Что уже работает: практики LXD & AI
Образовательные задачи, которые уже воспроизводит рынок корпоративных платформ.
Когда генеративный ИИ стал массово доступен, L&D-команды оказались под давлением с двух сторон: бизнес спускает задачу «внедрить ИИ в обучение», а рынок за несколько месяцев наполняется сотнями продуктов, каждый из которых обещает революцию.
Вместе с продуктами пришли вопросы — не технические, а методологические. Что именно мы внедряем? Как это работает? Чем ИИ-инструмент для обучения отличается от электронного курса или симуляции? Эта статья — попытка дать рабочую рамку для ответа.
РАЗДЕЛ 01 Неправильный вопрос и старый спор
Исходная гипотеза
Моя первоначальная гипотеза звучала так: ИИ — это новый метод обучения. Или, точнее, новая педагогическая технология, как e-learning в 2000-х или мобильное обучение в 2010-х. Задача методиста — разобраться, при каких условиях этот «метод» работает лучше других.
Оказалось, я натолкнулась на спор, которому уже несколько десятилетий.
Кларк против Козмы, 1994
Этот спор не устарел. В 2023–2025 годах он воспроизводится заново — но уже вокруг ChatGPT и генеративного ИИ. Кларкианцы говорят: если педагогический подход не меняется, ИИ ничего не даст. Козмианцы отвечают: персонализация в реальном времени — это функциональная возможность, которой у учебника никогда не было.[1]
Кларк и Козма спорят о том, что такое ИИ как медиум. Это важный вопрос, но не единственный. Исследователи, пришедшие после них, задали другой: а что если ИИ — это не медиум вообще?
РАЗДЕЛ 02 Три голоса и рабочая рамка
Почему тупик оказался продуктивным
Когда спор о медиуме зашёл в тупик, появились три голоса, которые в совокупности сдвинули рамку.
Все три голоса указывали в одну сторону. И постепенно сложилось рабочее понимание, с которым я иду дальше.
ИИ в обучении — это педагогический агент: система, которая берёт на себя одну или несколько ролей в учебном процессе и взаимодействует с обучающимся напрямую, воспроизводя функции живого педагога. Рабочая рамка статьи
Агентом ИИ становится не автоматически. Sonkar et al. (EMNLP 2024) показали: языковые модели без специальной педагогической настройки просто выдают готовые ответы — и никакой педагогической функции не выполняют. Агент получается только тогда, когда система спроектирована под конкретную роль.[5]
РАЗДЕЛ 03 Типологии: что говорят исследователи
Зачем нужны роли — и какие результаты они дают
Прежде чем говорить о конкретных ролях, нужно ответить на вопрос, который хороший методист задаст первым: а для достижения каких образовательных результатов они вообще существуют?
Систематический обзор Казанчи-Ябановой (EDUPIJ, 2023), изучивший 39 исследований по ИИ в корпоративном обучении, предлагает четырёхмерную классификацию результатов[7]:
Разные роли ИИ активируют разные образовательные изменения. Понять роли — значит понять, какие результаты корпоративное обучение вообще может получить с помощью ИИ.
Типология 1. Holmes, Bialik & Fadel: роли как функции системы
В книге «Artificial Intelligence in Education» авторы смотрят на функцию ИИ в образовательной системе в целом[8]. Четыре ключевые роли: personaliser (адаптирует путь по данным о прогрессе), assessor (оценивает и объясняет, а не просто ставит оценку), facilitator (мониторит групповую активность) и administrator (системные задачи — авторы сами признают, что это не педагогическая роль).
Holmes et al. — единственный из рассматриваемых источников, кто последовательно предупреждает об «EdTech solutionism»: тенденции видеть в технологии панацею, игнорируя педагогический контекст и роль живого педагога.
Типология 2. Mollick & Mollick: семь режимов взаимодействия
Профессора Уортонской школы бизнеса предложили практическую типологию для учебных программ. Их угол — не что делает агент, а что делает студент в каждом режиме[9].
Седьмая роль (AI-tool) намеренно вынесена за рамки — это технический режим без образовательной задачи для конкретного обучающегося.
РАЗДЕЛЫ 04–07 Четыре зоны задач
Разные роли ИИ решают разные педагогические задачи. Выберите зону — откроется разбор механизма и примеры решений с рынка.
Новичок, которому нужно разобраться в продукте за неделю. Опытный сотрудник, получивший новую зону ответственности. Кто угодно, кто задаёт вопрос «что мне нужно знать?» — не «покажи пункт 4.3», а именно так.
Тьютор работает в парадигме AI‑directed (Ouyang & Jiao, 2021)[10]: ИИ выступает носителем структурированного знания и ведёт обучающегося через материал, адаптируя объяснение под запрос.
Bloom (1984) показал, что индивидуальный тьютор даёт результат на 2σ выше группового обучения — знаменитая «проблема двух сигм»[11]. ИИ-тьютор — первый реальный шанс масштабировать этот эффект.
Два подтипа: тьютор-объяснитель работает внутри курса, отвечает на вопросы по материалу; тьютор-навигатор работает поверх корпоративной базы знаний, помогает найти нужное и понять, как применить.
-
Встраивает чат-бота в каждый курс: обучающийся задаёт вопрос по материалу, ИИ отвечает строго на основе содержания — не галлюцинирует, не уходит в сторону.
-
Строит всё обучение как диалог в мессенджере (Telegram, Slack, WhatsApp): онбординг, FAQ, микрообучение. Обучающийся взаимодействует не с курсом, а с собеседником.
-
Наиболее яркий пример тьютора-навигатора: AI-платформа поверх корпоративной базы знаний с настроенными ассистентами для HR, L&D, sales, legal. Находит ответы с цитатами и ссылками на источники.
Качество базы знаний. Тьютор ровно настолько хорош, насколько хороши источники. Устаревшие регламенты — хаос с уверенным видом. Внедрение часто становится поводом для аудита контента, и этот побочный эффект бывает ценнее самого инструмента.
Граница между тьютором и справочником. Если ИИ просто выдаёт цитату — это поиск. Педагогическая ценность появляется, когда система адаптирует ответ: объясняет своими словами, приводит пример, уточняет контекст.
Сотрудник сделал задание — написал ответ на кейс, сформулировал план переговоров. И дальше: ждёт, пока методист проверит 200 ответов, или получает галочку «принято» без разбора. Оценщик нужен, когда задача — дать содержательный фидбек каждому.
У Mollick & Mollick это роль AI-mentor: ИИ даёт формирующую обратную связь по конкретной работе. Три компонента (по Wiliam, 2011): feed-up (цели), feedback (текущий прогресс), feed-forward (что дальше). Принципиально: фидбек даётся по ходу работы, а не в конце.
С точки зрения EDUPIJ оценщик работает на два измерения: когнитивное — диагностирует, где понимание неполное; поведенческое — запускает петлю коррекции: сделал → получил разбор → переделал → получил новую оценку.
-
Специализированный ИИ-оценщик на базе NLP. Анализирует открытые текстовые ответы: синтаксис, семантика, концептуальная глубина. Ведёт адаптивный диалог — задаёт уточняющие вопросы, указывает на пробелы в аргументации.
-
Российская платформа: автоматическая проверка с разбором ошибок, генерация «бесконечных задач» с варьируемой сложностью. Внедрён в РАНХиГС, МЭИ, академиях Росатома и Газпрома.
-
AI-куратор внутри платформы GetCourse: анализирует ответ, сверяет с эталоном, требует доработки с пояснением. Ограничение: работает только внутри экосистемы GetCourse.
Качество эталона. Оценщик работает ровно настолько точно, насколько чётко прописано, что считается правильным ответом. Это методическая работа «на входе» — без неё инструмент не запустится.
Доверие к решениям ИИ. Рабочая модель: ИИ как «первый проверяющий», человек — финальная инстанция для критических заданий. Полная автоматизация без контроля пока остаётся зоной риска.
Менеджер знает скрипт продаж наизусть — но теряется, когда клиент уходит от сценария. Оператор прошёл курс — но на первом реальном звонке всё забывает. Разрыв не в знании — в отсутствии практики.
Ролевая игра как метод существует десятилетия. ИИ не изобретает новый метод — он снимает три системных ограничения старого формата: масштаб (один тренер не может работать с 500 людьми), доступность (практика в любое время) и консистентность (оценивает по единым критериям, без субъективности и усталости).
-
Гиперреалистичные голосовые и чат-симуляции для контакт-центров. ИИ имитирует звонок клиента, анализирует тон, темп, соблюдение протокола в реальном времени.
-
ИИ-аватары для отработки продаж. Платформа принимает любые материалы (плейбуки, записи звонков) и генерирует сценарии ролевых игр.
-
Российское решение для тренировки переговоров. Отличительная черта — ИИ-анализ эмоций и турнирный формат между сотрудниками.
Из 25 исследованных решений 11 включают симуляции как ключевую функцию — почти все сфокусированы на продажах. ИИ-симуляции для soft skills, управленческих и кросс-функциональных навыков пока остаются нишей.
Качество «брифа» для ИИ-агента — главный фактор успеха. Без методической проработки тренажёр превращается в «ещё одну платформу с видео и тестами».
Менеджер прошёл программу лидерства, получил фидбек 360, поставил цели. Через три месяца — всё по-старому. Один коуч работает с 15–20 клиентами. Для компании с тысячей менеджеров — либо непропорциональные затраты, либо отказ от коучинга для большинства.
Ключевое отличие от симулятора: симулятор создаёт учебную среду, коуч работает в рабочей среде — встроен в повседневный контекст сотрудника. В отличие от тьютора, который ждёт вопроса, коуч может инициировать контакт сам: напомнить о цели, предложить рефлексию после события.
Коуч помнит контекст предыдущих взаимодействий и выстраивает непрерывную линию развития — не набор отдельных чат-сессий, а сопровождение во времени.
-
Наиболее зрелая реализация на рынке: коучинговые диалоги, подготовка к сложным разговорам, рефлексия после событий, трекинг целей. Живёт внутри Microsoft Teams.
-
Включают элементы коучинга — аналитику, рекомендации — но как надстройку над симуляциями, а не как самостоятельную функцию.
Из 25 исследованных решений только одно (Nadia) реализует эту роль как основную. Самая технически сложная роль — требует памяти, неструктурированного диалога и понимания индивидуального контекста. С появлением LLM с долгосрочной памятью категория будет расти быстрее других.
РАЗДЕЛ 08 Роли, которых нет на рынке в чистом виде
Две из семи ролей Mollick & Mollick не представлены в нашем обзоре как самостоятельные продукты. Это не упущение выборки — это содержательное наблюдение.
Исключение, достойное внимания: 360Learning Smart Review — режим, в котором обучающийся оценивает ответ ИИ и находит ошибки. Это ближайшая к роли AI-Ученика реализация в корпоративном продукте — и показательно, что она встроена не как отдельный формат, а как элемент проверки понимания.
ЧАСТЬ 4 С чего начать?
Демо корпоративных ИИ-платформ умеют производить впечатление. Но вопрос «какой инструмент выбрать» — это уже второй вопрос. Первый: что именно должно измениться у сотрудника?
Не понимает, не может найти нужное → тьютор
Делает задания, но фидбека нет или он некачественный → оценщик
Знает, но навык не отработан → симулятор
Не переносит знание в ежедневную работу → коуч
Что нужно подготовить до внедрения
У каждой роли есть свой входной материал — и без него инструмент просто не заработает.
- Тьютору нужна актуальная и структурированная база знаний. Если внутренние документы устарели — ИИ воспроизведёт этот хаос с уверенным видом.
- Оценщику нужны рубрики и эталонные ответы — без них непонятно, что считать правильным.
- Симулятору нужно описание идеального исхода: какие возражения отрабатывать, по каким критериям оценивается разговор, кто обновляет сценарии.
- Коучу нужна лидерская модель компании — без неё советы будут настолько универсальными, что сотрудники перестанут их воспринимать.
Пилот: один сценарий, 4–8 недель
Самое простое — выбрать один сценарий, где боль уже известна. Не «внедряем ИИ в обучение», а конкретнее: онбординг продавцов буксует, потому что тренер не успевает отработать возражения с каждым. Или методист тратит 10 часов в неделю на проверку заданий. Возьмите именно это, добавьте метрику до и после, запустите на 20–50 участниках — и через 4–8 недель будет реальный разговор с цифрами.
ИИ-тьютор или навигатор по базе знаний можно собрать самостоятельно — на базе ChatGPT, Claude или любого LLM с подключением к внутренним документам. Это быстрее, дешевле и иногда точнее попадает в контекст компании, чем универсальная платформа с годовым контрактом.
Три вопроса перед выбором продукта
- Какую педагогическую роль реализует этот инструмент как основную?
- Есть ли у нас входной материал для этой роли?
- Как измерим результат через 8 недель?