The latest infographic from PBL Future Labs, “7 Smarter AI Fluency Projects,” continues an important conversation about the future of learning in the age of generative AI. Like several previous PBL Future Labs resources discussed on this blog, it challenges the widespread assumption of AI fluency as primarily about learning to write effective prompts.
Instead, the infographic claims prompting is only the beginning. The real educational value emerges after AI generates a response.
As per Phillip Alcock’s commentary: “The prompt was never the interesting bit. The interesting bit is what students notice after it answers. What they trust. What they reject. What they change. What they can explain.”
This perspective aligns closely with previous PBL Future Labs projects featured on this blog. In “6 AI Fluency Projects That Make Student Thinking Visible,” the focus was less on AI-generated outputs but on making student reasoning observable. Activities such as prompt comparisons, decision journals, AI critique protocols, and revision tracking encouraged students to externalize their thinking processes. The goal was to assess judgment rather than generating an assignment.
The new infographic extends this idea. Students are expected to investigate problems, evaluate evidence, revise work, document decisions, and publicly defend conclusions. AI becomes part of the learning process rather than the product itself.
A similar message appeared in “Beyond the Buzzwords: Translating AI Topics into Observable Classroom Skills.” That article argued concepts such as AI literacy, critical thinking, ethical use, and responsible AI adoption often remain too abstract for educators. The challenge is translating these broad goals into observable student behaviors.
The seven projects presented in the new infographic provide concrete examples of such behaviors. Students gather evidence, compare sources, adapt communication for different audiences, document decision-making, and justify revisions. These activities make AI fluency visible and assessable.
Likewise, “Build Your Own AI Fluency Challenges” emphasized AI fluency development as carefully designed learning experiences rather than isolated tool training. Effective challenges require students to evaluate, verify, explain, and reflect. The seven projects provide ready-made structures for educators to adapt across disciplines while preserving those core principles.
For higher education institutions such as the University of Economics Varna, these ideas have significant implications.
In economics courses, students could act as Local Problem Scouts by using AI to identify regional economic issues and then validate those claims through data from the National Statistical Institute, Eurostat, and municipal reports. Their grade would depend on the quality of evidence and analysis rather than the AI-generated suggestions.
In finance, students could complete Source Map Build activities by comparing AI-generated investment analyses with market reports, financial statements, and academic research. Students would need to explain which evidence they trust and why.
In marketing, Audience Remix projects could require students to adapt the same business proposal for investors, consumers, policymakers, and local communities. AI may assist in drafting content, but students would justify communication choices and evaluate effectiveness.
In tourism and hospitality management, students could create sustainable tourism proposals for the Black Sea region using the Prototype Feedback Loop model. AI feedback, peer feedback, and expert feedback would support multiple revision cycles before presenting a final solution.
In business informatics and data analytics, Human-AI Workflow Logs could help students document which decisions were delegated to AI and which required human expertise. Such activities promote transparency, accountability, and reflection.
Perhaps the most important project is Public Product Defense. Students present their final work and explain the evidence, revisions, and AI-supported decisions behind it. This approach shifts assessment away from asking whether students used AI and toward understanding how they used it.
Across all these examples, the central message remains consistent. AI fluency is not about generating content faster. It is about developing judgment. Students must learn to evaluate claims, verify evidence, revise ideas, explain reasoning, and take responsibility for decisions.
The emerging body of work from PBL Future Labs offers a useful framework for universities navigating AI integration. Together, these projects move the conversation from prompts to thinking, from outputs to reasoning, and from AI literacy toward genuine AI fluency. In an era when AI can generate answers instantly, the most valuable educational outcome may be students’ ability to explain why an answer should, or should not, be trusted.
От промптовете към преценката: Какво означават новите проекти за AI Fluency за висшето образование?
Тази най-скорошна инфографика на PBL Future Labs, озаглавена „7 по-умни проекта за AI fluency“, продължава важния разговор за бъдещето на ученето в ерата на генеративния изкуствен интелект. Подобно на няколко предишни ресурса на PBL Future Labs, разгледани в този блог, тя оспорва широко разпространеното схващане, че AI fluency се свежда основно до умението да се създават ефективни промптове.
Вместо това инфографиката твърди, че създаването на промптове е само началото. Истинската образователна стойност се появява след като ИИ генерира отговор.
Както отбелязва Филип Алкок в своя коментар:
„Промптът никога не беше интересната част. Интересното е какво забелязват учениците и студентите, след като ИИ отговори. На какво се доверяват. Какво отхвърлят. Какво променят. Какво могат да обяснят.“
Тази перспектива съвпада в голяма степен с предишните проекти на PBL Future Labs, представени в този блог. В публикацията „6 проекта за AI fluency, които правят мисленето на студентите видимо“ фокусът беше по-малко върху генерираните от ИИ резултати и повече върху това как мисловните процеси на студентите могат да станат наблюдаеми. Дейности като сравняване на промптове, дневници за вземане на решения, протоколи за критичен анализ на ИИ и проследяване на редакциите насърчаваха студентите да правят мисленето си видимо. Целта беше да се оценява преценката, а не способността да се генерира готово задание.
Новата инфографика развива тази идея. От студентите се очаква да изследват проблеми, да оценяват доказателства, да преработват своята работа, да документират решенията си и публично да защитават своите заключения. ИИ се превръща в част от учебния процес, а не в крайния продукт.
Подобно послание се съдържаше и в публикацията „Отвъд модерните думи: превръщане на темите за ИИ в наблюдаеми умения в класната стая“. Там се подчертаваше, че понятия като AI грамотност, критично мислене, етична употреба и отговорно внедряване на ИИ често остават твърде абстрактни за преподавателите. Истинското предизвикателство е тези широки цели да бъдат превърнати в конкретни и наблюдаеми поведения на обучаемите.
Седемте проекта, представени в новата инфографика, предлагат именно такива примери. Студентите събират доказателства, сравняват източници, адаптират комуникацията към различни аудитории, документират процеса на вземане на решения и аргументират направените промени. По този начин AI fluency става видима и измерима.
По същия начин публикацията „Създайте свои собствени предизвикателства за AI fluency“ подчертаваше, че развитието на AI fluency изисква внимателно проектирани учебни преживявания, а не изолирано обучение за работа с инструменти. Ефективните предизвикателства изискват от студентите да оценяват, проверяват, обясняват и разсъждават върху резултатите. Седемте проекта предоставят готови структури, които преподавателите могат да адаптират към различни дисциплини, без да губят тези основни принципи.
За висши училища като Икономически университет – Варна тези идеи имат сериозни последици.
В курсовете по икономика студентите могат да изпълняват ролята на „изследователи на местни проблеми“, използвайки ИИ за идентифициране на регионални икономически предизвикателства и след това да проверяват тези твърдения чрез данни от Националния статистически институт, Евростат и общински доклади. Оценяването би следвало да зависи от качеството на доказателствата и анализа, а не от предложенията на ИИ.
Във финансите студентите могат да изпълняват дейности от типа „картиране на източници“, сравнявайки генерирани от ИИ инвестиционни анализи с пазарни доклади, финансови отчети и научни публикации. Те трябва да аргументират на кои доказателства се доверяват и защо.
В маркетинга проектите тип „адаптиране към аудитория“ могат да изискват студентите да представят едно и също бизнес предложение пред инвеститори, потребители, политици и местни общности. ИИ може да подпомага създаването на съдържание, но студентите трябва да защитят комуникационните си решения и да оценят тяхната ефективност.
В туризма и хотелиерството студентите могат да разработват предложения за устойчив туризъм в Черноморския регион чрез модела „цикъл на обратна връзка и прототипиране“. Обратната връзка от ИИ, колеги и експерти може да подпомага множество цикли на усъвършенстване преди представянето на окончателното решение.
В бизнес информатиката и анализа на данни дневниците за взаимодействие между човек и ИИ могат да помогнат на студентите да документират кои решения са били делегирани на ИИ и кои са изисквали човешка експертиза. Подобни дейности насърчават прозрачността, отговорността и рефлексията.
Вероятно най-важният проект е „Публична защита на крайния продукт“. Студентите представят своята работа и обясняват доказателствата, редакциите и решенията, подкрепени от ИИ, които стоят зад нея. Този подход измества фокуса от въпроса дали студентите са използвали ИИ към разбирането как са го използвали.
Във всички тези примери основното послание остава непроменено. AI fluency не означава по-бързо генериране на съдържание. Тя означава развитие на преценка. Студентите трябва да се научат да оценяват твърдения, да проверяват доказателства, да преработват идеи, да обясняват своята логика и да поемат отговорност за решенията си.
Натрупващата се поредица от материали на PBL Future Labs предлага полезна рамка за университетите, които търсят ефективни начини за интегриране на ИИ. Заедно тези проекти преместват разговора от промптовете към мисленето, от резултатите към разсъждението и от AI грамотността към истинската AI fluency. В епоха, в която ИИ може да генерира отговори мигновено, най-ценният образователен резултат може да бъде способността на студентите да обяснят защо на даден отговор трябва или не трябва да се доверим.