Interviews

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

Antoine Tardif
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterArbejdsstyrkens klarhed kræver nu menneskelig tilsyn med AI-resultater og ansvarlig…
Vis mere
  • Arbejdsstyrkens klarhed kræver nu menneskelig tilsyn med AI-resultater og ansvarlig dømmekraft.
  • AI-kompetence skal væves ind i alle fags pensum og ikke behandles som et tillæg.
  • Evaluering skal måle autentisk ræsonnering og anvendt kompetence, ikke blot automatiseret produktion.

Dr. Anthony M. Lee er præsident for Westcliff University i Irvine, Californien, et af de hurtigst voksende universiteter i USA, hvor antallet af studerende i løbet af det seneste årti er steget fra færre end nogle få hundrede til over 3.000. 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. Han har ledelseserfaring i mange kritiske områder inden for højere uddannelse, herunder marketing, finans, drift, compliance og akkreditering.

Hvordan har din definition af arbejdsmarkedsparathed udviklet sig 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 udvikler sig kontinuerligt, og hvor udførelsen af arbejdet i stigende grad understøttes af teknologi. Konkurrencefordelen er ikke længere kun at vide, hvordan man udfører en opgave, men at vide, hvordan man formulerer problemer, overvåger AI-resultater, undersøger antagelser kritisk og anvender dømmekraft under virkelige begrænsninger.

Vi oplever et skift fra opgaveudførelse til kognitivt tilsyn. Arbejde i begynderstillinger bliver gendefineret. Rutineproduktion kan automatiseres, ansvar kan ikke. Det lægger større vægt på kritisk tænkning, etisk ræsonnement, kontekstuel bevidsthed og evnen til at oversætte AI-genererede udfald til ansvarlige beslutninger.

Hos Westcliff ser vi arbejdsmarkedsparathed som integration af faglig ekspertise, færdigheder i brugen af AI og disciplineret menneskelig dømmekraft. 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 intellektuelt ansvar.

Vores model for anvendt læring 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 styre AI på en gennemtænkt måde, undersøge resultaterne grundigt og forblive ansvarlige for udfaldene, det påvirker. Det er, hvad arbejdsmarkedsparathed nu kræver.

Hvad betyder det for en institution at tage AI alvorligt på både studieplans- og institutionsniveau snarere end at behandle det som en tilføjelse?

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

At tage AI alvorligt begynder med redesign. Hvert fag må undersøge, hvordan generative systemer omdefinerer faglige forventninger og definere, hvad AI-forstærket kompetence kræver. Vurdering skal måle ræsonnement og anvendt kompetence, ikke kun output.

En seriøs tilgang kræver også institutionel koherens. AI-kompetence kan ikke begrænses til isolerede kurser. Kompetenceudvikling for undervisere, styring, vurderingsstrategi og leverandørtilsyn skal samordnes efter et klart princip om, 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 et arbejdsmarked, hvor menneskelig dømmekraft 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 et kompromis. Tværtimod øger generativ AI værdien af grundlæggende menneskelige evner.

Når rutinemæssig kognitiv produktion bliver billig, er det ræsonnement på højere niveau, der gør forskellen. Kritisk tænkning betyder at formulere bedre spørgsmål og undersøge maskingenererede resultater. Dømmekraft 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 tage intelligente systemer i brug i stor skala.

Studerende må lære at tænke i miljøer, hvor AI er til stede. Prompting er en start, men kognitivt tilsyn er den dybere færdighed. Dimittender må kunne formulere og forsvare deres konklusioner, der inddrager oplysninger fra intelligente systemer, men ikke bestemmes af dem.

Hos Westcliff behandler vi færdigheder i brugen af AI 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 smidighed. AI leverer hastighed og skala. Mennesker må levere skelneevne, ansvar og lederskab.

Hvilke dele af højere uddannelse er mest sårbare over for omvæltninger som følge 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, når den fokuserer på 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 bevidst udformede læringssystemer, fokuserer på ræsonnement, anvendt kompetence og målbar udvikling, forbliver højst relevante.

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

Hvordan bør universiteterne omdefinere uddannelsesdesign, når AI forkorter tiden til at mestre færdigheder og sænker barrierer for indgang?

Når AI forkorter den tid, 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 dømmekraft og vedvarende præstation under begrænsninger.

Uddannelsesdesign bør være modulært og anvendt, men koherent. Målet er kumulativ kompetence, der integrerer tekniske færdigheder med ræsonnement og adaptivitet.

AI sænker barrierer for indgang. Universiteterne må svare ved at hæve grænsen for integration, dømmekraft 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. Kvalifikationer, der kan kombineres og bygges videre på, samt trinvise uddannelsesforløb giver studerende mulighed for at vende tilbage til læring, når brancherne ændrer sig, samtidig med at sammenhæng og faglig grundighed bevares. Fleksibilitet er vigtig, men intellektuel progression er endnu vigtigere.

Hvilken rolle ser du AI spille i vurdering og kvalifikation?

AI tvinger højere uddannelse til at konfrontere en realitet, der allerede eksisterede før denne teknologi. Mange traditionelle vurderinger målte produktion snarere end forståelse. Hvis en opgave nu kan automatiseres med minimal indsats, må vi spørge, om den nogensinde har indfanget ræsonnement.

Vurdering må skifte mod autentisk demonstration af kompetence, mundtlig fremlæggelse og forsvar, scenariebaseret problemløsning, iterativ forbedring, anvendte 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 formulerer og forsvarer deres ræsonnement i realtid. AI kan hjælpe ved at generere adaptive prompts og understøtte skalerbar feedback, men designansvar forbliver menneskeligt. Institutioner må sikre, at de vurderer de studerendes tænkning, ikke modeloutput.

Udstedelse af kvalifikationer handler i stigende grad om verificerede evner snarere end den samlede tid, der er brugt på undervisning. Arbejdsgivere vil have bevis for anvendt kompetence og ansvarlig dømmekraft. Institutioner, der redesigner vurdering proaktivt, vil styrke troværdigheden af deres uddannelser.

Når AI indføres på en gennemtænkt måde, afslører det, hvor akademiske standarder må hæves.

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

Vi nærmer os AI, som vi ville ethvert system, der i væsentlig grad påvirker akademisk kvalitet og institutionel troværdighed. Styring 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 strenge standarder for databeskyttelse og datasikkerhed, vurdering af bias og retfærdighed, når systemer påvirker de studerendes resultater, og gennemsigtighed om, hvilke værktøjer der bruges, og hvordan data håndteres.

Det kræver også opdatering af integritetsrammer for at reflektere nuværende realiteter snarere end forældede antagelser. Kompetenceudvikling for undervisere er kritisk, så indførelsen er bevidst og afstemt med læringsmål, snarere end fragmenteret eller reaktiv. Da vi introducerede AI-understøttede vurderingsmodeller hos Westcliff, var tilsyn indbygget i designet. Underviserne overvågede implementering, vurderede effekt og forbedrede processer baseret på bevis. Leverandør-evaluering er kontinuerlig, ikke episodisk. Institutioner må jævnligt revurdere overensstemmelsen med akademiske standarder og studerendes beskyttelse.

Målet er ansvarlig innovation.

Hvilke misforståelser har undervisere oftest om AI, og hvilket skift i tankegang 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. Ingen af de to perspektiver er tilstrækkelige alene. Mere fundamentalt reflekterer det et skift i, hvordan viden genereres, vurderes og anvendes.

Når institutioner kun ser AI som et integritetsproblem, vælger de som regel begrænsninger. Når de kun ser det som et middel til effektivitet, undervurderer de dets implikationer. Det vigtigste spørgsmål er, hvordan man designer læring, så ræsonnement forbliver synligt og knyttet til ansvar i et AI-aktiveret miljø.

Det nødvendige skift i tankegang er fra kontrol til design. Det giver underviserne en endnu mere central rolle som arkitekter af læringsoplevelser, der understreger dømmekraft, syntese og anvendt kompetence.

Med institutionel støtte, fælles praksis og sammenhængende styring kan undervisere bevæge sig fremad i et miljø, hvor AI stiller højere krav til gennemtænkt pædagogik og gør akademisk design vigtigere end nogensinde.

Hvordan bør universiteterne forberede studerende på et arbejdsmarked, hvor roller er flydende og AI omdefinerer arbejde i begynderstillinger?

Begynderstillinger 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 – problemformulering, kommunikation, beslutningstagning og ansvarligt tilsyn med intelligente systemer. Studerende må være komfortable med at arbejde i usikkerhed, hvor værktøjer udvikler sig, og roller er flydende.

Universiteterne bør understrege tilpasningsdygtige kompetencer, der kan bruges i forskellige sammenhænge snarere end snæver specialisering alene. Struktureret, projektbaseret læring med virkelige begrænsninger er afgørende. Når studerende løser komplekse problemer og forsvarer deres anbefalinger, øver de den type ansvarlig tænkning, som arbejdsgivere stadig mere værdsætter.

AI-kompetence skal være en grundlæggende færdighed. 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?

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

Et universitet har virkelig tilpasset sig, når dets studieplan og vurderingsmodeller er redesignet omkring virkelige kompetencer snarere end formidling af indhold. Underviserne kan demonstrere gennemtænkt læringsdesign i stedet for at indføre nye tilgange for sent, og studerende kan tydeligt formulere og forsvare deres ræsonnement på måder, der ikke kan genereres på kommando.

Institutionel tilpasning er også synlig i styring. Brugen af AI er gennemsigtig, 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 dømmekraft, anvendt kapacitet, beslutningstagning og færdigheder i AI-aktiverede miljøer.

Tilpasning betyder smidighed 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 dette universitet, skal besøge Westcliff University.

Antoine er en visionær leder og stiftende partner i Unite.AI, drevet af en urokkelig passion for at forme og fremme fremtiden for AI og robotteknologi. Som serieiværksætter mener han, at AI vil forandre samfundet lige så grundlæggende som elektriciteten, og han taler ofte begejstret om potentialet i banebrydende teknologier og kunstig generel intelligens (AGI).

Som fremtidsforsker er han optaget af at undersøge, hvordan disse innovationer vil forme vores verden. Han er desuden grundlægger af Securities.io, en platform med fokus på investering i avancerede teknologier, der omdefinerer fremtiden og omformer hele brancher.