Dr. Anthony Lee, president og CEO i Westcliff University – Intervju-serie

Dr. Anthony M. Lee er president i Westcliff University i Irvine, California, ett av de raskest voksende universitetene i USA, som har gått fra færre enn noen hundre studenter til over 3 000 studenter over de siste ti årene. Dr. Lee har hatt ledelsesstillinger på flere universiteter og skoler i USA og internasjonalt. Med ekspertise i innovative hybrid- og nettbaserte programmer, har Dr. Lee lansert nye programmer som kombinerer teknologi med tradisjonelle campus-baserte klasser for en forbedret læringsopplevelse. Han har ledet skoler gjennom akkrediteringsprosessen på universitets- og K-12-nivå. Hans erfaring har vist ham å være en leder i mange kritiske områder innen høyere utdanning, inkludert markedsføring, finans, drift, kompliance og akkreditering.

Hvordan har din definisjon av arbeidskraftsberedskap utviklet seg i en tid med generativ AI og automatisering?

Arbeidskraftsberedskap betydde tidligere teknisk kompetanse og evnen til å bidra umiddelbart i en definert rolle. I en tid med generativ AI er denne definisjonen ikke lenger tilstrekkelig, fordi arbeidets natur selv endrer seg.

I dag betyr beredskap å fungere effektivt i miljøer der intelligensen er fordelt mellom mennesker og maskiner, der verktøy utvikler seg kontinuerlig, og der gjennomføringen øker. Konkurransesfordelen er ikke lenger bare å vite hvordan man utfører en oppgave, men å vite hvordan man rammer problemer, overvåker AI-utdata, undersøker antakelser og anvender dom i virkelige verdensbegrensninger.

Vi er vitne til en skifte fra oppgaveutføring til kognitiv tilsyn. Innledende arbeid defineres på nytt. Rutineproduksjon kan automatiseres, ansvar kan ikke. Dette legger større vekt på kritisk tenkning, etisk begrunnelse, kontekstbevissthet og evnen til å oversette AI-genererte utdata til ansvarlige beslutninger.

Ved Westcliff ser vi på arbeidskraftsberedskap som integrasjon av faglig ekspertise, AI-fluens og disiplinert menneskelig dømmekraft. Studenter må forstå hvordan generative systemer fungerer, hvor de skaper gevinst, og hvor de introduserer risiko. Mer viktig er at de må lære å samarbeide med disse systemene uten å utkontraktere intellektuelt ansvar.

Vår læringsmodell er designet rundt strukturert engasjement med fremvoksende teknologier i autentiske kontekster. Målet er ikke bare verktøyskompetanse, men tilpasningsdyktighet, evnen til å forbli effektiv når verktøy endrer seg.

I denne tiden vil de profesjonelle som skiller seg ut ikke være de som konkurrerer med AI, men de som kan lede det tankefullt, spørre det rigorøst og forbli ansvarlige for resultater det påvirker. Det er hva arbeidskraftsberedskap nå krever.

Hva betyr det for en institusjon å ta AI alvorlig på kurrikulum- og institusjonelt nivå, i stedet for å behandle det som et tillegg?

AI er ikke bare et annet instruksjonsverktøy. Det endrer utdanningsarkitekturen selv.

Å ta AI alvorlig begynner med redesign. Hvert fag må undersøke hvordan generative systemer endrer profesjonelle forventninger og definere hva AI-forsterket kompetanse krever. Vurdering må måle begrunnelse og anvendt kompetanse, ikke bare utdata.

Men alvorlighet krever også institusjonell sammenheng. AI-litteratur kan ikke sitte i isolerte kurs. Fakultetsutvikling, styring, vurderingsstrategi og leverandørkontroll må sammenfalle rundt en klar prinsipp at teknologi skal styrke akademisk kvalitet, ikke utvannne den.

Ved Westcliff ser vi på AI som en del av universitetets intellektuelle infrastruktur. Det former hvordan læring struktureres, hvordan mesteri demonstreres og hvordan institusjonell troverdighet opprettholdes i en arbeidskraft hvor menneskelig dømmekraft og maskinkapacitet opererer side om side. Det er tanken vi går fremover med ved Westcliff.

Hvordan balanserer du grunnleggende menneskelige ferdigheter med å lære studenter å arbeide effektivt sammen med AI?

Jeg ser ikke på dette som en avveining. Hvis noe, øker generativ AI premien på grunnleggende menneskelige evner.

Når rutine kognitive produksjoner blir billig, blir differensieren høyere orden tenkning. Kritisk tenkning betyr å ramme bedre spørsmål og undersøke maskin-genererte utdata. Dømmekraft betyr å vite når å stole på et system og når å pause. Etikk blir praktisk og handler om å forstå konsekvensene av å deployere intelligente systemer i stor skala.

Studenter må lære å tenke i AI-tilstede miljøer. Prompting er en start, men kognitiv tilsyn er den dypere ferdigheten. Kandidater må kunne artikulere og forsvare konklusjoner informert, men ikke bestemt av intelligente systemer.

Ved Westcliff behandler vi AI-fluens som en forsterker av grunnleggende ferdigheter. Studenter engasjerer med intelligente verktøy samtidig som de forbli ansvarlige for klarhet, troverdighet og konsekvens. På lang sikt vil de profesjonelle som skiller seg ut kombinere intellektuell dybde med teknologisk smidighet. AI leverer hastighet og skala. Mennesker må levere diskresjon, ansvar og ledelse.

Hvilke deler av høyere utdanning er mest sårbare for forstyrrelse av AI, og hvilke områder er mer motstandsdyktige enn folk forventer?

De mest sårbare områdene er bygget på informasjons-overføring og standardisert utdata. Hvis en modell primært baserer seg på forelesninger eller vurderinger som måler produksjon, vil AI utfordre det raskt.

Høyere utdanning er mer motstandsdyktig der den fokuserer på strukturert utvikling, mentorering, anvendt praksis, teamarbeid, klinisk læring og profesjonell identitetsdannelse. AI kan støtte disse erfaringene, men kan ikke erstatte vekst bygget gjennom tilbakemelding og ansvar.

Skillelinjen er design. Institusjoner som ser seg selv primært som innholdsleverandører er eksponert. De som opererer som bevisste lærings-systemer, fokusert på begrunnelse, anvendt kompetanse og målbart vekst, forbli høyt relevante.

AI setter en ny standard for hva en kvalifikasjon må representere.

Hvordan bør universiteter omtenke grad-design som AI komprimerer tid til ferdighet og senker barrierer for inngang?

Når AI komprimerer tiden det tar å oppnå tekniske ferdigheter, må universiteter klargjøre hvor en grad tilfører verdi.

Hvis verktøy akselerer oppgave-ferdighet, må høyere utdanning fokusere på hva som ikke kan automatiseres, konseptuell dybde, strukturert problemløsning, etisk begrunnelse og varig ytelse under begrensning.

Grad-design bør være modulært og anvendt, men sammenhengende. Målet er kumulativ kompetanse, integrerende teknisk flytighet med begrunnelse og tilpasningsdyktighet.

AI senker barrierer for inngang. Universiteter må svare ved å heve terskelen for integrasjon, begrunnelse og demonstrert evne. En grad må signalisere varig kompetanse, ikke bare eksponering.

Ved Westcliff ser vi på grader som dynamiske økosystemer i stedet for faste lineære fremgangsmåter. Stabelbare kvalifikasjoner og trinnvise løpeveier tillater lærere å engasjere på nytt når industrier skifter, samtidig som de opprettholder sammenheng og strenghet. Fleksibilitet betyr noe, men intellektuell fremgang betyr mer.

Hva rolle ser du AI spille i vurdering og kvalifisering?

AI tvinger høyere utdanning til å konfrontere en realitet som forutgår teknologien selv. Mange tradisjonelle vurderinger målte produksjon i stedet for forståelse. Hvis en oppgave nå kan automatiseres med minimal innsats, må vi spørre om den noen gang fanget begrunnelse.

Vurdering må skifte mot autentisk demonstrasjon av kompetanse, muntlig forsvar, scenario-basert problemløsning, iterativ forbedring, anvendte simulasjoner og portefølje-bevis som gjør tenkning synlig. I et AI-aktivt miljø betyr det ikke bare artefaktet alene, men den kognitive prosessen bak det.

Ved Westcliff har vi gått over til muntlige og iterative vurderingsmodeller som krever at studenter artikulerer og forsvare sin begrunnelse i sanntid. AI kan assistere ved å generere adaptive promter og støtte skalerbar tilbakemelding, men design-ansvar forbli menneskelig. Institusjoner må sikre at de vurderer lærer-kognisjon, ikke modell-utdata.

Kvalifisering handler stadig mer om verifisert evne i stedet for akkumulert sete-tid. Arbeidsgivere ønsker bevis for anvendt kompetanse og ansvarlig begrunnelse. Institusjoner som redesigner vurdering proaktivt vil styrke troverdigheten til deres grader.

Når implementert tankefullt, avdekker AI hvor akademiske standarder må heves.

Hvordan nærmer du deg styring og tilsyn når du introduserer AI i undervisning og administrasjon?

Vi nærmer oss AI som vi ville noen system som materielt påvirker akademisk kvalitet og institusjonell troverdighet. Styring begynner med klarhet av formål, definerte grenser og klare linjer for ansvar.

Effektivt tilsyn sikrer at innovasjon styrker tillit i stedet for å underminere den. Det betyr strenge data-privat- og sikkerhetsstandarder, vurdering av fordom og rettferdighet når systemer påvirker student-utfall, og åpenhet om hva verktøy brukes og hvordan data håndteres.

Det krever også oppdatering av integritets-rammeverk for å reflektere nåværende realiteter i stedet for arvende antakelser. Fakultetsutvikling er kritisk så adoptering er bevisst og sammenfaller med læringsmål, i stedet for å være fragmentert eller reaktiv.

Når vi introduserte AI-støttede vurderingsmodeller ved Westcliff, var tilsyn innbygget i designet. Fakultet overvåket implementering, vurdering og forbedring basert på bevis. Leverandør-vurdering er kontinuerlig, ikke episodisk. Institusjoner må jevnlig vurdere sammenfall med akademiske standarder og student-beskyttelse.

Målet er ansvarlig innovasjon.

Hvilke misforståelser har lærere vanligvis om AI, og hva slags holdningsendring kreves?

To misforståelser dukker opp gjentakende. Den første er at AI primært er et juks-problem. Den andre er at det bare er et produktivitetsverktøy. Det er hverken alene. Mer grunnleggende reflekterer det en skifte i hvordan kunnskap genereres, vurderes og anvendes.

Når institusjoner rammer AI bare som et integritetsproblem, defaulter de til restriksjoner. Når de rammer det bare som effektivitet, underdriver de implikasjonene. Det viktigste spørsmålet er hvordan å designe læring så begrunnelse forbli synlig og ansvarlig i et AI-aktivt miljø.

Den nødvendige holdningsendringen er fra kontroll til design. Dette tillater fakultet å bli enda mer sentrale som arkitekter av lærings-erfaringer som betoner dom, syntese og anvendt kompetanse.

Med institusjonell støtte, felles praksis og sammenhengende styring, kan lærere virkelig flytte hvor AI hever standarden for tankefull pedagogikk og gjør akademisk design mer viktig enn noen gang.

Hvordan bør universiteter forberede studenter på en arbeidsmarked hvor roller er flytende og AI definerer innledende arbeid på nytt?

Innledende roller har tradisjonelt tjent som treningsgrunn for rutine-produksjonsoppgaver. I mange felt absorberer AI nå mye av dette tidlige arbeidet. Derfor forventes kandidater å operere på et høyere nivå tidligere.

Forberedelse må derfor fokusere på evner som er vanskelige å automatisere: problemløsning, kommunikasjon, beslutning og ansvarlig tilsyn av intelligente systemer. Studenter må være komfortable med å arbeide i usikkerhet, hvor verktøy utvikler seg og roller er flytende.

Universiteter bør betone tilpasnings-ferdigheter som reiser over kontekster i stedet for smal spesialisering alene. Strukturert, prosjekt-basert læring med virkelige begrensninger er essensiell. Når studenter løser komplekse problemer og forsvare sine anbefalinger, øver de den type ansvarlig tenkning som arbeidsgivere stadig mer verdsetter.

AI-litteratur må bli en basis. Ikke alle trenger å bygge modeller, men alle må forstå hvordan intelligente systemer påvirker beslutninger innen deres profesjon.

Arbeidsmarkedet vil fortsette å skifte. Høyere utdanningens ansvar er ikke å forutsi hver enkelt rolle, men å utdanne individer som kan flytte over roller, lære kontinuerlig og bidra meningsfullt i miljøer formet av akselererende teknologi.

Hva ville signalisere at et universitet har tilpasset seg AI-drevet endring i stedet for bare å overleve?

Suksess vil bli målt av resultater og ikke av offentlig posisjonering eller flotte målinger.

Et universitet har virkelig tilpasset seg når kurrikulum- og vurderingsmodeller er redesignet rundt virkelige kompetanser i stedet for innhold-levering. Fakultet kan demonstrere tankefull lærings-design i stedet for å være sene adoptører, og studenter kan tydelig artikulere og forsvare sin begrunnelse på måter som ikke kan genereres på forespørsel.

Institusjonell tilpasning er også synlig i styring. AI-bruk er åpen, tilsyn er innbygget og vi kan vise til at tillit i akademiske resultater styrker i stedet for å underminere.

Den mest pålitelige indikatoren er likevel ekstern validering. Arbeidsgivere anerkjenner at kandidater demonstrerer sesongert dømmekraft, anvendt kompetanse, beslutning og flytighet i AI-aktive miljøer.

Tilpasning betyr smidighet uten kompromiss. Institusjonen utvikler seg mens teknologien fremovergår samtidig som den opprettholder strenge standarder og etisk klarhet. Ved Westcliff tror vi på at vi produserer en læringsmodell som forbli troverdig, motstandsdyktig og verdifull mens AI fortsetter å forme landskapet.

Takk for det flotte intervjuet, lesere som ønsker å lære mer om denne fakulteten bør besøke Westcliff University.