Агентна компетентност и бъдещето на експертизата в условията на изкуствен интелект

Ray Schroeder’s argument in “What to Teach Now?” focuses on a clear shift in higher education priorities. He treats AI not as a tool to integrate, but as a structural force that reshapes what counts as expertise. His move toward “agentic fluency” signals a step beyond AI literacy. Students should not only use tools, but coordinate systems of AI agents to produce outcomes. This reframes competence from task execution to orchestration.

His four proposed domains, metacognitive agility, ethical discernment, empathetic leadership, and systems thinking, align with existing research on durable skills. For example, World Economic Forum data shows analytical thinking, resilience, and technology use converging in skill demand. Schroeder extends this by embedding AI as the environment in which these skills operate. The focus shifts from “learning AI” to “thinking and acting within AI-mediated systems.”

Will Scott agrees with the framework but challenges its feasibility and scope. https://www.linkedin.com/posts/williamscott_ray-schroeder-of-upcea-is-asking-the-right-share-7445888527734714368-f4mq

He raises two critical constraints:

• Time mismatch
Curriculum redesign cycles often exceed 12 to 18 months. AI capability cycles now move in 3 to 6 months. This creates a structural lag. Institutions respond after the environment has already changed.

• Demand-side uncertainty
If AI enables one worker to produce the output of many, then skill alignment alone does not solve employability. Training more capable graduates does not guarantee proportional job availability.

This creates a tension between educational adaptation and labor market contraction.

Schroeder’s model assumes that better skills secure relevance. Scott questions that assumption. He points to historical transitions where new roles emerged, but not for the same cohort that was displaced. The switchboard operator analogy illustrates this gap. Reskilling does not always absorb those affected by automation.

Put together, the two perspectives expose a missing layer in current higher education strategy:

• Schroeder defines what students should learn
• Scott asks whether the system can absorb those learners

For universities, this has practical implications:

• You need faster curriculum iteration cycles, measured in months, not years
• You need to integrate AI into assessment, not treat it as external
• You need to track labor market signals, not rely only on skill frameworks
• You need to prepare students for role fluidity, not stable job categories

The key issue is alignment across three levels: skills, institutional speed, and labor demand. Most discussions stop at the first.

---

Аргументът на Рей Шрьодер в „What to Teach Now?“ се фокусира върху ясна промяна в приоритетите на висшето образование. Той разглежда изкуствения интелект не като инструмент за интегриране, а като структурна сила, която променя разбирането за експертиза. Понятието „agentic fluency“ надгражда базовата ИИ грамотност. Студентите не трябва само да използват инструменти, а да координират системи от ИИ агенти с цел постигане на резултати. Това преформулира компетентността от изпълнение на задачи към оркестрация.

Четирите предложени области, метакогнитивна гъвкавост, етично разграничаване, емпатично лидерство и системно мислене, съответстват на съществуващи изследвания върху устойчиви умения. Данни на Световния икономически форум показват сближаване между аналитично мислене, устойчивост и технологични умения. Шрьодер разширява тази рамка, като поставя ИИ като среда, в която тези умения функционират. Фокусът се измества от „учене за ИИ“ към „мислене и действие в ИИ-медиирани системи“.

Уил Скот приема тази рамка, но поставя под въпрос нейната приложимост и обхват.

Той очертава две ключови ограничения:

• Несъответствие във времето
Циклите за преработка на учебни програми често надхвърлят 12 до 18 месеца. Развитието на ИИ се случва в рамките на 3 до 6 месеца. Това създава структурно изоставане. Институциите реагират след като средата вече се е променила.

• Несигурност от страна на търсенето
Ако ИИ позволява на един човек да произвежда резултатите на много, тогава съгласуването на уменията не решава проблема със заетостта. Обучението на по-способни завършили не гарантира пропорционална наличност на работни места.

Това създава напрежение между адаптацията на образованието и свиването на пазара на труда.

Моделът на Шрьодер предполага, че по-добрите умения осигуряват релевантност. Скот поставя под съмнение това предположение. Той посочва исторически преходи, при които се появяват нови роли, но не за същата група хора, които са били изместени. Аналогията с телефонните оператори илюстрира този разрив. Преквалификацията не винаги включва засегнатите от автоматизацията.

Разгледани заедно, двете гледни точки разкриват липсващ елемент в настоящите стратегии на висшето образование:

• Шрьодер дефинира какво трябва да се преподава
• Скот поставя въпроса дали системата може да поеме тези обучени кадри

За университетите това има конкретни последици:

• Необходими са по-бързи цикли за актуализация на учебните програми, измервани в месеци, а не в години
• Необходимо е интегриране на ИИ в оценяването, а не разглеждането му като външен фактор
• Необходимо е проследяване на сигналите от пазара на труда, а не разчитане само на рамки за умения
• Необходимо е подготовка на студентите за гъвкавост на ролите, а не за фиксирани професии

Ключовият въпрос е съгласуването на три нива: умения, институционална скорост и търсене на пазара на труда. Повечето дискусии се ограничават до първото.