Stanford_AI Index_2026 (423 pgs).pdf
Stanford AI Index 2026 — что взять на вооружение работнику образования
Отчет довольно большой, но весь он нам не нужен. Поэтому, предлагаю сразу переместиться в раздел 7 «Education».
Да, Россия в отчёте не упоминается. Но тренды общие и добегают до нас быстро.
Что из отчета полезно менеджеру образовательных продуктов:
1. Ученики и студенты массово используют AI (80%), но структурированного образования всё еще мало. Я вижу короткие курсы и интенсивы, как сгенерить различные медиа, а вот программы, которые помогают методически встроить AI в учёбу, а не запретить его — кажутся незакрытой нишей.
2. Авторы вводят рамку, которую можно использовать не только продакту в позиционировании, но и методисту при проектировании (рис. 7.1.1, стр. 291):
— AI in Education — использование AI для обучения (инструменты, ассистенты)
— AI Literacy — понимание, как AI работает, риски, критическое мышление
— AI Education — технические навыки создания AI-систем
Большинство российских продуктов смешивают это в кашу. Эта рамка поможет чётче позиционировать продукт в одной из категорий и выстроить понятную пользователю и заказчику матрицу.
3. Если вы работаете со школами, вам будет интересно прочитать про модель Китая и ОАЭ (стр. 318). Можно «провалиться» по ссылкам и посмотреть, как коллеги формулируют руководства по использованию ИИ в школах — и адаптировать под российские реалии.
4. Стоит обратить внимание на нишу teacher training, поскольку учителя остаются узким местом в системе AI-образования. Из исследования видно, что только 6% учителей считают политику своей школы по AI ясной и понятной. Думаю, в России картинка будет похожей. Поэтому, если ваша ЦА — педагоги — в первую очередь надо закрывать спрос на чёткие правила, сценарии, примеры заданий с AI и без.
5. Для тех, кто работает со взрослыми: по данным LinkedIn, в большинстве стран навыки AI Literacy (промпты, работа с инструментами) растут быстрее инженерных. Для России продукты для «не-разработчиков» (менеджеры, аналитики, HR) — это самый быстрорастущий сегмент. Именно туда стоит смотреть в первую очередь, если хочется масштаба.
Что из отчета будет интересно методисту:
Anthropic проанализировал, как студенты используют Claude: 39.8% — создание, 30.2% — анализ, 10.9% — применение, 10% — понимание.
Это значит: если вы даёте задание на анализ или синтез без дополнительного контекста — студент скорее всего просто отдаст его AI. Чтобы этого не происходило, задание на верхний уровень таксономии должно опираться на персонализированный контекст, который есть только у студента: его интервью, его данные, его опыт.
Например: не «проанализируй кейс», а «проанализируй кейс, используя данные из интервью, которое ты провёл сам».
И ещё: явно прописывайте в заданиях, где AI допустим и как именно.
Мы с вами живём во время больших возможностей и нехватки правил. Как вы объясняете студентам "выгоды" учиться самому?
https://t.me/Educ_Research
Отчет довольно большой, но весь он нам не нужен. Поэтому, предлагаю сразу переместиться в раздел 7 «Education».
Да, Россия в отчёте не упоминается. Но тренды общие и добегают до нас быстро.
Что из отчета полезно менеджеру образовательных продуктов:
1. Ученики и студенты массово используют AI (80%), но структурированного образования всё еще мало. Я вижу короткие курсы и интенсивы, как сгенерить различные медиа, а вот программы, которые помогают методически встроить AI в учёбу, а не запретить его — кажутся незакрытой нишей.
2. Авторы вводят рамку, которую можно использовать не только продакту в позиционировании, но и методисту при проектировании (рис. 7.1.1, стр. 291):
— AI in Education — использование AI для обучения (инструменты, ассистенты)
— AI Literacy — понимание, как AI работает, риски, критическое мышление
— AI Education — технические навыки создания AI-систем
Большинство российских продуктов смешивают это в кашу. Эта рамка поможет чётче позиционировать продукт в одной из категорий и выстроить понятную пользователю и заказчику матрицу.
3. Если вы работаете со школами, вам будет интересно прочитать про модель Китая и ОАЭ (стр. 318). Можно «провалиться» по ссылкам и посмотреть, как коллеги формулируют руководства по использованию ИИ в школах — и адаптировать под российские реалии.
4. Стоит обратить внимание на нишу teacher training, поскольку учителя остаются узким местом в системе AI-образования. Из исследования видно, что только 6% учителей считают политику своей школы по AI ясной и понятной. Думаю, в России картинка будет похожей. Поэтому, если ваша ЦА — педагоги — в первую очередь надо закрывать спрос на чёткие правила, сценарии, примеры заданий с AI и без.
5. Для тех, кто работает со взрослыми: по данным LinkedIn, в большинстве стран навыки AI Literacy (промпты, работа с инструментами) растут быстрее инженерных. Для России продукты для «не-разработчиков» (менеджеры, аналитики, HR) — это самый быстрорастущий сегмент. Именно туда стоит смотреть в первую очередь, если хочется масштаба.
Что из отчета будет интересно методисту:
Anthropic проанализировал, как студенты используют Claude: 39.8% — создание, 30.2% — анализ, 10.9% — применение, 10% — понимание.
Это значит: если вы даёте задание на анализ или синтез без дополнительного контекста — студент скорее всего просто отдаст его AI. Чтобы этого не происходило, задание на верхний уровень таксономии должно опираться на персонализированный контекст, который есть только у студента: его интервью, его данные, его опыт.
Например: не «проанализируй кейс», а «проанализируй кейс, используя данные из интервью, которое ты провёл сам».
И ещё: явно прописывайте в заданиях, где AI допустим и как именно.
Мы с вами живём во время больших возможностей и нехватки правил. Как вы объясняете студентам "выгоды" учиться самому?
https://t.me/Educ_Research