Dr. Anthony Lee, President och VD för Westcliff University – Intervjuer

Dr. Anthony M. Lee är president för Westcliff University i Irvine, Kalifornien, ett av de snabbast växande universiteten i USA, som har gått från färre än några hundra studenter till över 3 000 studenter under det senaste decenniet. Dr. Lee har tjänstgjort i ledande positioner på flera universitet och skolor i USA och internationellt. Med expertis inom innovativa hybrid- och onlineprogram har Dr. Lee lanserat nya program som integrerar teknologi med traditionella campusbaserade klasser för en förbättrad inlärningsupplevelse. Han har framgångsrikt lett skolor genom ackrediteringsprocessen på universitets- och K-12-nivå. Hans erfarenhet har visat sig vara en ledare inom många kritiska områden inom högre utbildning, inklusive marknadsföring, finans, verksamhet, efterlevnad och ackreditering.

Hur har din definition av arbetsmarknadsberedskap utvecklats i tidsåldern av generativ AI och automatisering?

Arbetsmarknadsberedskap betydde tidigare teknisk kompetens och förmåga att bidra omedelbart inom en definierad roll. I tidsåldern av generativ AI är den definitionen inte längre tillräcklig, eftersom arbetsnaturen förändras.

I dag betyder beredskap att fungera effektivt i miljöer där intelligens är distribuerad mellan människor och maskiner, där verktyg utvecklas kontinuerligt och där genomförandet är alltmer förstärkt. Konkurrensfördelen är inte längre bara att veta hur man utför en uppgift, utan att veta hur man formulerar problem, övervakar AI-utdata, ifrågasätter antaganden och tillämpar omdöme under verkliga begränsningar.

Vi ser en förändring från uppgiftsutförande till kognitiv tillsyn. Inträdesnivåarbete omdefinieras. Rutinmässig produktion kan automatiseras, men ansvar kan inte. Detta lägger större tonvikt på kritiskt tänkande, etiskt resonemang, kontextuell medvetenhet och förmåga att översätta AI-genererade utdata till ansvarsfulla beslut.

På Westcliff ser vi arbetsmarknadsberedskap som en integration av domänexpertis, AI-fluens och disciplinerat mänskligt omdöme. Studenter måste förstå hur generativa system fungerar, var de skapar utrymme och var de introducerar risk. Mer viktigt är att de måste lära sig att samarbeta med dessa system utan att outsourca intellektuellt ansvar.

Vår tillämpade inlärningsmodell är utformad kring strukturerad engagemang med framväxande teknologier i autentiska sammanhang. Målet är inte bara verktygsfärdighet, utan anpassningsförmåga, förmåga att förbli effektiv när verktyg förändras.

I denna era kommer de professionella som sticker ut inte att vara de som tävlar med AI, utan de som kan rikta den tankefullt, ifrågasätta den rigoröst och förbli ansvariga för de resultat den påverkar. Det är vad arbetsmarknadsberedskap nu kräver.

Vad betyder det för en institution att ta AI på allvar på kurrikulärt och institutionellt plan, snarare än att behandla det som ett tillägg?

AI är inte bara ett instruktionsverktyg. Det förändrar utbildningens arkitektur.

Att ta AI på allvar börjar med omkonstruktion. Varje disciplin måste undersöka hur generativa system förändrar professionella förväntningar och definiera vad AI-förstärkt kompetens kräver. Utvärdering måste mäta resonemang och tillämpad kompetens, inte bara utdata.

Men allvar kräver också institutionell samstämmighet. AI-litteracitet kan inte sitta i isolerade kurser. Lärarutveckling, styrning, utvärderingsstrategi och leverantörsöversyn måste samverka kring en tydlig princip som tekniken ska stärka akademisk kvalitet, inte utdunsta den.

På den punkten blir AI en del av universitetets intellektuella infrastruktur. Det formar hur inlärning är strukturerad, hur mästerskap demonstreras och hur institutionell trovärdighet upprätthålls i en arbetsmarknad där mänskligt omdöme och maskinkapacitet fungerar sida vid sida. Det är det tänkande som vi går vidare med på Westcliff.

Hur balanserar du grundläggande mänskliga färdigheter med att undervisa studenter att arbeta effektivt bredvid AI?

Jag ser inte detta som ett val. Om något ökar generativ AI premium på grundläggande mänskliga förmågor.

När rutinmässig kognitiv produktion blir billig, blir differentiatorn högre ordningens resonemang. Kritiskt tänkande betyder att formulera bättre frågor och ifrågasätta maskingenererade utdata. Omdöme betyder att veta när man ska lita på ett system och när man ska pausa. Etik blir praktisk och handlar om att förstå konsekvenserna av att distribuera intelligenta system i stor skala.

Studenter måste lära sig att tänka i AI-närvarande miljöer. Promptning är en startpunkt, men kognitiv tillsyn är den djupare färdigheten. Examen måste kunna uttrycka och försvara slutsatser som informeras, men inte bestäms av intelligenta system.

På Westcliff behandlar vi AI-fluens som en förstärkare av grundläggande färdigheter. Studenter engagerar sig med intelligenta verktyg samtidigt som de förblir ansvariga för tydlighet, trovärdighet och konsekvens. På lång sikt kommer de professionella som sticker ut att kombinera intellektuell djup med teknisk smidighet. AI levererar hastighet och skala. Människor måste tillhandahålla diskriminering, ansvar och ledarskap.

Vilka delar av högre utbildning är mest sårbara för störning av AI, och vilka områden är mer motståndskraftiga än man förväntar sig?

De mest sårbara områdena byggs på informationsöverföring och standardiserad utdata. Om en modell främst bygger på föreläsningstillfällen eller utvärderingar som mäter produktion, kommer AI att utmana det snabbt.

Högre utbildning är mer motståndskraftig där den fokuserar på strukturerad utveckling, mentorering, tillämpad praxis, samarbete, klinisk inlärning och professionell identitetsbildning. AI kan stödja dessa upplevelser, men den kan inte ersätta tillväxt byggd genom feedback och ansvar.

Skiljelinjen är design. Institutioner som ser sig som primärt innehållsleverantörer är utsatta. De som fungerar som avsiktliga inlärningssystem, fokuserade på resonemang, tillämpad kompetens och mätbar tillväxt, förblir högt relevanta.

AI höjer standarden för vad en kvalifikation måste representera.

Hur bör universitet ompröva examensdesign som AI komprimerar tid till färdighet och sänker inträdesbarriärer?

När AI komprimerar den tid som krävs för att få tekniska färdigheter, måste universitet klargöra var en examen tillför värde.

Om verktyg accelererar uppgiftsproficiens, måste högre utbildning fokusera på vad som inte kan automatiseras, konceptuell djup, strukturerat problemlösning, etiskt omdöme och uthållig prestation under begränsning.

Examensdesign bör vara modulär och tillämpad, men sammanhängande. Målet är kumulativ kompetens, integrerande teknisk flytande med resonemang och anpassningsförmåga.

AI sänker inträdesbarriärer. Universitet måste svara genom att höja tröskeln för integration, omdöme och demonstrerad förmåga. En examen måste signalera varaktig kompetens, inte bara exponering.

På Westcliff ser vi examen som dynamiska ekosystem snarare än fasta linjära framsteg. Staplingsbara kvalifikationer och stegvisa vägar tillåter lärande att återengagera sig när industrier förändras, samtidigt som de upprätthåller sammanhang och stränghet. Flexibilitet är viktig, men intellektuell progression är viktigare.

Vilken roll ser du att AI spelar i utvärdering och kvalifikation?

AI tvingar högre utbildning att konfrontera en verklighet som föregår tekniken själv. Många traditionella utvärderingar mätte produktion snarare än förståelse. Om en uppgift nu kan automatiseras med minimal ansträngning, måste vi ifrågasätta om den någonsin fångade resonemang.

Utvärdering måste förskjutas mot autentisk demonstration av kompetens, muntlig försvar, scenariobaserat problemlösning, iterativ förbättring, tillämpade simuleringar och portföljbevis som gör tänkande synligt. I en AI-aktiverad miljö är det som betyder något inte bara artefaktet, utan den kognitiva processen bakom det.

På Westcliff har vi flyttat mot muntliga och iterativa utvärderingsmodeller som kräver att studenter uttrycker och försvarar sitt resonemang i realtid. AI kan assistera genom att generera adaptiva prompter och stödja skalbar feedback, men designansvar förblir mänskligt. Institutioner måste säkerställa att de utvärderar lärares kognition, inte modellutdata.

Kvalifikation är alltmer om verifierad förmåga snarare än ackumulerad sittplats. Arbetsgivare vill ha bevis på tillämpad kompetens och ansvarsfullt omdöme. Institutioner som omkonstruerar utvärdering proaktivt kommer att stärka trovärdigheten för sina examina.

När det genomförs tankefullt, avslöjar AI var akademiska standarder måste höjas.

Hur närmar du dig styrning och tillsyn när du introducerar AI i undervisning och administration?

Vi närmar oss AI som vi skulle göra med något system som påverkar akademisk kvalitet och institutionell trovärdighet. Styrning börjar med tydlighet i syfte, definierade gränser och tydliga ansvarslinjer.

Effektiv tillsyn säkerställer att innovation stärker förtroende snarare än urholkar det. Det betyder rigorösa dataintegritets- och säkerhetsstandarder, partiskhets- och rättvishetsgranskning när system påverkar studentresultat och transparens om vilka verktyg som används och hur data hanteras.

Det kräver också uppdatering av integritetsramar för att återspegla nuvarande realiteter snarare än arvtagarantaganden. Lärarutveckling är avgörande så att antagande är avsiktligt och sammanhängande med inlärningsmål, snarare än att vara fragmenterat eller reaktivt.

När vi introducerade AI-stödda utvärderingsmodeller på Westcliff, var tillsyn inbäddad i designen. Lärare övervakade implementeringen, utvärderade effekten och raffinerade processer baserat på bevis. Leverantörsutvärdering är kontinuerlig, inte episodisk. Institutioner måste regelbundet omvärdera sammanhang med akademiska standarder och studentsskydd.

Målet är ansvarsfull innovation.

Vilka missuppfattningar har utbildare vanligtvis om AI, och vilken sinnesförändring krävs?

Två missuppfattningar dyker upp regelbundet. Den första är att AI främst är ett fuskproblem. Den andra är att det är ett produktivitetsverktyg. Det är varken i isolering. Mer grundläggande är att det representerar en förändring i hur kunskap genereras, utvärderas och tillämpas.

När institutioner ramverkar AI bara som ett integritetsproblem, de försummar restriktion. När de ramverkar det bara som effektivitet, underskattar de dess implikationer. Den viktigaste frågan är hur man utformar inlärning så att resonemang förblir synligt och ansvarsfullt i en AI-aktiverad miljö.

Den nödvändiga sinnesförändringen är från kontroll till design. Detta tillåter lärare att bli ännu mer centrala som arkitekter för inlärningsupplevelser som betonar omdöme, syntes och tillämpad kompetens.

Med institutionellt stöd, delade metoder och sammanhängande styrning kan utbildare verkligen flytta dit AI höjer ribban för tankefull pedagogik och gör akademisk design viktigare än någonsin.

Hur bör universitet förbereda studenter för en arbetsmarknad där roller är flytande och AI omdefinierar inträdesnivåarbete?

Inträdesnivåroller har traditionellt tjänat som utbildningsgrunder för rutinmässiga produktionsuppgifter. I många områden absorberar AI nu mycket av detta tidiga arbete. Som ett resultat förväntas examensstudenter fungera på en högre nivå tidigare.

Utbildning måste därför fokusera på förmågor som är svåra att automatisera, problemlösning, kommunikation, beslutsfattande och ansvarsfullt övervakning av intelligenta system. Studenter måste vara bekväma med att arbeta i osäkerhet, där verktyg utvecklas och roller är flytande.

Universitet bör betona anpassningsbara kompetenser som reser över sammanhang snarare än smal specialisering ensam. Strukturerad, projektbaserad inlärning med verkliga begränsningar är avgörande. När studenter löser komplexa problem och försvarar sina rekommendationer, övar de den typen av ansvarsfullt tänkande som arbetsgivare alltmer värderar.

AI-litteracitet måste bli en baslinje. Inte alla behöver bygga modeller, men alla måste förstå hur intelligenta system påverkar beslut inom deras yrke.

Arbetsmarknaden kommer att fortsätta förändras. Högre utbildnings ansvar är inte att förutsäga varje roll, utan att utexaminera individer som kan flytta över roller, lära sig kontinuerligt och bidra meningsfullt i miljöer formade av accelererande teknik.

Vad skulle signalera att ett universitet har anpassat sig framgångsrikt till AI-driven förändring snarare än att bara ha överlevt?

framgång kommer att mätas av resultat och inte av offentlig positionering eller yttäckande mått.

Ett universitet har verkligen anpassat sig när dess kurrikulära och utvärderingsmodeller är omkonstruerade kring verkliga kompetenser snarare än innehållsleverans. Lärare kan demonstrera tankefull inlärningsdesign snarare än att vara efterblivna adoptörer och studenter kan tydligt uttrycka och försvara sitt resonemang på sätt som inte kan genereras på begäran.

Institutionell anpassning är också synlig i styrning. AI-användning är transparent, tillsyn är inbäddad och vi kan visa att förtroende för akademiska resultat stärks snarare än urholkas.

Den mest tillförlitliga indikatorn är dock extern validering. Arbetsgivare erkänner att examensstudenter visar mogna omdömen, tillämpad kompetens, beslutsfattande och flytande i AI-aktiverade miljöer.

Anpassning betyder smidighet utan kompromiss. Institutionen utvecklas när tekniken framskrider samtidigt som den upprätthåller rigorösa standarder och etisk tydlighet. På Westcliff tror vi att vi producerar en inlärningsmodell som förblir trovärdig, motståndskraftig och värdefull när AI fortsätter att omforma landskapet. Tack för den underbara intervjun, läsare som vill lära sig mer om denna fakultet bör besöka Westcliff University.