The New Hybrid: What Should AI Be Allowed to Do in Education?

Podcast

Подкаст

Only a week ago, we discussed two major university reports in our Science & Research Blog: Brown University’s Generative AI in Teaching and Learning report and MIT’s report on AI use in teaching, learning, and research training.
Both institutions are asking a similar question: what should university education become when AI can perform increasing amounts of intellectual work?
Mairéad Pratschke’s EDULEARN26 keynote, “The New Hybrid: From the Chatbot to the Agent,” adds another dimension to this discussion. Her focus: what happens next, when AI moves from answering questions to acting through increasingly autonomous agents.
According to Pratschke, this transition represents a shift from AI as a classroom tool to AI as part of educational infrastructure.

The most important point: education should determine what AI agents do
The strongest message from Pratschke’s speech:
Knowing the abilities of AI agents is passe; it is time for educators to design the boundaries of their actions .
Most AI agents are currently designed around goals such as productivity, automation, advising, workflow management, and efficiency. Learning is often secondary or absent.
This, Pratschke argues. creates a fundamental problem for education. Systems designed to complete tasks efficiently may work against learning because learning often requires students to do difficult intellectual work themselves. She explicitly warns against confusing efficiency with educational effectiveness. Removing effort, uncertainty, mistakes, revision, and reflection may make a task easier while weakening the learning process.
Consider a student working on a research assignment.
A chatbot might explain regression, suggest variables, or comment on an interpretation.
An AI agent may go much further. It may locate the data, clean them, select a model, run the analysis, prepare graphs, interpret the results, and draft the report.
The final product may be excellent.
The educational question is different: what did the student learn?

From AI tools to educational systems
Pratschke therefore asks educators to think beyond individual AI tools.
ChatGPT introduced a model in which students interacted directly with a conversational system. Agentic AI introduces systems capable of taking multiple actions, maintaining context, using other tools, and completing extended workflows.
The instructional design problem therefore expands.
Educators need to decide:
– What should the student do independently?
– What should the AI support?
– What can the AI perform?
– Where should students encounter difficulty?
– Which decisions require human judgment?
– How will we know whether learning has occurred?
Pratschke describes this as a pedagogical challenge rather than primarily a technical one. Agentic systems should align with educational values and learning needs rather than import assumptions from workplace automation.
This changes the essence of AI literacy. Knowing to prompt an AI system becomes insufficient. Students and faculty increasingly need to understand agents’ work: its goals, information it can access, decisions it can make, and when humans need to intervene.

How Pratschke responds to Brown University
This argument closely reinforces Brown University’s position.
In our blog post last week, we noted Brown’s distinction between AI supporting learning and AI substituting for learning. Brown found widespread AI use alongside substantial concern among students and faculty about long-term cognition and learning. It therefore asks educators to identify which intellectual activities students still need to perform themselves.
Pratschke pushes this argument into the agentic era.
With chatbots, cognitive outsourcing may happen one request at a time. With agents, much larger sections of a learning process can be delegated.
Brown asks:
What intellectual work did the student perform?
Pratschke adds:
What intellectual work should the AI system have been permitted to perform in the first place?
The connection to Brown’s institutional philosophy is equally strong. Brown, as per Provost Francis Doyle, should shape AI according to its educational values rather than wait for technology companies to determine how AI enters the university.
Pratschke provides the pedagogical version of the same argument. Educational goals should determine agent design.

How Pratschke responds to MIT
The connection with MIT may be even broader.
MIT describes AI as a “watershed.” It requires reconsidering the structure, meaning, and value of an MIT education. The MIT report calls for “AI-aware” educational processes, changes to assessment, stronger hands-on learning, and explicit decisions about when students should and should not use AI.
Pratschke’s keynote gives this institutional argument a concrete next step.
If AI becomes educational infrastructure, redesigning education cannot stop at writing better AI policies or teaching better prompting. Universities need to reconsider the architecture of learning itself.
The MIT report starts a conversation about the new type of education, designed for human flourishing in an AI-rich environment.
Pratschke, in her speech, asks what kinds of AI systems belong inside such an education.
These are closely related questions.
From the chatbot to the agent, and from adoption to design
Last week, our comparison of Brown and MIT ended with a question:
What do universities want education to remain, and what do they want it to become?
Read our comparison of the Brown University and MIT reports.
Pratschke makes this question more urgent.
The next stage of AI in education may involve systems able to do far more than generate text. They may participate in substantial parts of teaching, advising, assessment, research, and student work.
Universities therefore need to move from discussing AI adoption toward deciding the design of human-AI learning systems.
The central principle: we should not redesign education around what AI agents are capable of doing.
We should decide what learning requires, then determine what role AI should have within it.

Само преди седмица обсъдихме два важни университетски доклада в този блог: доклада на Brown University Generative AI in Teaching and Learning и доклада на MIT за използването на AI в преподаването, ученето и обучението за научноизследователска дейност.
И двете институции поставят сходен въпрос: какво трябва да се превърне университетското образование, когато AI може да извършва все по-голяма част от интелектуалната работа?
Основният доклад на Mairéad Pratschke на EDULEARN26, „The New Hybrid: From the Chatbot to the Agent“, добавя още едно измерение към тази дискусия. Нейният фокус е върху това какво следва, когато AI премине от отговаряне на въпроси към действие чрез все по-автономни агенти.
Според Pratschke този преход представлява промяна от AI като инструмент в класната стая към AI като част от образователната инфраструктура.
Най-важният извод: образованието трябва да определя какво правят AI агентите
Най-силното послание от речта на Pratschke:
Вече не е достатъчно да познаваме възможностите на AI агентите; време е преподавателите да проектират границите на техните действия.
Повечето AI агенти в момента са проектирани около цели като продуктивност, автоматизация, консултиране, управление на работни процеси и ефективност. Ученето често е второстепенно или изобщо отсъства.
Това, твърди Pratschke, създава фундаментален проблем за образованието. Системи, проектирани да изпълняват задачи ефективно, могат да работят срещу ученето, защото ученето често изисква студентите сами да извършват трудна интелектуална работа. Тя изрично предупреждава да не бъркаме ефективността на изпълнението с образователната ефективност. Премахването на усилието, несигурността, грешките, преработването и рефлексията може да направи задачата по-лесна, но едновременно с това да отслаби учебния процес.
Представете си студент, който работи по изследователска задача.
Чатбот може да обясни регресия, да предложи променливи или да коментира интерпретация.
AI агент може да отиде много по-далеч. Той може да намери данните, да ги почисти, да избере модел, да извърши анализа, да подготви графики, да интерпретира резултатите и да изготви проекта на доклада.
Крайният продукт може да бъде отличен.
Образователният въпрос е различен: какво е научил студентът?
От AI инструменти към образователни системи
Затова Pratschke призовава преподавателите да мислят отвъд отделните AI инструменти.
ChatGPT въведе модел, при който студентите взаимодействат директно с разговорна система. Агентният AI въвежда системи, способни да предприемат множество действия, да поддържат контекст, да използват други инструменти и да изпълняват продължителни работни процеси.
Следователно проблемът на instructional design става по-широк.
Преподавателите трябва да решат:
– Какво трябва студентът да прави самостоятелно?
– Какво трябва AI да подпомага?
– Какво може AI да изпълнява?
– Къде студентите трябва да срещат трудности?
– Кои решения изискват човешка преценка?
– Как ще разберем дали е настъпило учене?
Pratschke описва това като педагогическо предизвикателство, а не преди всичко като техническо. Агентните системи трябва да бъдат съобразени с образователните ценности и потребностите на ученето, вместо да пренасят механично предпоставки от автоматизацията на работното място.
Това променя същността на AI грамотността. Умението да се задават промптове към AI система вече не е достатъчно. Студентите и преподавателите все повече трябва да разбират как работят агентите: какви са техните цели, до каква информация имат достъп, какви решения могат да вземат и кога хората трябва да се намесят.
Как Pratschke отговаря на Brown University
Този аргумент силно подкрепя позицията на Brown University.
В нашата публикация от миналата седмица отбелязахме разграничението, което Brown прави между AI, който подпомага ученето, и AI, който замества ученето. Brown установява широко разпространена употреба на AI, съчетана със сериозна загриженост сред студенти и преподаватели за дългосрочното въздействие върху познавателните способности и ученето. Затова университетът поставя въпроса кои интелектуални дейности студентите все още трябва да извършват сами.
Pratschke пренася този аргумент в ерата на AI агентите.
При чатботовете когнитивното изнасяне на задачи към AI може да се случва по една заявка наведнъж. При агентите могат да бъдат делегирани много по-големи части от учебния процес.
Brown пита:
Каква интелектуална работа е извършил студентът?
Pratschke добавя:
Каква интелектуална работа изобщо е трябвало да бъде позволено на AI системата да извърши?
Връзката с институционалната философия на Brown е също толкова силна. Според Provost Francis Doyle Brown трябва да оформя използването на AI според собствените си образователни ценности, вместо да чака технологичните компании да определят как AI ще навлезе в университета.
Pratschke дава педагогическата версия на същия аргумент. Образователните цели трябва да определят дизайна на агентите.
Как Pratschke отговаря на MIT
Връзката с MIT може да е още по-широка.
MIT описва AI като „watershed“, преломен момент. Той изисква преосмисляне на структурата, смисъла и стойността на образованието в MIT. Докладът на MIT призовава за „AI-aware“ образователни процеси, промени в оценяването, по-силно hands-on обучение и изрични решения кога студентите трябва и кога не трябва да използват AI.
Основният доклад на Pratschke дава конкретна следваща стъпка на този институционален аргумент.
Ако AI се превръща в образователна инфраструктура, препроектирането на образованието не може да спре до създаването на по-добри AI политики или до обучението за по-добро задаване на промптове. Университетите трябва да преосмислят самата архитектура на ученето.
Докладът на MIT започва разговор за нов тип образование, проектирано за човешкото развитие в среда, наситена с AI.
Pratschke, в своята реч, пита какви видове AI системи имат място в такова образование.
Това са тясно свързани въпроси.
От чатбота към агента и от внедряването към дизайна
Миналата седмица завършихме сравнението между Brown и MIT с един въпрос:
Какво искат университетите образованието да запази и в какво искат то да се превърне?
Прочетете нашето сравнение на докладите на Brown University и MIT.
Pratschke прави този въпрос още по-неотложен.
Следващият етап на AI в образованието може да включва системи, способни да правят много повече от генериране на текст. Те могат да участват в значителни части от преподаването, консултирането, оценяването, научните изследвания и студентската работа.
Затова университетите трябва да преминат от обсъждане на внедряването на AI към вземане на решения за дизайна на системи за учене човек-AI.
Основният принцип е ясен: не трябва да препроектираме образованието около това, което AI агентите са способни да правят.
Трябва първо да решим какво изисква ученето, а след това да определим каква роля трябва да има AI в него.
Ако искаш, мога да направя и по-естествена българска редакция за публикуване, с по-малко англицизми и по-плавен академичен стил.