From AI Adoption to Institutional Responsibility: What Universities Can Learn from Michigan, MIT, and Brown

От използването на изкуствен интелект към институционалната отговорност: Какво могат да научат университетите от Мичиган, MIT и Brown

Plamen MILTENOFF

Universities are increasingly moving beyond the question of whether students and faculty should use artificial intelligence. A more important discussion is emerging: How should universities integrate AI while protecting critical thinking, academic integrity, human judgment, and the quality of education?
Three major American universities have recently addressed this question from different perspectives.
In August, MIT examined the challenges AI poses to traditional university education. In July, Brown University published recommendations for clearer AI policies and institutional support. On October 21, 2026, the University of Michigan released six guiding principles for AI.
Together, these initiatives offer useful lessons for universities developing their own approaches to AI in teaching, learning, and research.
Michigan’s Six Guiding Principles
Michigan’s principles cover education, research, and university operations. They provide a shared framework rather than a detailed set of mandatory rules.
1. Champion responsible, human-centered AI. AI should strengthen human capabilities, creativity, and discovery while people retain responsibility for decisions and outcomes.
2. Advance the institutional mission. Universities should adopt AI when its use supports their educational, research, and public service objectives, rather than simply because new technologies are available.
3. Support critical thinking and AI literacy. Students, faculty, and staff need to understand AI’s capabilities, limitations, biases, and consequences. They should learn when to use AI, how to evaluate its outputs, and when independent work is preferable.
4. Lead with purpose and continuous improvement. Different academic disciplines require different approaches. Universities should experiment, evaluate results, and preserve opportunities for independent thinking and productive struggle, the intellectual effort necessary for learning.
5. Center ethics, integrity, and transparency. AI use must respect academic honesty, research standards, professional responsibilities, and applicable regulations.
6. Protect privacy and university data. Universities must safeguard personal, institutional, and research information when selecting and using AI systems.
Why Do These Principles Matter?
The significance of Michigan’s approach lies in shifting attention from individual AI tools to institutional responsibility.
Many universities offer workshops on ChatGPT, Claude, Gemini, and prompting. Such training is valuable, but technical skills alone do not answer important educational questions.
Should students use AI to complete assignments designed to develop independent reasoning? Who verifies AI-generated research findings? Which university data can be shared with external AI services? Who is accountable when AI makes mistakes?
Michigan’s principles provide a foundation for answering these questions consistently.
Another important distinction is between principles and policies. Principles define institutional values. Policies establish specific rules and responsibilities. Individual departments and instructors then translate both into everyday practice.
Michigan also recognizes that the ability of AI to perform a task does not automatically make its use educationally desirable.
For example, AI may generate a statistical analysis in seconds. Students still need to understand the methods, assumptions, and interpretation of results.
How Does Michigan Relate to MIT and Brown University?
The three universities approach the same challenge from complementary directions.
MIT focuses on educational transformation. Its August report asks what university education should become when AI can perform increasingly complex intellectual tasks. MIT emphasizes reconsidering learning objectives, assessment, and the role of human interaction.
Brown focuses on institutional consistency. Its July report identifies differences in AI policies and expectations across courses. Brown recommends clearer guidance, faculty support, AI literacy, and more equitable access.
Michigan focuses on shared institutional principles. Rather than prescribing identical practices, Michigan establishes values to guide decisions across academic disciplines and university operations.
One important connection concerns productive struggle. Both MIT and Michigan recognize that learning requires intellectual effort. If AI completes every difficult task, students may finish assignments without developing the intended competencies.
Another connection concerns institutional governance. Brown demonstrates the problems created by inconsistent expectations. Michigan offers common principles for addressing them, while MIT illustrates why universities must reconsider teaching and assessment.
Together, the three approaches suggest a practical sequence: establish principles, develop clear policies, redesign educational practices, and evaluate outcomes.
How Can Universities Use Michigan’s Principles?
Universities, including the University of Economics – Varna, can adapt Michigan’s approach through several practical initiatives.
First, establish shared institutional AI principles. Faculty, students, researchers, librarians, and administrators should participate in defining responsible AI use, aligned with institutional goals and applicable regulations.
Second, clarify expectations in individual courses. Every syllabus should explain which AI activities are permitted, restricted, or required, and why these distinctions matter for learning.
Third, integrate AI literacy into disciplinary education. Students should learn to verify AI-generated information, evaluate sources, identify errors, and justify their decisions. Doctoral students, for example, should demonstrate these competencies throughout their research process.
Fourth, establish responsible AI research practices. Universities should provide guidance on AI-assisted literature reviews, data analysis, scientific writing, citation verification, documentation, and research integrity.
Finally, evaluate AI initiatives. Small teaching and research pilots can help institutions examine effects on learning, critical thinking, faculty workload, and research quality before expanding adoption.
Connection with Our Previous Science & Research Blog Discussions
Michigan’s principles extend several discussions already developed in our blog.
In August, we examined MIT’s report on how AI is forcing universities to rethink education. Our September comparison of MIT and Brown highlighted the difference between educational redesign and institutional governance.
We also discussed Mairéad Pratschke’s perspective on AI agents and the changing educational environment, asking what AI should be allowed to do in education.
Michigan adds an important dimension to these discussions: universities need shared principles for deciding what AI should do, what people must remain responsible for, and how these decisions should be evaluated.
What Deserves Further Attention?
Several questions remain unresolved.
Human oversight: Is human approval meaningful when faculty or administrators lack the expertise or time to verify AI outputs?
Independent learning: How can instructors distinguish productive AI assistance from excessive dependence that weakens students’ reasoning skills?
Institutional capacity: Can universities implement responsible AI practices without providing adequate faculty development, technical support, and resources?
Evidence: How should universities measure whether AI improves learning and research rather than simply increasing productivity?
Michigan, MIT, and Brown suggest that responsible AI adoption requires more than access to technology.
The central question for our academic community is increasingly clear:
Which intellectual responsibilities should remain human, which activities should AI support, and how can universities ensure that this balance improves education and research?
Add the missing MIT and Brown linksClarify the university comparison		Университетите все по-често излизат извън рамките на въпроса дали студентите и преподавателите трябва да използват изкуствен интелект (ИИ). На преден план излиза по-важна дискусия: Как университетите да интегрират ИИ, като същевременно запазят критичното мислене, академичната почтеност, човешката преценка и качеството на образованието?
Три водещи американски университета наскоро разгледаха този въпрос от различни гледни точки.
През август Масачузетският технологичен институт (MIT) анализира как ИИ поставя под въпрос традиционните модели на университетско образование. През юли Университетът „Браун“ (Brown University) публикува препоръки за по-ясни политики и институционална подкрепа. На 21 октомври 2026 г. Мичиганският университет представи шест ръководни принципа за използването на ИИ.
Заедно тези инициативи предлагат полезни насоки за университетите, които разработват собствени подходи към ИИ в преподаването, ученето и научните изследвания.
Шестте ръководни принципа на Мичиганския университет
Принципите обхващат образованието, научните изследвания и университетското управление. Те представляват обща рамка, а не подробен набор от задължителни правила.
1. Насърчаване на отговорен ИИ, ориентиран към човека. ИИ трябва да подпомага човешките способности, творчеството и научните открития, като отговорността за решенията и резултатите остава у хората.
2. Подкрепа за институционалната мисия. Университетите трябва да внедряват ИИ, когато той допринася за техните образователни, научноизследователски и обществени цели, а не просто защото съществуват нови технологии.
3. Развитие на критичното мислене и ИИ грамотността. Студентите, преподавателите и служителите трябва да разбират възможностите, ограниченията, пристрастията и последствията от използването на ИИ. Те трябва да знаят кога да го използват, как да оценяват резултатите му и кога самостоятелната работа е за предпочитане.
4. Целенасочено прилагане и непрекъснато усъвършенстване. Различните академични дисциплини изискват различни подходи. Университетите трябва да експериментират, да оценяват резултатите и да запазват възможностите за самостоятелно мислене и продуктивно интелектуално усилие (productive struggle), необходимо за ученето.
5. Поставяне на етиката, почтеността и прозрачността в центъра. Използването на ИИ трябва да съответства на академичната почтеност, научните стандарти, професионалните отговорности и приложимите нормативни изисквания.
6. Защита на личните данни и университетската информация. Университетите трябва да гарантират сигурността на личната, институционалната и научноизследователската информация при избора и използването на ИИ системи.
Защо тези принципи са важни?
Значението на подхода на Мичиганския университет се състои в преместването на фокуса от отделните ИИ инструменти към институционалната отговорност.
Много университети организират обучения за ChatGPT, Claude, Gemini и създаване на промптове. Тези умения са полезни, но сами по себе си не дават отговор на важни образователни въпроси.
Трябва ли студентите да използват ИИ за изпълнение на задачи, предназначени да развиват самостоятелно мислене? Кой проверява научните резултати, генерирани с ИИ? Каква университетска информация може да се предоставя на външни ИИ услуги? Кой носи отговорност при грешки?
Принципите на Мичиганския университет предлагат основа за последователно решаване на тези въпроси.
Друго важно разграничение е между принципи и политики. Принципите определят институционалните ценности. Политиките установяват конкретни правила и отговорности. Катедрите и преподавателите след това ги прилагат в ежедневната си работа.
Мичиганският университет признава и нещо особено важно: фактът, че ИИ може да изпълни определена задача, не означава автоматично, че използването му е образователно целесъобразно.
Например ИИ може да извърши статистически анализ за секунди. Студентите обаче трябва да разбират използваните методи, допусканията и интерпретацията на резултатите.
Как подходът на Мичиганския университет се свързва с MIT и Brown?
Трите университета разглеждат едно и също предизвикателство от взаимно допълващи се перспективи.
MIT поставя акцент върху трансформацията на образованието. Докладът от август разглежда какво трябва да представлява университетското образование, когато ИИ вече може да изпълнява все по-сложни интелектуални задачи. MIT подчертава необходимостта от преосмисляне на учебните цели, оценяването и ролята на човешкото взаимодействие.
Brown се фокусира върху институционалната последователност. Докладът от юли установява различия в политиките и очакванията за използване на ИИ между отделните курсове. Университетът препоръчва по-ясни правила, подкрепа за преподавателите, развитие на ИИ грамотността и по-равнопоставен достъп.
Мичиганският университет поставя акцент върху общите институционални принципи. Вместо да предписва еднакви практики, той определя ценности, които да ръководят решенията в различните академични дисциплини и университетски дейности.
Особено важна е връзката с концепцията за продуктивното интелектуално усилие. MIT и Мичиганският университет признават, че ученето изисква самостоятелна умствена работа. Ако ИИ изпълнява всяка трудна задача, студентите могат да предават готови задания, без да развиват необходимите компетентности.
Друга обща тема е институционалното управление. Brown показва проблемите, породени от непоследователните правила. Мичиганският университет предлага общи принципи за тяхното преодоляване, а MIT демонстрира защо университетите трябва да преосмислят преподаването и оценяването.
Заедно трите подхода очертават практическа последователност: формулиране на принципи, разработване на ясни политики, промяна на образователните практики и оценяване на резултатите.
Как университетите могат да използват принципите на Мичиган?
Университетите, включително Икономически университет – Варна, могат да адаптират подхода чрез няколко практически инициативи.
Първо, да формулират общи институционални принципи за ИИ. Преподаватели, студенти, изследователи, библиотекари и административни служители трябва да участват в определянето на правилата за отговорно използване на ИИ, съобразени с институционалните цели и нормативните изисквания.
Второ, да изяснят очакванията във всяка учебна дисциплина. Учебните програми трябва да посочват кои дейности с ИИ са разрешени, ограничени или задължителни и защо тези разграничения са важни за ученето.
Трето, да интегрират ИИ грамотността в обучението по отделните специалности. Студентите трябва да се научат да проверяват генерираната информация, да оценяват източници, да откриват грешки и да аргументират решенията си. Докторантите например трябва да демонстрират тези компетентности през целия изследователски процес.
Четвърто, да установят отговорни практики за използване на ИИ в научните изследвания. Университетите трябва да предоставят насоки за преглед на литературата, анализ на данни, научно писане, проверка на цитиранията, документиране и научна почтеност.
Накрая, да оценяват резултатите от ИИ инициативите. Пилотни проекти в преподаването и научните изследвания могат да покажат как ИИ влияе върху ученето, критичното мислене, натоварването на преподавателите и качеството на изследванията, преди практиките да бъдат разширени.
Връзка с предишни публикации в блога „Наука и научни изследвания“
Принципите на Мичиганския университет продължават няколко теми, които вече разгледахме в нашия блог.
През август обсъдихме доклада на MIT за необходимостта университетите да преосмислят образованието в ерата на ИИ. В септемврийското сравнение на MIT и Brown подчертахме разликата между промяната в образователните модели и институционалното управление.
Разгледахме и позицията на Мейрид Прачке (Mairéad Pratschke) за ИИ агентите и променящата се образователна среда, поставяйки въпроса какво трябва да бъде позволено на ИИ да прави в образованието.
Мичиганският университет добавя още едно важно измерение: университетите се нуждаят от общи принципи, за да определят какво трябва да прави ИИ, за кои дейности хората трябва да запазят отговорността си и как да се оценяват тези решения.
Кои въпроси заслужават допълнително внимание?
Няколко въпроса остават нерешени.
Човешки контрол: Има ли реален смисъл човешкото одобрение, когато преподавателите или администраторите нямат необходимите знания или време да проверят резултатите от ИИ?
Самостоятелно учене: Как преподавателите могат да разграничат полезната подкрепа от ИИ от прекомерната зависимост, която отслабва способностите за самостоятелно мислене?
Институционален капацитет: Могат ли университетите да прилагат отговорни ИИ практики без достатъчно обучение на преподавателите, техническа подкрепа и ресурси?
Доказателства за ефективност: Как университетите трябва да измерват дали ИИ подобрява ученето и научните изследвания, вместо единствено да увеличава производителността?
Мичиганският университет, MIT и Brown показват, че