Intervjuer

Dr Anthony Lee, rektor och vd för Westcliff University – intervju

Antoine Tardif
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterArbetskraftens beredskap kräver nu mänsklig översyn av AI-resultat och ansvarsfull…
Visa mer
  • Arbetskraftens beredskap kräver nu mänsklig översyn av AI-resultat och ansvarsfull bedömning.
  • AI-kompetens måste vävas in i varje disciplines läroplan och inte behandlas som ett tillägg.
  • Bedömning måste mäta autentiskt resonemang och tillämpad kompetens, inte bara automatiserad produktion.

Dr. Anthony M. Lee är rektor 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 visar hans ledarskap 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 själva arbetets natur förändras.

I dag betyder beredskap att fungera effektivt i miljöer där intelligens är distribuerad mellan människor och maskiner, där verktyg utvecklas kontinuerligt och där teknik i allt högre grad stödjer arbetets utförande. 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 fördelar och var de introducerar risk. Än viktigare är att de måste lära sig att samarbeta med dessa system utan att outsourca intellektuellt ansvar.

Vår tillämpade inlärningsmodell är utformad kring strukturerat arbete 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 styra den genomtänkt, 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 i kursplanerna och i hela verksamheten, 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-kunnighet kan inte begränsas till isolerade kurser. Lärarutveckling, styrning, utvärderingsstrategi och leverantörsöversyn måste samverka kring en tydlig princip: tekniken ska stärka den akademiska kvaliteten, inte försvaga den.

På den punkten blir AI en del av universitetets intellektuella infrastruktur. Det formar hur inlärning är strukturerad, hur kunnande visas 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 värdet av 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. De utexaminerade 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 konsekvenserna. På lång sikt kommer de professionella som sticker ut att kombinera intellektuellt djup med teknisk smidighet. AI levererar hastighet och skala. Människor måste bidra med urskillning, 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 utbildningarnas utformning när AI förkortar tiden till färdighet och sänker inträdesbarriärerna?

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

Om verktyg accelererar förmågan att utföra uppgifter, måste högre utbildning fokusera på vad som inte kan automatiseras, begreppsligt djup, strukturerad problemlösning, etiskt omdöme och uthållig prestation under begränsning.

Examensdesign bör vara modulär och tillämpad, men sammanhängande. Målet är kumulativ kompetens, som förenar teknisk förtrogenhet 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 gör att studerande kan återvända till utbildning när industrier förändras, samtidigt som de upprätthåller sammanhang och höga krav. 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, muntligt försvar, scenariobaserad problemlösning, iterativ förbättring, tillämpade simuleringar och portföljbevis som gör tänkande synligt. I en AI-aktiverad miljö är det som betyder något inte bara själva resultatet, 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 bedömer studenternas tänkande, inte modellutdata.

Att utfärda kvalifikationer handlar alltmer om verifierad förmåga snarare än ackumulerad undervisningstid. Arbetsgivare vill ha bevis på tillämpad kompetens och ansvarsfullt omdöme. Institutioner som omkonstruerar utvärdering proaktivt kommer att stärka trovärdigheten för sina examina.

När det införs genomtänkt, 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 standarder för dataskydd och säkerhet, partiskhets- och rättvishetsgranskning när system påverkar studentresultat och transparens om vilka verktyg som används och hur data hanteras.

Det kräver också uppdatering av ramverk för akademisk hederlighet för att återspegla nuvarande realiteter snarare än äldre antaganden. Lärarutveckling är avgörande så att införandet är avsiktligt och förenligt med lärandemålen, 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 överensstämmelsen med akademiska standarder och skyddet för studenter.

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. Inget av dessa synsätt räcker ensamt. Mer grundläggande är att det representerar en förändring i hur kunskap genereras, utvärderas och tillämpas.

När lärosäten ser AI enbart som en fråga om akademisk hederlighet väljer de i första hand begränsningar. När de ser det enbart som en effektivitetsfråga, 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 utexaminerade fungera på en högre nivå tidigare.

Utbildning måste därför fokusera på förmågor som är svåra att automatisera: problemformulering, kommunikation, beslutsfattande och ansvarsfull tillsyn 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 kan användas i olika 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 mäts genom resultat, inte genom offentlig positionering eller ytliga framgångsmått.

Ett universitet har verkligen anpassat sig när dess kursplaner och bedömningsmodeller är omkonstruerade kring verkliga kompetenser snarare än innehållsleverans. Lärare kan demonstrera tankefull inlärningsdesign snarare än att vara sena användare 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 utexaminerade visar mogna omdömen, tillämpad kompetens, beslutsfattande och förtrogenhet med AI-stödda 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 givande intervjun. Läsare som vill veta mer om detta lärosäte kan besöka Westcliff University.

Antoine är en visionär ledare och medgrundare av Unite.AI, driven av en orubblig passion för att forma och främja framtiden för AI och robotik. Som serieentreprenör tror han att AI kommer att förändra samhället lika genomgripande som elektriciteten, och han talar ofta entusiastiskt om potentialen i banbrytande teknik och artificiell generell intelligens (AGI).

Som futurist ägnar han sig åt att utforska hur dessa innovationer kommer att forma vår värld. Han är även grundare av Securities.io, en plattform med fokus på investeringar i spetsteknik som omdefinierar framtiden och omformar hela branscher.