fot: Magnific (dawniej Freepik)
Sztuczna inteligencja może znacząco usprawnić szkolnictwo wyższe: wspierać dydaktykę, badania, administrację, medycynę, obsługę studentów, raportowanie i podejmowanie decyzji. Jednak AI przynosi wartość tylko wtedy, gdy uczelnia wie, po co jej używa, ma uporządkowane procesy, dobre dane, kompetentnych pracowników oraz jasne zasady bezpieczeństwa, odpowiedzialności i zgodności z regulacjami.
AI nie jest jednym uniwersalnym narzędziem ani „myślącą maszyną”, która automatycznie rozwiąże problemy organizacji. To technologia oparta na danych, modelach matematycznych i statystycznym przewidywaniu wyników. Może przyspieszyć pracę uczelni, ale jeśli zostanie wdrożona w chaosie, może równie szybko powielać błędy.
Podczas IV Forum Administracji Akademickiej mieliśmy przyjemność posłuchać ciekawej i praktycznej prezentacji Wojciech Kiedrowski (Warszawski Uniwersytet Medyczny – WUM) oraz Tadeusz Kifner (Gdański Uniwersytet Medyczny (Medical University of Gdańsk) dotyczącego roli sztucznej inteligencji w szkolnictwie wyższym, zwłaszcza w trzech obszarach: dydaktyce, nauce i administracji (z dodatkowym uwzględnieniem szczególnej odpowiedzialności w medycynie).
Panowie w przystępny sposób przypomnieli i zwrócili uwagę, że:
AI nie jest jednym „cudownym systemem”. Generatywna AI, np. chatboty tworzące teksty, muzykę lub odpowiedzi w rozmowie, jest dziś najbardziej widoczna, ale istnieją też mniej zauważalne systemy AI używane w rozpoznawaniu obrazów, analizie dokumentów, znaków drogowych, ocenie ryzyka, porządkowaniu danych i automatyzacji procesów.
Uczelnia powinna pytać nie tylko, czy używa chatbotów, ale gdzie już korzysta z algorytmów i czy robi to świadomie.
Największy potencjał AI w dydaktyce leży w personalizacji nauczania. Student może zadawać pytania systemowi opartemu na materiałach kursowych, a prowadzący może zobaczyć, których treści studenci nie rozumieją lub jakich zagadnień brakuje w programie.
AI działa inaczej niż tradycyjny program komputerowy. Klasyczny algorytm wykonuje zaprogramowane instrukcje, natomiast model AI uczy się wzorców na podstawie przykładów.
Dane są fundamentem AI. Jeśli dane są błędne, niepełne, niespójne lub zmanipulowane, system może generować złe, ryzykowne lub niebezpieczne wyniki.
Chaos organizacyjny nie znika dzięki AI. Technologia może go jedynie przyspieszyć i zwielokrotnić.
AI nie jest w pełni deterministyczna. Może dawać różne odpowiedzi zależnie od danych, kontekstu i parametrów modelu, dlatego wymaga testowania, walidacji i kontroli jakości.
Wdrożenie AI powinno wynikać z konkretnej potrzeby, np. skrócenia czasu obsługi studentów, poprawy raportowania, wsparcia decyzji, analizy ryzyk lub usprawnienia komunikacji.
Uczelnie muszą przygotować się organizacyjnie i prawnie: prowadzić rejestry systemów AI, tworzyć polityki korzystania z AI, szkolić pracowników, oceniać ryzyko, weryfikować dostawców i dbać o bezpieczeństwo danych.
W medycynie i administracji odpowiedzialność jest szczególnie wysoka, ponieważ błędne decyzje mogą wpływać na zdrowie, bezpieczeństwo, sytuację studentów, finanse lub reputację instytucji.
Rola pracowników nie znika, lecz się zmienia. Część zadań, np. ręczne przygotowywanie raportów, może zostać zautomatyzowana, ale ludzie będą bardziej potrzebni do kontroli jakości danych, interpretacji wyników, dbania o bezpieczeństwo i nadzorowania systemów.
W efekcie AI należy traktować jako kolejny etap rozwoju organizacji opartych na danych. Najpierw systemy rejestrowały zdarzenia, później tworzyły raporty, następnie narzędzia business intelligence przekształcały dane w informacje, a teraz AI może pomagać przekształcać informacje w wiedzę i wspierać trafniejsze decyzje.
Down the rabbit hole
1. AI to narzędzie, które wzmacnia to, co już istnieje
AI jest wzmacniaczem organizacji. Jeśli uczelnia ma dobrze opisane procesy, rzetelne dane, jasne odpowiedzialności i świadomych pracowników, sztuczna inteligencja może pomóc działać szybciej, trafniej i efektywniej. Jeśli jednak procesy są nieuporządkowane, a dane słabe, AI nie naprawi problemu – raczej zacznie szybciej produkować błędy.
Dobrym porównaniem jest szybki samochód. Na dobrze zaprojektowanej, oznakowanej i bezpiecznej drodze pozwala dotrzeć do celu sprawniej. Na drodze dziurawej, chaotycznej albo prowadzącej donikąd zwiększa ryzyko wypadku. Podobnie AI przyspiesza działania, ale nie zastępuje strategii, porządku i odpowiedzialności.
Dlatego wdrażanie AI nie powinno zaczynać się od fascynacji technologią ani od zakupu narzędzia. Najpierw trzeba odpowiedzieć na podstawowe pytania:
jaki konkretny problem chcemy rozwiązać,
czy AI rzeczywiście jest właściwym narzędziem,
jaką mierzalną wartość ma przynieść,
czy organizacja ma dane potrzebne do działania systemu,
kto odpowiada za dane, wyniki i ryzyko,
czy uczelnia będzie w stanie utrzymać i kontrolować rozwiązanie.
2. AI nie jest jedną technologią do wszystkiego
Prelegenci wyraźnie zaznaczyli, że nie istnieje jedna sztuczna inteligencja, która potrafi rozwiązać każdy problem. Najbardziej znana jest dziś generatywna AI, czyli systemy tworzące teksty, odpowiedzi, obrazy, muzykę lub inne treści. Są popularne, ponieważ użytkownik może z nimi rozmawiać w naturalnym języku.
Nie oznacza to jednak, że generatywna AI jest jedyną lub najważniejszą formą sztucznej inteligencji. AI działa już w wielu miejscach mniej widocznie: rozpoznaje obrazy, analizuje dokumenty, wspiera ocenę ryzyka, automatyzuje procesy, porządkuje dane i pomaga wykrywać wzorce.
Dlatego uczelnia powinna patrzeć szerzej. Pytanie nie brzmi tylko: „Czy korzystamy z chatbotów?”, ale raczej: w jakich procesach uczelnia już wykorzystuje algorytmy, jakie dane są przez nie przetwarzane i czy odbywa się to świadomie oraz bezpiecznie?
3. Personalizacja nauczania może zmienić rolę studenta i wykładowcy
Jednym z najbardziej obrazowych przykładów była dydaktyka. Prelegenci opisali sytuację, w której wszystkie materiały z danego przedmiotu trafiają do systemu AI. Student nie musi wtedy biernie przeglądać długich prezentacji. Może zadawać pytania w naturalnym języku:
„Wyjaśnij to prostszym językiem”,
„Podaj przykład”,
„Jak to pojęcie łączy się z poprzednim tematem?”,
„Wytłumacz ten mechanizm biologiczny, medyczny lub techniczny krok po kroku”.
Taki system może działać jak cierpliwy tutor. Student staje się aktywnym uczestnikiem nauki, a nie tylko odbiorcą slajdów.
Korzyść zyskuje także prowadzący. Jeśli wielu studentów pyta o to samo, wykładowca otrzymuje sygnał, że dana część materiału wymaga poprawy. Jeśli pytania dotyczą zagadnień nieobecnych w kursie, może to oznaczać, że warto rozszerzyć program. AI staje się więc „lustrem”, które pokazuje, jak studenci naprawdę odbierają zajęcia.
4. Tradycyjny algorytm i model AI działają inaczej
W klasycznym programie komputerowym człowiek zapisuje konkretne reguły: jeśli wydarzy się A, program ma zrobić B. Taki system jest przewidywalny i deterministyczny.
Model AI działa inaczej. Człowiek nie wpisuje wszystkich reguł ręcznie. Dostarcza dane i przykłady, a system uczy się rozpoznawać zależności. Można to porównać do nauki diagnozowania choroby na podstawie wielu przypadków: model widzi dane wejściowe oraz prawidłowe odpowiedzi, a następnie dopasowuje swoje wewnętrzne parametry, aby coraz lepiej przewidywać wynik.
AI nie „rozumie” świata tak jak człowiek. Tworzy matematyczny opis zależności między danymi i oblicza najbardziej prawdopodobną odpowiedź. Dlatego jej wynik może być bardzo użyteczny, ale nie jest absolutną prawdą.
Przykładowo system może próbować przewidzieć, czy student jest zagrożony nieukończeniem studiów. Nie musi opierać się na jednej prostej regule, np. „brak obecności oznacza ryzyko”. Może analizować wiele czynników: aktywność na zajęciach, zaliczenia, korzystanie z narzędzi edukacyjnych, tempo pracy i inne wzorce. Wynik nadal pozostaje jednak przewidywaniem, które człowiek powinien ocenić w kontekście.
5. Dane są najważniejszym paliwem AI
W wystąpieniu mocno wybrzmiała zasada: złe dane dają złe wyniki. W informatyce mówi się o tym „śmieci na wejściu, śmieci na wyjściu”.
Proces tworzenia rozwiązania AI zaczyna się od zebrania danych, ich oczyszczenia, ustandaryzowania i uzupełnienia. Dopiero potem można trenować model, testować go i wdrażać. Najbardziej pracochłonnym i kosztownym etapem jest często właśnie przygotowanie danych.
Prelegenci zwrócili uwagę na praktyczną zasadę: najtańsze „czyszczenie” danych odbywa się już w chwili ich wprowadzania. Jeśli pracownicy od początku wpisują dane poprawnie, używają spójnych formatów i rozumieją znaczenie jakości informacji, późniejsza analiza jest znacznie łatwiejsza.
Oznacza to, że sukces AI nie zależy wyłącznie od informatyków. Zależy także od codziennych nawyków organizacyjnych, standardów pracy i odpowiedzialności osób, które wprowadzają, aktualizują i interpretują dane.
Dane są jednym z najważniejszych zasobów uczelni – podobnie jak budynki, sprzęt czy infrastruktura. Wpływają na decyzje dotyczące dydaktyki, badań, finansów, rekrutacji, strategii rozwoju i pozycji uczelni.
6. AI może wspierać administrację, komunikację i decyzje zarządcze
Prelegenci wskazali wiele obszarów, w których sztuczna inteligencja może być użyteczna na uczelni:
obsługa spraw studenckich,
komunikacja ze studentami i pracownikami,
automatyzacja prostych odpowiedzi i procesów,
raportowanie,
analiza trendów i zależności,
wsparcie decyzji zarządczych,
identyfikowanie ryzyk w dydaktyce, rekrutacji lub administracji,
analiza złożonych danych,
usprawnianie pracy naukowej i organizacyjnej.
Jednocześnie wdrożenie pojedynczego czatu nie wystarczy. Potrzebne są procedury, zarządzanie danymi, jasne odpowiedzialności, kompetencje pracowników i zgodność z prawem.
AI powinna mieć konkretny sens operacyjny lub biznesowy. Może oszczędzać czas, poprawiać jakość obsługi, zwiększać bezpieczeństwo, dostarczać lepszych analiz lub wspierać decyzje. Jeśli nie da się wskazać takiej wartości, wdrożenie może pochłonąć zasoby bez realnych korzyści.
7. AI nie jest w pełni przewidywalna
Prelegenci porównali AI z automatyzacją procesów, np. RPA, czyli robotyczną automatyzacją powtarzalnych zadań. RPA działa deterministycznie: jeśli proces został dobrze zaprogramowany, można przewidzieć wynik.
AI jest inna. Może dawać różne odpowiedzi zależnie od kontekstu, danych, ustawień modelu i sposobu zadania pytania. Ważne jest tu pojęcie „temperatury” modelu, czyli poziomu jego kreatywności. Im wyższa temperatura, tym większa szansa na nietypowe, bardziej twórcze odpowiedzi, ale też większe ryzyko mniejszej pewności. Im niższa temperatura, tym odpowiedzi są zwykle bardziej konkretne, przewidywalne i powtarzalne.
W administracji, analizie danych, medycynie czy edukacji zwykle ważniejsze są rzetelność, kontrola i powtarzalność niż kreatywność. Dlatego warto prosić AI nie tylko o odpowiedź, ale również o uzasadnienie: dlaczego model proponuje właśnie takie rozwiązanie.
8. Regulacje i odpowiedzialność są niezbędne
Szkolnictwo wyższe i medycyna należą do obszarów szczególnie wrażliwych. Systemy AI używane w administracji uczelni mogą być traktowane jako systemy wysokiego ryzyka. W medycynie odpowiedzialność jest jeszcze większa, ponieważ błędne decyzje mogą wpływać na zdrowie i bezpieczeństwo ludzi.
Dlatego uczelnie powinny przygotować się nie tylko technologicznie, lecz także organizacyjnie i prawnie. Potrzebne są między innymi:
rejestry wykorzystywanych systemów AI,
polityki korzystania z AI,
procedury oceny ryzyka,
szkolenia dla pracowników,
jasne zasady odpowiedzialności,
weryfikacja dostawców,
kontrola danych treningowych,
sprawdzanie nowych lub istotnie zmienianych systemów,
testowanie i walidacja modeli,
mechanizmy kontroli jakości,
zgodność z wymaganiami prawnymi i regulacyjnymi.
Celem nie jest blokowanie AI, ale jej odpowiedzialne użycie.
9. Zatrucie danych to realne zagrożenie
Szczególnie ważnym ryzykiem jest zatrucie danych treningowych. Polega ono na celowym wprowadzeniu do zbioru danych niewielkich, trudnych do zauważenia fragmentów, które mogą zmienić zachowanie modelu w określonych sytuacjach.
Można to porównać do dodania kilku fałszywych informacji do podręcznika. Przez większość czasu mogą pozostać niezauważone, ale ujawnią swoje znaczenie podczas egzaminu lub w krytycznym momencie.
Model może działać poprawnie w 90% przypadków, ale w pozostałych 10% powodować poważne problemy procesowe, reputacyjne lub bezpieczeństwa. Dlatego zwykłe testowanie może nie wystarczyć. Organizacje powinny pytać dostawców:
jakich danych użyto do trenowania modelu,
jak dane zostały przygotowane,
jak model był walidowany,
jakie zabezpieczenia zastosowano,
czy system był testowany pod kątem nietypowych lub ryzykownych sytuacji.
10. Rola pracowników się zmieni, ale nie zniknie
Jednym z częstych kontrargumentów wobec AI jest obawa, że technologia zastąpi ludzi. Prelegenci odpowiadają na to w sposób wyważony: część czynności rzeczywiście może zostać zautomatyzowana, zwłaszcza ręczne przygotowywanie raportów, powtarzalne odpowiedzi lub proste procesy administracyjne.
Nie oznacza to jednak, że pracownicy staną się zbędni. Ich rola przesunie się w stronę:
dbania o jakość danych,
nadzorowania systemów,
interpretowania wyników,
kontrolowania ryzyka,
oceny rekomendacji AI,
zapewniania bezpieczeństwa,
zarządzania zgodnością z regulacjami,
podejmowania decyzji w kontekście, którego system nie rozumie tak jak człowiek.
AI może więc odciążyć ludzi z części powtarzalnych zadań, ale zwiększy znaczenie kompetencji analitycznych, organizacyjnych i etycznych.
Pamiętajmy o równowadze
Entuzjaści AI mogą słusznie twierdzić, że technologia przyspieszy pracę uczelni, zmniejszy koszty, poprawi obsługę studentów i umożliwi lepsze decyzje oparte na danych. To realna szansa.
Trzeba jednak pamiętać, że AI nie rozumie świata jak człowiek. Przewiduje odpowiedzi na podstawie wzorców w danych. Może się mylić, może powielać błędy z danych, może działać inaczej w różnych kontekstach i może być podatna na manipulacje.
Z drugiej strony obawy przed AI nie powinny prowadzić do całkowitej rezygnacji z tej technologii. Lepszym podejściem jest stopniowe wdrażanie, testowanie, szkolenie użytkowników, budowanie procedur i stała kontrola. AI może być bardzo użytecznym wsparciem, jeśli pozostaje narzędziem pod nadzorem człowieka.
Wniosek
Sztuczna inteligencja może głęboko zmienić szkolnictwo wyższe – od personalizacji nauczania, przez sprawniejszą administrację, po analizę danych i wsparcie decyzji zarządczych. Może pomagać przekształcać dane w informacje, informacje w wiedzę, a wiedzę w trafniejsze działania.
Nie jest jednak magicznym skrótem. Jej skuteczność zależy od jakości danych, porządku organizacyjnego, kompetencji ludzi, bezpieczeństwa, testowania, odpowiedzialności i zgodności z regulacjami.
Uczelnia nie powinna pytać, czy AI jest modna, lecz do czego realnie jej potrzebuje, jakie ryzyka niesie jej użycie, kto za nią odpowiada i jak zbudować procesy, które pozwolą korzystać z niej świadomie oraz bezpiecznie.