Агентният професор: от ИИ инструменти към нова образователна структура
| A recent EDUCAUSE Review article, “The Agentic Professor: Exploring GenAI-Supported Futures in Higher Education,” by Peter Cornillon and Xavier Prochaska, asks an increasingly important question:what do we do after AI stops being used as an occasional tool and becomes a persistent participant in the learning process? The authors present the “Agentic Professor” as a thought experiment. Their focus is not replacing faculty with AI. Instead, they examine the idea of higher education after AI systems gain memory, planning capacity, tool access, learner models, and the ability to act across longer periods of time. From chatbot to persistent instructional agent Most current educational uses of generative AI follow a simple pattern. A student asks a question, receives an answer, and the interaction ends. An agentic instructional system works differently. It may remember previous discussions, recognize recurring misconceptions, connect a current topic with material studied months earlier, select appropriate resources, initiate questions, monitor progress, and adapt future interactions. The difference therefore moves beyond generating better answers. It concerns continuity, planning, memory, and agency. We discussed this distinction earlier in “AI Agents vs. Agentic AI: Why the Difference Matters for Higher Education”: https://scienceandresearch.ue-varna.bg/2026/05/20/ai-agents-vs-agentic-ai-why-the-difference-matters-for-higher-education/ The Agentic Professor extends this discussion directly into teaching. Instead of seeking instructors’ skills to use individual AI tools, it seeks answers about AI becoming part of the instructional architecture. Personalization becomes continuous One of the main promises of the Agentic Professor is personalized learning at scale. An AI system with persistent memory may adapt explanations, questions, examples, and feedback to individual students. It may detect knowledge gaps and revisit them later. It may also connect concepts across courses instead of treating every course as an isolated unit. This resembles tutoring, but with a much longer time horizon. The educational value, though, depends on the ability of the system to encourage students’ learning. AI can produce answers quickly, but learning requires students to explain, question, compare, revise, and apply ideas. This connects with “AI as a Space for Thinking: A New Approach to Teaching”: https://scienceandresearch.ue-varna.bg/2026/03/17/ai-as-a-space-for-thinking-a-new-approach-to-teaching/2/ We raised a similar issue in “AI Agents in Higher Education: Between Administrative Efficiency and Pedagogical Challenges”: https://scienceandresearch.ue-varna.bg/2026/05/16/ai-agents-in-higher-education-between-administrative-efficiency-and-pedagogical-challenges/ Teaching and assessment start to merge The Agentic Professor also raises a difficult question about assessment. Traditional assessment often relies on a final product, such as an essay, report, presentation, exam, or piece of code. A persistent AI agent may observe the process leading to that product. It may see student’s progression to formulate questions, to revise explanations, to respond to feedback, change assumptions, solve problems, and transfer knowledge to new situations. This creates a different type of evidence about learning. We discussed this problem in our comparison of the recent Brown University and MIT reports: https://scienceandresearch.ue-varna.bg/2026/09/03/brown-university-and-mit-are-asking-the-same-question-about-ai-but-they-are-not-giving-exactly-the-same-answer/ When AI can generate polished outputs, universities need stronger evidence of the learning process behind those outputs. The same principle appears in “From Prompting to Judgment: What the New AI Fluency Projects Mean for Higher Education”: https://scienceandresearch.ue-varna.bg/2026/06/11/from-prompting-to-judgment-what-the-new-ai-fluency-projects-mean-for-higher-education/ From capability to delegation The Agentic Professor changes the central question universities need to ask. The question moves beyond: Can AI teach? A more useful question becomes: Which educational tasks and decisions should we delegate to AI? AI may explain a concept, recommend a resource, generate practice questions, identify misconceptions, track progress, or suggest a learning pathway. Universities still need to decide who defines learning goals, who determines acceptable evidence, who validates assessment decisions, who handles exceptions, and who remains accountable. This theme is central to “When AI Enters the Classroom, Which Decisions Should Stay Human?”: https://scienceandresearch.ue-varna.bg/2026/09/02/when-ai-enters-the-classroom-which-decisions-should-stay-human/ It also connects directly with “The New Hybrid: What Should AI Be Allowed to Do in Education?”: https://scienceandresearch.ue-varna.bg/2026/09/08/the-new-hybrid-what-should-ai-be-allowed-to-do-in-education/ The issue is no longer AI use alone. It concerns the distribution of responsibility between students, instructors, institutions, and AI systems. Governance becomes part of pedagogy Once an AI system remembers student histories, accesses institutional data, evaluates work, recommends learning pathways, or influences progression, governance becomes part of instructional design. Universities need clear rules about data access, permissions, accountability, transparency, human approval, and acceptable autonomy. We discussed this institutional transition in “AI in Higher Education Is Moving from Experimentation Toward Institutional Decision-Making”: https://scienceandresearch.ue-varna.bg/2026/08/10/ai-in-higher-education-is-moving-from-experimentation-toward-institutional-decision-making/ A related post, “State the Boundaries: Why Smarter AI Agents Need Clearer University Rules,” focuses on the same issue from an operational perspective: https://scienceandresearch.ue-varna.bg/2026/07/19/state-the-boundaries-why-smarter-ai-agents-need-clearer-university-rules/ What happens to the professor? The Agentic Professor does not make the human professor irrelevant. It changes the distribution of academic work. If AI manages more individualized explanations, routine feedback, practice activities, and progress monitoring, faculty attention may shift toward curriculum design, mentoring, interpretation, discussion, judgment, research supervision, community building, and complex assessment. We explored this in “What AI in Education Is Revealing About Human Judgment, Agency, and Effort”: https://scienceandresearch.ue-varna.bg/2026/04/24/what-ai-in-education-is-revealing-about-human-judgment-agency-and-effort/ As AI performs more routine intellectual work, the importance of human judgment becomes more visible. Beyond efficiency The Agentic Professor may also tempt institutions to frame AI mainly as an efficiency mechanism: faster feedback, more students per instructor, automated support, and lower costs. Yet educational effectiveness and operational efficiency are different criteria. Higher education also involves intellectual challenge, mentoring, collaboration, disciplinary socialization, identity formation, and participation in academic communities. We discussed this tension in “Beyond Efficiency: Rethinking Academic Work with Generative AI”: https://scienceandresearch.ue-varna.bg/2026/03/22/beyond-efficiency-rethinking-academic-work-with-generative-ai/ The process goes beyond the ability of universities automate teaching. It is now about which activities should be automated, which should be augmented, and which should remain primarily human. A progression universities should pay attention to Seen together, the Agentic Professor and the discussions we have followed across the Science & Research Blog suggest a clear progression: AI tools ↓ AI agents ↓ Agentic systems ↓ Persistent instructional agents ↓ Decisions about delegation ↓ Redesign of assessment ↓ Redefinition of the professor’s role Each step changes the educational problem. At first, universities asked how students and faculty should use AI tools. The discussion then moved toward agents that complete multi-step tasks. Agentic systems added planning, memory, autonomy, and coordination. Persistent instructional agents now introduce continuity across courses and semesters. Once this happens, universities must decide what they are willing to delegate. Delegation changes assessment because institutions need new evidence of student learning. And once both teaching and assessment change, the role of the professor changes as well. The Agentic Professor is therefore less a prediction about a specific technology and more a framework for asking what type of university we want to design when AI becomes part of the educational infrastructure. | В скорошна статия в EDUCAUSE Review, “The Agentic Professor: Exploring GenAI-Supported Futures in Higher Education,” Peter Cornillon и Xavier Prochaska поставят един все по-важен въпрос: какво правим, когато AI престане да се използва като отделен инструмент от време на време и се превърне в постоянен участник в учебния процес? Авторите представят „Agentic Professor“ като мисловен експеримент. Фокусът им не е върху замяната на преподавателите с AI. Вместо това те разглеждат как може да изглежда висшето образование, когато AI системите разполагат с памет, способности за планиране, достъп до инструменти, модели на обучаемите и възможност да действат в продължение на по-дълги периоди. От чатбот към постоянен обучаващ агент Повечето съвременни приложения на генеративния AI в образованието следват прост модел. Студентът задава въпрос, получава отговор и взаимодействието приключва. Агентната образователна система работи по различен начин. Тя може да помни предишни разговори, да разпознава повтарящи се погрешни разбирания, да свързва текуща тема с материал, изучаван месеци по-рано, да избира подходящи ресурси, да инициира въпроси, да проследява напредъка и да адаптира следващите взаимодействия. Следователно разликата надхвърля генерирането на по-добри отговори. Тя е свързана с продължителност, планиране, памет и агентност. Вече разгледахме това разграничение в „AI Agents vs. Agentic AI: Why the Difference Matters for Higher Education“: https://scienceandresearch.ue-varna.bg/2026/05/20/ai-agents-vs-agentic-ai-why-the-difference-matters-for-higher-education/ Концепцията за Agentic Professor пренася тази дискусия директно в преподаването. Вместо да търсим какви умения са необходими на преподавателите за работа с отделни AI инструменти, тя поставя въпроса какво се случва, когато AI стане част от образователната архитектура. Персонализацията става непрекъсната Едно от основните обещания на Agentic Professor е персонализираното обучение в голям мащаб. AI система с постоянна памет може да адаптира обясненията, въпросите, примерите и обратната връзка към отделните студенти. Тя може да открива пропуски в знанията и да се връща към тях по-късно. Може също да свързва концепции между различни дисциплини, вместо да разглежда всеки курс като изолиран. Това наподобява индивидуалното наставничество, но с много по-дълъг времеви хоризонт. Образователната стойност обаче зависи от способността на системата да подпомага ученето на студентите. AI може бързо да генерира отговори, но ученето изисква студентите да обясняват, да задават въпроси, да сравняват, да преработват и да прилагат идеи. Това се свързва с „AI as a Space for Thinking: A New Approach to Teaching“: https://scienceandresearch.ue-varna.bg/2026/03/17/ai-as-a-space-for-thinking-a-new-approach-to-teaching/2/ Подобен въпрос разгледахме и в „AI Agents in Higher Education: Between Administrative Efficiency and Pedagogical Challenges“: https://scienceandresearch.ue-varna.bg/2026/05/16/ai-agents-in-higher-education-between-administrative-efficiency-and-pedagogical-challenges/ Преподаването и оценяването започват да се сливат Agentic Professor поставя и труден въпрос за оценяването. Традиционното оценяване често се основава на краен продукт, например есе, доклад, презентация, изпит или програмен код. Постоянният AI агент може да наблюдава процеса, довел до този продукт. Той може да проследява как студентът формулира въпроси, преработва обяснения, реагира на обратна връзка, променя предположения, решава проблеми и пренася знанията към нови ситуации. Това създава различен тип доказателства за ученето. Разгледахме този проблем в сравнението между последните доклади на Brown University и MIT: https://scienceandresearch.ue-varna.bg/2026/09/03/brown-university-and-mit-are-asking-the-same-question-about-ai-but-they-are-not-giving-exactly-the-same-answer/ Когато AI може да генерира добре оформени крайни продукти, университетите се нуждаят от по-надеждни доказателства за учебния процес, който стои зад тях. Същият принцип присъства и в „From Prompting to Judgment: What the New AI Fluency Projects Mean for Higher Education“: https://scienceandresearch.ue-varna.bg/2026/06/11/from-prompting-to-judgment-what-the-new-ai-fluency-projects-mean-for-higher-education/ От способности към делегиране Agentic Professor променя основния въпрос, който университетите трябва да си задават. Въпросът вече надхвърля: Може ли AI да преподава? По-полезният въпрос става: Кои образователни задачи и решения трябва да делегираме на AI? AI може да обяснява концепция, да препоръчва ресурс, да генерира упражнения, да открива погрешни разбирания, да проследява напредъка или да предлага учебна траектория. Университетите все още трябва да решат кой определя учебните цели, кой определя приемливите доказателства, кой валидира решенията за оценяване, кой разглежда изключенията и кой носи отговорност. Тази тема е централна за „When AI Enters the Classroom, Which Decisions Should Stay Human?“: https://scienceandresearch.ue-varna.bg/2026/09/02/when-ai-enters-the-classroom-which-decisions-should-stay-human/ Тя е пряко свързана и с „The New Hybrid: What Should AI Be Allowed to Do in Education?“: https://scienceandresearch.ue-varna.bg/2026/09/08/the-new-hybrid-what-should-ai-be-allowed-to-do-in-education/ Въпросът вече не се свежда само до използването на AI. Той засяга разпределението на отговорността между студенти, преподаватели, институции и AI системи. Управлението става част от педагогиката Когато една AI система помни историята на студентите, има достъп до институционални данни, оценява работата им, препоръчва учебни траектории или влияе върху академичния им напредък, управлението става част от образователния дизайн. Университетите се нуждаят от ясни правила за достъп до данни, права, отговорност, прозрачност, човешко одобрение и приемливо ниво на автономност. Разгледахме този институционален преход в „AI in Higher Education Is Moving from Experimentation Toward Institutional Decision-Making“: https://scienceandresearch.ue-varna.bg/2026/08/10/ai-in-higher-education-is-moving-from-experimentation-toward-institutional-decision-making/ Свързаната публикация „State the Boundaries: Why Smarter AI Agents Need Clearer University Rules“ разглежда същия въпрос от оперативна гледна точка: https://scienceandresearch.ue-varna.bg/2026/07/19/state-the-boundaries-why-smarter-ai-agents-need-clearer-university-rules/ Какво се случва с професора? Agentic Professor не прави човешкия преподавател ненужен. Той променя разпределението на академичната работа. Ако AI поеме повече индивидуализирани обяснения, рутинна обратна връзка, упражнения и проследяване на напредъка, вниманието на преподавателите може да се насочи към дизайн на учебните програми, наставничество, интерпретация, дискусия, професионална преценка, научно ръководство, изграждане на академична общност и комплексно оценяване. Разгледахме това в „What AI in Education Is Revealing About Human Judgment, Agency, and Effort“: https://scienceandresearch.ue-varna.bg/2026/04/24/what-ai-in-education-is-revealing-about-human-judgment-agency-and-effort/ С поемането на повече рутинна интелектуална работа от AI значението на човешката преценка става по-видимо. Отвъд ефективността Agentic Professor може да изкуши институциите да разглеждат AI основно като механизъм за ефективност: по-бърза обратна връзка, повече студенти на един преподавател, автоматизирана подкрепа и по-ниски разходи. Образователната ефективност и оперативната ефективност обаче са различни критерии. Висшето образование включва също интелектуално предизвикателство, наставничество, сътрудничество, социализация в рамките на академичната дисциплина, формиране на идентичност и участие в академични общности. Разгледахме това напрежение в „Beyond Efficiency: Rethinking Academic Work with Generative AI“: https://scienceandresearch.ue-varna.bg/2026/03/22/beyond-efficiency-rethinking-academic-work-with-generative-ai/ Въпросът надхвърля способността на университетите да автоматизират преподаването. Той вече е свързан с това кои дейности трябва да бъдат автоматизирани, кои трябва да бъдат подпомагани от AI и кои трябва да останат предимно човешки. Една прогресия, на която университетите трябва да обърнат внимание Разгледани заедно, Agentic Professor и дискусиите, които проследихме в Science & Research Blog, очертават ясна прогресия: AI инструменти ↓ AI агенти ↓ Агентни системи ↓ Постоянни обучаващи агенти ↓ Решения за делегиране ↓ Редизайн на оценяването ↓ Преосмисляне на ролята на професора Всяка стъпка променя образователния проблем. Първоначално университетите питаха как студентите и преподавателите трябва да използват AI инструменти. След това дискусията се насочи към агенти, които изпълняват многоетапни задачи. Агентните системи добавиха планиране, памет, автономност и координация. Постоянните обучаващи агенти вече въвеждат приемственост между различни дисциплини и семестри. Когато това се случи, университетите трябва да решат какво са готови да делегират. Делегирането променя оценяването, защото институциите се нуждаят от нови доказателства за ученето на студентите. А когато преподаването и оценяването се променят, се променя и ролята на професора. Следователно Agentic Professor е по-малко прогноза за конкретна технология и повече рамка, чрез която можем да поставим въпроса какъв тип университет искаме да създадем, когато AI стане част от образователната инфраструктура. |