уверенно ошибается. Без него вы не отличите рост обученности от роста скорости, осмысленную работу от аутсорсинга мышления, реальное выравнивание от красивого отчёта. Технология тут не главное. Главное – человеческое суждение поверх неё, и берётся оно только из практики с самим инструментом.
Эффективность без понимания – иллюзия. Понимание – это навык.
Специализация «Образование» – в разработке, фундамент доступен сейчас. Бесплатный открытый модуль – это 9 задач, на которых иллюзия эффективности видна изнутри: модель выдаёт уверенный, гладкий результат, и вы своими руками находите, где он пустой. Преподавателю это даёт конкретный ориентир – по каким признакам отличать студенческую работу с пониманием от красиво оформленной генерации.
Часто задаваемые вопросы
Если ИИ ускоряет учёбу, почему это не значит, что студенты учатся лучше?
Что такое «аутсорсинг мышления» и чем он опасен?
Где ИИ в образовании всё же доказанно сработал?
Насколько можно доверять цифрам из китайского отчёта?
mysummit.school
Engineering Leader в Microsoft18 лет в управлении инженерными командами. Основатель mysummit.school. 700+ выпускников в Яндекс Практикуме и Стратоплане.