Kad AI zna odgovor, šta još moramo naučiti?

Šta ako? | Analiza i mogući scenariji

AI može napisati objašnjenje prije nego što učenik ili novi zaposleni stigne da promisli o pitanju. Novi pregled objavljen 1. oktobra pokazuje zašto se učenje ne može mjeriti samo brzinom rješavanja zadataka: važno je koji dio razmišljanja ostaje čovjeku. Ako se gotov odgovor sve lakše dobija, šta će škole i firme tražiti od nas?

Šta znamo bolji rezultat nije uvijek bolje učenje

Istraživanja ne daju jednostavan odgovor da li AI pomaže ili odmaže. U eksperimentu sa skoro hiljadu srednjoškolaca koji su učili matematiku, grupa sa slobodnijim AI pomoćnikom bolje je radila zadatke dok ga je koristila, ali je na kasnijem ispitu bez pomoći imala slabiji rezultat od kontrolne grupe. Verzija pomoćnika koja je davala nastavnički osmišljene nagovještaje umjesto gotovih rješenja uglavnom je uklonila taj negativni efekat. Riječ je o jednom školskom okruženju i jednoj oblasti, ne o presudi za svako korišćenje AI-ja.

Druga slika dolazi iz kontrolisanog istraživanja na studijama fizike: posebno osmišljen AI tutor pomogao je studentima da za kraće vrijeme postignu bolji rezultat na testu nego grupa sa aktivnom nastavom u učionici. To nije dokaz da tutor može zamijeniti nastavnika ili da će isti efekat trajati godinama. Pokazuje da način na koji je pomoćnik napravljen može biti važniji od same oznake „AI“.

U novom teorijskom radu, psiholog obrazovanja Daiki Nakamura nudi korisno objašnjenje ovih razlika. Ako AI preuzme sporedni posao, učenik dobija više prostora za ono što zaista vježba. Ako preuzme upravo zaključivanje koje treba savladati, gotov proizvod može prikriti prazninu u znanju. Autor naglašava da je to okvir sa tvrdnjama koje tek treba provjeriti u dodatnim eksperimentima, a ne novi izmjereni zakon učenja.

Šta stručnjaci očekuju, a šta je naš pogled

U izvještaju Univerziteta u Minesoti iz oktobra 2026, 30 stručnjaka za učenje procijenilo je gdje generativni AI najviše može pomoći. Njihova zajednička procjena daje najveći prostor AI-ju u fazi vježbe: da prilagodi pitanja, ukaže na grešku i ponudi nagovještaj. Oprezniji su kada alat zamijeni prvo usvajanje pojma ili samostalnu primjenu. To je stručna procjena buduće upotrebe, a ne dokaz da je svaka učionica s AI-jem već uspješnija.

Naš pogled: najvažnija nova vještina možda neće biti pisanje što boljeg upita, nego odluka koji dio posla ne smijemo predati. Učenik koji uči da obrazloži zaključak mora sam pokušati da ga izvede. Analitičar koji uči da procijeni rizik može prepustiti AI-ju formatiranje tabele, ali ne i odgovornost za pretpostavke. To može promijeniti i obuku u firmama: manje ocjenjivanja urednog dokumenta, više razgovora o tome zašto je odabrano baš to rješenje.

Najjači prigovor je praktičan. Kada nastavnik ima mnogo učenika, a zaposleni rok do kraja dana, nije lako tražiti sporije, samostalno razmišljanje. Uz to, zabrana AI-ja bi mogla uskraćivati pomoć upravo ljudima koji nemaju mentora. Zato pravilo „prvo sve sam“ nije dovoljno. Bolji test je jednostavan može li osoba kasnije, bez alata, objasniti odluku i primijeniti znanje na novom problemu?

Zamislimo mogući scenario: učionica 2031.

Ovo je zamišljeni scenario, ne opis škole koja danas postoji. Učenica 2031. godine otvori zadatak. Njen AI tutor zna rješenje, ali ga ne prikazuje odmah. Prvo traži njen pokušaj, zatim daje sve precizniji nagovještaj. Kada učenica završi, dobija novi problem koji nije vidjela i rješava ga bez pomoći. Nastavnik vidi gdje je zapela i razgovara s njom o grešci, umjesto da čita niz gotovo istih gotovih odgovora.

Takav model bi mogao otvoriti više vremena za pojedinačnu vježbu i povratnu informaciju. U firmi bi sličan sistem mogao voditi novog zaposlenog kroz stvarne, ali bezbjedno pripremljene slučajeve prije nego što samostalno odlučuje o klijentu ili novcu. Uslov je da škola ili firma mjere samostalno razumijevanje, a ne broj brzo završenih zadataka.

Postoji i druga putanja. Ako se nagrađuje samo brzina, AI može proizvesti odlične radove i izvještaje, dok ljudi rjeđe prolaze kroz grešku iz koje se uči. Signal za taj ishod bio bi rast rezultata uz pomoć alata, ali slabiji rezultat na novom zadatku bez njega. Treća mogućnost je sporije uvođenje: trošak, greške modela i nedostatak vremena za obuku mogu zadržati AI tutorstvo u manjim ogledima. Tada će biti važnije šta smo naučili iz tih ogleda nego koliko je alata kupljeno.

Za kompanije je praktičan korak da odrede koje početničke zadatke AI smije ubrzati, a na kojima novi zaposleni mora sam pokazati razumijevanje. Za škole je isto pitanje još osjetljivije: ocjena gotovog odgovora sve manje govori kako je nastao. Na oba mjesta vrijednost mentora mogla bi porasti, jer je neko i dalje potreban da prepozna kada je pomoć postala prečica.

Koji zadatak biste vi prepustili AI-ju da biste učili brže, a koji biste zadržali za sebe čak i kada AI već zna odgovor?

Izvori

• Bastani i saradnici, PNAS, jun 2025, randomizovani ogled iz matematike; ispravka pripadnosti autora, avgust 2025.
• Kestin i saradnici, Scientific Reports, jun 2025, randomizovani ogled na studentima fizike.
• Nakamura, Educational Psychology Review, 1. oktobar 2026, teorijski okvir.
• Univerzitet u Minesoti, izvještaj stručnog konsenzusa, oktobar 2026, procjene 30 stručnjaka.