Изкуственият интелект проверява бизнес училищата: Какво може да научи ИУ – Варна?

Plamen MILTENOFF

Podcast

Подкаст

Artificial intelligence has entered business education through new courses, tools, research centres and institutional partnerships. Michael G. Jacobides of the London Business School this response is not sufficiently far stretching. It is not sufficient to treat AI only as another subject added to an existing curriculum. It should be understood as an audit of the business schools curriculum, assessment, research and reward.

His central question asks: with AI made fluent answers cheap, what is the purpose of business schools?
AI systems can already produce polished reports, case analyses, presentations, market comparisons and strategic recommendations. These outputs once served as evidence of student competence. Their production now requires less time and effort, and the quality of the final document no longer proves that the student understands the problem.
In Jacobides view, business schools must identify the rare and valuable features. His answer centres on managerial judgement. Future managers need to frame unclear problems, assess conflicting evidence, challenge assumptions, make decisions under uncertainty and accept responsibility for the consequences. Business schools should develop these capabilities rather than compete with AI in producing more content.
The argument also exposes weaknesses lingering before the advent of generative AI. Business education has sometimes rewarded fluency, confidence and familiarity with accepted frameworks more than genuine understanding. AI makes this distinction easier to see because it can reproduce the language and structure of competent analysis without experiencing the situation, understanding the organisation or bearing responsibility for a decision.
AI therefore does not remove the need for business schools. It challenges them to prove their educational value.

From Adding AI to Redesigning Education
In his LinkedIn post, Jacobides warns against “AI theatre”: establishing centres, announcing partnerships and introducing electives without changing teaching time, assessment, promotion criteria or institutional priorities. He proposes four changes.
First, schools should redesign education around judgement, evidence, challenge and responsibility. Second, they should stop assessing outputs that machines can imitate. Third, they should reconsider whether research systems reward important questions and reliable evidence or conformity with established academic formats. Fourth, universities should protect their independence by testing AI claims rather than repeating vendor narratives.

The comments under the post extend these ideas.
Several comments propose for AI literacy to include knowing when to use AI, when to question it and when to work without it. Others suggest classrooms to become laboratories for studying human-AI judgement. Students should receive credit for identifying weak assumptions, rejecting misleading recommendations and defending alternative decisions.
Another important point concerns management theory. Many established models assume humans perform most cognitive and organisational work. As AI systems begin to participate in analysis, coordination and decision support, business schools may need to reconsider concepts such as capability, responsibility, authority and managerial agency.
The comments also challenge the idea of AI making learning easier. AI can generate more scenarios, counterarguments and possible actions, allowing instructors to create more demanding tasks. Students may need to compare several AI-generated strategies, test their assumptions, predict stakeholder responses and defend one course of action.

What UE Varna Can Do
UE Varna can benefit from this conversation by using AI as a reason to review its educational model rather than only its course content.
A first step would be to audit current assessments. Faculty can identify tasks that AI can complete with little student understanding, including standard essays, descriptive case summaries and generic presentations. These tasks can be redesigned around oral defence, staged submissions, revision histories, local data and explanation of decisions.
A second step would be to integrate AI across business disciplines. Finance students could examine AI-generated investment recommendations. Marketing students could test synthetic customer profiles against evidence. Management students could compare alternative restructuring plans. Tourism students could assess AI-generated destination strategies using local conditions and stakeholder interests.
A third step would be to make judgement an explicit learning outcome. Students should learn to ask: What evidence supports this answer? Which assumptions shape it? Who may be affected? What information is missing? Who remains responsible for the decision?
UE Varna could also create a small interdisciplinary group to study how AI changes teaching, research and professional practice across economics, management, finance, tourism and information technologies. The group should examine evidence from real use, not only new tools and vendor claims.
Finally, the university can strengthen its public role. Businesses and public institutions need independent partners who can evaluate whether AI projects create measurable value, transfer risk or generate convincing demonstrations without organisational change. London Business School makes a similar case for independent, interdisciplinary research to separates technological promise from operational impact.
The question for UE Varna is therefore broader than whether faculty and students can use AI. The deeper question is whether the university can redesign learning, assessment and research so that human judgement becomes more visible, more demanding and more consequential.

Изкуственият интелект навлезе в бизнес образованието чрез нови курсове, инструменти, изследователски центрове и институционални партньорства. Майкъл Г. Якобидис от London Business School твърди, че този отговор не е достатъчен. Според него ИИ не трябва да се разглежда като още една тема, добавена към съществуващата учебна програма. Той трябва да се разбира като проверка на това какво преподават, оценяват, изследват и поощряват бизнес училищата.
Основният му въпрос е директен: когато ИИ прави добре формулираните отговори евтини и лесно достъпни, за какво са необходими бизнес училищата?
Системите с изкуствен интелект вече могат да създават добре оформени доклади, анализи на казуси, презентации, пазарни сравнения и стратегически препоръки. Доскоро тези резултати се приемаха като доказателство за компетентността на студентите. Днес тяхното създаване изисква по-малко време и усилия, а качеството на крайния документ вече не доказва, че студентът разбира проблема.
Якобидис твърди, че бизнес училищата трябва да определят какво остава рядко и ценно. Неговият отговор е свързан с управленската преценка. Бъдещите мениджъри трябва да умеят да формулират неясни проблеми, да оценяват противоречиви доказателства, да оспорват допускания, да вземат решения в условия на несигурност и да носят отговорност за последствията. Бизнес училищата трябва да развиват тези способности, вместо да се конкурират с ИИ в производството на повече съдържание.
Аргументът разкрива и слабости, които са съществували преди генеративния ИИ. Бизнес образованието понякога е поощрявало добрия стил, увереното представяне и познаването на утвърдени модели повече от реалното разбиране. ИИ прави това разграничение по-видимо, защото може да възпроизведе езика и структурата на компетентен анализ, без да познава ситуацията, организацията или последствията от дадено решение.
Следователно ИИ не премахва необходимостта от бизнес училища. Той ги принуждава да докажат своята образователна стойност.
От добавяне на ИИ към цялостно преосмисляне на образованието
В своя публикация в LinkedIn Якобидис предупреждава за опасността от „ИИ театър“: създаване на центрове, обявяване на партньорства и въвеждане на избираеми дисциплини, без да се променят преподавателското време, оценяването, критериите за академично развитие и институционалните приоритети. Той предлага четири основни промени.
Първо, бизнес училищата трябва да преосмислят образованието около преценката, доказателствата, оспорването и отговорността. Второ, трябва да спрат да оценяват продукти, които машините могат лесно да имитират. Трето, трябва да преразгледат дали изследователските системи поощряват значими въпроси и надеждни доказателства, или съответствие с установени академични формати. Четвърто, университетите трябва да защитават своята независимост, като проверяват твърденията за ИИ, вместо да повтарят посланията на технологичните компании.
Коментарите под публикацията разширяват тези идеи.
Няколко участници посочват, че ИИ грамотността трябва да включва знание кога да използваме ИИ, кога да го поставяме под съмнение и кога да работим без него. Други предлагат учебните зали да се превърнат в лаборатории за изследване на човешката преценка в сътрудничество с ИИ. Студентите трябва да получават признание за това, че откриват слаби допускания, отхвърлят подвеждащи препоръки и защитават алтернативни решения.
Друг важен въпрос засяга теорията на управлението. Много утвърдени модели приемат, че хората извършват основната част от когнитивната и организационната работа. Когато ИИ системите започнат да участват в анализа, координацията и подкрепата на решенията, бизнес училищата може да се наложи да преосмислят понятия като организационен капацитет, отговорност, власт и управленска автономност.
Коментарите оспорват и идеята, че ИИ трябва да прави ученето по-лесно. ИИ може да генерира повече сценарии, контрааргументи и възможни действия, което позволява на преподавателите да създават по-взискателни задачи. От студентите може да се изисква да сравняват няколко стратегии, създадени от ИИ, да проверяват техните допускания, да предвиждат реакциите на заинтересованите страни и да защитават избран курс на действие.

Как ИУ – Варна може да се възползва
ИУ – Варна може да използва този разговор като възможност да прегледа своя образователен модел, а не само съдържанието на отделни дисциплини.
Първата стъпка може да бъде преглед на съществуващите форми на оценяване. Преподавателите могат да определят кои задачи ИИ може да изпълни с минимално разбиране от страна на студента, например стандартни есета, описателни анализи на казуси и общи презентации. Тези задачи могат да бъдат преработени чрез устна защита, поетапно предаване, проследяване на ревизиите, използване на местни данни и аргументиране на взетите решения.
Втората стъпка е интегриране на ИИ в различните бизнес дисциплини. Студентите по финанси могат да оценяват инвестиционни препоръки, генерирани от ИИ. Студентите по маркетинг могат да проверяват синтетични потребителски профили спрямо реални данни. Студентите по управление могат да сравняват алтернативни планове за преструктуриране. Студентите по туризъм могат да оценяват стратегии за развитие на дестинации, създадени от ИИ, спрямо местните условия и интересите на различни заинтересовани страни.
Третата стъпка е управленската преценка да се превърне в изрично формулиран резултат от обучението. Студентите трябва да се научат да задават въпроси като: Какви доказателства подкрепят този отговор? Какви допускания стоят зад него? Кой може да бъде засегнат? Каква информация липсва? Кой носи отговорност за решението?
ИУ – Варна може да създаде и малка интердисциплинарна група, която да проучва как ИИ променя преподаването, научните изследвания и професионалната практика в областта на икономиката, управлението, финансите, туризма и информационните технологии. Групата трябва да изследва доказателства от реалната употреба, а не само нови инструменти и обещания на доставчиците.
Накрая, университетът може да засили своята обществена роля. Бизнесът и публичните институции имат нужда от независими партньори, които могат да оценят дали проектите с ИИ създават измерима стойност, прехвърлят риск или представят убедителни демонстрации без реална организационна промяна.
Следователно въпросът пред ИУ – Варна е по-широк от това дали преподавателите и студентите могат да използват ИИ. По-важният въпрос е дали университетът може да преосмисли ученето, оценяването и научните изследвания така, че човешката преценка да стане по-видима, по-взискателна и по-значима.