Dr. Anthony Lee, Presidente e Amministratore Delegato di Westcliff University – Serie di Interviste

Dr. Anthony M. Lee è il Presidente di Westcliff University a Irvine, California, una delle università in più rapida crescita negli Stati Uniti, passata da meno di alcuni centinaia di studenti a oltre 3.000 studenti nell’ultimo decennio. Dr. Lee ha ricoperto ruoli di leadership in numerose università e scuole negli Stati Uniti e a livello internazionale. Con esperienza in programmi innovativi ibridi e online, Dr. Lee ha lanciato nuovi programmi che integrano la tecnologia con le classi tradizionali basate sul campus per un’esperienza di apprendimento migliorata. Ha guidato con successo le scuole attraverso il processo di accreditamento a livello universitario e K-12. La sua esperienza lo ha dimostrato un leader in molte aree critiche dell’istruzione superiore, tra cui marketing, finanza, operazioni, conformità e accreditamento.

Come è cambiata la tua definizione di preparazione al lavoro nell’era dell’intelligenza artificiale generativa e dell’automazione?

La preparazione al lavoro una volta significava competenza tecnica e la capacità di contribuire immediatamente all’interno di un ruolo definito. Nell’era dell’intelligenza artificiale generativa, questa definizione non è più sufficiente perché la natura del lavoro stesso sta cambiando.

Oggi, la preparazione significa operare efficacemente in ambienti in cui l’intelligenza è distribuita tra esseri umani e macchine, in cui gli strumenti evolvono continuamente e in cui l’esecuzione è sempre più aumentata. Il vantaggio competitivo non è più solo sapere come eseguire una mansione, ma sapere come inquadrare i problemi, supervisionare gli output dell’AI, interrogare le ipotesi e applicare il giudizio in condizioni del mondo reale.

Stiamo assistendo a un passaggio dall’esecuzione delle mansioni alla supervisione cognitiva. Il lavoro di ingresso sta essere ridefinito. La produzione routinaria può essere automatizzata, la responsabilità no. Ciò pone un’enfasi maggiore sul pensiero critico, la ragione etica, la consapevolezza del contesto e la capacità di tradurre gli output generati dall’AI in decisioni responsabili.

A Westcliff, consideriamo la preparazione al lavoro come l’integrazione dell’esperienza di dominio, della fluency nell’AI e del giudizio umano disciplinato. Gli studenti devono capire come funzionano i sistemi generativi, dove creano vantaggio e dove introducono rischio. Ancor più importante, devono imparare a collaborare con questi sistemi senza esternalizzare la responsabilità intellettuale.

Il nostro modello di apprendimento applicato è progettato intorno all’impegno strutturato con le tecnologie emergenti in contesti autentici. L’obiettivo non è solo la competenza negli strumenti, ma la capacità di adattamento, la capacità di rimanere efficaci mentre gli strumenti cambiano.

In questa era, i professionisti che si distinguono non saranno quelli che competono con l’AI, ma quelli che possono dirigere l’AI in modo pensieroso, metterla in discussione rigorosamente e rimanere responsabili per gli esiti che influenza. È questo che la preparazione al lavoro richiede ora.

Cosa significa per un’istituzione prendere seriamente l’AI a livello di curriculum e istituzionale, piuttosto che trattarla come un optional?

AI non è solo uno strumento didattico. Cambia l’architettura dell’istruzione stessa.

Prendere seriamente l’AI inizia con il ridisegno. Ogni disciplina deve esaminare come i sistemi generativi stanno ridefinendo le aspettative professionali e definire cosa richiede la competenza aumentata dall’AI. La valutazione deve misurare la ragione e la competenza applicata, non solo l’output.

Ma la serietà richiede anche coerenza istituzionale. La letteratura sull’AI non può essere confinata in corsi isolati. Lo sviluppo del personale docente, la governance, la strategia di valutazione e la supervisione dei fornitori devono allinearsi intorno a un principio chiaro secondo cui la tecnologia deve rafforzare la qualità accademica, non diluirla.

A quel punto, l’AI diventa parte dell’infrastruttura intellettuale dell’università. Plasma come l’apprendimento è strutturato, come la padronanza è dimostrata e come la credibilità istituzionale è mantenuta in un mercato del lavoro in cui il giudizio umano e la capacità della macchina operano fianco a fianco. È questo il modo in cui stiamo procedendo a Westcliff.

Come bilanci le competenze umane fondamentali con l’insegnamento agli studenti a lavorare efficacemente accanto all’AI?

Non vedo questo come un compromesso. Se mai, l’AI generativa aumenta il valore delle capacità umane fondamentali.

Quando la produzione cognitiva routinaria diventa a buon mercato, il differenziale diventa il ragionamento di ordine superiore. Il pensiero critico significa inquadrare meglio le domande e mettere in discussione gli output generati dalla macchina. Il giudizio significa sapere quando affidarsi a un sistema e quando fermarsi. L’etica diventa pratica e riguarda la comprensione delle conseguenze del dispiegamento di sistemi intelligenti su larga scala.

Gli studenti devono imparare a pensare in ambienti in cui l’AI è presente. La promozione è un punto di partenza, ma la supervisione cognitiva è la competenza più profonda. I laureati devono essere in grado di articolare e difendere le loro conclusioni in modo informato, ma non determinato dai sistemi intelligenti.

A Westcliff, trattiamo la fluency nell’AI come un amplificatore delle competenze fondamentali. Gli studenti si impegnano con gli strumenti intelligenti restando responsabili per la chiarezza, la credibilità e la conseguenza. A lungo termine, i professionisti che si distinguono combineranno la profondità intellettuale con l’agilità tecnologica. L’AI fornisce velocità e scala. Gli esseri umani devono fornire discernimento, responsabilità e leadership.

Quali parti dell’istruzione superiore sono più vulnerabili alla disruption da parte dell’AI e quali aree sono più resilienti di quanto si pensi?

Le aree più vulnerabili sono costruite sul trasferimento di informazioni e sulla produzione standardizzata. Se un modello si basa principalmente sulla consegna di lezioni o su valutazioni che misurano la produzione, l’AI lo metterà in discussione rapidamente.

L’istruzione superiore è più resiliente dove si concentra sullo sviluppo strutturato, la mentorship, la pratica applicata, il lavoro di squadra, l’apprendimento clinico e la formazione dell’identità professionale. L’AI può supportare queste esperienze, ma non può sostituirle.

La linea di demarcazione è il design. Le istituzioni che si vedono principalmente come fornitori di contenuti sono esposte. Quelle che operano come sistemi di apprendimento intenzionali, focalizzati sulla ragione, la competenza applicata e la crescita misurabile, rimangono altamente rilevanti.

L’AI sta aumentando lo standard per ciò che una credenziale deve rappresentare.

Come le università dovrebbero ripensare il design dei corsi di studio mentre l’AI comprime il tempo necessario per acquisire le competenze e abbassa le barriere all’ingresso?

Man mano che l’AI comprime il tempo necessario per acquisire le competenze tecniche, le università devono chiarire dove un corso di laurea aggiunge valore.

Se gli strumenti accelerano la competenza nelle mansioni, l’istruzione superiore deve concentrarsi su ciò che non può essere automatizzato: profondità concettuale, risoluzione di problemi strutturata, giudizio etico e prestazioni sostenute sotto vincolo.

Il design dei corsi di studio dovrebbe essere modulare e applicato, ma coerente. L’obiettivo è la competenza cumulativa, integrando la fluency tecnica con il ragionamento e l’adattabilità.

L’AI abbassa le barriere all’ingresso. Le università devono rispondere aumentando la soglia per l’integrazione, il giudizio e la capacità dimostrata. Un corso di laurea deve segnalare una competenza duratura, non solo l’esposizione.

A Westcliff, consideriamo i corsi di laurea come ecosistemi dinamici piuttosto che progressioni lineari fisse. Le credenziali impilabili e i percorsi a gradini consentono agli apprendisti di riconnettersi man mano che le industrie si spostano, mantenendo coerenza e rigore. La flessibilità è importante, ma la progressione intellettuale è più importante.

Qual è il ruolo che l’AI dovrebbe svolgere nella valutazione e nel rilascio delle credenziali?

AI sta costringendo l’istruzione superiore a confrontarsi con una realtà che precede la tecnologia stessa. Molte valutazioni tradizionali stavano misurando la produzione piuttosto che la comprensione. Se una mansione può ora essere automatizzata con minimo sforzo, dobbiamo mettere in discussione se abbia mai catturato il ragionamento.

La valutazione deve spostarsi verso la dimostrazione autentica della competenza, la difesa orale, la risoluzione di problemi basata su scenari, il perfezionamento iterativo, le simulazioni applicate e le prove del portfolio che rendono visibile il pensiero. In un ambiente abilitato all’AI, ciò che conta non è solo l’artefatto, ma il processo cognitivo dietro di esso.

A Westcliff, ci siamo mossi verso modelli di valutazione orali e iterativi che richiedono agli studenti di articolare e difendere il loro ragionamento in tempo reale. L’AI può assistere generando prompt adattivi e supportando il feedback su larga scala, ma la responsabilità del design rimane umana. Le istituzioni devono assicurarsi di valutare la cognizione dell’apprendente, non l’output del modello.

Il rilascio delle credenziali sta diventando sempre più una questione di capacità verificata piuttosto che di tempo trascorso a sedere. I datori di lavoro vogliono prove di competenza applicata e giudizio responsabile. Le istituzioni che ridisegnano la valutazione in modo proattivo rafforzeranno la credibilità dei loro corsi di laurea.

Quando implementata in modo pensieroso, l’AI rivela dove gli standard accademici devono essere elevati.

Come si approccia alla governance e alla supervisione quando si introduce l’AI nell’insegnamento e nell’amministrazione?

Ci avviciniamo all’AI come ci avvicineremmo a qualsiasi sistema che influisce materialmente sulla qualità accademica e sulla credibilità istituzionale. La governance inizia con la chiarezza degli obiettivi, i confini definiti e le linee di responsabilità chiare.

Una supervisione efficace assicura che l’innovazione rafforzi la fiducia piuttosto che eroderla. Ciò significa rigorosi standard di privacy e sicurezza dei dati, revisione della parzialità e della giustizia quando i sistemi influenzano gli esiti degli studenti e trasparenza su quali strumenti vengono utilizzati e come vengono gestiti i dati.

Ciò richiede anche l’aggiornamento dei quadri di integrità per riflettere le realtà attuali piuttosto che le ipotesi di legacy. Lo sviluppo del personale docente è fondamentale in modo che l’adozione sia intenzionale e allineata con gli obiettivi di apprendimento, piuttosto che essere frammentata o reattiva.

Quando abbiamo introdotto modelli di valutazione supportati dall’AI a Westcliff, la supervisione era incorporata nel design. Il personale docente ha monitorato l’attuazione, valutato l’impatto e raffinato i processi in base alle prove. La valutazione del fornitore è continua, non episodica. Le istituzioni devono rivedere regolarmente l’allineamento con gli standard accademici e la protezione degli studenti.

L’obiettivo è l’innovazione responsabile.

Quali sono gli errori di valutazione più comuni che gli educatori hanno sull’AI e quale cambiamento di mentalità è necessario?

Due errori di valutazione si presentano ripetutamente. Il primo è che l’AI è principalmente un problema di cheating. Il secondo è che è semplicemente uno strumento di produttività. Non è né l’uno né l’altro in isolamento. Più fondamentalmente, riflette un cambiamento in come la conoscenza è generata, valutata e applicata.

Quando le istituzioni inquadrano l’AI solo come un problema di integrità, ricorrono alla restrizione. Quando la inquadrano solo come efficienza, sottovalutano le sue implicazioni. La domanda più importante è come progettare l’apprendimento in modo che il ragionamento rimanga visibile e responsabile in un ambiente abilitato all’AI.

Il cambiamento di mentalità necessario è da controllo a design. Ciò consente al personale docente di diventare ancora più centrale come architetti di esperienze di apprendimento che enfatizzano il giudizio, la sintesi e la competenza applicata.

Con il supporto istituzionale, le pratiche condivise e la governance coerente, gli educatori possono realmente muoversi dove l’AI alza la barra per una didattica pensierosa e rende il design accademico più importante che mai.

Come le università dovrebbero preparare gli studenti per un mercato del lavoro in cui i ruoli sono fluidi e l’AI ridefinisce il lavoro di ingresso?

I ruoli di ingresso hanno tradizionalmente servito come terreno di addestramento per le mansioni di produzione routinaria. In molti campi, l’AI ora assorbe gran parte di quel lavoro iniziale. Di conseguenza, i laureati sono attesi a operare a un livello più alto più presto.

La preparazione deve quindi concentrarsi sulle capacità che sono difficili da automatizzare: inquadrare i problemi, la comunicazione, la presa di decisioni e la supervisione responsabile dei sistemi intelligenti. Gli studenti devono essere a loro agio nel lavorare nell’ambiguità, dove gli strumenti evolvono e i ruoli sono fluidi.

Le università dovrebbero enfatizzare le competenze adattabili che attraversano i contesti piuttosto che la specializzazione ristretta. L’apprendimento basato su progetti con vincoli reali è essenziale. Quando gli studenti risolvono problemi complessi e difendono le loro raccomandazioni, praticano il tipo di pensiero responsabile che i datori di lavoro apprezzano sempre più.

La letteratura sull’AI deve diventare una base. Non tutti devono costruire modelli, ma tutti devono capire come i sistemi intelligenti influenzano le decisioni all’interno della loro professione.

Il mercato del lavoro continuerà a cambiare. La responsabilità dell’istruzione superiore non è prevedere ogni ruolo, ma laureare individui che possano muoversi tra i ruoli, imparare continuamente e contribuire in modo significativo in ambienti plasmati dalla tecnologia in accelerazione.

Cosa segnala che un’università ha adattato con successo il cambiamento guidato dall’AI piuttosto che semplicemente sopravvivere?

Il successo sarà misurato dagli esiti e non dalla posizione pubblica o da metriche vanitoso.

Un’università ha veramente adattato quando il suo curriculum e i modelli di valutazione sono stati ridisegnati intorno alla competenza basata sul mondo reale piuttosto che sulla consegna di contenuti. Il personale docente può dimostrare un design di apprendimento pensieroso versus essere un adottante lento e gli studenti possono articolare e difendere chiaramente il loro ragionamento in modi che non possono essere generati su richiesta.

L’adattamento istituzionale è anche visibile nella governance. L’uso dell’AI è trasparente, la supervisione è incorporata e possiamo dimostrare che la fiducia negli esiti accademici si rafforza piuttosto che erodersi.

Il più affidabile indicatore, tuttavia, è la convalida esterna. I datori di lavoro riconoscono che i laureati dimostrano un giudizio maturo, una capacità applicata, una presa di decisioni e una fluency in ambienti abilitati all’AI.

L’adattamento significa agilità senza compromesso. L’istituzione evolve man mano che la tecnologia avanza, mantenendo gli standard rigorosi e la chiarezza etica. A Westcliff crediamo di stare producendo un modello di apprendimento che rimane credibile, resiliente e prezioso mentre l’AI continua a ridefinire il panorama.

Grazie per la grande intervista, i lettori che desiderano saperne di più su questa facoltà possono visitare Westcliff University.