MIT смятат, че ИИ налага преосмисляне на самото университетско образование. Това надминава границите на MIT.
Podcast
Подкаст
| When MIT President Sally Kornbluth describes generative AI as a “watershed” for MIT and higher education, the significance lies less in the technology itself than in the questions MIT has decided universities now need to ask. The MIT report moves beyond familiar debates about cheating, plagiarism, AI detection, or whether students should be allowed to use ChatGPT. MIT asks something more fundamental: What should students learn, how should universities know they have learned it, what role should AI play in the process, and what should remain distinctly human? (Kornbluth, 2026). MIT, as per the report, must reconsider parts of its educational mission while preserving its commitment to developing human capacities for discovery, problem solving, invention, and human flourishing. The report calls for AI-aware education, stronger attention to people and community, and institutional processes capable of continuous experimentation and change (Kornbluth, 2026). Several discussions around the report help clarify what such a rethink might involve. What is university education for when AI can do more? Ron Schmelzer, writing in Forbes, interprets the MIT report as evidence of higher education moving beyond the AI cheating debate. If generative AI can perform substantial parts of writing, coding, analysis, explanation, and problem solving, universities must reconsider students roles while at school (Schmelzer, 2026). For Schmelzer, this means developing graduates who can work effectively with AI while retaining critical judgment, technical understanding, and the capacity to recognize when the machine is wrong. Assessment consequently becomes central. Universities need stronger evidence of what students know and can do, including hands-on work and clearer distinctions between tasks completed independently and tasks completed with AI (Schmelzer, 2026). This does not diminish content knowledge or make it irrelevant. It means reproducing content can no longer serve as sufficient evidence of learning. Human relationships become part of the educational question Isabelle Hau draws attention to another part of the MIT report: its emphasis on people, community, and human connection. Her interpretation moves the discussion beyond protecting face-to-face education. Hau asks whether relationships themselves should become an educational outcome. Universities traditionally assess individuals. What does one student know? What can the student calculate, explain, write, or analyze? Hau asks whether education should also develop and value capacities such as building trust, listening, understanding different perspectives, collaborating across differences, handling disagreement, and creating belonging. She frames these capabilities through relational intelligence and argues that AI may force education to become clearer about which forms of human intelligence it most wants to preserve and develop (Hau, 2026). Some comments on her post extend this argument further. Isabelle Vacher asks whether relational intelligence should be understood only as an individual capability. Intelligence may also emerge through relationships among people, AI systems, institutions, knowledge, histories, and contexts. Her argument changes the possible unit of analysis from the individual learner to a wider human-AI cognitive system. Simon Chan adds a life-course dimension. If judgment, wisdom, and relational capability develop through experience, universities may need to reconsider their concentration of formal education early in adult life and create stronger opportunities for learning across generations. Sean Slade expresses another implication more directly: competencies and creativity may increasingly become stronger drivers of education than content reproduction and compliance. Brent Duckor introduces a different but related distinction, between interactivity and interpassivity. Students may appear highly active because they continually prompt, choose, edit, and respond to AI outputs while transferring much of the intellectual work to the system. These comments point in different directions, but they converge around one central idea. AI forces universities to become much more explicit about which human capabilities education should develop. Assessment can no longer rely only on the finished product This leads to perhaps the most immediate challenge for universities. For decades, an essay, report, computer program, presentation, calculation, or research paper served two purposes. It was an output, and it was evidence that the student had performed the intellectual work behind the output. Generative AI weakens this connection. A good essay may no longer demonstrate strong writing ability. Correct code may no longer demonstrate programming competence. A polished literature review may reveal little about whether the student searched, evaluated, compared, and synthesized the literature. MIT therefore calls for changes in assessment, including renewed attention to hands-on learning and course-specific decisions about appropriate AI use (Kornbluth, 2026). Schmelzer similarly argues for assessment practices resulting in stronger evidence of human competence when AI can generate convincing academic outputs (Schmelzer, 2026). Universities may need combinations of portfolios, staged assignments, oral defenses, live demonstrations, authentic problems, process documentation, reflection, and supervised work. The aim is not to eliminate AI from assessment. It is to establish what kind of competence each assessment is intended to demonstrate. Students may increasingly need to demonstrate: what they can do independently; what they can accomplish responsibly with AI. A third capability may matter even more: knowing when each mode is appropriate. AI literacy must include knowing when not to use AI This point connects Kornbluth, Hau, and Schmelzer particularly strongly. Kornbluth argues that MIT students need to learn when and how to use AI effectively, ethically, and responsibly, including situations in which they should not use it (Kornbluth, 2026). Hau identifies this as one of the report’s most important recommendations. For her, AI literacy requires judgment about what students should delegate to machines and what is too important to outsource because performing the activity contributes directly to learning and human development (Hau, 2026). Schmelzer reaches a similar conclusion from the perspective of competence. Students need AI fluency, but they also need enough independent knowledge and judgment to recognize errors, question outputs, and work effectively when AI support is unavailable or inappropriate (Schmelzer, 2026). The distinction matters because frequent interaction with AI does not automatically produce deeper learning. A student can interact intensively with an AI system while delegating most of the cognitive work. The educational question therefore changes from: Did the student use AI? to: Which parts of the thinking did the student perform, which parts did AI perform, and was this division appropriate for the learning goal? Universities need to change as organizations MIT’s report is also an institutional argument. A university cannot respond to AI by leaving every instructor to create an individual policy and redesign assignments independently. Kornbluth points toward guidance, instructional support, pilot funding, communities of practice, and processes for continued experimentation. MIT recognizes that policies and teaching practices will require repeated revision as AI capabilities continue to change (Kornbluth, 2026). This may prove one of the dificult lessons for other universities. Traditional curriculum development, assessment regulations, quality assurance, faculty development, and approval processes often move slowly. AI development does not follow the same timetable. Universities therefore face a governance problem alongside a pedagogical one. They need institutional coordination to protect academic standards while giving departments and instructors enough flexibility to experiment. The report should therefore not be read as an MIT reorganization problem. It concerns the organization of learning itself. And this is not only a higher education problem The discussion becomes even broader when we consider students before entering the university. Rachel Courtland’s LinkedIn post highlighting MIT Technology Review’s “Kids Issue” provides an important reminder AI and education now extend into childhood and K12 education. The issue explores children growing up with AI systems, companion technologies, and other forms of intelligent digital environments (Courtland, 2026). This matters because universities will increasingly receive students whose expectations and learning habits have developed in environments where AI has always been available. Questions about cognitive delegation, relationships, creativity, judgment, dependence, social development, and AI literacy therefore do not begin in the first year of university. They begin much earlier. The K12 connection changes the higher education discussion in an important way. Universities cannot assume incoming students will have experienced a common pre-AI model of writing, research, problem solving, homework, or independent study. Some students may have worked with generative AI throughout secondary school. Future cohorts may have encountered AI tutoring and companion systems from childhood (Courtland, 2026). This means universities will need to reconsider first-year expectations, foundational knowledge, independent work, assessment, academic transition, and perhaps the assumptions underlying introductory courses. The rethink identified by MIT is therefore not simply about reorganizing MIT. It is not even confined to reforming higher education. It concerns an educational continuum from school through university and lifelong learning. What is still missing from the discussion? The MIT report and the surrounding commentary provide a direction, but they also leave difficult questions unresolved. – How do we measure judgment, creativity, collaboration, relational intelligence, or meaningful cognitive participation? – How can universities scale oral examinations, authentic projects, mentoring, and process-based assessment when courses contain hundreds of students? – How should approaches differ across economics, accounting, marketing, management, mathematics, computer science, languages, and other disciplines? – What does a university degree certify when AI participates in much of the work graduates perform? – How do we prevent differences in AI access, knowledge, and support from becoming new forms of educational inequality? – How should higher education respond when students arrive with substantially different histories of AI-supported learning? – And what happens when AI becomes increasingly agentic, able to plan and complete entire academic workflows rather than respond to individual prompts? These questions suggest hint a start of developing AI policy . A question for the University of Economics Varna The MIT report should not lead us to ask whether the University of Economics Varna should copy MIT. It should lead us to ask what the same questions mean on our own campus. – What should a graduate of the University of Economics Varna know and be able to do independently in 2030? – What should graduates be able to accomplish with AI? – Which intellectual activities should students still perform without AI because performing them develops essential competence? – How should assignments and examinations change when a finished product no longer provides sufficient evidence of learning? – Which human capacities, judgment, creativity, collaboration, communication, responsibility, and perhaps relational intelligence, should become more visible in our curricula? – How should these answers differ across economics, finance, accounting, marketing, management, tourism, informatics, and other disciplines taught at the university? – What should we expect from future students who may already have spent years learning with AI before entering the university? – And what institutional structures do faculty and students need in order to experiment with these questions responsibly? MIT calls the present moment a watershed (Kornbluth, 2026). Schmelzer interprets it as a challenge to rethink what students must know and demonstrate when AI can perform increasing amounts of intellectual work (Schmelzer, 2026). Hau reminds us that the response must also protect and develop relationships, judgment, and other human capacities that education values (Hau, 2026). Courtland’s attention to children growing up with AI extends the problem further. The transformation begins before university and will increasingly shape the students who enter it (Courtland, 2026). For the University of Economics Varna, the useful response is therefore not to wait for stable answers. The first step is to start the campus discussion now. | Когато президентът на MIT Сали Корнблут определя генеративния AI като „повратен момент“ за MIT и за висшето образование, най-важното не е самата технология. По-важни са въпросите, които MIT смята, че университетите вече трябва да си задават. Докладът излиза извън познатите спорове за измама, плагиатство, AI детекция или за това дали студентите трябва да имат право да използват ChatGPT. MIT поставя по-фундаментален въпрос: Какво трябва да учат студентите, как университетите могат да установят дали действително са го научили, каква роля трябва да има AI в този процес и какво трябва да остане изцяло човешка отговорност? (Kornbluth, 2026). Според доклада MIT трябва да преосмисли част от образователната си мисия, без да се отказва от развитието на човешките способности за откривателство, решаване на проблеми, създаване и човешко развитие. Документът призовава за образование, което отчита ролята на AI, за по-силен фокус върху хората и общността, както и за институционални механизми, които позволяват непрекъснато експериментиране и адаптация (Kornbluth, 2026). Дискусиите около доклада показват колко широко може да бъде това преосмисляне. Какъв е смисълът на университетското образование, когато AI може да прави все повече? Рон Шмелцър, пишейки във Forbes, вижда в доклада на MIT знак, че висшето образование вече трябва да излезе отвъд разговора за измамите с AI. Ако генеративният AI може да поеме значителна част от писането, програмирането, анализа, обяснението и решаването на проблеми, тогава университетите трябва да преосмислят каква точно е ролята на студента в учебния процес (Schmelzer, 2026). За Шмелцър това означава да подготвяме завършващи, които могат да работят ефективно с AI, но същевременно запазват критична преценка, техническо разбиране и способност да разпознават кога машината греши. Затова оценяването се превръща в централна тема. Университетите се нуждаят от по-надеждни доказателства за това какво студентите знаят и могат да правят, включително практическа работа и по-ясно разграничение между задачи, изпълнени самостоятелно, и задачи, изпълнени с помощта на AI (Schmelzer, 2026). Това не означава, че съдържателното знание губи значение. Означава, че възпроизвеждането на съдържание вече не е достатъчно доказателство за учене. Човешките взаимоотношения стават част от образователния резултат Изабел Хау насочва вниманието към друг важен аспект от доклада на MIT, ролята на хората, общността и човешката свързаност. Нейната интерпретация излиза отвъд защитата на присъственото обучение. Хау поставя въпроса дали самите взаимоотношения не трябва да се превърнат в резултат от образованието. Университетите традиционно оценяват отделния студент. Какво знае? Какво може да изчисли, обясни, напише или анализира? Хау предлага да си зададем и други въпроси. Може ли студентът да изгражда доверие? Може ли да слуша? Да разбира различни гледни точки? Да работи с хора, които мислят различно? Да се справя с конфликт? Да създава усещане за принадлежност? Тя разглежда тези способности през идеята за релационна интелигентност и предполага, че AI може да принуди образованието да стане много по-ясно относно това кои форми на човешка интелигентност иска да запази и развива (Hau, 2026). Някои от коментарите под нейната публикация разширяват темата допълнително. Изабел Ваше пита дали релационната интелигентност трябва да се разглежда само като индивидуална способност. Според нея интелигентност може да възниква и чрез взаимодействието между хора, AI системи, институции, знания, история и контекст. Така единицата на анализ вече не е само отделният обучаем, а по-широка човешко-AI когнитивна система. Саймън Чан добавя перспектива, свързана с ученето през целия живот. Ако преценката, мъдростта и релационните способности се развиват чрез опит, университетите може да се наложи да преосмислят идеята, че формалното образование е концентрирано основно в началото на зрелия живот. Това отваря пространство за по-силно междупоколенческо учене. Шон Слейд формулира друга последица по-кратко. Според него компетентностите и креативността ще имат по-голяма роля от възпроизвеждането на съдържание и спазването на формални изисквания. Брент Дъкър въвежда още едно полезно разграничение, между интерактивност и интерпасивност. Един студент може да изглежда активен, защото постоянно подава промптове, избира, редактира и реагира на AI резултати, докато всъщност прехвърля значителна част от интелектуалната работа към системата. Различните коментари стигат до сходен извод: AI принуждава университетите много по-ясно да формулират кои човешки способности искат да развиват. Оценяването вече не може да разчита само на крайния продукт Тук стигаме до едно от най-непосредствените предизвикателства. В продължение на десетилетия едно есе, доклад, програма, презентация, изчисление или научна разработка изпълняваше две функции. То беше краен резултат, но също и доказателство, че студентът е извършил интелектуалната работа зад него. Генеративният AI отслабва тази връзка. Добре написаното есе вече не доказва автоматично силни умения за писане. Правилният код не доказва непременно компетентност по програмиране. Добре структуриран литературен обзор може да ни каже много малко за това дали студентът сам е търсил, оценявал, сравнявал и синтезирал научната литература. MIT затова призовава за промени в оценяването, включително повече практическо учене и решения на ниво курс за това кога и как AI е допустим (Kornbluth, 2026). Шмелцър също настоява за форми на оценяване, които дават по-силни доказателства за човешка компетентност, когато AI вече може да създава убедителни академични продукти (Schmelzer, 2026). Университетите може все по-често да се нуждаят от комбинации от портфолиа, поетапни задания, устни защити, демонстрации на живо, автентични проблеми, документиране на процеса, рефлексия и работа под наблюдение. Целта не е AI да бъде премахнат от оценяването. Целта е ясно да се определи какъв вид компетентност трябва да доказва всяка форма на оценяване. Студентите все по-често ще трябва да показват: какво могат да правят самостоятелно; какво могат да постигнат отговорно с AI. Има и трета способност, която може да се окаже още по-важна: да знаят кога кой от двата режима е подходящ. AI грамотността трябва да включва и знанието кога да не използваме AI Тази идея обединява особено силно Корнблут, Хау и Шмелцър. Корнблут подчертава, че студентите в MIT трябва да се научат не само как да използват AI ефективно, етично и отговорно, но и кога не трябва да го използват (Kornbluth, 2026). Хау вижда в това една от най-важните препоръки в доклада. Според нея AI грамотността включва способността да преценяваме какво може да бъде делегирано на машината и какво е твърде важно, за да бъде изнесено извън човешкия мисловен процес, защото самото изпълнение на задачата има значение за ученето и човешкото развитие (Hau, 2026). Шмелцър стига до сходен извод през призмата на компетентността. Студентите трябва да умеят да работят с AI, но и да имат достатъчно самостоятелно знание и преценка, за да разпознават грешки, да поставят резултатите под съмнение и да действат ефективно, когато AI не е наличен или когато употребата му не е подходяща (Schmelzer, 2026). Това разграничение е важно, защото честото взаимодействие с AI не означава автоматично по-дълбоко учене. Студентът може да бъде изключително активен в комуникацията със системата и същевременно да делегира по-голямата част от когнитивната работа. Затова образователният въпрос се променя. От: Използвал ли е студентът AI? Към: Кои части от мисловния процес е извършил студентът, кои части е поел AI и подходящо ли е било това разпределение спрямо учебната цел? Университетите трябва да се променят и като организации Докладът на MIT не е само за преподаване и оценяване. Той е и за институционална промяна. Университетът не може да отговори на AI, като остави всеки преподавател сам да изработва политика, да преработва заданията си и да решава какво да прави. Корнблут насочва към необходимостта от общи насоки, методическа подкрепа, финансиране на пилотни инициативи, общности от практици и процеси за продължаващо експериментиране. MIT признава, че политиките и преподавателските практики ще трябва да се променят многократно с развитието на AI възможностите (Kornbluth, 2026). Това може да се окаже един от най-трудните уроци за останалите университети. Учебните програми, правилата за оценяване, системите за осигуряване на качество, развитието на преподавателите и процедурите за институционално одобрение обикновено се променят бавно. AI се развива с друго темпо. Затова университетите са изправени не само пред педагогически, но и пред управленски проблем. Те се нуждаят от достатъчно институционална координация, за да защитят академичните стандарти, но и от достатъчно свобода за катедрите и преподавателите да експериментират. Докладът не бива да се чете като проблем, свързан с реорганизацията на MIT. Той поставя под въпрос начина, по който е организирано самото учене. И това не е проблем само на висшето образование Дискусията става още по-широка, когато погледнем към учениците, преди те да стигнат до университета. LinkedIn публикацията на Рейчъл Кортланд, която насочва към специалното издание „Kids Issue“ на MIT Technology Review, ни напомня, че въпросите за AI и образованието вече засягат и детството, и училищното образование K12. Изданието разглежда деца, които растат с AI системи, технологии-компаньони и други интелигентни дигитални среди (Courtland, 2026). Това има пряко значение и за университетите. Все по-често те ще приемат студенти, чиито навици за учене, очаквания и начини на работа са били формирани в среда, в която AI винаги е бил наличен. Въпросите за когнитивното делегиране, взаимоотношенията, креативността, преценката, зависимостта, социалното развитие и AI грамотността не започват в първи курс. Те започват много по-рано. Връзката с K12 променя по съществен начин и разговора за висшето образование. Университетите вече не могат да приемат, че всички новоприети студенти имат сходен опит с писане, проучване, решаване на проблеми, домашна работа или самостоятелно учене от периода преди широкото навлизане на AI. Някои студенти ще са използвали генеративен AI през голяма част от средното си образование. Следващи поколения може да имат опит с AI преподаватели и AI-компаньони още от детството (Courtland, 2026). Това означава, че университетите ще трябва да преосмислят очакванията към студентите в първи курс, ролята на фундаменталните знания, самостоятелната работа, оценяването, академичния преход и дори някои от допусканията, върху които са изградени въвеждащите дисциплини. Преосмислянето, което MIT поставя на дневен ред, не е само въпрос на реорганизация на MIT. То не се ограничава дори до реформа на висшето образование. Става дума за целия образователен континуум, от училището през университета до ученето през целия живот. Какво все още липсва в дискусията? Докладът на MIT и коментарите около него очертават важна посока, но оставят редица трудни въпроси без отговор. Как да измерваме преценка, креативност, сътрудничество, релационна интелигентност или смислено когнитивно участие? Как университетите могат да прилагат в голям мащаб устни изпити, автентични проекти, менторство и оценяване на процеса, когато в един курс има стотици студенти? Как трябва да се различават подходите в икономиката, счетоводството, маркетинга, управлението, математиката, компютърните науки, езиците и останалите дисциплини? Какво всъщност удостоверява университетската диплома, когато AI участва в значителна част от работата, която завършилите ще извършват? Как да предотвратим различията в достъпа до AI, знанията и подкрепата да се превърнат в нови форми на образователно неравенство? Как висшето образование трябва да реагира, когато студентите постъпват с коренно различен опит в ученето с AI? Какво се случва, когато AI става все по-агентен и започва да планира и изпълнява цели академични работни процеси, вместо само да отговаря на отделни промптове? Тези въпроси подсказват, че разработването на AI политика е само началото. Въпрос към Икономически университет – Варна Докладът на MIT не трябва да ни кара да питаме дали Икономически университет – Варна трябва да копира MIT. По-полезният въпрос е какво означават същите проблеми за нашия собствен университет. Какво трябва да знае и да може да прави самостоятелно един завършил Икономически университет – Варна през 2030 г.? Какво трябва да могат да постигат завършилите с помощта на AI? Кои интелектуални дейности студентите трябва да продължат да извършват без AI, защото самото им изпълнение развива важни компетентности? Как трябва да се променят заданията и изпитите, когато крайният продукт вече не е достатъчно доказателство за учене? Кои човешки способности, преценка, креативност, сътрудничество, комуникация, отговорност и вероятно релационна интелигентност, трябва да станат по-видими в нашите учебни програми? Как трябва да се различават тези отговори в икономиката, финансите, счетоводството, маркетинга, управлението, туризма, информатиката и останалите дисциплини в университета? Какво трябва да очакваме от бъдещи студенти, които може да са прекарали години в учене с AI, преди да постъпят при нас? От какви институционални структури се нуждаят преподавателите и студентите, за да експериментират отговорно с тези въпроси? MIT определя настоящия момент като повратен (Kornbluth, 2026). Шмелцър го вижда като предизвикателство да преосмислим какво студентите трябва да знаят и какво трябва да могат да докажат, когато AI поема все по-голяма част от интелектуалната работа (Schmelzer, 2026). Хау ни напомня, че отговорът не може да се свежда само до технически умения. Той трябва да включва взаимоотношенията, преценката и останалите човешки способности, които образованието иска да развива (Hau, 2026). Кортланд разширява разговора още повече, като насочва вниманието към децата, които вече растат с AI. Това означава, че промяната започва много преди университета и постепенно ще променя профила на студентите, които влизат в него (Courtland, 2026). За Икономически университет – Варна най-полезният отговор не е да чакаме окончателни решения. Първата стъпка е да започнем този разговор в университета още сега. Мога да направя и още една редакция в стил за блог на „Science & Research at UEV“, с по-кратки абзаци, по-силен начален hook и малко по-динамичен финал. |
References
Courtland, R. (2026). LinkedIn post discussing MIT Technology Review’s “Kids Issue” and children growing up with AI and emerging technologies.
Hau, I. (2026). LinkedIn post discussing the MIT report on AI and education and its implications for social connection, relational intelligence, assessment, and AI literacy.
Kornbluth, S. (2026, August 25). AI and education: A watershed moment for MIT. Massachusetts Institute of Technology. https://orgchart.mit.edu/letters/ai-and-education-watershed-moment-mit
Schmelzer, R. (2026, August 25). MIT says AI is forcing a rethink of college itself. Forbes. https://www.forbes.com/sites/ronschmelzer/2026/08/25/mit-says-ai-is-forcing-a-rethink-of-college-itself/