Dr. Anthony Lee, præsident og administrerende direktør for Westcliff University – Interviewserie

Dr. Anthony M. Lee er præsident for Westcliff University i Irvine, Californien, en af de hurtigst voksende universiteter i USA, der er gået fra færre end få hundred studerende til over 3.000 studerende over de sidste ti år. Dr. Lee har haft ledelsesstillinger på flere universiteter og skoler i USA og internationalt. Med ekspertise i innovative hybrid- og onlineprogrammer har Dr. Lee lanceret nye programmer, der kombinerer teknologi med traditionelle campusbaserede klasser for en forbedret læringsoplevelse. Han har med succes ledet skoler gennem akkrediteringsprocessen på universitets- og K-12-niveau. Hans erfaring har bevist, at han er en leder i mange kritiske områder inden for højere uddannelse, herunder marketing, finans, drift, compliance og akkreditering.

Hvordan er din definition af arbejdsmarkedsparathed udviklet i tiden med generativ AI og automatisering?

Arbejdsmarkedsparathed betød tidligere teknisk kompetence og evnen til at bidrage umiddelbart inden for en defineret rolle. I tiden med generativ AI er denne definition ikke længere tilstrækkelig, fordi arbejdets natur selv er under forandring.

I dag betyder parathed at fungere effektivt i miljøer, hvor intelligensen er fordelt mellem mennesker og maskiner, hvor værktøjer udvikles kontinuerligt, og hvor udførelse er stadig mere forstærket. Konkurrencefordelen er ikke længere kun at kende, hvordan man udfører en opgave, men at kende, hvordan man rammer problemer, overvåger AI-udfald, afhører antagelser og anvender dom under virkelige begrænsninger.

Vi oplever en skift fra opgaveudførelse til kognitiv tilsyn. Indgangsniveau-arbejde bliver gendefineret. Rutineproduktion kan automatiseres, ansvar kan ikke. Det lægger større vægt på kritisk tænkning, etisk begrundelse, kontekstuel bevidsthed og evnen til at oversætte AI-genererede udfald til ansvarlige beslutninger.

Hos Westcliff ser vi arbejdsmarkedsparathed som integration af faglig ekspertise, AI-fluency og disciplineret menneskelig dom. Studerende må forstå, hvordan generative systemer fungerer, hvor de skaber gevinst, og hvor de introducerer risiko. Endnu vigtigere er, at de må lære at samarbejde med disse systemer uden at outsourcere intellektuel ansvar.

Vores applied learning-model er designet omkring struktureret engagement med fremvoksende teknologier i autentiske kontekster. Målet er ikke kun værktøjskompetence, men adaptiv kapacitet, evnen til at forblive effektiv, mens værktøjerne ændrer sig.

I denne æra vil de professionelle, der står frem, ikke være dem, der konkurrerer med AI, men dem, der kan lede det tankefuldt, afhøre det rigorøst og forblive ansvarlige for udfaldene, det påvirker. Det er, hvad arbejdsmarkedsparathed nu kræver.

Hvad betyder det for en institution at tage AI alvorligt på kurriculum- og institutionelt niveau snarere end at behandle det som et tilføjelse?

AI er ikke blot et andet instruktionsværktøj. Det ændrer uddannelsesarkitekturen i sig selv.

At tage AI alvorligt begynder med redesign. Hver disciplin må undersøge, hvordan generative systemer omdefinerer professionelle forventninger og definere, hvad AI-forstærket kompetence kræver. Vurdering måle resonans og anvendt kompetence, ikke kun output.

Men alvorlighed kræver også institutionel koherens. AI-litteracitet kan ikke sidde i isolerede kurser. Fakultetsudvikling, styre, vurderingsstrategi og leverandørtilsyn må alignere omkring en klar princip, at teknologi skal styrke akademisk kvalitet, ikke udvande den.

Hos Westcliff ser vi AI som en del af universitetets intellektuelle infrastruktur. Det former, hvordan læring er struktureret, hvordan mestring demonstreres, og hvordan institutionel troværdighed opretholdes i en arbejdsmark, hvor menneskelig dom og maskinkapacitet opererer side om side. Det er det, vi bevæger os fremad med hos Westcliff.

Hvordan balancerer du grundlæggende menneskelige færdigheder med at undervise studerende i at arbejde effektivt sammen med AI?

Jeg ser ikke dette som en kompromis. Hvis noget, øger generativ AI premium på grundlæggende menneskelige evner.

Når rutine kognitiv produktion bliver billig, bliver differentiatoren højere ordens resonans. Kritisk tænkning betyder at ramme bedre spørgsmål og afhøre maskin-genererede udfald. Dom betyder at vide, hvornår man skal stole på et system og hvornår man skal pause. Etik bliver praktisk og handler om at forstå konsekvenserne af at deployere intelligente systemer i stor skala.

Studerende må lære at tænke i AI-tilstedeværelsesmiljøer. Prompting er en start, men kognitiv tilsyn er den dybere færdighed. Dimittender må kunne articulere og forsvare deres konklusioner, der er informeret, men ikke bestemt af intelligente systemer.

Hos Westcliff behandler vi AI-fluency som en forstærker af grundlæggende færdigheder. Studerende engagerer sig med intelligente værktøjer, mens de forbliver ansvarlige for klarhed, troværdighed og konsekvens. På lang sigt vil de professionelle, der står frem, kombinere intellektuel dybde med teknologisk agility. AI leverer hastighed og skala. Mennesker må levere diskrimination, ansvar og lederskab.

Hvilke dele af højere uddannelse er mest sårbare over for disruption af AI, og hvilke områder er mere robuste, end man ville forvente?

De mest sårbare områder er bygget på informationsoverførsel og standardiseret output. Hvis en model afhænger primært af foredrag eller vurderinger, der måler produktion, vil AI udfordre det hurtigt.

Højere uddannelse er mere robust, hvor det centerer struktureret udvikling, mentorering, anvendt praksis, teamarbejde, klinisk læring og professionel identitetsdannelse. AI kan understøtte disse oplevelser, men det kan ikke erstatte vækst bygget gennem feedback og ansvar.

Skillelinjen er design. Institutioner, der ser sig selv primært som indholdsleverandører, er udsatte. De, der opererer som intentionelle læringsystemer, fokuserer på resonans, anvendt kompetence og målbart vækst, forbliver højst relevante.

AI er med til at hæve standarden for, hvad en kvalifikation må repræsentere.

Hvordan bør universiteterne omdefinere uddannelsesdesign, når AI komprimerer tid til færdighed og sænker barrierer for indgang?

Når AI komprimerer tiden, der kræves for at opnå tekniske færdigheder, må universiteterne klargøre, hvor en uddannelse tilføjer værdi.

Hvis værktøjer accelererer opgavekompetence, må højere uddannelse fokusere på, hvad der ikke kan automatiseres – konceptuel dybde, struktureret problemløsning, etisk dom og vedvarende præstation under begrænsninger.

Uddannelsesdesign bør være modulært og anvendt, men koherent. Målet er kumulativ kompetence, der integrerer teknisk fluency med resonans og adaptivitet.

AI sænker barrierer for indgang. Universiteterne må svare ved at hæve grænsen for integration, dom og demonstreret kapacitet. En uddannelse må signalere varig kompetence, ikke kun eksponering.

Hos Westcliff ser vi uddannelser som dynamiske økosystemer snarere end faste lineære fremskridt. Stabelbare kvalifikationer og ladder-pårider tillader lærere at genengagere, når industrier skifter, mens de opretholder koherens og rigor. Fleksibilitet er vigtig, men intellektuel progression er endnu vigtigere.

Hvad rolle ser du AI spille i vurdering og kvalifikation?

AI tvinger højere uddannelse til at konfrontere en realitet, der forudgår teknologien selv. Mange traditionelle vurderinger målte produktion snarere end forståelse. Hvis en opgave nu kan automatiseres med minimal indsats, må vi spørge, om det nogensinde fanget resonans.

Vurdering må skifte mod autentisk demonstration af kompetence, mundtlig forsvar, scenariebaseret problemløsning, iterativ forbedring, anvendt simulationer og porteføljebevis, der gør tænkning synlig. I et AI-aktiveret miljø er det, der betyder noget, ikke kun artefaktet alene, men den kognitive proces bag det.

Hos Westcliff er vi gået over til mundtlige og iterative vurderingsmodeller, der kræver, at studerende articulere og forsvare deres resonans i realtid. AI kan assisterer ved at generere adaptive prompts og understøtte skalerbar feedback, men designansvar forbliver menneskeligt. Institutioner må sikre, at de vurderer læringskognition, ikke modeloutput.

Kvalifikation er mere og mere om verificeret kapacitet snarere end akkumuleret sæde tid. Arbejdsgivere vil have bevis for anvendt kompetence og ansvarlig dom. Institutioner, der redesigner vurdering proaktivt, vil styrke troværdigheden af deres uddannelser.

Når implementeret tankefuldt, afslører AI, hvor akademiske standarder må hæves.

Hvordan nærmer du dig styre og tilsyn, når du introducerer AI i undervisning og administration?

Vi nærmer os AI, som vi ville enhver system, der materiel påvirker akademisk kvalitet og institutionel troværdighed. Styre begynder med klarhed om formål, definerede grænser og klare linjer for ansvar.

Effektivt tilsyn sikrer, at innovation styrker tillid snarere end undergraver den. Det betyder rigorøse dataprivat- og sikkerhedsstandarder, bias- og fairhedsrevision, når systemer påvirker studerendeudfald, og gennemsigtighed om, hvilke værktøjer der bruges, og hvordan data håndteres.

Det kræver også opdatering af integritetsrammer for at reflektere nuværende realiteter snarere end arveforudsætninger. Fakultetsudvikling er kritisk, så adoption er intentionel og aligneret med læringsmål, snarere end fragmenteret eller reaktiv. Når vi introducerede AI-understøttede vurderingsmodeller hos Westcliff, var tilsyn indbygget i designet. Fakultet overvågede implementering, vurderede effekt og forbedrede processer baseret på bevis. Leverandør-evaluering er kontinuerlig, ikke episodisk. Institutioner må jævnligt gen-evaluere alignment med akademiske standarder og studerendes beskyttelse.

Målet er ansvarlig innovation.

Hvilke misforståelser har uddannelsesinstitutioner oftest om AI, og hvilken mindset-skift er nødvendigt?

To misforståelser dukker op gentagne gange. Den første er, at AI primært er et problem med snyd. Den anden er, at det blot er et produktivitetsværktøj. Det er hverken af dem i isolation. Mere fundamentalt reflekterer det en skift i, hvordan viden genereres, vurderes og anvendes.

Når institutioner rammer AI kun som et integritetsproblem, default de til begrænsning. Når de rammer det kun som effektivitet, underdriv de dets implikationer. Det vigtigste spørgsmål er, hvordan man designer læring, så resonans forbliver synlig og ansvarlig i et AI-aktiveret miljø.

Det nødvendige mindset-skift er fra kontrol til design. Dette tillader fakultet at blive endnu mere centrale som arkitekter af læringsoplevelser, der understreger dom, syntese og anvendt kompetence.

Med institutionel støtte, fælles praksis og koherent styre kan uddannelsesinstitutioner virkelig flytte, hvor AI hæver standarden for tankefuld pædagogik og gør akademisk design mere vigtigt end nogensinde.

Hvordan bør universiteterne forberede studerende på en arbejdsmark, hvor roller er flydende og AI gendefinerer indgangsniveau-arbejde?

Indgangsniveau-roller har traditionelt fungeret som træningsgrunde for rutineproduktionsopgaver. I mange fag absorberer AI nu en stor del af dette tidlige arbejde. Derfor forventes dimittender at fungere på et højere niveau tidligere.

Forberedelse må derfor fokusere på kapaciteter, der er svære at automatisere – problemløsning, kommunikation, beslutning og ansvarlig tilsyn med intelligente systemer. Studerende må være komfortable med at arbejde i usikkerhed, hvor værktøjer udvikles, og roller er flydende.

Universiteterne bør understrege adaptable kompetencer, der kan flyttes over kontekster snarere end snæver specialisering alene. Struktureret, projektbaseret læring med virkelige begrænsninger er afgørende. Når studerende løser komplekse problemer og forsvareder deres anbefalinger, øver de den type ansvarlig tænkning, som arbejdsgivere stadig mere værdsætter.

AI-litteracitet må blive baseline. Ikke alle behøver at bygge modeller, men alle må forstå, hvordan intelligente systemer påvirker beslutninger inden for deres profession.

Arbejdsmarkedet vil fortsætte med at skifte. Højere uddannelses ansvar er ikke at forudsige hver rolle, men at dimittere individer, der kan flytte over roller, lære kontinuerligt og bidrage meningsfuldt i miljøer formet af accelererende teknologi.

Hvad ville signalere, at et universitet har tilpasset sig AI-dreven forandring snarere end blot overlevet?

Success vil blive målt af resultater og ikke af offentlig positionering eller værdiløse metrikker.

Et universitet har virkelig tilpasset sig, når dets kurriculum og vurderingsmodeller er redesignet omkring virkelige kompetencer snarere end indholdsdistribution. Fakultet kan demonstrere tankefuld læringsdesign snarere end at være langsomme adoptører, og studerende kan tydeligt articulere og forsvare deres resonans på måder, der ikke kan genereres på krav.

Institutionel tilpasning er også synlig i styre. AI-brug er gennemsigtigt, tilsyn er indbygget, og vi kan demonstrere, at tillid til akademiske udfald styrkes snarere end undergraves.

Det mest pålidelige tegn er dog ekstern validering. Arbejdsgivere anerkender, at dimittender demonstrerer moden dom, anvendt kapacitet, beslutning og fluency i AI-aktiverede miljøer.

Tilpasning betyder agility uden kompromis. Institutionen udvikler sig, mens teknologien avancerer, mens den opretholder strenge standarder og etisk klarhed. Hos Westcliff tror vi, at vi producerer en læringsmodel, der forbliver troværdig, robust og værdifuld, mens AI fortsætter med at omforme landskabet. Tak for det gode interview, læsere, der ønsker at lære mere om denne fakultet, skal besøge Westcliff University.