Высшее образование до и после появления искусственного интеллекта
Денисов И.В.1 
1 Московский городской университет управления Правительства Москвы, Москва, Россия
Скачать PDF | Загрузок: 4
Статья в журнале
Лидерство и менеджмент (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 13, Номер 2 (Февраль 2026)
Аннотация:
Статья посвящена анализу трансформации высшего образования под влиянием технологий искусственного интеллекта. Актуальность исследования обусловлена интенсивным внедрением генеративного искусственного интеллекта в академическую среду, что порождает дискуссии о будущем традиционных педагогических моделей. В работе проверяется гипотеза о том, что искусственный интеллект выступает не разрушительной силой, а новым интеллектуальным инструментом, способным усилить существующие образовательные практики. На основе сравнительного анализа и метода кейс-стади исследованы изменения в целеполагании, ролях преподавателя и студента, методах обучения и оценивания, а также управленческие ответы вузов. Результаты подтверждают двойственное влияние искусственного интеллекта: с одной стороны, отмечается его позитивный вклад в успеваемость и развитие навыков высшего порядка, с другой – выявлены риски роста образовательного неравенства. Ключевым выводом является необходимость совмещения системы образования, в которой центральную роль играет профессор (преподаватель), передающий знания студентам с интеграцией искусственного интеллекта в деятельность как обучающего, так и обучающихся. Успех университета в целом зависит от способности выстроить сбалансированную систему, в которой новый инструмент служит развитию человеческого потенциала
Ключевые слова: высшее образование, искусственный интеллект, генеративные модели, управление университетом, цифровая трансформация, образовательные результаты
JEL-классификация: I23, O33, C87, M12, D61
Введение
К концу первой четверти XXI века система высшего образования представляла собой результат длительной эволюции, адаптировавшейся к вызовам глобализации и цифровизации. Несмотря на широкое внедрение новых технологий, ядро образовательного процесса сохранялось антропоцентричным, где ключевая роль отводилась взаимодействию профессора (преподавателя) и студента. Появление и интеграция технологий искусственного интеллекта (ИИ), в том числе генеративных моделей, стало закономерным этапом в развитии инструментария познания, сопоставимым по своему значению с появлением печатного станка или всеобщим доступом к цифровым базам данных [1].
В данной статье мы рассматриваем гипотезу о том, что ИИ не является той силой, которая способна подорвать основы образования, а скорее может рассматриваться как качественно новый, высокоэффективный научный инструмент. Он может и вероятно должен быть встроен в существующие педагогические модели, поскольку способен усиливать интеллектуальные возможности как преподавателя, так и обучающегося.
Представления о высшем образовании, сложившиеся к концу первой четверти XXI века
К середине 2020-х годов сформировалась устойчивая модель, в которой высшее образование понималось как процесс целенаправленного формирования компетенций под руководством «профессора» (эксперта-преподавателя) [7]. Данный подход, фокусирующийся на результате, утвердил идею о том, что ценность университета заключается не только в передаче знаний, но и в развитии критического мышления, способности к решению сложных задач и социальных навыков, что достигается прежде всего через межличностное взаимодействие в академической среде [8].
То, что это именно так продемонстрировали результаты «эксперимента», проведенного над системой высшего образования в период пандемии COVID-19, когда студенты в аудитории «превратились» в черные бессловесные квадратики на экране компьютера преподавателя [16].
Концепция непрерывного образования укрепила позиции преподавателя как навигатора и ментора, помогающего студенту выстраивать индивидуальную образовательную траекторию в течение жизни. Таким образом, несмотря на все изменения, центральной фигурой, гарантирующей качество и глубину образовательного процесса, оставался и в этой статье мы попробуем доказать, что остается квалифицированный профессор-преподаватель.
Существующие к этому времени технологии передачи знаний
К началу второй четвери XXI века высшая школа активно использовала широкий спектр цифровых технологий, которые стали неотъемлемой, но подчиненной частью педагогического процесса. Системы управления обучением (LMS), массовые открытые онлайн-курсы (МООК), платформы для видеоконференций и совместной работы выполнили важнейшую функцию по цифровизации и демократизации доступа к учебным материалам и экспертизе [9]. Эти технологии оптимизировали логистику образования, обеспечивая хранение, распространение и базовое взаимодействие вокруг контента, созданного человеком. Однако их роль была строго вспомогательной: они выступали в качестве расширения аудитории, канала связи или цифрового архива, но не могли заменить собой содержательную, мотивирующую и оценивающую функцию преподавателя. По своей сути, они представляли собой эволюционное развитие библиотеки, лектория и почты, но не интеллектуального партнера [30].
Модели высшего образования
Институциональное поле высшего образования ко второй четверти XXI века представляло собой плюралистичное пространство, где сосуществовали и конкурировали несколько ключевых моделей, отражавших разные философские и экономические основания:
Классическая исследовательская (Гумбольдтовская) модель, сфокусированная на единстве преподавания и фундаментальных исследований. Идеалом здесь выступает университет как автономное сообщество ученых и студентов, производящих знание ради самого знания [3]. Несмотря на постоянное давление в сторону коммерциализации, эта модель оставалась эталоном академического престижа и основой для глобальных рейтингов.
Прагматическая (профессионально-ориентированная) модель. Ее цель – эффективная подготовка кадров для конкретных секторов экономики. Управление строится по корпоративному принципу, ключевыми становятся связи с индустрией, прикладные исследования, скорость обновления учебных планов в ответ на запросы рынка труда [8].
Предпринимательская (предпринимательский университет) модель, рассматривающая вуз как активного игрока на рынке знаний. Университет стремится к финансовой самостоятельности через коммерциализацию исследований, патентование, создание дочерних или аффилированных компаний и привлечение целевого финансирования [11].
Сетевая модель, (так называемая модель «тройной спирали», связывающая университет, бизнес и государство) [19], где университет функционирует как хаб, интегратор ресурсов в рамках региональной или отраслевой инновационной системы. Образование становится проектным и проблемно-ориентированным.
Преподаватели, имевшие возможность наблюдать за развитием отечественных университетов на протяжении начала XXI века, вероятно могут засвидетельствовать, как администрации вузов предпринимали попытки внедрять эти концепции. Отметим, что во всех вышеперечисленных случаях технологии, включая ранние формы адаптивного обучения, служили целям, поставленным человеком, а их эффективность напрямую зависела от качества педагогического дизайна.
В этом контексте современный ИИ, в частности генеративные модели, закономерно занимает место следующего поколения интеллектуальных инструментов. Подобно тому как библиотека предоставляет доступ к текстам («книга – источник знаний»), а калькулятор (затем компьютер) – к сложным вычислениям, ИИ предоставляет пользователю (и студенту, и преподавателю) доступ к мощным алгоритмам обработки естественного языка, синтеза информации и генерации гипотез. Его принципиальное отличие заключается в степени интерактивности и способности работать с неструктурированными запросами. Однако применение ИИ требует четкой постановки задачи, критической верификации результатов и интеграции полученного понимания в более широкий контекст, что остается исключительной компетенцией человека.
В статье будут приведены доказательств, что основная управленческая задача для университетов заключается не в преодолении парадигмального кризиса, а в эффективной интеграции этого нового «продвинутого инструментария» в устоявшиеся педагогические практики и институциональные модели для усиления их результативности.
1. Методы
Методологическая основа данного исследования базируется на синтезе качественных методов, направленных на комплексный анализ трансформации управленческих и педагогических практик в высшем образовании под влиянием инструментов ИИ.
В соответствии с поставленной нами целью применяется сравнительный анализ и метод case study.
Сравнительный анализ базируется на обращении к высоко цитируемым публикациям и сфокусирован на сопоставлении ключевых параметров образовательной системы в двух условных состояниях:
1. «As is». Период до массового внедрения генеративного ИИ, ориентировочно до 2022 г.;
2. «To be». Период после 2022 г., характеризующий поиском оптимальной адаптации ИИ.
Для сравнения были выделены следующие параметры: целеполагание на уровне образовательных программ, эволюция профессиональных ролей преподавателя и студента, изменения в содержании и методах обучения, трансформация систем оценивания, а также управленческие ответы на институциональном уровне [12].
Для углубленного изучения конкретных управленческих и педагогических кейсов интеграции ИИ был применен метод case study. В процессе анализа кейсов для креативного мозгового штурма, структурирования аргументации и генерации предварительных гипотез о развитии компетенций привлекались генеративные модели искусственного интеллекта DeepSeek [15]. Важно подчеркнуть, что выводы и тексты, сгенерированные ИИ, не использовались как готовые результаты, а подвергались критической экспертной оценке автора, служили материалом для рефлексии и дальнейшего содержательного анализа в рамках классических исследовательских процедур. Данный подход позволил рассматривать ИИ не как субъект происходящих изменений, а как сложный инструмент, применение которого требует осмысленных управленческих и педагогических решений.
2. Результаты
Проведенный анализ современных исследований (2022–2026 гг.) позволил не только выявить формирующиеся тренды, но и проанализировать влияние ИИ на ключевые образовательные метрики, академические практики и университетское управление. Полученные результаты раскрывают сложную и неоднозначную картину идущей в настоящее время трансформации высшего образования.
2.1 Эмпирическое эффективности до рисков влияние на образовательные результаты: от
Метааналитические исследования демонстрируют значимый позитивный эффект от использования инструментов, подобных ChatGPT, на образовательный процесс. Метаанализ 51 исследования, проведенный Wang и Fan, выявил сильное положительное влияние на успеваемость (g = 0.867) и умеренное – на формирование восприятия обучения (g = 0.456) и навыков высшего порядка (g = 0.457) [29]. Эффективность существенно варьируется в зависимости от педагогического дизайна: наибольший прирост отмечается в рамках проблемно-ориентированного обучения и при использовании ИИ в качестве интеллектуального наставника или партнера по решению задач [29]. Однако этот положительный эффект не является универсальным.
Российские исследования, в частности, указывают на риск углубления образовательного неравенства. Данные Кузьминова и др. свидетельствуют о возникновении дивергенции в академической среде: мотивированные и хорошо успевающие студенты («опережающие») используют ИИ для углубления понимания и решения сложных задач, в то время как «отстающие» применяют его поверхностно, для механического выполнения заданий, что может закрепить их отставание [6].
Этот вывод перекликается с наблюдениями об утрате субъектности обучающего, обусловленной некритичным использованием ИИ. Это требует специальных педагогических усилий для развития мета-когнитивного контроля у студентов [14]. Одновременно исследования отмечают, что грамотно организованное сотрудничество с ИИ (Student-AI Collaboration) может не подавлять, а усиливать креативность и субъектность студента по отношению к ИИ, когда технология используется как инструмент для проверки гипотез и расширения возможностей, а не как их замена [20].
2.2 Трансформация научной и образовательной деятельности
Генеративный ИИ стал фактором глубокой трансформации научной и образовательной деятельности, особенно при проведении исследований и подготовке итоговых текстов. Как показывают обзоры, его использование эволюционировало от простой генерации текста к сложной интеллектуальной поддержке на всех этапах работы от поиска литературы и формулирования идей до структурирования и редактирования рукописей [4, 22].
Этот процесс без преувеличения значительно увеличивает возможности, но одновременно несет серьезные риски. С одной стороны, ИИ способен выступать катализатором студенческого креатива, предлагая нестандартные идеи и снижая «творческий ступор» [21]. С другой, существует опасность девальвации авторства, некритичного принятия сгенерированного контента, содержащего ошибки или «галлюцинации», и, как следствие, эрозии фундаментальных исследовательских навыков [5, 23].
В ответ на это научное-образовательное сообщество активно разрабатывает принципы этичного соавторства с ИИ, подчеркивающие необходимость прозрачности (декларации использования), сохранения ведущей роли человека в критической оценке и интерпретации, а также ответственности исследователя за финальный результат [10, 24, 23]. Ключевым императивом становится воспитание «культуры критического отношения» к результатам работы ИИ, что требует пересмотра учебных программ дисциплин и оценочных средств [5].
2.3 Страновой и институциональный контекст: сравнительный анализ
Реакция академических систем на вызовы и возможности ИИ варьируется в зависимости от национального и институционального контекстов.
В англоязычных странах дискуссия носит ярко выраженный прагматический и нормативный характер. Основное внимание уделяется разработке формальных институциональных политик, регламентирующих использование ИИ (AI policies), и быстрому перепроектированию методов оценивания в пользу защиты проектов, устных собеседований и анализа процессов [29, 5]. Дилемма заключается в поиске баланса между «запретительной» стратегией, нацеленной на выявление и как следствие наказание за использование ИИ, и «интегративной», обучающей этичному и критичному применению инструмента [25].
В России и континентальных странах наряду с педагогическими аспектами [5], сильно выражен дискурс о роли университетов в национальных стратегиях технологического развития. ИИ рассматривается как макроэкономический ресурс, а вузы – как ключевые площадки для подготовки кадров и разработки решений для цифровой экономики [5, 13]. При этом, как отмечает Казакова и Кузьминов, отечественная система сталкивается с уникальным вызовом необходимости одновременного внедрения технологий и преодоления цифрового неравенства среди студентов, что требует адресных управленческих решений [5].
2.4 Управленческие вызовы и новая нагрузка на администрацию вузов
Распространение ИИ создает комплексную институциональную нагрузку на руководство университетов, трансформируя саму суть образовательного менеджмента. Администрация вынуждена одновременно решать многозадачную проблему [27, 13]:
1. Развитие инфраструктуры и кадров: Обеспечение технологической базы, финансирование масштабной переподготовки ППС, привлечение специалистов по данным.
2. Нормативно-этическое регулирование: Разработка кодексов этики, протоколов по обработке данных и авторскому праву, процедур расследования нарушений.
3. Стратегическое позиционирование: Встраивание в глобальную научно-технологическую повестку, поддержание конкурентоспособности и академической репутации.
Исследования подчеркивают, что эффективное управление в новых условиях требует перехода от традиционных иерархических моделей к симбиотическому сотрудничеству между человеком-лидером и ИИ. В такой модели ИИ берет на себя аналитику больших данных, моделирование сценариев и рутинные операции, в то время как человек фокусируется на стратегическом целеполагании, этической экспертизе, разрешении нестандартных ситуаций и мотивации коллектива [20, 13]. Неспособность вуза адаптировать свою управленческую модель к этим новым реалиям грозит ростом операционных издержек, отставанием в «гонке талантов» и потерей доверия со стороны стейкхолдеров.
Таким образом, результаты демонстрируют, что ИИ не просто технический инструмент, а системный фактор, в разной степени влияющий на индивидуальные траектории обучения, академическую культуру, национальные образовательные политики и фундаментальные принципы управления вузом.
3. Обсуждение
Проведенный анализ позволяет перейти от констатации изменений, вызванных внедрением генеративного ИИ, к их концептуальному осмыслению. Ключевой тезис, который обосновывается в рамках данного исследования, заключается в следующем. ИИ выступает не просто вспомогательным инструментом или очередным технологическим трендом, а системным фактором, требующим фундаментального перепроектирования бизнес-модели современного университета. Эпизодическое использование нейросетей уступает место необходимости структурной перестройки управленческих, педагогических и этических контуров вуза. Рассмотрим четыре аспекта, подтверждающих данную гипотезу.
3.1 Управление человеческим капиталом: от цифровой грамотности к перепроектированию ролей ППС
Результаты исследования демонстрируют, что «человеческий фактор» остается главным ограничителем эффективной интеграции ИИ. Если ранние работы фокусировались на необходимости повышения цифровой грамотности, то сегодня очевидна потребность в масштабной переподготовке профессорско-преподавательского состава (ППС) с изменением критериев эффективности труда. Исследование Ren и соавторов показывает прямую корреляцию между уровнем педагогических компетенций в работе с ИИ и академическими успехами студентов [26].
Данные Глухова и Синогиной фиксируют тревожный симптом, свидетельствующий, что только 37% педагогов используют ИИ ежедневно, при этом значительная часть ППС демонстрирует инерцию профессиональной идентичности, воспринимая ИИ как угрозу, а не как ресурс [2]. Управленческая задача видится в институционализации новых ролей таких как модератор, тьютор, дизайнер образовательных сред. Система эффективного контракта должна включать стимулы за проектирование заданий с использованием ИИ и подготовку авторских курсов, интегрирующих большие языковые модели. Без пересмотра модели мотивации любые инфраструктурные вложения останутся неэффективными.
3.2 Трансформация систем качества образования
Традиционная модель гарантии качества, основанная на проверке остаточных знаний и способности воспроизводить информацию, утрачивает актуальность в условиях доступности генеративных моделей. Как справедливо отмечают Кузьминов и Казакова, воспитание «культуры критического отношения» к ответам ИИ становится императивом, однако существующие оценочные средства не позволяют валидно измерить этот навык [5].
В этой связи университетам необходимо перейти от парадигмы контроля к парадигме развития. Системы внутреннего обеспечения качества должны быть переориентированы на оценку динамики компетенций и способности студента решать нетиповые задачи в условиях открытого доступа к информации. Систематический обзор Deroncele-Acosta и соавторов выделяет пять стратегических процессов для устойчивой интеграции ИИ, ключевым из которых является «критическое и этическое присвоение» технологии [17]. Преподавателю необходим понятный инструментарий (рубрикаторы, листы экспертизы), позволяющий оценить вклад обучающегося и глубину его рефлексии, что требует пересмотра фондов оценочных средств на уровне учебно-методических управлений университетов.
3.3 Стратегическое партнерство и сетевая модель развития
Одной из ключевых закономерностей, выявленных в ходе анализа кейсов, является невозможность для отдельно взятого вуза (даже исследовательского) разрабатывать и актуализировать образовательный контент в условиях технологического сдвига в одиночку. Будущее за гибридной моделью, интегрирующей образование, науку и индустрию.
В противовес традиционной «тройной спирали» [19], акцент смещается на скорость трансфера знаний. Партнерство с IT-компаниями (разработчиками LLM-моделей), промышленными НИОКР-центрами и исследовательскими платформами становится критическим фактором конкурентоспособности. Вузы, выстраивающие альянсы для получения API крупных моделей, совместного редактирования контента и экспертизы данных, получают преимущество за счет снижения транзакционных издержек и ускорения обновления программ. Российская практика, сталкивающаяся с вызовом технологического суверенитета, делает этот вектор особенно значимым [6].
3.4 Этические и нормативные контуры
Нарастающая сложность управления в условиях «черного ящика» алгоритмов требует от вузов не следования за регуляторикой, а опережающей разработки собственных нормативных и этических стандартов. Университет, будучи институтом производства знания, обязан формировать среду доверия к технологиям.
Международный опыт, обобщенный в работе по созданию «дорожной карты» академической честности, свидетельствует: запретительные стратегии («AI-proof») неэффективны [25]. Необходим переход к политике прозрачности использования, где студент не скрывает факт применения ИИ, а декларирует степень своего соавторства. Это требует разработки кодексов использования ИИ в учебных и научных целях, обязательных для публичного ознакомления. Исследования фиксируют риски утраты субъектности (student agency), особенно среди слабоуспевающих студентов [14]. Следовательно, управленческий ответ должен включать не только санкции за плагиат, но и обучение студентов этичной работе с ИИ (AI literacy) как обязательный компонент образовательных программ. Только так можно предотвратить углубление цифрового неравенства, отмеченное в работах Кузьминова и соавторов [6].
Таким образом, университет «после ИИ» – это не университет, использующий нейросети, а университет, пересмотревший свою операционную модель: от системы мотивации профессоров до архитектуры оценочных процедур и стратегии внешних коммуникаций. Успех будет сопутствовать тем административным командам, которые осознают необходимость баланса между технологизацией и сохранением антропоцентричности – ключевой ценности классического образования.
Заключение
Проведенное исследование позволяет утверждать, что гипотеза, заявленная во введении, нашла свое эмпирическое и теоретическое подтверждение. Искусственный интеллект, и прежде всего генеративные модели, действительно не являются экзистенциальной угрозой для высшего образования, как это иногда представляется в публицистическом дискурсе. Напротив, они выступают катализатором давно назревших институциональных и педагогических изменений, предлагая университетам принципиально новый – интерактивный, адаптивный и интеллектуально емкий – инструментарий познания и управления.
Однако выполненный анализ столь же убедительно демонстрирует, что технология сама по себе не гарантирует прогресса. Эффект от внедрения ИИ глубоко опосредован качеством педагогического дизайна, управленческой волей администрации и, что наиболее важно, способностью университета как института пересмотреть собственную операционную модель. Полученные результаты фиксируют двойственную природу текущей трансформации: с одной стороны, объективный рост успеваемости и креативности при грамотном использовании ИИ [6, 14], с другой – углубление цифрового неравенства и риски утраты субъектности у части обучающихся [5, 14].
В этой связи ключевые выводы нашего исследования могут быть сформулированы следующим образом.
Во-первых, университет «после ИИ» сохраняет свою антропоцентрическую сущность, но роли его ключевых акторов – преподавателя и студента – претерпевают качественную эволюцию. Профессор перестает быть исключительно транслятором знаний и все в большей степени становится модератором, тьютором и дизайнером образовательных сред. Студент, в свою очередь, из пассивного реципиента превращается в субъекта, управляющего сложной интеллектуальной коллаборацией с алгоритмическими системами [14].
Во-вторых, основным барьером на пути продуктивной интеграции ИИ выступает дефицит управленческих решений, а не технологическая отсталость. Как показывают данные Ren и Глухова, Синогиной (2025), лишь незначительная часть преподавателей системно использует ИИ в профессиональной деятельности, что сигнализирует о несовершенстве систем мотивации и отсутствии институционализированных карьерных траекторий, связанных с освоением новых педагогических ролей [26, 2].
В-третьих, система обеспечения качества образования нуждается в фундаментальном перепроектировании. Традиционные формы контроля, ориентированные на проверку запоминания и воспроизведения, не просто устаревают – они становятся контрпродуктивными, провоцируя как студентов, так и преподавателей на имитацию академической активности. Императивом ближайших лет является переход к оценке динамики развития компетенций, прежде всего критического мышления, рефлексии и способности к решению нетиповых задач в условиях открытого информационного доступа [5, 17].
В-четвертых, в условиях технологического суверенитета и необходимости быстрого обновления содержания образования университеты обречены на выход за пределы собственных стен. Будущее – за сетевыми гибридными моделями, в которых вуз выступает интегратором знаний, ресурсов и компетенций, привлекая экспертизу IT-индустрии, исследовательских центров и корпоративных университетов. Стратегические альянсы становятся не преимуществом, а условием выживания [6, 19].
Наконец, этический контур университета не может более оставаться периферийным. Разработка и публичное принятие кодексов использования ИИ, внедрение образовательных модулей по AI-грамотности и формирование культуры прозрачности в отношении алгоритмического соавторства должны стать приоритетными направлениями институциональной политики [20, 14].
Резюмируя, подчеркнем: университет «после ИИ» – это не футурологический проект, а управленческая реальность уже сегодняшнего дня. Успех будет сопутствовать тем административным командам, которые осознают необходимость системных изменений, отказываясь как от технологического фетишизма, так и от запретительного консерватизма. Баланс между технологизацией и сохранением фундаментальной ценности человеческого интеллекта, между инновацией и традицией, между эффективностью и этикой – вот подлинная стратегическая задача высшего образования в третьей четверти XXI века.
Настоящая работа имеет ряд ограничений, обусловленных преимущественно качественной методологией и фокусом на англоязычный и российский контексты. Дальнейшие исследования могут быть направлены на разработку и валидацию количественных инструментов оценки зрелости управленческих моделей интеграции ИИ, а также на сравнительный анализ эффективности различных национальных стратегий регулирования генеративных технологий в академической среде. Перспективным представляется и изучение долгосрочного влияния «симбиотического обучения» на формирование профессиональной идентичности выпускников.
Источники:
2. Глухов А.П., Синогина Е.С. Социально-профессиональные вызовы и методологические аспекты внедрения ИИ в образовательную среду школы // Вестник Томского государственного педагогического университета. – 2025. – № 5. – c. 110-121. – doi: 10.23951/1609-624X-2025-5-110-121.
3. Гумбольдт В. фон О внутренней и внешней организации высших научных заведений в Берлине. / / В. фон Гумбольдт // Лики культуры: альманах. - Москва : Юрист, 1995. – 248–254 c.
4. Джандильдинов М. К., Ерсултанова Г. Т. AI-assisted scholarly writing in education: a scoping review (2019–2024) // Вестник КазНПУ имени Абая. Серия: Педагогические науки. – 2025. – № 3. – c. 30–45. – doi: 10.51889/2959-5762.2025.87.3.003.
5. Казакова Е. И. Мы должны воспитать культуру критического отношения к ответам искусственного интеллекта // Вопросы образования. – 2025. – № 1. – c. 8–24. – doi: 10.17323/vo-2025-25882.
6. Кузьминов Я.И., Кручинская Е.В., Груздев И.А., Наумов А.А. Отстающие и опережающие: как студенты используют генеративный искусственный интеллект в образовательных целях // Высшее образование в России. – 2025. – № 6. – c. 9-35. – doi: 10.31992/0869-3617-2025-34-6-9-35.
7. Марголис А. А. Деятельностный подход в педагогическом образовании // Психологическая наука и образование. – 2021. – № 3. – c. 5-39. – doi: 10.17759/pse.2021260301.
8. Barnett R. The Idea of Higher Education. - Buckingham : Open University Press, 1990. – 256 p.
9. Bates A. W. Teaching in a Digital Age: Guidelines for Designing Teaching and Learning. / A. W. Bates. – 3rd ed. - Vancouver : Tony Bates Associates Ltd., 2022. – 800 p.
10. Cheng A., Calhoun A., Reedy G. Artificial intelligence-assisted academic writing: recommendations for ethical use // Advances in Simulation. – 2025. – № 1. – doi: 10.1186/s41077-025-00350-6.
11. Clark B. R. Creating Entrepreneurial Universities: Organizational Pathways of Transformation. - Oxford : Pergamon Press, 1998. – 180 p.
12. Crawford J., Cowling M., Allen K.-A. Leadership is needed for ethical ChatGPT: Character, assessment, and learning using artificial intelligence (AI) // Journal of University Teaching & Learning Practice. – 2023. – № 3. – doi: 10.53761/1.20.3.02.
13. Dai R., Thomas M. K. E., Rawolle S. The roles of AI and educational leaders in AI-assisted administrative decision-making: A proposed framework for symbiotic collaboration. The Australian Educational Researcher. — 2025. [Электронный ресурс]. URL: https://link.springer.com/article/10.1007/s13384-024-00771-8 (дата обращения: 12.02.2025).
14. Darvishi A., Khosravi H., Sadiq S., Gašević D., Siemens G. Impact of AI assistance on student agency // Computers & Education. – 2024. – p. 104967. – doi: 10.1016/j.compedu.2023.104967.
15. DeepSeek : искусственный интеллект : сайт. – 2024. [Электронный ресурс]. URL: https://chat.deepseek.com (дата обращения: 09.02.2025).
16. Denisov I., Petrenko Y., Koretskaya I., Benčič S. The Gameover in universities education management during the pandemic COVID-19: Challenges to sustainable development in a digitalized environment // Sustainability. – 2021. – № 13. – p. 7398. – doi: 10.3390/su13137398.
17. Deroncele-Acosta A., Sayán-Rivera R. M. E., Mendoza-López A. D., Norabuena-Figueroa E. D. Generative Artificial Intelligence and Transversal Competencies in Higher Education: A Systematic Review // Applied System Innovation. – 2025. – № 3. – p. 83. – doi: 10.3390/asi8030083.
18. Zlotnikova I., Hlomani H., Mokgetse Ts., Bagai K. Establishing ethical standards for GenAI in university education: a roadmap for academic integrity and fairness // Journal of Information, Communication and Ethics in Society. – 2025. – № 2. – p. 188–216. – doi: 10.1108/JICES-12-2024-0181.
19. Etzkowitz H. The Triple Helix: University-Industry-Government Innovation and Entrepreneurship. / H. Etzkowitz. – 2nd ed. - New York : Routledge, 2018. – 264 p.
20. Guoa W., Lianga Z., Wang C. Student-AI Collaborative Creative Problem-Solving: The Role of Human Agency // Computers & Education. – 2025. – p. 105433. – doi: 10.1016/j.compedu.2025.105433.
21. Habib S., Vogel T., Anli X., Thorne E. How does generative artificial intelligence impact student creativity? // Journal of Creativity. – 2024. – № 1. – p. 100072. – doi: 10.1016/j.yjoc.2023.100072.
22. Kacena M. A., Plotkin L. I., Fehrenbacher J. C. The use of artificial intelligence in writing scientific review articles // Current osteoporosis reports.. – 2024. – № 1. – p. 115–121. – doi: 10.1007/s11914-023-00852-0.
23. Kim S. J. Research ethics and issues regarding the use of ChatGPT-like artificial intelligence platforms by authors and reviewers: a narrative review // Science Editing. – 2024. – № 2. – p. 96–106. – doi: 10.6087/kcse.343.
24. Kim S. J. Trends in research on ChatGPT and adoption-related issues discussed in articles: a narrative review // Science Editing. – 2023. – № 1. – p. 3-11. – doi: 10.6087/kcse.321.
25. Krammer S. M. S. Is there a glitch in the matrix? Artificial intelligence and management education. - Management Learning, 2025.
26. Ren X. Examining Teaching Competencies and Challenges While Integrating Artificial Intelligence in Higher Education // TechTrends. – 2025. – № 3. – p. 519-538. – doi: 10.1007/s11528-025-01055-3.
27. Shimray S. R., Subaveerapandiyan A. Artificial intelligence in academic writing and research: Adoption and effectiveness // Open Information Science. – 2025. – № 1. – p. 20250026. – doi: 10.1515/opis-2025-0026.
28. Van Noorden R., Perkel J. M. AI and science: what 1,600 researchers think // Nature. – 2023. – № 7980. – p. 672–675. – doi: 10.1038/d41586-023-02980-0.
29. Wang J., Fan W. The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: insights from a meta-analysis // Humanities and Social Sciences Communications. – 2025. – № 1. – p. 621. – doi: 10.1057/s41599-025-04787-y.
30. Weller M. 25 years of ed tech. Martin Weller. – Edmonton : AU Press, Athabasca University, 2020. – 1 online resource. [Электронный ресурс]. URL: https://www.aupress.ca/books/120290-25-years-of-ed-tech/ (дата обращения: 12.02.2026).
Страница обновлена: 04.03.2026 в 23:26:54
Download PDF | Downloads: 4
Higher education before and after artificial intelligence
Denisov I.V.Journal paper
Leadership and Management
Volume 13, Number 2 (February 2026)
Abstract:
The article analyzes the transformation of higher education under the influence of artificial intelligence technologies. The relevance of this study stems from the intensive integration of generative artificial intelligence into the academic environment, which has sparked debates regarding the future of traditional pedagogical models. The particle tests the hypothesis that artificial intelligence acts not as a disruptive force, but as a new intellectual tool capable of enhancing existing educational practices. Drawing on comparative analysis and the case study method, the study examines changes in goal setting, the roles of professors and students, teaching and assessment methods, as well as institutional management responses. The findings confirm the dual impact of artificial intelligence.
On the one hand, it positively contributes to academic performance and the development of higher-order skills; on the other hand, it presents risks of exacerbating educational inequality. The key conclusion emphasizes the need to reconcile a professor-centered education system in which the professor plays a central role in transmitting knowledge to students with the integration of artificial intelligence into the activities of both teachers and learners. Ultimately, the success of a university depends on its ability to build a balanced system in which this new tool serves the development of human potential.
Keywords: higher education, artificial intelligence, generative models, university governance, digital transformation, educational outcomes
JEL-classification: I23, O33, C87, M12, D61
References:
Barnett R. (1990). The Idea of Higher Education
Bates A. W. (2022). Teaching in a Digital Age: Guidelines for Designing Teaching and Learning
Bim-Bad B. M. (1998). Pedagogical trends in the early 20th century: lectures on the history of pedagogy and comparative pedagogy
Cheng A., Calhoun A., Reedy G. (2025). Artificial intelligence-assisted academic writing: recommendations for ethical use Advances in Simulation. 10 (1). doi: 10.1186/s41077-025-00350-6.
Clark B. R. (1998). Creating Entrepreneurial Universities: Organizational Pathways of Transformation
Crawford J., Cowling M., Allen K.-A. (2023). Leadership is needed for ethical ChatGPT: Character, assessment, and learning using artificial intelligence (AI) Journal of University Teaching & Learning Practice. 20 (3). doi: 10.53761/1.20.3.02.
Dai R., Thomas M. K. E., Rawolle S. The roles of AI and educational leaders in AI-assisted administrative decision-making: A proposed framework for symbiotic collaborationThe Australian Educational Researcher. — 2025. Retrieved February 12, 2025, from https://link.springer.com/article/10.1007/s13384-024-00771-8
Darvishi A., Khosravi H., Sadiq S., Gašević D., Siemens G. (2024). Impact of AI assistance on student agency Computers & Education. 210 104967. doi: 10.1016/j.compedu.2023.104967.
Denisov I., Petrenko Y., Koretskaya I., Benčič S. (2021). The Gameover in universities education management during the pandemic COVID-19: Challenges to sustainable development in a digitalized environment Sustainability. 13 (13). 7398. doi: 10.3390/su13137398.
Deroncele-Acosta A., Sayán-Rivera R. M. E., Mendoza-López A. D., Norabuena-Figueroa E. D. (2025). Generative Artificial Intelligence and Transversal Competencies in Higher Education: A Systematic Review Applied System Innovation. 8 (3). 83. doi: 10.3390/asi8030083.
Dzhandildinov M. K., Ersultanova G. T. (2025). AI-assisted scholarly writing in education: a scoping review (2019–2024). Vestnik KazNPU imeni Abaya. Seriya: Pedagogicheskie nauki. 87 (3). 30–45. doi: 10.51889/2959-5762.2025.87.3.003.
Etzkowitz H. (2018). The Triple Helix: University-Industry-Government Innovation and Entrepreneurship
Glukhov A.P., Sinogina E.S. (2025). Socio-professional Challenges and Methodological Aspects of AI Implementation in the School Educational Environment. Tomsk state pedagogical university bulletin (TSPU Bulletin). (5). 110-121. doi: 10.23951/1609-624X-2025-5-110-121.
Gumboldt V. fon (1995). About the internal and external organization of higher scientific institutions in Berlin
Guoa W., Lianga Z., Wang C. (2025). Student-AI Collaborative Creative Problem-Solving: The Role of Human Agency Computers & Education. 105433. doi: 10.1016/j.compedu.2025.105433.
Habib S., Vogel T., Anli X., Thorne E. (2024). How does generative artificial intelligence impact student creativity? Journal of Creativity. 34 (1). 100072. doi: 10.1016/j.yjoc.2023.100072.
Kacena M. A., Plotkin L. I., Fehrenbacher J. C. (2024). The use of artificial intelligence in writing scientific review articles Current osteoporosis reports.. 22 (1). 115–121. doi: 10.1007/s11914-023-00852-0.
Kazakova E. I. (2025). We Should Foster a Culture of Critical Attitude Towards Artificial Intelligence. Elena Kazakova and Yaroslav Kuzminov Discuss the Challenges Facing the Education System. Voprosy obrazovaniya. (1). 8–24. doi: 10.17323/vo-2025-25882.
Kim S. J. (2023). Trends in research on ChatGPT and adoption-related issues discussed in articles: a narrative review Science. 11 (1). 3-11. doi: 10.6087/kcse.321.
Kim S. J. (2024). Research ethics and issues regarding the use of ChatGPT-like artificial intelligence platforms by authors and reviewers: a narrative review Science Editing. 11 (2). 96–106. doi: 10.6087/kcse.343.
Krammer S. M. S. (2025). Is there a glitch in the matrix? Artificial intelligence and management education
Kuzminov Ya.I., Kruchinskaya E.V., Gruzdev I.A., Naumov A.A. (2025). Falling Behind and Getting Ahead: Student Use of Generative AI in Education. Higher education in Russia. 34 (6). 9-35. doi: 10.31992/0869-3617-2025-34-6-9-35.
Margolis A. A. (2021). Activity Approach in Teacher Education. Psychological-Educational Studies. 26 (3). 5-39. doi: 10.17759/pse.2021260301.
Ren X. (2025). Examining Teaching Competencies and Challenges While Integrating Artificial Intelligence in Higher Education TechTrends. 69 (3). 519-538. doi: 10.1007/s11528-025-01055-3.
Shimray S. R., Subaveerapandiyan A. (2025). Artificial intelligence in academic writing and research: Adoption and effectiveness Open Information Science. 9 (1). 20250026. doi: 10.1515/opis-2025-0026.
Van Noorden R., Perkel J. M. (2023). AI and science: what 1,600 researchers think Nature. 621 (7980). 672–675. doi: 10.1038/d41586-023-02980-0.
Wang J., Fan W. (2025). The effect of ChatGPT on students’ learning performance, learning perception, and higher-order thinking: insights from a meta-analysis Humanities and Social Sciences Communications. 12 (1). 621. doi: 10.1057/s41599-025-04787-y.
Weller M. 25 years of ed techMartin Weller. – Edmonton : AU Press, Athabasca University, 2020. – 1 online resource. Retrieved February 12, 2026, from https://www.aupress.ca/books/120290-25-years-of-ed-tech/
Zlotnikova I., Hlomani H., Mokgetse Ts., Bagai K. (2025). Establishing ethical standards for GenAI in university education: a roadmap for academic integrity and fairness Journal of Information, Communication and Ethics in Society. 23 (2). 188–216. doi: 10.1108/JICES-12-2024-0181.