Вывести EdTech из кризиса: сыграет ли ставка на AI

Наверняка вы помните успех онлайн-школ во время пандемии — тогда каждый или кого-то учил, или чему-то учился. Однако за пять лет технологии шагнули вперед, а EdTech остался на том же уровне — и это привело к упадку. Зачем платить за курс, если нейросеть может научить чему угодно бесплатно (хоть к качеству обучения ^[1] и возникают очевидные вопросики)?

В онлайн-школе IBLS смогли превратить искусственный интеллект ^[2] из конкурента в союзника и с его помощью осовременить процесс обучения для всех участников. Рассказываю, как это получилось. 

Ключевая проблема EdTech: ожидания учеников не совпадают с реальностью

Сегодняшние ученики привыкли получать персонализированный контент в соцсетях, быструю обратную связь от приложений и нейросетей, а также ожидают, что обучение будет индивидуальным и применимым в жизни. 

По данным Digital Education Council ^[3], 86% учащихся активно используют AI в повседневных делах, обучении и исследованиях. Например, буквально недавно OpenAI выкатили модуль для самостоятельного обучения. Он без промтов работает как полноценный проводник по необходимой теме. Люди могут изучать что угодно бесплатно, поэтому онлайн-школам нужно менять свой подход, чтобы оставаться на плаву.

По другую сторону от новых стандартов находятся тьюторы, опыт ^[4] которых остался неизменным — высокая нагрузка, минимум индивидуального контента и шаблонность во взаимодействии. 

И мы приходим к ключевой проблеме сферы. Она заключается в несоответствии образовательного опыта новым запросам и ожиданиям всех участников процесса. И это касается не только российского рынка, но и международного.  

От бума к стагнации: что пошло не так

EdTech еще недавно был самой быстрорастущей цифровой отраслью. В пандемию он привлек рекордные инвестиции — $21 млрд в 2021 году. Однако уже к 2024 году финансирование рухнуло на 89% — до 2,4 млрд в глобальном венчуре. 

За последний год крупнейшие игроки международного рынка столкнулись с массовыми увольнениями и потерей капитализации. Вот несколько примеров.

Американская компания 2U, которая занималась переупаковкой университетских курсов в онлайн-формат, после покупки edX за $800 млн обанкротилась ^[7] и потеряла почти всю капитализацию. 

Образовательная компания Chegg рухнула с $12 млрд до $230 млн на фоне скандалов со списыванием ^[8] и оттока пользователей. 

Когда-то успешный стартап Byju’s смог вырасти до $22 млрд, но обанкротился ^[9] из-за неудачных поглощений и конфликта ^[10] между основателем и инвесторами. 

Российский EdTech следует аналогичным путем: рост замедляется (c 70% до 19% год к году), идет волна увольнений ^[11] среди лидирующих игроков (GeekBrains, XYZ), а сама отрасль консолидируется: по итогам 2024 года 10 ключевых игроков контролируют около 55% выручки ^[12] среди топ-100 компаний. В целом рынок растет на 10% год к году.

Проще говоря, и в российском, и в международном сегменте складывается похожая ситуация: модель EdTech устаревает, однако спрос на качественное образование ^[12] остается и только растет. 

Сервисы хоть и становятся технологичнее, но при этом подход большинства EdTech-компаний выглядит устаревшим: они застряли в повторении ^[13] старой модели «лекция-тест-сертификат», только теперь в онлайн-формате и без фокуса на опыт участников процесса. 

Единственный способ вернуть доверие и ценность сферы — внедрение новых инструментов не в интерфейсы, а в сам образовательный процесс. 

У онлайн-школы IBLS есть такой опыт. Я исследовал его, чтобы вывести правила успешного использования инструментов искусственного интеллекта в организации образовательного процесса. Разобраться в теме мне помогли руководитель платформы IBLS Сергей Красько и руководитель IT-отдела Дмитрий Гриневич. 

О компании

IBLS (International Blended Learning School) — один из крупнейших игроков российского EdTech-рынка, который обслуживает более 13 000 учеников в 50 странах. Это образовательная экосистема, включающая онлайн-школы, магистратуру, кафедры в МГИМО, медицинский центр и спортивные команды. 

О чем нам расскажет ее опыт

• Как не бояться экспериментов.

• Как оценить реальный потенциал AI-проекта, если 88% таких проектов остаются на уровне пилотов.

• В чем заключается метод песочницы и как он помогает масштабировать инновации.

• 3 правила, которые помогут эффективнее запускать ML-проекты.

В конце вы найдете конкретные рекомендации, как правильно интегрировать AI в образовательные продукты, какие экономические показатели учитывать и как избежать типичных ошибок, из-за которых проект не выйдет из пилотной версии.

Первый опыт внедрения ИИ в IBLS

Это произошло еще в начале пандемии — до эры больших языковых моделей. Задачу взяла на себя команда из нескольких специалистов, которые попытались автоматизировать генерацию и проверку экзаменационных тренажеров для подготовки к ЕГЭ.

Команда выбрала четыре предмета и создала что-то вроде маленького завода по производству простых онлайн-тренажеров. Системы автоматически генерировали варианты тестовых заданий и примерные ответы, а затем на базе классических методов NLP и статистических моделей выставляли оценки. 

Сервис интегрировали с LMS, чтобы каждая новая группа учащихся сразу получала доступ к тренажерам. 

Архитектура решения

1. Генерация заданий: шаблонные конструкции (разбор вариантов КИМ) комбинировались с банком типовых вопросов.

2. Автоматическая проверка: алгоритмы сопоставляли ответы ученика с эталонными, учитывали ключевые слова и простые логические шаблоны.

3. Интерфейс учителя: в консоли методисты могли корректировать правила, добавлять новые шаблоны и следить за качеством выдачи.

Ключевые проблемы и выводы

Сложная поддержка шаблонов. Поддержка пула из нескольких тысяч вопросов и шаблонов требовала постоянной ручной работы методистов. Автоматизация затягивалась, при этом количество учеников только росло. 

Низкая гибкость. Алгоритмы плохо работали на нестандартных ответах и почти не понимали их смысл. Из-за этого доля расхождений с экспертными оценками была слишком велика для коммерческого внедрения.

Ресурсная нагрузка. Для доработки и расширения системы потребовалось бы создавать отдельную ML-команду, а таких ресурсов тогда не было.

В итоге после полугодового пилота IBLS приостановила развитие проекта: было ясно, что без качественных LLM-моделей и серьезных усилий по созданию банка вопросов и ответов масштабирова­ние окажется невыгодным. 

Почему 88% AI-пилотов не взлетают

В марте 2025 года IDC совместно с Lenovo провели масштабное исследование ^[14] трех тысяч IT-руководителей С-уровня на тему ИИ-пилотов. Оказалось, что только 4 из 33 AI-пилотов доходят до полноценного внедрения. То есть лишь 12% проектов переходят из стадии POC в продакшен. 

Большинство AI-проектов застревают в пилотах из-за низкой организационной готовности: неясный ROI, неподготовленные процессы, слабые данные и нехватка внутренней экспертизы.

Тем не менее этот опыт позволил команде понять, каких процессов, метрик и инфраструктуры требует внедрение ML-инициатив. 

Что такое метод песочницы и как он помог IBLS запускать и масштабировать ML-проекты

В основе успеха компании лежит особый подход к внедрению инноваций — так называемый метод песочницы. Рассмотрим подробно, как он устроен и какие результаты он принес компании.

Песочница — это подход, в рамках которого инновации сначала разрабатываются и тестируются в изолированном режиме с участием ключевых пользователей конечного продукта.

Компания сфокусировала внимание ^[15] сразу на всех участниках процесса: методисты, преподаватели, ученики (и иногда их родители) и сами разработчики. 

С одной стороны, они решили разгрузить тьюторов и методистов, чтобы те в перспективе могли сконцентрироваться на учениках, которым требуется больше внимания. С другой — разнообразить опыт обучения: сделать обратную связь глубже, контент — интереснее, а также сфокусироваться на применимости знаний. 

Так были запущены следующие проекты.  

Автоматическая проверка заданий по гуманитарным дисциплинам

Идея 

Можно ли поручить ML автоматически проверять 70–90% работ, снизив таким образом трудозатраты и ускорив обратную связь?

По задумке система распознавала рукописный или печатный текст, находила похожие примеры, выставляла баллы по пяти критериям и формировала комментарий, который преподаватель мог принять или поправить.

В песочнице участвовали 12 учителей и 600 учеников. Прототип запускался на корпусе из 35 000 размеченных работ. Для эксперимента были выбраны только два предмета — русский язык и история. 

Как это устроено технически 

1. Загрузка работ: ученики загружают сканы или фото в LMS.

2. OCR: ML-модуль автоматически распознает рукописные и печатные ответы, разбивает их по заданиям.

3. API-интеграция: LMS формирует JSON-запрос, передает в ML-модуль вопросы и ответы.

4. Семантический скоринг: на базе LLM Qwen + RAG-базы из 800 млн пар вопросов и ответов система анализирует не только ключевые слова, но и структуру ответа, полноту аргументации, соответствие критериям ФГОС.

5. Автоматическая оценка: программа возвращает итоговый балл, а также подробный разбор ошибок и рекомендации для ученика.

6. Интерфейс преподавателя: учитель видит автооценку, может согласиться, откорректировать или отправить работу в «диспут».

7. Диспуты: если ученик или учитель не согласны с оценкой, работа автоматически попадает в ручную доработку экспертами.

«Генератор КИМ»: сократили время создания контрольных заданий с пяти часов до полутора

Контрольно-измерительные материалы (КИМ) — основа системной подготовки учеников. Их нужно много, а еще они требуют регулярного обновления и адаптации под конкретные задачи.

Идея

Собрать «фабрику заданий» — ML-модуль, который генерирует задания по шаблонам и критериям, заданным методистами.

Цель: снизить цикл подготовки на 60–90%.

Задачи такой фабрики:

• генерировать КИМы по предмету, теме и уровню сложности;

• соблюдать структуру, требуемую Министерством образования;

• обеспечивать вариативность заданий.

Как это устроено технически

1. Запрос от преподавателя. В интерфейсе LMS педагог задает тему, тип задания, сложность.

2. Генерация черновика. LLM (Qwen) генерирует задание, используя:

• методические критерии (структура, уровень сложности),

• собственную RAG-базу, собранную из валидированных КИМов.

3. Вариативность и адаптация. Модель автоматически предлагает 2–3 варианта с разными формулировками и параметрами (например, числовыми значениями в математике ^[16]).

4. Проверка на соответствие. Система валидирует задания по логике ^[17] ГОС: формат, структура, критерии оценивания.

5. Редактирование и сохранение. Методист может внести правки, сохранить задание в личную библиотеку или сразу прикрепить к курсу.

Описание проекта

Хоть первые версии не прижились — методисты не включались в процесс и не доверяли результатам. Необходимо было уделить внимание доверию между ментором и программой. 

После доработки интерфейса, а также добавления пояснений и возможности редактировать, началось активное использование.

Генерация индивидуальных отчетов по прогрессу ученика

Идея

Воспользоваться накопленной базой тысяч отчетов и типовых кейсов, чтобы научить ML-модуль генерировать подсказки для тьютора. В пилоте участвовали все предметы.

Система должна уметь:

• анализировать текущие оценки ученика, активность на уроках;

• формировать текст с рекомендациями;

• допускать редактуру;

• сокращать время подготовки отчета в 3–5 раз.

Как это устроено технически

1. Сбор данных об ученике. Из LMS выгружаются оценки ученика, прогресс, посещаемость, поведение ^[18] на уроках.

2. Предобработка и фильтрация. ML-модуль определяет «тип» ученика по шаблонам поведения ^[19] и выделяет ключевые особенности.

3. Генерация текста. На основе LLM и обученного корпуса отчетов формируются:

• индивидуальные характеристики сильных и слабых сторон,

• рекомендации по учебе,

• пожелания родителям и наставникам.

4. Интерфейс тьютора. Тьютор получает предварительно сгенерированный текст, может отредактировать его или дополнить. После этого отчет отправляется родителю.

Когда ML берет на себя шаблонную часть и предлагает грамотный черновик, тьютор фокусируется на сути, а не на формулировках. Это обеспечивает масштабируемость, снижает выгорание специалистов и сохраняет главное — персональный подход к каждому ученику.

Генерация тренажеров с помощью AI-ассистента

Учителям и методистам нужно регулярно создавать тематические тренажеры для закрепления материала. Особенно актуально для английского языка, где требуется не только разнообразие, но и немедленная обратная связь. 

Идея

Разработать AI-ассистента, который сможет по запросу преподавателя генерировать тренажер по заданной теме. Цель — не заменить педагога, а ускорить подготовку и повысить вариативность заданий.

Ассистент должен уметь:

• предлагать задания по теме курса,

• давать обратную связь ученику.

Проект пока находится в стадии пилота, но у него есть потенциал. 

Описание проекта

Предмет: пока применяется только для английского языка.
Формат: песочница для учителей, в которой они тестируют и настраивают ассистента.
Подход: по готовым подборкам тем — генерация тренажера, встроенного в учебный маршрут.

Ассистент используется как поддержка: учитель задает тему, получает тренировочные задания, может адаптировать их и прикрепить к курсу.

Умный учебник: диалог вместо монолога

Проблема

MVP уже собран, готовится к тестированию к осени. 

Идея

Создать учебник-ассистент, который:

• объясняет тему по запросу ученика,

• адаптирует объяснение под его уровень,

• предлагает тренажеры и мини-тесты,

• работает в текстовом и голосовом интерфейсе.

Цель — превратить учебник в личного репетитора: объясняющего, проверяющего, повторяющего до усвоения.

Описание проекта

Первый запуск: учебник по английскому.
Интерактивность: читаешь — спрашиваешь — тестируешься — повторяешь.
Коммуникация: через чат, сканы и голосовые диалоги.

Проект на стадии MVP, но уже интегрирован с учебным контентом и LMS. Первый пользовательский цикл — до конца лета, масштабирование — с октября.

Результаты (на момент интервью)

Оценка результатов запланирована после первых месяцев активного использования. Ожидаемый эффект — рост вовлеченности и качества знаний учеников.

Проекты, которые не взлетели

Однако если вы думаете, что у команды все шло как по маслу — то нет. Случались и неудачные кейсы, которые были заморожены или закрыты на стадии пилота. 

Песочница также помогает определить, какому пилоту стоит дать зеленый свет, а кого лучше заморозить.

Детектор вовлеченности учеников

Попробовали анализировать вовлеченность на утренних уроках с помощью ML. Проект остановили из-за слишком долгого цикла обучения модели, высоких трудозатрат и неочевидной бизнес-ценности на текущем этапе.

Прокторинг

Была попытка создать собственную систему прокторинга с распознаванием лиц.

Прокторинг — это система онлайн-наблюдения за поведением учеников на тестах, экзаменах и других важных учебных событиях.

Однако на рынке уже есть соответствующие готовые решения. Доводить пилот до их уровня — сложно и нецелесообразно.

Токсичность в чатах

Разрабатывался модуль для мониторинга буллинга и пассивной агрессии среди учеников. Технология оказалась слишком сложной и ее заморозили. Обновят позже на современных моделях.

3 правила успешного пилота

Практика IBLS показывает: ключ к масштабируемому ИИ лежит не в очередной прорывной модели, а в дисциплинированной работе с продуктом.  

Работа с живым процессом. Прототип мгновенно ставят «под нагрузку», поэтому через нескольких месяцев уже видно, работает ли решение в боевом режиме и выдерживает ли оно педагога-скептика, родителя-перфекциониста и ученика, который нажмет «Закрыть» при первом удобном случае.

Обратная связь как драйвер процесса. Учителя и методисты исправляют ошибки ^[20] напрямую с командой — и эти правки тут же уходят в цикл дообучения. В результате модель взрослеет вместе с данными школы, а доверие пользователей растет вместе с точностью предсказаний.

Фокус на задаче. Каждый эксперимент начинается с конкретного узкого места, измеряемого в часах учителя или процентах вовлеченности ученика.

Это обязывает команду формулировать четкий, проверяемый KPI, и сразу же привязывает AI-решение к P&L. 

Индустрия не испытывает дефицита технологий; она испытывает дефицит процессов, которые превращают эти технологии в ценность. 

Небольшой чек-лист: как определить, есть ли потенциал у проекта

Чтобы проект не стал очередной красивой презентацией и превратился в реальный рабочий инструмент, компаниям необходимо ответить на несколько ключевых вопросов до старта.

• Какую именно проблему бизнеса или образовательного процесса решает этот AI-проект?

• Какие метрики мы будем использовать для оценки его успеха?

• Есть ли подтвержденный спрос и подтвержденная ценность для учеников и учителей?

• Понятна ли нам полная стоимость владения и добавленная экономическая ценность проекта?

• Готова ли организация к внедрению, есть ли специалисты и данные нужного качества?