Wywiady
Dr Anthony Lee, prezes i dyrektor generalny Westcliff University – seria wywiadów

Kluczowe punktyGotowość siły roboczej wymaga obecnie nadzoru człowieka nad wynikami pracy AI oraz…
Zobacz więcej
- Gotowość siły roboczej wymaga obecnie nadzoru człowieka nad wynikami pracy AI oraz odpowiedzialnego osądu.
- Umiejętność korzystania z AI musi być wpleciona w program nauczania każdej dyscypliny, a nie traktowana jako dodatek.
- Ocena musi mierzyć autentyczne rozumowanie i zastosowaną kompetencję, a nie tylko zautomatyzowaną produkcję.
Dr. Anthony M. Lee jest prezesem Westcliff University w Irvine w Kalifornii, jednego z najszybciej rozwijających się uniwersytetów w Stanach Zjednoczonych, który w ciągu ostatniej dekady zwiększył liczbę studentów z niespełna kilkuset do ponad 3 000. Dr. Lee pełnił funkcje kierownicze na wielu uniwersytetach i szkołach w Stanach Zjednoczonych i na arenie międzynarodowej. Posiadając doświadczenie w innowacyjnych programach hybrydowych i online, Dr. Lee uruchomił nowe programy łączące i integrujące technologię z tradycyjnymi zajęciami na kampusie, aby poprawić doświadczenie edukacyjne. Prowadził z powodzeniem szkoły przez proces akredytacji na poziomie uniwersyteckim oraz edukacji od przedszkola do końca szkoły średniej. Jego doświadczenie obejmuje pełnienie funkcji kierowniczych w wielu kluczowych obszarach szkolnictwa wyższego, w tym marketingu, finansów, działalności operacyjnej, zgodności z przepisami i akredytacji.
Jak Pańska definicja gotowości do pracy ewoluowała w erze generatywnej sztucznej inteligencji i automatyzacji?
Gotowość do pracy oznaczała kiedyś kompetencje techniczne i zdolność do natychmiastowego wnoszenia wkładu na określonym stanowisku. W erze generatywnej sztucznej inteligencji ta definicja jest już niewystarczająca, ponieważ sama natura pracy ulega zmianie.
Dziś gotowość oznacza skuteczne działanie w środowiskach, w których inteligencja jest rozproszona między ludźmi i maszynami, gdzie narzędzia stale ewoluują, a wykonywanie pracy jest coraz częściej wspomagane technologicznie. Przewaga konkurencyjna nie polega już tylko na umiejętności wykonywania zadania, ale na umiejętności formułowania problemów, nadzorowania wyników sztucznej inteligencji, weryfikowania założeń i dokonywania osądu w warunkach rzeczywistych ograniczeń.
Jesteśmy świadkami przesunięcia od wykonania zadań do nadzoru kognitywnego. Praca na stanowiskach początkowych jest przebudowywana. Produkcja rutynowa może być zautomatyzowana, odpowiedzialność nie. To kładzie większy nacisk na myślenie krytyczne, rozumowanie etyczne, świadomość kontekstową i umiejętność tłumaczenia wyników generowanych przez sztuczną inteligencję na odpowiedzialne decyzje.
Na Westcliff uważamy, że gotowość do pracy to integracja specjalistycznej wiedzy, biegłości w sztucznej inteligencji i zdyscyplinowanego osądu ludzkiego. Studenci muszą zrozumieć, jak funkcjonują systemy generatywne, gdzie tworzą przewagę, a gdzie wprowadzają ryzyko. Co więcej, muszą nauczyć się współpracować z tymi systemami bez zrzekania się odpowiedzialności intelektualnej.
Nasz model kształcenia praktycznego opiera się na uporządkowanym korzystaniu z nowych technologii w autentycznych kontekstach. Celem nie jest tylko biegłość w korzystaniu z narzędzi, ale zdolność adaptacyjna, możliwość pozostania skutecznym, gdy narzędzia się zmieniają.
W tej erze profesjonaliści, którzy się wyróżniają, nie będą tymi, którzy konkurują ze sztuczną inteligencją, ale tymi, którzy potrafią nią świadomie kierować, krytycznie weryfikować i pozostawać odpowiedzialnymi za wyniki, na które ona wpływa. To jest to, czego teraz wymaga gotowość do pracy.
Co oznacza dla instytucji traktowanie sztucznej inteligencji poważnie na poziomie programu nauczania i instytucjonalnym, a nie traktowanie jej jako dodatku?
Sztuczna inteligencja nie jest po prostu kolejnym narzędziem dydaktycznym. Zmienia samą architekturę edukacji.
Poważne traktowanie sztucznej inteligencji zaczyna się od przebudowy. Każda dyscyplina musi zbadać, w jaki sposób systemy generatywne zmieniają oczekiwania zawodowe i określić, czego wymaga biegłość zawodowa wspomagana sztuczną inteligencją. Ocena musi mierzyć rozumowanie i kompetencje praktyczne, a nie tylko wyniki.
Ale poważne traktowanie wymaga również spójności instytucjonalnej. Znajomość sztucznej inteligencji nie może być ograniczona do izolowanych kursów. Rozwój kadry, zarządzanie, strategia oceny i nadzór nad dostawcami muszą być wyraźnie ukierunkowane na zasadę, że technologia powinna wzmacniać jakość akademicką, a nie ją osłabiać.
W tym momencie sztuczna inteligencja staje się częścią intelektualnej infrastruktury uniwersytetu. Kształtuje, w jaki sposób jest strukturyzowane uczenie, w jaki sposób jest demonstrowana biegłość i w jaki sposób utrzymywana jest wiarygodność instytucjonalna w środowisku pracy, gdzie osąd ludzki i zdolności maszynowe działają obok siebie. To jest myślenie, z którym idziemy do przodu na Westcliff.
Jak godzą Państwo rozwijanie podstawowych ludzkich umiejętności z uczeniem studentów skutecznej współpracy ze sztuczną inteligencją?
Nie postrzegam tego jako wyboru jednego kosztem drugiego. Wręcz przeciwnie: generatywna sztuczna inteligencja zwiększa znaczenie podstawowych ludzkich zdolności.
Gdy rutynowa produkcja kognitywna staje się tania, przewagę daje rozumowanie wyższego rzędu. Myślenie krytyczne oznacza formułowanie lepszych pytań i weryfikowanie wyników generowanych przez maszynę. Osąd oznacza wiedzę, kiedy polegać na systemie, a kiedy się wstrzymać. Etyka staje się praktyczna i dotyczy konsekwencji wdrożenia inteligentnych systemów w skali.
Studenci muszą nauczyć się myśleć w środowiskach, w których obecna jest sztuczna inteligencja. Punktem wyjścia jest formułowanie promptów, ale głębszą umiejętnością jest nadzór kognitywny. Absolwenci muszą umieć uzasadnić i obronić swoje wnioski, w których uwzględniają wkład inteligentnych systemów, lecz nie pozwalają im przesądzać o konkluzjach.
Na Westcliff traktujemy biegłość w sztucznej inteligencji jako wzmacniacz umiejętności podstawowych. Studenci korzystają z inteligentnych narzędzi, pozostając odpowiedzialnymi za klarowność, wiarygodność i konsekwencje. W długiej perspektywie profesjonaliści, którzy się wyróżniają, połączą głębię intelektualną z elastycznością technologiczną. Sztuczna inteligencja zapewnia szybkość i skalę. Ludzie muszą wnosić rozeznanie, odpowiedzialność i przywództwo.
Jakie obszary szkolnictwa wyższego są najbardziej narażone na zakłócenia spowodowane przez sztuczną inteligencję, a które obszary są bardziej odporne, niż się spodziewano?
Najbardziej narażone obszary opierają się na transmisji informacji i standaryzowanym wyniku. Jeśli model opiera się głównie na dostarczaniu wykładów lub ocenach, które mierzą produkcję, sztuczna inteligencja szybko postawi go przed wyzwaniem.
Szkolnictwo wyższe jest bardziej odporne tam, gdzie koncentruje się na uporządkowanym rozwoju, mentoringu, praktycznym działaniu, pracy zespołowej, nauce klinicznej i formowaniu tożsamości zawodowej. Sztuczna inteligencja może wspierać te doświadczenia, ale nie może zastąpić rozwoju opartego na informacji zwrotnej i odpowiedzialności.
O przebiegu tej granicy decyduje sposób zaprojektowania kształcenia. Instytucje, które postrzegają siebie głównie jako dostawców treści, są narażone. Te, które działają jako świadomie zaprojektowane systemy kształcenia, skupione na rozumowaniu, kompetencjach praktycznych i mierzalnym wzroście, pozostają bardzo istotne.
Sztuczna inteligencja podnosi standardy, które musi potwierdzać uzyskana kwalifikacja.
Jak uniwersytety powinny przemyśleć projektowanie programów studiów w kontekście, w którym sztuczna inteligencja skraca czas potrzebny do nabycia umiejętności i obniża bariery wejścia?
Gdy sztuczna inteligencja skraca czas potrzebny do zdobycia umiejętności technicznych, uniwersytety muszą wyjaśnić, na czym polega wartość dyplomu.
Jeśli narzędzia przyspieszają nabywanie umiejętności wykonywania zadań, szkolnictwo wyższe musi skupić się na tym, czego nie można zautomatyzować: głębi pojęciowej, uporządkowanym rozwiązywaniu problemów, osądzie etycznym i utrzymywaniu skuteczności w warunkach ograniczeń.
Programy studiów powinny być modułowe i praktyczne, a zarazem spójne. Celem jest kompetencja kumulatywna, łącząca biegłość techniczną z rozumowaniem i adaptacyjnością.
Sztuczna inteligencja obniża bariery wejścia. Uniwersytety muszą odpowiedzieć, podnosząc próg integracji, osądu i wykazanej zdolności. Dyplom musi potwierdzać trwałe kompetencje, a nie jedynie kontakt z daną dziedziną.
Na Westcliff postrzegamy programy studiów jako dynamiczne ekosystemy, a nie jako stałe, liniowe postępy. Kwalifikacje, które można łączyć, oraz stopniowe ścieżki rozwoju pozwalają studentom wracać do nauki wraz ze zmianami w branżach, przy zachowaniu spójności i wysokich wymagań. Elastyczność ma znaczenie, ale postęp intelektualny ma większe znaczenie.
Jaką rolę widzi Pan dla sztucznej inteligencji w ocenianiu i certyfikowaniu?
Sztuczna inteligencja zmusza szkolnictwo wyższe do konfrontacji z rzeczywistością, która istniała już przed pojawieniem się tej technologii. Wiele tradycyjnych ocen mierzyło produkcję, a nie zrozumienie. Jeśli zadanie może teraz być zautomatyzowane z minimalnym wysiłkiem, musimy zakwestionować, czy kiedykolwiek uchwyciło rozumowanie.
Ocena musi przesunąć się w kierunku autentycznego demonstrowania kompetencji, obrony ustnej, rozwiązywania problemów opartych na scenariuszach, iteracyjnej poprawy, symulacji praktycznych i dowodów z portfolio, które czynią myślenie widocznym. W środowisku wspomaganym przez sztuczną inteligencję liczy się nie tylko końcowy wytwór, lecz także stojący za nim proces myślowy.
Na Westcliff przeszliśmy do modeli oceny ustnej i iteracyjnej, które wymagają od studentów uzasadnienia i obrony swojego rozumowania w czasie rzeczywistym. Sztuczna inteligencja może pomóc, generując adaptacyjne pytania i zadania oraz wspierając skalowalną informację zwrotną, ale odpowiedzialność za projekt pozostaje ludzka. Instytucje muszą zapewnić, że oceniają procesy myślowe studenta, a nie wynik modelu.
Certyfikowanie staje się coraz bardziej związane z potwierdzoną zdolnością, a nie tylko z czasem spędzonym na zajęciach. Pracodawcy chcą dowodów kompetencji praktycznej i odpowiedzialnego osądu. Instytucje, które przebudowują ocenę proaktywnie, wzmocnią wiarygodność swoich dyplomów.
Wdrażana w przemyślany sposób, sztuczna inteligencja ujawnia, gdzie standardy akademickie muszą być podniesione.
Jak podchodzą Państwo do zarządzania i nadzoru, gdy wprowadzają Państwo sztuczną inteligencję do nauczania i administracji?
Podejście do sztucznej inteligencji jest takie samo, jak do każdego systemu, który istotnie wpływa na jakość akademicką i wiarygodność instytucjonalną. Zarządzanie zaczyna się od jasności celu, określonych granic i wyraźnych linii odpowiedzialności.
Skuteczny nadzór zapewnia, że innowacja wzmacnia zaufanie, a nie je niszczy. Oznacza to rygorystyczne standardy prywatności i bezpieczeństwa danych, ocenę stronniczości i sprawiedliwego traktowania, gdy systemy wpływają na wyniki studentów, oraz przejrzystość co do tego, jakie narzędzia są używane i jak dane są obsługiwane.
Wymaga również aktualizacji zasad uczciwości akademickiej, aby odzwierciedlić obecne realia, a nie przestarzałe założenia. Rozwój kadry jest kluczowy, aby wdrożenie było świadome i zgodne z celami uczenia, a nie fragmentaryczne lub reaktywne.
Gdy wprowadziliśmy modele oceny wspomaganej przez sztuczną inteligencję na Westcliff, nadzór został wbudowany w projekt. Kadra monitorowała wdrożenie, oceniała wpływ i doskonaliła procesy na podstawie dowodów. Ocena dostawców jest ciągła, a nie epizodyczna. Instytucje muszą regularnie ponownie oceniać zgodność ze standardami akademickimi i ochroną studentów.
Celem jest odpowiedzialna innowacja.
Jakie są najczęstsze nieporozumienia, jakie mają edukatorzy na temat sztucznej inteligencji, a jakiej zmiany sposobu myślenia potrzeba?
Dwa nieporozumienia pojawiają się wielokrotnie. Pierwsze polega na tym, że sztuczna inteligencja jest głównie problemem oszustwa. Drugie polega na tym, że jest po prostu narzędziem produktywności. Żadna z tych perspektyw nie wystarcza sama w sobie. Sztuczna inteligencja odzwierciedla bardziej fundamentalną zmianę w tym, jak wiedza jest generowana, oceniana i stosowana.
Gdy instytucje traktują sztuczną inteligencję tylko jako problem uczciwości akademickiej, domyślnie wybierają ograniczenia. Gdy traktują ją tylko jako narzędzie wydajności, zaniżają jej implikacje. Bardziej istotne pytanie brzmi: jak zaprojektować uczenie, aby rozumowanie pozostało widoczne i odpowiedzialne w środowisku wspomaganym przez sztuczną inteligencję.
Potrzebna jest zmiana sposobu myślenia: od kontroli do projektowania. Dzięki temu kadra odgrywa jeszcze bardziej centralną rolę w projektowaniu doświadczeń edukacyjnych, które podkreślają osąd, syntezę i kompetencje praktyczne.
Z instytucjonalnym wsparciem, współdzielonymi praktykami i spójnym zarządzaniem, nauczyciele mogą rozwijać przemyślane praktyki dydaktyczne, którym sztuczna inteligencja stawia wyższe wymagania, sprawiając, że projektowanie kształcenia staje się ważniejsze niż kiedykolwiek.
Jak uniwersytety powinny przygotować studentów do rynku pracy, w którym role są płynne, a sztuczna inteligencja przebudowuje pracę na stanowiskach początkowych?
Stanowiska początkowe tradycyjnie służyły jako teren szkoleniowy dla rutynowych zadań wykonawczych. W wielu dziedzinach sztuczna inteligencja teraz pochłania wiele tej wczesnej pracy. W związku z tym od absolwentów oczekuje się wcześniejszego działania na wyższym poziomie.
Przygotowanie musi więc koncentrować się na zdolnościach, które są trudne do zautomatyzowania: formułowaniu problemów, komunikacji, podejmowaniu decyzji i odpowiedzialnym nadzorowaniu systemów inteligentnych. Studenci muszą umieć pracować w warunkach niepewności, gdzie narzędzia ewoluują, a role są płynne.
Uniwersytety powinny podkreślać elastyczne kompetencje przydatne w różnych kontekstach, a nie tylko wąską specjalizację. Uporządkowane kształcenie oparte na projektach z realnymi ograniczeniami jest niezbędne. Gdy studenci rozwiązują złożone problemy i bronią swoich rekomendacji, ćwiczą rodzaj myślenia odpowiedzialnego, który pracodawcy coraz bardziej cenią.
Znajomość sztucznej inteligencji musi stać się podstawą. Nie każdy musi budować modele, ale każdy musi zrozumieć, jak systemy inteligentne wpływają na decyzje w ramach swojego zawodu.
Rynek pracy będzie nadal ewoluował. Odpowiedzialność szkolnictwa wyższego nie polega na przewidywaniu każdej roli, lecz na kształceniu absolwentów, którzy mogą poruszać się między rolami, uczyć się nieustannie i wnosić istotny wkład w środowiskach kształtowanych przez przyspieszającą technologię.
Co sygnalizowałoby, że uniwersytet z powodzeniem zaadaptował się do zmian spowodowanych przez sztuczną inteligencję, a nie tylko przetrwał?
Sukces zostanie zmierzony przez wyniki, a nie przez pozycjonowanie publiczne lub wskaźniki próżności.
Uniwersytet naprawdę zaadaptował się, gdy jego program nauczania i modele oceny są przebudowane wokół kompetencji opartych na świecie rzeczywistym, a nie dostarczaniu treści. Kadra może zademonstrować przemyślane projektowanie kształcenia, a studenci mogą klarownie uzasadnić i obronić swoje rozumowanie w sposób, który nie może być wygenerowany na żądanie.
Adaptacja instytucjonalna jest również widoczna w zarządzaniu. Użycie sztucznej inteligencji jest przejrzyste, nadzór jest wbudowany, a my możemy pokazać, że zaufanie do efektów kształcenia wzmacnia się, a nie słabnie.
Najbardziej niezawodnym wskaźnikiem jest jednak walidacja zewnętrzna. Pracodawcy rozpoznają, że absolwenci demonstrowali dojrzały osąd, praktyczne umiejętności, podejmowanie decyzji i biegłość w środowiskach wspomaganych przez sztuczną inteligencję.
Adaptacja oznacza elastyczność bez kompromisu. Instytucja ewoluuje, gdy technologia postępuje, utrzymując rygorystyczne standardy i klarowność etyczną. Na Westcliff wierzymy, że tworzymy model kształcenia, który pozostaje wiarygodny, odporny na zmiany i wartościowy, gdy sztuczna inteligencja nadal kształtuje krajobraz.
Dziękujemy za wspaniały wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o tej uczelni, powinni odwiedzić Westcliff University.












