Блог постовете през юли: от AI инструменти към институционална трансформация
| July 2026 was one of the most active months for the Science & Research Blog at the University of Economics, Varna. Across more than 30 publications, the blog followed the rapid development of artificial intelligence while keeping the focus on its practical implications for universities. The posts addressed new research platforms, changes in academic publishing, student learning, faculty concerns, AI literacy, organizational governance, and the growing role of AI agents. Although the topics were diverse, they shared one central question: How can universities benefit from artificial intelligence without weakening research quality, human judgment, educational purpose, or institutional responsibility? The July publications can be grouped into three connected themes: search, research, and publication; education, teaching, and learning; and business and administration. Search, research, and publication The month began with an examination of Claude Science, Anthropic’s new AI-supported research environment. The post presented a shift from using AI for isolated tasks toward using integrated systems across the research lifecycle. Such systems can support literature discovery, data analysis, programming, visualization, documentation, manuscript preparation, and quality checking within a connected workspace (Miltenoff, 2026a). The wider Anthropic initiative illustrates how AI research support now extends beyond a single model. It combines research funding, a specialized working environment, a researcher community, and tools for scientific work (Miltenoff, 2026a). This shift continued throughout July. Claude Cowork was presented as a project assistant capable of working across connected files, chapters, references, teaching materials, and research documents. Instead of answering one question at a time, such environments can track relationships between materials and propose coordinated updates across a larger project (Miltenoff, 2026b). Several publications examined the changing role of academic and research libraries. The blog argued that libraries are moving from information access services toward active participation in research workflows. Librarians can support source evaluation, metadata quality, data management, copyright, licensing, reproducibility, and the responsible integration of AI research tools (Miltenoff, 2026c). This development connects AI readiness with open science. Making a publication freely available does not automatically make it easy to reuse, verify, or interpret. AI-supported research depends on structured metadata, persistent identifiers, clear licences, documented methods, and well-managed research data. Libraries therefore become partners in improving the quality and interoperability of institutional knowledge (Miltenoff, 2026d). The post on the European Data Portal introduced another practical dimension. New versioning and API functions can help students and researchers locate datasets, track changes, retrieve information systematically, and document which version of a dataset they used. These abilities support transparency and reproducibility in dissertations, research projects, and publications (Miltenoff, 2026e). Two related posts examined retrieval-augmented generation, known as RAG. One asked whether universities need increasingly complex systems such as GraphRAG, modular RAG, knowledge graphs, and agentic RAG (Miltenoff, 2026f). The second reflected on Aaron Tay’s argument that simpler tools may perform well when institutions build them around high-quality collections, clear research needs, and sound evaluation (Miltenoff, 2026g). The main lesson was practical: complexity should respond to a defined problem rather than become a goal in itself. Academic writing also received attention. The post about AI “humanizer” tools questioned attempts to disguise AI-generated text so that it appears human-written. The concern extends beyond detection. When researchers use such tools to conceal how a text was produced, they weaken transparency, authorship, and academic accountability (Miltenoff, 2026h). Across this thematic cluster, the message was consistent. AI can support research, but trustworthy research still requires clear methods, source verification, transparent documentation, appropriate attribution, and human interpretation. Education, teaching, and learning The largest group of July publications addressed education. Several posts moved the discussion away from whether students should use AI and toward how they can use it without surrendering the cognitive work required for learning. The post on metacognition proposed intentional pauses before, during, and after AI use. Students need to identify what they already understand, decide what support they need, evaluate the AI response, and explain how their thinking changed. General reflection is insufficient. Metacognitive questions must connect to disciplinary knowledge and the type of judgment expected in a specific subject (Miltenoff, 2026i). A related post used Vygotsky’s Zone of Proximal Development to distinguish between AI which supports learning and AI which replaces it. AI can assist students with tasks slightly beyond their current independent ability. Problems arise when the system performs the whole task, leaving the learner with a polished answer but little new understanding (Miltenoff, 2026j). The post “When Not to Use AI” offered a practical decision matrix. Some activities can be automated, some can begin with an AI-generated draft, some require systematic human review, and others should remain outside AI-supported workflows. This approach replaces universal rules with decisions based on risk, purpose, privacy, and learning goals (Miltenoff, 2026k). Two publications drew on research into how students use ChatGPT. Students use it to explain difficult concepts, draft and revise texts, solve problems, practise languages, prepare for assessments, and manage academic tasks. Rather than treating all these activities as equivalent, educators need to distinguish productive support from dependence and shortcut-seeking. The blog proposed practical applications for responsible student use (Miltenoff, 2026l) and for foreign-language teaching in specialized subjects (Miltenoff, 2026m). The question of effective AI-supported learning appeared again in a review of recent research. Student autonomy, critical thinking, ethical awareness, and the ability to evaluate AI outputs matter more than frequent tool use. Access to an AI system does not create learning on its own. Teaching design determines whether students compare, question, apply, and explain what the system produces (Miltenoff, 2026n). The post on “brain rot” connected AI use with attention, reading endurance, cognitive fatigue, and dependence on digital platforms. It asked whether universities sometimes use AI to solve problems partly created by fragmented digital habits. The educational priority should therefore be to distinguish between AI which supports sustained thinking and AI which helps users avoid it (Miltenoff, 2026o). Faculty concerns also received direct attention. Instead of treating scepticism as resistance to innovation, universities should examine concerns about student learning, assessment validity, workload, privacy, reliability, academic integrity, and professional autonomy. These concerns provide evidence for institutional planning and faculty development (Miltenoff, 2026p). The post on the tension between “techlash” and instructional redesign reached a similar conclusion. Universities need more than bans or unrestricted adoption. They need redesigned assignments, secure learning checkpoints, opportunities for oral explanation, evidence of process, discipline-specific guidance, and clearer expectations for acceptable AI support (Miltenoff, 2026q). Three posts near the end of July examined AI literacy frameworks. The new European Commission and OECD framework for primary and secondary education was considered from the perspective of higher education. Students will increasingly enter universities with prior expectations about AI knowledge, ethics, evaluation, and use. Universities therefore need to move from introductory AI literacy toward disciplinary AI fluency (Miltenoff, 2026r). A comparison of UNESCO, European Commission and OECD, and Stanford frameworks showed how they complement one another. UNESCO identifies broad student competencies. The European framework describes progression through school education. Stanford supports decisions about the functional, ethical, rhetorical, and pedagogical use of generative AI. Together, they can help universities connect learning outcomes, curriculum progression, teaching practice, and assessment (Miltenoff, 2026s). Business and administration The third cluster addressed AI as an organizational and management issue. Early posts explained core AI terminology and compared major platforms. Clear distinctions between artificial intelligence, machine learning, deep learning, transformers, large language models, and applications such as ChatGPT help institutions avoid confused purchasing and policy decisions (Miltenoff, 2026t). The comparison of ChatGPT, Claude, Perplexity, and Copilot emphasized task-based selection. Different tools offer different strengths in searching, writing, working with documents, handling organizational data, and supporting connected workflows. Universities should avoid selecting one platform for every task without examining user needs, information risks, costs, and integration requirements (Miltenoff, 2026u). The distinction between Microsoft Copilot and Microsoft 365 Copilot made this issue more concrete. Similar product names can refer to tools with different functions, data access, licensing models, and organizational implications. Institutions need precise procurement questions before purchasing access at scale (Miltenoff, 2026v). The introduction to MCP and APIs explained why connected AI systems need common ways to communicate with external tools and organizational resources. APIs allow software systems to exchange information through defined connections. MCP aims to provide a more standardized way for AI applications to access tools, files, databases, and services. For universities, these technologies matter because future AI assistants will increasingly work across institutional systems rather than inside a single chat window (Miltenoff, 2026w). Posts about Claude Fable 5, Kimi K3, AI assistants, and agent safeguards examined the move from chatbots toward systems capable of completing multi-step tasks. This creates opportunities for document analysis, research support, administrative drafting, and project coordination (Miltenoff, 2026x; Miltenoff, 2026y). It also creates risks when agents receive broad permissions or unclear instructions (Miltenoff, 2026z). The practical response is to state boundaries. An institution should define what an AI agent may access, what it may change, which actions require approval, and when a human must take control. Instructions such as “improve this report” leave too much room for interpretation. Instructions such as “assess the report, do not modify the file, list recommendations, and wait for approval” create safer working conditions (Miltenoff, 2026z). The final two July posts brought these discussions together at the institutional level. “Why AI Governance Matters More Than Buying the Latest AI Model” argued that organizations often focus on model selection while overlooking data quality, testing, security, bias, legal compliance, deployment, monitoring, maintenance, and human responsibility. A successful prototype does not prove that an AI system is ready for organizational use (Miltenoff, 2026aa). “AI Is Changing Universities. The Real Challenge Is Institutional Transformation” extended the argument. Universities need to align technology decisions with governance, curriculum, research practice, academic values, faculty development, digital infrastructure, and organizational design. AI adoption therefore becomes a question of institutional capacity rather than access to the newest model (Miltenoff, 2026ab). What July’s posts tell us The July publications document a clear transition. AI is moving from isolated prompting toward connected research, educational, and administrative workflows. This development requires broader forms of literacy. Researchers need to evaluate sources, document methods, and preserve reproducibility. Educators need to design tasks which protect thinking, judgment, and learner agency. Administrators need to manage access, data, permissions, procurement, risk, and accountability. The three themes are closely connected. Research practices influence what and how we teach. Teaching prepares students for professional and organizational use of AI. Institutional policies determine which tools, data, and forms of support remain available to researchers and educators. The central lesson from July is therefore less about any individual platform. Universities should build the capacity to make informed decisions about artificial intelligence. This means choosing tools according to purpose, protecting human responsibility, supporting faculty and students, improving the quality of institutional information, and creating clear rules for increasingly autonomous systems. The next stage of university AI adoption will depend less on who acquires the most advanced model and more on who develops the strongest combination of research quality, educational judgment, organizational readiness, and responsible governance. | Юли 2026 г. беше един от най-активните месеци за блога „Наука и изследвания“ на Икономически университет – Варна. В повече от 30 публикации блогът проследи бързото развитие на изкуствения интелект, като запази фокуса върху практическите му последици за университетите. Публикациите разгледаха нови изследователски платформи, промени в академичното публикуване, ученето на студентите, притесненията на преподавателите, AI грамотността, организационното управление и нарастващата роля на AI агентите. Въпреки разнообразието от теми, всички те бяха свързани с един основен въпрос: Как университетите могат да се възползват от изкуствения интелект, без да отслабват качеството на научните изследвания, човешката преценка, образователната цел и институционалната отговорност? Публикациите през юли могат да бъдат групирани в три свързани тематични направления: търсене, научни изследвания и публикуване; образование, преподаване и учене; бизнес и администрация. Търсене, научни изследвания и публикуване Месецът започна с анализ на Claude Science, новата среда на Anthropic за научна работа с подкрепата на изкуствен интелект. Публикацията представи прехода от използване на AI за отделни задачи към интегрирани системи, които подпомагат целия изследователски цикъл. Подобни системи могат да съдействат при търсенето на литература, анализа на данни, програмирането, визуализацията, документирането, подготовката на ръкописи и проверката на качеството в рамките на свързана работна среда (Miltenoff, 2026a). По-широката инициатива на Anthropic показва как подкрепата за научните изследвания с AI вече надхвърля рамките на един модел. Тя включва финансиране на изследвания, специализирана работна среда, общност от изследователи и инструменти за ежедневна научна работа (Miltenoff, 2026a). Тази промяна продължи да бъде разглеждана и в други публикации през юли. Claude Cowork беше представен като проектен асистент, способен да работи със свързани файлове, глави, библиографски източници, учебни материали и научни документи. Вместо да отговарят на един въпрос в даден момент, подобни среди могат да проследяват връзките между материалите и да предлагат координирани актуализации в рамките на по-голям проект (Miltenoff, 2026b). Няколко публикации разгледаха променящата се роля на академичните и научните библиотеки. В блога беше изразена тезата, че библиотеките преминават от предоставяне на достъп до информация към активно участие в научноизследователските процеси. Библиотекарите могат да подпомагат оценяването на източници, качеството на метаданните, управлението на данни, авторското право, лицензирането, възпроизводимостта и отговорното интегриране на AI инструменти за научни изследвания (Miltenoff, 2026c). Това развитие свързва готовността за използване на AI с отворената наука. Свободният достъп до дадена публикация не означава автоматично, че тя може лесно да бъде повторно използвана, проверена или интерпретирана. Научните изследвания с подкрепата на AI зависят от структурирани метаданни, устойчиви идентификатори, ясни лицензи, документирани методи и добре управлявани научни данни. Затова библиотеките се превръщат в партньори за подобряване на качеството и оперативната съвместимост на институционалното знание (Miltenoff, 2026d). Публикацията за Европейския портал за данни представи друго практическо измерение. Новите функции за управление на версии и достъп чрез API могат да помогнат на студентите и изследователите да намират набори от данни, да проследяват промените, да извличат систематично информация и да документират коя версия на даден набор са използвали. Тези възможности подпомагат прозрачността и възпроизводимостта при дипломни работи, изследователски проекти и научни публикации (Miltenoff, 2026e). Две свързани публикации разгледаха генерирането с подпомагане от извлечена информация, известно като RAG. Едната постави въпроса дали университетите се нуждаят от все по-сложни системи като GraphRAG, модулен RAG, графи на знанието и агентен RAG (Miltenoff, 2026f). Втората представи размисъл върху аргумента на Aaron Tay, че по-прости инструменти могат да работят успешно, когато институциите ги изграждат върху качествени колекции, ясно определени научни потребности и надеждна оценка (Miltenoff, 2026g). Основният практически извод беше, че сложността трябва да отговаря на конкретно дефиниран проблем, вместо да се превръща в самоцел. Академичното писане също получи внимание. Публикацията за инструментите за „очовечаване“ на AI текст постави под въпрос опитите генерирано от AI съдържание да бъде прикрито така, че да изглежда написано от човек. Проблемът надхвърля темата за откриването. Когато изследователите използват подобни инструменти, за да скрият как е създаден текстът, те отслабват прозрачността, авторството и академичната отчетност (Miltenoff, 2026h). В рамките на това тематично направление посланието беше последователно. AI може да подпомага научните изследвания, но надеждната научна работа продължава да изисква ясни методи, проверка на източниците, прозрачно документиране, коректно приписване на авторство и човешка интерпретация. Образование, преподаване и учене Най-голямата група публикации през юли беше посветена на образованието. Няколко текста преместиха дискусията от въпроса дали студентите трябва да използват AI към въпроса как могат да го използват, без да се отказват от познавателната работа, необходима за ученето. Публикацията за метакогницията предложи въвеждането на целенасочени паузи преди, по време и след използването на AI. Студентите трябва да определят какво вече разбират, да решат от каква подкрепа се нуждаят, да оценят отговора на AI и да обяснят как се е променило тяхното мислене. Общата рефлексия не е достатъчна. Метакогнитивните въпроси трябва да бъдат свързани с дисциплинарното знание и с вида преценка, която се очаква в конкретната предметна област (Miltenoff, 2026i). Свързана публикация използва Зоната на най-близко развитие на Виготски, за да разграничи AI, който подпомага ученето, от AI, който го замества. AI може да подкрепя студентите при задачи, които са малко над настоящото им ниво на самостоятелни способности. Проблемите възникват, когато системата изпълнява цялата задача и оставя обучаемия с добре оформен отговор, но с малко ново разбиране (Miltenoff, 2026j). Публикацията „Кога да не използваме AI“ предложи практическа матрица за вземане на решения. Някои дейности могат да бъдат автоматизирани, други могат да започнат с генерирана от AI чернова, трети изискват систематична човешка проверка, а четвърти трябва да останат извън работните процеси с AI. Този подход заменя универсалните правила с решения, основани на риска, целта, поверителността и образователните резултати (Miltenoff, 2026k). Две публикации използваха данни от изследвания върху начина, по който студентите използват ChatGPT. Студентите го използват, за да разбират трудни понятия, да създават и редактират текстове, да решават проблеми, да упражняват чужди езици, да се подготвят за оценяване и да организират учебните си задачи. Вместо да третират всички тези дейности като еднакви, преподавателите трябва да разграничават продуктивната подкрепа от зависимостта и търсенето на преки пътища. Блогът предложи практически приложения за отговорно студентско използване (Miltenoff, 2026l) и за чуждоезиковото обучение по специализирани дисциплини (Miltenoff, 2026m). Въпросът за ефективното учене с AI се появи отново в обзор на скорошни изследвания. Автономността на студентите, критическото мислене, етичната осъзнатост и способността да оценяват резултатите от AI имат по-голямо значение от честотата на използване на инструмента. Достъпът до AI система сам по себе си не създава учене. Дизайнът на преподаването определя дали студентите ще сравняват, поставят под въпрос, прилагат и обясняват създаденото от системата (Miltenoff, 2026n). Публикацията за „мозъчното гниене“ свърза използването на AI с вниманието, издръжливостта при четене, когнитивната умора и зависимостта от дигитални платформи. Тя постави въпроса дали университетите понякога използват AI, за да решават проблеми, които отчасти са създадени от фрагментирани дигитални навици. Затова образователният приоритет трябва да бъде разграничаването между AI, който подкрепя задълбоченото мислене, и AI, който помага на потребителите да го избягват (Miltenoff, 2026o). Притесненията на преподавателите също бяха разгледани пряко. Вместо скептицизмът да се приема като съпротива срещу иновациите, университетите трябва да анализират опасенията, свързани с ученето на студентите, валидността на оценяването, работното натоварване, поверителността, надеждността, академичната почтеност и професионалната автономия. Тези притеснения предоставят важна информация за институционалното планиране и развитието на преподавателите (Miltenoff, 2026p). Публикацията за напрежението между технологичната реакция и редизайна на обучението достигна до сходен извод. Университетите се нуждаят от повече от забрани или неограничено приемане. Те имат нужда от преработени задания, защитени контролни точки в процеса на учене, възможности за устно обяснение, доказателства за процеса, дисциплинарно специфични насоки и по-ясни очаквания за допустимото използване на AI (Miltenoff, 2026q). Три публикации към края на юли разгледаха рамки за AI грамотност. Новата рамка на Европейската комисия и ОИСР за началното и средното образование беше анализирана от гледна точка на висшето образование. Студентите все по-често ще постъпват в университетите с предварително формирани очаквания за познаване, етика, оценяване и използване на AI. Затова университетите трябва да преминат от въвеждаща AI грамотност към дисциплинарно специфична AI компетентност (Miltenoff, 2026r). Сравнението между рамките на ЮНЕСКО, Европейската комисия и ОИСР и Станфорд показа как те се допълват. ЮНЕСКО определя широки компетентности на учениците. Европейската рамка описва тяхното развитие в училищното образование. Станфорд подпомага решенията за функционалното, етичното, реторичното и педагогическото използване на генеративен AI. Заедно те могат да помогнат на университетите да свържат резултатите от обучението, развитието на учебните програми, преподавателската практика и оценяването (Miltenoff, 2026s). Бизнес и администрация Третото тематично направление разгледа AI като организационен и управленски въпрос. Публикации в началото на месеца обясниха основни термини и сравниха водещи AI платформи. Ясното разграничаване между изкуствен интелект, машинно обучение, дълбоко обучение, трансформъри, големи езикови модели и приложения като ChatGPT помага на институциите да избягват неясни решения при закупуване на технологии и създаване на политики (Miltenoff, 2026t). Сравнението между ChatGPT, Claude, Perplexity и Copilot постави акцент върху избора според конкретната задача. Различните инструменти имат различни силни страни при търсене, писане, работа с документи, обработване на организационни данни и поддържане на свързани работни процеси. Университетите не трябва да избират една платформа за всички задачи, без да анализират потребностите на потребителите, информационните рискове, разходите и изискванията за интеграция (Miltenoff, 2026u). Разграничението между Microsoft Copilot и Microsoft 365 Copilot направи този въпрос по-конкретен. Подобни продуктови имена могат да обозначават инструменти с различни функции, достъп до данни, лицензионни модели и организационни последици. Институциите трябва да формулират точни въпроси за обществените поръчки и лицензирането, преди да закупят достъп в голям мащаб (Miltenoff, 2026v). Въведението в MCP и API обясни защо свързаните AI системи се нуждаят от общи начини за комуникация с външни инструменти и организационни ресурси. API позволява на софтуерни системи да обменят информация чрез предварително определени връзки. MCP има за цел да предостави по-стандартизиран начин AI приложенията да получават достъп до инструменти, файлове, бази данни и услуги. За университетите тези технологии са важни, защото бъдещите AI асистенти все по-често ще работят с множество институционални системи, вместо само в един чат прозорец (Miltenoff, 2026w). Публикациите за Claude Fable 5, Kimi K3, AI асистентите и защитните механизми за агенти разгледаха прехода от чатботове към системи, способни да изпълняват многостъпкови задачи. Това създава възможности за анализ на документи, подкрепа на научните изследвания, подготовка на административни текстове и координация на проекти (Miltenoff, 2026x; Miltenoff, 2026y). Същевременно възникват рискове, когато агентите получават широки права или неясни инструкции (Miltenoff, 2026z). Практическият отговор е свързан с ясно определяне на границите. Институцията трябва да уточни до какво може да има достъп AI агентът, какво може да променя, кои действия изискват одобрение и кога човек трябва да поеме контрола. Инструкции като „подобри този доклад“ оставят твърде голямо поле за интерпретация. Инструкции като „оцени доклада, не променяй файла, изведи препоръките си и изчакай одобрение“ създават по-безопасни условия за работа (Miltenoff, 2026z). Последните две публикации през юли обединиха тези дискусии на институционално равнище. „Защо управлението на AI е по-важно от закупуването на най-новия AI модел“ защити тезата, че организациите често се фокусират върху избора на модел, като пренебрегват качеството на данните, тестването, сигурността, пристрастията, правното съответствие, внедряването, наблюдението, поддръжката и човешката отговорност. Успешният прототип не доказва, че дадена AI система е готова за организационно използване (Miltenoff, 2026aa). „AI променя университетите. Истинското предизвикателство е институционалната трансформация“ разшири този аргумент. Университетите трябва да съгласуват технологичните решения с управлението, учебните програми, научноизследователските практики, академичните ценности, развитието на преподавателите, дигиталната инфраструктура и организационния дизайн. Така внедряването на AI се превръща във въпрос на институционален капацитет, а не само на достъп до най-новия модел (Miltenoff, 2026ab). Какво ни показват публикациите през юли Публикациите през юли документират преход от отделни промптове към свързани научни, образователни и административни работни процеси. Това развитие изисква по-широки форми на грамотност и компетентност. Изследователите трябва да оценяват източници, да документират методи и да запазват възпроизводимостта. Преподавателите трябва да проектират задачи, които защитават мисленето, преценката и самостоятелността на обучаемите. Администраторите трябва да управляват достъпа, данните, разрешенията, обществените поръчки, риска и отчетността. Трите тематични направления са тясно свързани. Научноизследователските практики влияят върху това какво и как преподаваме. Преподаването подготвя студентите за професионално и организационно използване на AI. Институционалните политики определят кои инструменти, данни и форми на подкрепа са достъпни за изследователите и преподавателите. Затова основният извод от публикациите през юли не е свързан с конкретна платформа. Университетите трябва да изграждат капацитет за информирано вземане на решения относно изкуствения интелект. Това означава да избират инструменти според целта, да защитават човешката отговорност, да подкрепят преподавателите и студентите, да подобряват качеството на институционалната информация и да създават ясни правила за все по-автономни системи. Следващият етап от използването на AI в университетите ще зависи в по-малка степен от това кой разполага с най-напредналия модел и в по-голяма степен от това кой развива най-добрата комбинация от качество на научните изследвания, образователна преценка, организационна готовност и отговорно управление. |