Как мы создали ИИ с образовательной ценностью, который не даёт студентам «схалтурить»

На связи продуктовая команда Кэмпа ^[1] — ИИ-напарника для студентов.

За последние годы вокруг ИИ в образовании сформировался устойчивый нарратив: главное — это качество результата. Насколько точно модель отвечает, насколько хорошо генерирует текст, насколько можно доверять итоговому материалу.

Но на практике мы довольно быстро уперлись в другую проблему. Оказалось, что даже качественный результат почти не гарантирует, что пользователь хоть что-то понял и запомнил.

Центральный принцип образовательного ИИ

Даже если модель выдаёт правильный ответ, это ещё не означает, что пользователь чему-то научился. В этом и заключается ключевой разрыв между ИИ как инструментом и ИИ как образовательной средой.

Да, мы в рабочих целях фиксируем, что 93% качества — это уже достаточный уровень точности для доверия системе. Но доверие к результату не приравнивается к образовательному эффекту. Пользователь может получить идеальный ответ и при этом полностью выпасть из процесса понимания.

Поэтому изменили принцип работы Кэмпа как ИИ на один простой и жесткий: образовательная ценность возникает только тогда, когда пользователь для получения результата остается внутри процесса.

Если пользователь получает готовый файл без участия, то мы не считаем такой сервис обучающим, а скорее сервисом автоматизации.

Главный конфликт в автоматизации

Однако здесь возникает базовое продуктовое противоречие:

• чем выше автоматизация — тем быстрее и проще результат;

• но чем ниже автоматизация — тем выше вовлеченность пользователя, а значит, ниже образовательная ценность.

Это неприятный вывод для любого разработчика ИИ, потому что он противоречит сути продуктовой разработки, где хочется убрать всё сложное и сделать любое усилие проще.

Поэтому наша цель в образовательном продукте, в том числе, в Кэмп ^[1], — направить усилие пользователя в правильные точки и тем самым повысить образовательную ценность и понимание.

Поэтапность и контроль над результатом как архитектура

Опытным путем мы пришли к тому, что образовательную ценность нельзя добавить сверху просто как UX-дизайн — её нужно закладывать в саму архитектуру продукта.

Поэтому вместо одного шага генерации мы продумали настройку целого набора действий для пользователя, чтобы он получил наиболее качественный результат:

1. пользователь задает входные данные (тема, источники, контекст);

2. формирует структуру результата;

3. настраивает параметры (аудитория, формат, глубина);

4. получает промежуточные версии;

5. редактирует и уточняет их;

6. собирает финальный результат.

В Кэмпе обязательные точки участия, которые нельзя пропустить или отдать на подбор самой нейросети. Потому что каждый шаг помогает пользователю понять, что он делает, и сформировать навык.

Ещё один принцип, который мы для себя зафиксировали: контроль над результатом в ИИ — это образовательный механизм.

Пользователь начинает выстраивать причинно-следственную связь, когда участвует в генерации и:

• видит промежуточные шаги,

• может менять структуру,

• влияет на параметры результата,

• наблюдает, как его действия меняют итог.

Без этого ИИ остаётся «чёрным ящиком», а пользователь — «оператором одной кнопки».

При всей этой архитектуре мы не можем гарантировать, что пользователь действительно проявит критическое мышление ^[2]. Например, он может формально пройти все шаги и всё равно не вникнуть. Но мы уже проектируем продукт так, чтобы вероятность осознанного участия была максимальной для каждого пользователя. 

Открытый вопрос для сферы образования

В образовании сейчас нет однозначного ответа на вопросы: 

• Как студенту и преподавателю корректно работать с ИИ?

• Где проходит граница допустимого использования?

• Что считать самостоятельной работой?

• Как проверять понимание?

Мы для себя считаем эту тему зоной постоянных экспериментов и продуктовых итераций. Например, в предыдущей статье мы рассуждали о том, как ИИ постепенно меняет формат вузовского образования, смещая фокус от письменных работ к защите, диалогу и обсуждению решений.

В этой статье мы скорее фиксируем продуктовый слой этого же вопроса — что такое образовательная ценность внутри ИИ-продукта и где она реально возникает.

В чём будущее образовательного ИИ?

Наш текущий взгляд на проблему такой: образовательный эффект появляется только там, где пользователь не просто получает результат, а проходит через серию осмысленных шагов — задает входные данные, выбирает структуру, уточняет параметры и редактирует промежуточные версии.

В этой системе ИИ становится средой, которая управляет вниманием ^[3] и заставляет пользователя оставаться в процессе. И тогда главный продуктовый вопрос при разработке образовательного ИИ меняется с «как быстрее дать ответ» на «как выстроить такой процесс, в котором пользователь не сможет просто нажать кнопку и исчезнуть из задачи».

В Кэмпе ^[1] мы стараемся строить ИИ не как «генератор готового ответа», а как среду, где пользователь остаётся внутри процесса. Для нас это не просто UX, а часть образовательной логики продукта: понимание появляется тогда, когда пользователь видит связь между своими действиями и итоговым результатом, а ИИ перестаёт быть «чёрным ящиком».