От ИИ колеги до ИИ инфраструктура: Какво ни учат Итън Молик и Карло Яконо за бъдещето на висшето образование
| Podcast | Подкаст на български |
| In June 2026, the artificial intelligence community experienced two significant events within days of each other. First, Anthropic introduced Claude Fable 5 and Claude Mythos 5, models for many observers a major leap in autonomous AI capabilities. Days later, the U.S. government directed Anthropic to suspend access to these models, triggering discussions about AI governance, sovereignty, and institutional dependence. Two influential commentaries emerged from these events. Ethan Mollick’s article, “What it feels like to work with Mythos,” focused on the capabilities of these new systems. Carlo Iacono’s article, “The Weekend Washington Switched Off an AI,” focused on the consequences when access to those capabilities suddenly disappeared. Together, they offer a valuable framework for understanding the opportunities and risks of advanced AI in higher education. Ethan Mollick: The Rise of the AI Co-Worker For Mollick, the Fable-class systems represent a shift from AI as a conversational assistant toward AI as an autonomous collaborator. Rather than responding to individual prompts, these systems can conduct research, write code, analyze documents, coordinate subtasks, and produce complex deliverables over extended periods with limited human intervention. One of Mollick’s most important observations is the shift for users to increasingly act as commissioners rather than operators. The human defines objectives and evaluates results, while the AI executes much of the workflow independently. This transition fundamentally changes the nature of knowledge work, teaching, and research. For higher education, Mollick’s analysis suggests several implications: Assessment Can No Longer Focus Only on Outputs If AI can generate polished reports, software applications, literature reviews, and presentations, evaluating only the final product becomes increasingly problematic. Assessment must emphasize: – Problem formulation – Source selection – Verification processes – Reflection and revision – Critical evaluation of AI outputs AI Fluency Becomes More Important Than Prompting An educational challenge goes beyond teaching students to write prompts. Students need to learn to supervise, critique, validate, and improve AI-generated work. This aligns closely with recent discussions around AI fluency, judgment, and verification literacy. Human Expertise Remains Essential In Mollick’s vew, successful use of advanced AI still depends heavily on the user’s ability to identify errors and evaluate quality. The stronger the AI becomes, the more important human judgment becomes. Carlo Iacono: The Infrastructure Problem While Mollick examines capability, Iacono examines dependence. His central argument is around the view of advanced AI as ordinary software. Frontier AI increasingly resembles critical infrastructure controlled by governments, cloud providers, platform owners, and regulatory authorities. The sudden suspension of Fable 5 and Mythos 5 exposed a reality overlooked by institutions : organizations do not own these capabilities. They merely access them. According to Iacono, the major lesson is not technical but organizational. Universities, businesses, and research institutions have begun integrating AI into essential workflows without developing continuity plans for service interruptions, policy changes, or geopolitical restrictions. Dependency Creates New Risks Iacono highlights several risks: – Vendor lock-in – Regulatory intervention – Data retention requirements – Export controls – Loss of access to critical research tools His argument extends beyond Anthropic. The broader issue is institutional resilience in an environment where AI services may change, become restricted, or disappear entirely. Sovereignty Matters Iacono emphasizes the institutions’ imperative to establish who controls their AI infrastructure, where data is stored, and which actors possess the authority to interrupt access. For universities, this introduces new governance questions that traditional educational technology policies rarely address. Where Mollick and Iacono Agree Although their perspectives differ, both authors arrive at a similar conclusion. Neither argues a rejection of advanced AI. Instead, both suggest AI adoption requires stronger governance and stronger human oversight. Mollick focuses on oversight of AI-generated outputs. Iacono focuses on oversight of AI systems themselves. Together, they suggest the birth of two complementary forms of literacy: Verification Literacy Students, faculty, and researchers must learn to evaluate AI-generated content, identify errors, verify sources, and assess reliability. Infrastructure Literacy Institutional leaders must understand the risks associated with dependence on external AI providers, including issues of access, compliance, continuity, and sovereignty. What This Means for Higher Education The future challenge is no longer whether AI is capable enough to transform academic work. The evidence increasingly suggests it is. The challenge is whether universities can develop the policies, assessment models, governance structures, and verification practices necessary to use these systems responsibly and sustainably. For institutions, this means: Teaching – Shift assessment toward process and verification. – Require AI work logs and reflection documents. – Evaluate judgment rather than production alone. Research – Document prompts, outputs, models, and sources. – Preserve reproducibility through careful record keeping. – Develop alternative workflows when AI services become unavailable. Institutional Governance – Audit AI dependencies. – Develop multi-provider strategies. – Include AI in business continuity planning. – Establish risk-based AI governance frameworks. A Question for the Educational Community If AI systems are increasingly capable of conducting research, writing code, analyzing documents, and producing sophisticated outputs with limited human supervision, how should teaching, assessment, and academic work evolve? At the same time, if access to these systems can be restricted, suspended, or altered by vendors, regulators, or geopolitical decisions, how should universities manage their growing dependence on external AI infrastructure? The challenge facing higher education is no longer simply whether AI is useful. The challenge is determining the balance among AI-enabled productivity with academic integrity, human judgment, verification, reproducibility, and institutional resilience. How are you adapting assessment and teaching practices in response to increasingly autonomous AI systems? Should universities require documentation of AI-assisted work as part of academic assessment? How concerned are you about institutional dependence on a small number of AI providers? What skills will students and faculty need most in an environment where AI can increasingly perform complex intellectual work? Are your institutions developing contingency plans for AI service disruptions, policy changes, or regulatory restrictions? The conversation is no longer only about AI capabilities. It is increasingly about governance, verification, and the future role of human expertise in education. References Anthropic. (2026). Claude Fable 5 and Claude Mythos 5. https://www.anthropic.com/news/claude-fable-5-mythos-5 Anthropic. (2026). Claude Fable. https://www.anthropic.com/claude/fable Anthropic. (2026). Claude Mythos. https://www.anthropic.com/claude/mythos Anthropic. (2026). Introducing Claude Fable 5 and Claude Mythos 5. https://platform.claude.com/docs/en/about-claude/models/introducing-claude-fable-5-and-claude-mythos-5 Anthropic. (2026). Statement on the US Government Directive to Suspend Access to Fable 5 and Mythos 5. https://www.anthropic.com/news/fable-mythos-access Mollick, E. (2026, June 9). What It Feels Like to Work with Mythos. https://www.oneusefulthing.org/p/what-it-feels-like-to-work-with-mythos Mollick, E. One Useful Thing. https://www.oneusefulthing.org Iacono, C. (2026, June 14). The Weekend Washington Switched Off an AI. https://hybridhorizons.substack.com/p/the-weekend-washington-switched-off Iacono, C. Hybrid Horizons. https://hybridhorizons.substack.com Field, H. (2026, June 16). Inside the Fight Over Claude Mythos 5. The Verge. https://www.theverge.com/ai-artificial-intelligence/950412/anthropic-trump-adminstration-claude-mythos-fable-5-export-controls Hart, R. (2026, June 10). Claude Fable Won’t Answer Basic Biology Questions. The Verge. https://www.theverge.com/ai-artificial-intelligence/947973/fable-wont-answer-basic-biology-questions Warren, T. (2026, June 10). Microsoft Restricts Claude Fable for Employees Over Data Retention Concerns. The Verge. https://www.theverge.com/report/947575/microsoft-claude-fable-5-restricted-internally Ortutay, B. (2026, June 16). Tech Experts Urge White House to Ease Off Anthropic AI Restrictions. Associated Press. https://apnews.com/article/0a87a0f7773255419936af053ad8bdef Albergotti, R. (2026, June 13). White House Move to Limit Anthropic Linked to Concerns About Chinese Access to Mythos. Semafor. https://www.semafor.com/article/06/13/2026/white-house-move-to-limit-anthropic-linked-to-concerns-about-chinese-access-to-mythos Microsoft Azure Blog. (2026, June 10). Claude Fable 5 Is Now Available in Microsoft Foundry. https://azure.microsoft.com/en-us/blog/claude-fable-5-is-now-available-in-microsoft-foundry-powering-the-next-era-of-autonomous-agents/ VDF AI Team. (2026, June 13). When a Directive Can Switch Off Your AI: The Fable 5 & Mythos 5 Suspension and the Case for On-Premises Data Sovereignty. https://vdf.ai/blog/fable-mythos-suspension-ai-data-sovereignty-kill-switch/ | През юни 2026 г. общността, занимаваща се с изкуствен интелект, стана свидетел на две значими събития, случили се в рамките на няколко дни. Първо, Anthropic представи Claude Fable 5 и Claude Mythos 5, модели, които според много наблюдатели представляват значителен скок в развитието на автономните възможности на изкуствения интелект. Няколко дни по-късно правителството на САЩ нареди на Anthropic да преустанови достъпа до тези модели, което предизвика дискусии относно управлението на ИИ, цифровия суверенитет и институционалната зависимост. От тези събития се появиха два влиятелни коментара. Статията на Итън Молик „What It Feels Like to Work with Mythos“ се фокусира върху възможностите на новите системи. Статията на Карло Яконо „The Weekend Washington Switched Off an AI“ разглежда последиците от внезапното изчезване на достъпа до тези възможности. Разгледани заедно, те предлагат ценна рамка за разбиране на възможностите и рисковете на напредналия изкуствен интелект във висшето образование. Итън Молик: Възходът на ИИ като колега Според Молик системите от типа Fable представляват преход от изкуствен интелект като разговорен асистент към изкуствен интелект като автономен сътрудник. Вместо да отговарят на отделни подкани, тези системи могат да провеждат изследвания, да пишат код, да анализират документи, да координират подзадачи и да създават сложни крайни продукти за продължителни периоди от време с минимална човешка намеса. Едно от най-важните наблюдения на Молик е промяната в ролята на потребителя. Хората все по-често действат като възложители, а не като оператори. Човекът определя целите и оценява резултатите, докато ИИ изпълнява голяма част от работния процес самостоятелно. Този преход променя фундаментално естеството на интелектуалния труд, преподаването и научните изследвания. За висшето образование анализът на Молик предполага няколко важни последици. Оценяването вече не може да се фокусира само върху крайния резултат Ако ИИ може да генерира добре оформени доклади, софтуерни приложения, литературни обзори и презентации, оценяването единствено на крайния продукт става все по-проблематично. Оценяването трябва да поставя акцент върху: • Формулирането на проблема • Избора на източници • Процесите на проверка • Рефлексията и редактирането • Критичната оценка на резултатите, генерирани от ИИ Владеенето/компетентността (AI Fluency) на ИИ става по-важно от умението за писане на подкани Образователното предизвикателство вече не се изчерпва с това студентите да се научат да пишат добри подкани. Те трябва да се научат да наблюдават, критикуват, валидират и подобряват съдържание, генерирано от ИИ. Това е в съзвучие със съвременните дискусии за AI fluency, преценка и култура на проверка. Човешката експертиза остава незаменима Според Молик успешното използване на напреднали ИИ системи продължава да зависи в голяма степен от способността на потребителя да открива грешки и да оценява качеството на резултатите. Колкото по-мощен става ИИ, толкова по-важна става човешката преценка. Карло Яконо: Проблемът с инфраструктурата Докато Молик разглежда възможностите, Яконо разглежда зависимостта. Основният му аргумент поставя под въпрос възприемането на напредналия ИИ като обикновен софтуер. Според него системите от най-висок клас все повече приличат на критична инфраструктура, контролирана от правителства, облачни доставчици, собственици на платформи и регулаторни органи. Внезапното спиране на Fable 5 и Mythos 5 разкри реалност, която много институции бяха пренебрегнали: организациите не притежават тези възможности. Те единствено получават достъп до тях. Според Яконо основният урок не е технически, а организационен. Университети, компании и научни организации започват да интегрират ИИ в критични работни процеси, без да разработват планове за непрекъсваемост на дейността при прекъсвания на услугите, промени в политиките или геополитически ограничения. Зависимостта създава нови рискове Яконо откроява няколко основни риска: • Обвързаност с конкретен доставчик • Регулаторна намеса • Изисквания за съхранение на данни • Експортен контрол • Загуба на достъп до критични изследователски инструменти Неговият аргумент надхвърля случая с Anthropic. По-широкият въпрос е институционалната устойчивост в среда, в която услугите, базирани на ИИ, могат да се променят, да бъдат ограничени или да изчезнат напълно. Суверенитетът има значение Яконо подчертава необходимостта институциите да знаят кой контролира тяхната ИИ инфраструктура, къде се съхраняват данните и кои участници имат правомощията да прекъснат достъпа. За университетите това поставя нови въпроси за управление, които традиционните политики за образователни технологии рядко разглеждат. Къде се срещат позициите на Молик и Яконо Въпреки различните си гледни точки, двамата автори достигат до сходно заключение. Нито един от тях не призовава за отхвърляне на напредналия изкуствен интелект. Вместо това и двамата подчертават необходимостта от по-силно управление и по-активен човешки контрол. Молик акцентира върху контрола върху резултатите, генерирани от ИИ. Яконо акцентира върху контрола върху самите ИИ системи. Разгледани заедно, техните позиции предполагат възникването на две допълващи се форми на грамотност. Грамотност за проверка (Verification Literacy) Студенти, преподаватели и изследователи трябва да умеят да оценяват съдържание, генерирано от ИИ, да откриват грешки, да проверяват източници и да оценяват надеждността на информацията. Инфраструктурна грамотност (Infrastructure Literacy) Институционалните лидери трябва да разбират рисковете, свързани със зависимостта от външни доставчици на ИИ, включително достъп, съответствие с регулации, непрекъсваемост на услугите и цифров суверенитет. Какво означава това за висшето образование Основният въпрос вече не е дали ИИ е достатъчно способен, за да трансформира академичната работа. Все повече доказателства показват, че е. Предизвикателството е дали университетите могат да разработят политики, модели за оценяване, структури за управление и практики за проверка, които да позволят използването на тези системи по отговорен и устойчив начин. За институциите това означава: Преподаване • Преместване на фокуса на оценяването към процеса и проверката. • Изискване на дневници за работа с ИИ и рефлексивни отчети. • Оценяване на преценката, а не единствено на крайния продукт. Научни изследвания • Документиране на подканите, резултатите, моделите и източниците. • Осигуряване на възпроизводимост чрез внимателно водене на документация. • Разработване на алтернативни работни процеси при недостъпност на ИИ услуги. Институционално управление • Анализ на зависимостите от ИИ. • Разработване на стратегии с множество доставчици. • Включване на ИИ в плановете за непрекъсваемост на дейността. • Създаване на рамки за управление на ИИ, базирани на риска. Въпрос към образователната общност Ако системите с изкуствен интелект все по-често могат да извършват изследвания, да пишат код, да анализират документи и да създават сложни резултати с ограничен човешки контрол, как трябва да се променят преподаването, оценяването и академичната работа? В същото време, ако достъпът до тези системи може да бъде ограничен, прекратен или променен от доставчици, регулатори или геополитически решения, как университетите трябва да управляват нарастващата си зависимост от външна ИИ инфраструктура? Предизвикателството пред висшето образование вече не е дали ИИ е полезен. Предизвикателството е намирането на баланс между продуктивността, подпомагана от ИИ, и академичната почтеност, човешката преценка, проверката, възпроизводимостта и институционалната устойчивост. • Как адаптирате практиките си за оценяване и преподаване в отговор на все по-автономните ИИ системи? • Трябва ли университетите да изискват документация за работата с ИИ като част от академичното оценяване? • Доколко сте загрижени от зависимостта на институциите от малък брой доставчици на ИИ? • От какви умения ще се нуждаят най-много студентите и преподавателите в среда, в която ИИ може да изпълнява все по-сложни интелектуални задачи? • Разработват ли вашите институции планове за действие при прекъсване на ИИ услуги, промени в политиките или регулаторни ограничения? Разговорът вече не е само за възможностите на изкуствения интелект. Все повече той е за управление, проверка и бъдещата роля на човешката експертиза в образованието. |