Искусственный интеллект в образовании и управлении компетенциями: концепция адаптивного распределения интеллектуальных функций

Институт математических исследований сложных систем МГУ имени М. В. Ломоносова предлагает к научно-академическому обсуждению концептуальный подход к применению искусственного интеллекта в образовании и управлении компетенциями. В центре подхода — не многоагентность как самоцель, а выбор минимально достаточного исполнительного механизма для каждой функции: от традиционной автоматизации и одиночной ИИ-системы до функционально специализированной группы агентов и человеко-машинной команды.

Основная постановка. Для образования важен не максимальный уровень автономности ИИ и не максимальное количество агентов, а соответствие интеллектуальной архитектуры структуре реальной функции, цене ошибки, требованиям к данным, доказательности, безопасности и человеческой ответственности.

Предлагаемый подход находится на стадии научной Концепции. Он не является завершённым отчётом НИР, нормативной моделью или техническим заданием на внедрение. Его назначение — сформулировать предмет междисциплинарной дискуссии достаточно определённо, чтобы основные гипотезы можно было сопоставлять с альтернативами, экспериментально проверять, уточнять и при отсутствии подтверждения отвергать.

1. От использования ИИ к новой постановке образовательной задачи

Современная образовательная система развивается в условиях принципиального различия скоростей. Научные направления, цифровые технологии, инструменты разработки и профессиональные функции способны существенно изменяться за несколько лет, а в отдельных областях — за месяцы. Формирование образовательных требований, программ, учебно-методических материалов, инфраструктуры и преподавательских компетенций представляет собой существенно более длительный цикл.

Поэтому объектом управления всё чаще должна становиться не только образовательная программа как документ, но и система взаимосвязей между изменениями технологий, профессиональными функциями, компетенциями, образовательными результатами, фактическими доказательствами освоения и последующей профессиональной практикой.

научно-технологические и социально-экономические изменения → профессиональные функции → компетенции → образовательные результаты → программы и учебная деятельность → подтверждённые достижения → профессиональные результаты → обратная связь → проверка качества исходного прогноза → корректировка.

Функционирование такого контура требует регулярного анализа научных публикаций, патентов, стандартов, нормативных требований, технологических продуктов, изменений рынка труда, профессиональных практик и образовательных программ. Искусственный интеллект способен повысить аналитическую производительность этой работы, однако простая замена человека универсальным чат-интерфейсом не решает проблему архитектурно.

2. Центральный принцип: минимально достаточный интеллектуальный механизм

Концепция исходит из того, что многоагентность не является универсально более высокой ступенью развития образовательного ИИ. Количество агентов само по себе не свидетельствует ни о качестве обучения, ни о надёжности системы.

Такой принцип можно определить как адаптивную интеллектуальную оркестрацию: система должна выбирать не максимальное количество интеллектуальных компонентов, а минимально достаточную конфигурацию, обеспечивающую требуемое качество при приемлемых рисках и стоимости.

3. Замкнутый контур управления компетенциями

Предлагаемый интеллектуальный слой имеет смысл только внутри более широкой модели непрерывного управления компетенциями. Такая модель должна включать определение научно-технологических и институциональных приоритетов; мониторинг изменений науки, технологий и профессиональной деятельности; формирование или уточнение требований к компетенциям; преобразование компетенций в образовательные результаты и программы; получение наблюдаемых доказательств освоения; анализ профессиональных и образовательных результатов; проверку качества первоначального прогноза и последующую корректировку.

Принципиально важно наличие этапа проверки самого прогноза. Ошибка технологического или кадрового прогноза должна обнаруживаться и становиться основанием для пересмотра исходной модели. ИИ в таком контуре рассматривается как аналитический и исполнительный слой, но не как самостоятельный субъект образовательного целеполагания.

4. Где многоагентная архитектура представляет научный интерес

Предварительный анализ современной исследовательской литературы позволяет выделить несколько классов задач, где функциональное разделение интеллектуальной деятельности имеет наиболее содержательные основания.

• Совместное решение задач и социальное обучение. В такой деятельности естественно возникают функции эксперта, помощника, критика, оппонента и проверяющего. Прямые сравнительные исследования 2026 года показывают положительные результаты многоагентной поддержки в отдельных сценариях совместного решения задач.
• Аргументация и независимая критика. Для истории, права, экономики, стратегического анализа, инженерного проектирования, этики и кибербезопасности полезность может создавать наличие нескольких аргументированных позиций, которые обучающийся обязан сопоставить самостоятельно.
• Многоисточниковый мониторинг. Научные публикации, патенты, стандарты, нормативные документы, продукты, рынок труда и образовательные программы могут анализироваться специализированными контурами параллельно с последующей независимой проверкой.
• Интеллектуальный аудит образовательных программ. Отдельные функции могут извлекать результаты обучения, сопоставлять их с компетенциями, обнаруживать пробелы и дублирование, проверять пререквизиты и готовить доказуемый отчёт для эксперта.

5. Где усложнение архитектуры может быть неоправданным

Научная добротность требует обсуждать не только предполагаемые преимущества, но и границы применимости. Современные исследования агентных систем показывают, что увеличение числа агентов не гарантирует улучшения результата. Для последовательных задач с единым длинным контекстом координация может создавать потери контекста и дополнительные ошибки. Для стабильных административных процедур традиционная автоматизация остаётся более прозрачной и дешёвой. Для простого репетиторского взаимодействия один педагогически спроектированный ИИ может оказаться достаточным.

Для многих образовательных функций наиболее серьёзной сравнительной моделью должен считаться не просто «один ИИ», а человек, усиленный одним качественным ИИ-инструментом. Полевое исследование Tutor CoPilot показывает, что интеллектуальная поддержка человеческого наставника способна улучшать результаты обучающихся без передачи ИИ окончательной педагогической ответственности. OECD в Digital Education Outlook 2026 отдельно подчёркивает различие между качеством продукта, выполненного с помощью ИИ, и обученностью самого человека.

6. Семантическое ядро важнее конкретного агента

Распределённая интеллектуальная система не может быть устойчивой, если разные компоненты используют несовместимые представления о компетенциях, образовательных результатах и доказательствах освоения. Поэтому более фундаментальным объектом проектирования является машиночитаемая семантическая модель компетенций.

В минимальном варианте она должна различать технологическую область, профессиональную функцию, компетенцию, знания и навыки, уровень освоения, пререквизиты, образовательный результат, учебную деятельность, оценочное задание, доказательство результата, образовательный модуль, профессиональный контекст, источник требования и версию.

Между этими объектами должны существовать явные отношения: что требуется; что является пререквизитом; где и каким образом формируется результат; чем он оценивается; каким фактом подтверждается; в какой профессиональной функции применяется; из какого требования происходит; какая версия действовала на конкретную дату.

Фундаментальная формула Концепции: онтология важнее агента; полномочия важнее текстовой инструкции; доказательство важнее генерации; оркестрация важнее количества агентов; человеческая субъектность важнее автономности.

7. Данные об обучающемся: ограниченная модель состояния освоения

Персонализация образовательного процесса не требует создания одной универсальной базы «всего, что система знает о человеке». Более обоснованной представляется ограниченная динамическая модель состояния освоения компетенций: подтверждённые результаты, связанные доказательства, освоенные пререквизиты, выявленные пробелы, устойчивые типы ошибок, выполненные образовательные действия и версия компетентностной модели.

8. Полномочия ИИ должны быть формализованы

Фраза «ты — агент-преподаватель», «ты — эксперт» или «ты — экзаменатор» в текстовой инструкции модели не создаёт реальных полномочий. Если интеллектуальный компонент способен обращаться к данным, использовать внешние инструменты, делегировать задачи или инициировать изменение записи, его мандат должен быть формализован.

• идентичность компонента и его владелец;
• назначение, разрешённые и запрещённые функции;
• доступные категории данных и инструменты;
• права чтения, предложения изменения и записи;
• пределы делегирования;
• ресурсный бюджет и срок полномочий;
• условия обязательной передачи решения человеку;
• порядок отзыва полномочий и требования к журналированию;
• версии модели и политик.

NIST в 2026 году выделил стандартизацию ИИ-агентов в отдельное направление, уделив особое внимание интероперабельности, идентификации, аутентификации и авторизации. Для образовательной системы это означает принципиальную вещь: техническая способность выполнить действие не должна автоматически означать право это действие выполнять.

9. Человеческий контроль должен зависеть от последствий решения

Формула «человек остаётся в контуре» недостаточна, если не определено, кто именно принимает решение, на каком этапе он подключается, может ли изменить рекомендацию системы и несёт ли реальную ответственность.

10. Не самоизменяющаяся, а контролируемо эволюционирующая система

Перспективным представляется перенос в образование принципов управляемого жизненного цикла интеллектуальных систем. Речь идёт не о самостоятельном изменении системой образовательных целей и правил, а о контролируемом цикле:

наблюдение результатов → обнаружение проблемы → предложение изменения → независимая научная, педагогическая, правовая и техническая проверка → ограниченный пилот → решение уполномоченного человека или института → новая версия → мониторинг → возможность отката.

11. Международная практика: направление формируется, но окончательных ответов ещё нет

Систематический обзор 2026 года по ИИ-агентам в компьютерно поддерживаемом совместном обучении анализирует 46 эмпирических исследований 2014–2025 годов. Более широкий обзор генеративного агентного ИИ в образовании систематизировал 474 работы, опубликованные с января 2020 по май 2026 года, одновременно указав на неоднородность педагогической теоретической базы и недостаток длительной полевой валидации.

Одновременно появляются крупные эксплуатационные кейсы. В Китае первая группа образовательных ИИ-агентов интегрирована в государственную платформу Smart Education of China; Xi’an Jiaotong-Liverpool University развивает университетскую платформу с классификацией агентов по педагогическим функциям. В России ИТМО и Институт AIRI в 2026 году открыли лабораторию «Мультиагентный интеллект и адаптивные системы».

Эти примеры требуют различать два независимых измерения: доказательную зрелость — насколько причинно подтверждено преимущество относительно альтернативы — и эксплуатационную зрелость — насколько решение масштабировано, сопровождается, контролируется и устойчиво работает в реальной среде.

12. Что пока не доказано и как это следует проверять

На существующей доказательной базе преждевременно утверждать, что многоагентная архитектура в общем случае превосходит одну сильную специализированную ИИ-систему; что увеличение числа агентов само по себе улучшает обучение; что автономный ИИ-преподаватель предпочтительнее преподавателя, использующего ИИ; что многоагентность экономически оправдана для всех массовых сценариев; либо что полностью автономное обновление образовательных программ является педагогически и организационно оправданным.

Масштабирование не должно быть автоматическим продолжением пилота. Основаниями для остановки или переработки должны считаться отсутствие измеримого эффекта, отсутствие преимущества перед более простой архитектурой, несоразмерная стоимость, ухудшение самостоятельного результата человека, рост зависимости от ИИ, потеря происхождения решения, критический инцидент безопасности или ситуация, в которой человек фактически превращается в формального «подписанта» машинного решения.

Вопросы для научной дискуссии

1. Для каких образовательных и управленческих функций специализация нескольких интеллектуальных компонентов действительно создаёт измеримое преимущество?
2. Какая таксономия задач необходима для обоснованного выбора между алгоритмом, одиночным ИИ, группой агентов и человеко-машинной системой?
3. Возможно ли создать машиночитаемую модель компетенций, не редуцируя сложное содержание образования до формального перечня признаков?
4. Как отделить качество продукта, созданного человеком с помощью ИИ, от компетенции, сформированной у самого человека?
5. Какие данные действительно необходимы для персонализации, а какие создают избыточное профилирование?
6. Как должны быть формализованы идентичность, полномочия, ответственность и пределы делегирования интеллектуальных агентов?
7. Какие образовательные функции допускают автономность ИИ, а какие требуют обязательного профессионального или институционального решения человека?
8. Какой уровень доказательности необходим для перехода от эксперимента к университетскому пилоту и далее — к эксплуатации?
9. Как оценивать ошибочность технологического и кадрового прогноза и своевременно корректировать модель компетенций?
10. Как обеспечить технологическую нейтральность и возможность смены моделей, платформ и поставщиков?
11. Какие новые угрозы возникают в многоагентных архитектурах и какие критические ограничения должны применяться вне вероятностного поведения модели?
12. Какая организационная модель наиболее пригодна для совместных межвузовских исследований и сравнительных пилотов?

ИМИСС МГУ приглашает к научному сотрудничеству

Представленный материал не претендует на завершение дискуссии. Его назначение — сформулировать предмет дальнейшего междисциплинарного исследования достаточно определённо, чтобы предложенную архитектуру можно было профессионально критиковать, сопоставлять с альтернативами и экспериментально проверять.

ИМИСС МГУ открыт к взаимодействию с научными коллективами и исследовательскими институтами, университетами, специалистами в области педагогики и наук об обучении, искусственного интеллекта и многоагентных систем, инженерии знаний и онтологий, образовательной аналитики и оценивания, кибербезопасности и доверенного ИИ, права и регулирования цифровых технологий, а также с образовательными, технологическими и отраслевыми организациями, заинтересованными в совместной научной постановке и проверке рассматриваемых гипотез.

Предметом сотрудничества могут стать научная рецензия и критика Концепции; уточнение понятийного аппарата; формирование междисциплинарной программы НИР; обмен экспериментальными данными; разработка таксономии образовательных и управленческих задач; исследование моделей компетенций; проектирование сравнительных экспериментов; формирование требований к доказательности, безопасности и человеческому контролю; организация университетских пилотов; совместные семинары и публикации.

Особый интерес представляют не только результаты, подтверждающие предложенные положения, но и исследования, противоречащие исходным гипотезам или показывающие преимущество более простых архитектур.

Предложения по научному взаимодействию и участию в обсуждении: info@imiss.msu.ru.

Краткая библиография и научно-технические ориентиры

1. OECD. OECD Digital Education Outlook 2026: Exploring Effective Uses of Generative AI in Education. OECD Publishing, 2026.
2. A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw. Computers & Education: Artificial Intelligence, 2026. DOI: 10.1016/j.caeai.2026.100653.
3. Artificial intelligence agents in computer-supported collaborative learning: A systematic literature review. Computers & Education: Artificial Intelligence, 2026. DOI: 10.1016/j.caeai.2026.100579.
4. Zheng L., Shi Z., Gao L. A generative artificial intelligence-enhanced multiagent approach to empowering collaborative problem solving across different learning domains. Computers & Education, 2026, vol. 241, 105489.
5. Kumar H., Mu Z. K., Vincentius J., Anderson A. Beyond the AI Tutor: Social Learning with LLM Agents. Preprint, 2026.
6. Wang R. E., Ribeiro A. T., Robinson C. D., Loeb S., Demszky D. Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise. EdWorkingPaper, 2025.
7. Google Research. Towards a Science of Scaling Agent Systems: When and Why Agent Systems Work. 2026.
8. NIST. AI Agent Standards Initiative. 2026.
9. 1EdTech Consortium. Competencies and Academic Standards Exchange (CASE).
10. W3C. Verifiable Credentials 2.0. W3C Recommendation, 2025.
11. Ministry of Education of the People’s Republic of China. Smart Education of China: higher-education AI agents, 2026.
12. ИТМО; Институт AIRI. Лаборатория «Мультиагентный интеллект и адаптивные системы», 2026.

Справочно

Институт математических исследований сложных систем МГУ имени М. В. Ломоносова (ИМИСС МГУ) развивает исследования в области математических методов сложных систем, инженерии знаний и онтологий, доверенного искусственного интеллекта, интеллектуальных систем поддержки решений, социально-экономического моделирования и современного образования.

Основная позиция, предлагаемая к обсуждению: интеллектуальная архитектура должна следовать структуре функции. Там, где достаточно алгоритма, не нужен ИИ; там, где достаточно одного специализированного ИИ, не требуется многоагентность; там, где деятельность действительно многоролевая, многоисточниковая или требует независимой проверки, функциональная специализация может стать предметом сравнительного исследования. Решения, затрагивающие существенные права, квалификацию и цели образования, должны сохранять определённую человеческую и институциональную ответственность.