Как использовать ИИ для создания учебного контента: практический гайд для edtech-команд

Почему этот плейбук написала Фора Софт

Фора Софт разрабатывает образовательные и обучающие продукты с 2005 года. Мы вырастили e-learning-платформу BrainCert до полноценной LMS, которую используют крупные международные компании. Создали InstaClass, The Language Chef, Tabsera, Talensy, Scholarly, Career Point и приложения для изучения языков, например Input Logger. На всех этих проектах генерация контента с помощью ИИ — создание уроков, тестов, озвучки, субтитров, персонализация — сейчас самая частая задача, с которой к нам обращаются по брифу.

Этот плейбук — внутренняя памятка, которую мы открываем на первом созвоне: какие воркфлоу реально влияют на метрики, какие инструменты подключать, где проходит граница архитектуры и какой уровень комплаенса нужен, чтобы школьный округ согласился на сделку. Мы публикуем его здесь, чтобы следующий основатель не тратил три месяца на изучение того, что мы уже знаем.

Девять контентных воркфлоу, которые уже берёт на себя ИИ

Когда мы проверяем edtech-продукт на готовность к использованию ИИ, в первую очередь обращаем внимание на эти кандидаты. По каждому из них у наших клиентов за последние 18 месяцев есть реальные результаты — и по экономии времени, и по качеству.

Закономерность по всей таблице одна: ИИ устраняет затраты «холодного старта» на любой артефакт и смещает роль человека с написания на проверку. Для продукта это значит, что инструменты для создания контента, рассчитанные на «работу с чистого листа», скоро уступят место инструментам «проверь и одобри». Это две разные UX-парадигмы и, по сути, два разных продукта.

Эталонная архитектура AI-генерации контента

Пять слоёв, именно в такой последовательности, у каждого — чёткий контракт.

Слой 1 — источник истины. Образовательные стандарты, утверждённые учебники, ваши банки вопросов и материалы, которые загружает учитель. Индексируются в векторной базе данных (Pinecone, Weaviate, Qdrant или pgvector) со строгой изоляцией по арендатору.

Слой 2 — генерация. Вызов LLM с использованием retrieval-augmented generation: извлекаем релевантные фрагменты из слоя 1, подставляем в шаблон промпта с учётом таксономии Блума и запускаем — на фронтирной модели для ответственного контента (Claude, GPT-уровень, Gemini) или на open-weight модели для бюджетного объёмного производства (Llama, Mistral, Qwen).

Слой 3 — ревью человеком. Дашборд учителя, где черновик отображается рядом с источниками, на которые он опирается. Одной кнопкой можно одобрить, отредактировать, перегенерировать или передать предметному эксперту. Именно здесь обеспечивается соблюдение правил.

Слой 4 — дистрибуция. Одобренный контент попадает в вашу CMS, экспортируется в SCORM 2004 или xAPI для интеграции с LMS и в QTI — для тестов. Без этих форматов контент никуда не отправится.

Слой 5 — аналитика и обратная связь. Записи об ученике (xAPI Learning Record Store) возвращаются в слой 1, замыкая цикл вокруг того, что работает. Именно это превращает «генератор уроков на AI» в адаптивное обучение.

Матрица инструментов: что брать под какую задачу

Персонализация: где на самом деле растёт результат

AI-контент, одинаковый для всех — это интересно. AI-контент, который подстраивается под конкретного ученика — это то, что улучшает результаты тестов и удержание. Тяжёлую работу здесь выполняют три паттерна.

Адаптивная последовательность. Рекомендации в духе Knewton: какое понятие ученик с наибольшей вероятностью освоит следующим, исходя из прошлых результатов. Многолетние исследования многократно подтвердили: при адаптивной траектории, а не стандартной для всех, рост результатов тестов составляет двузначные цифры.

Сократическое наставничество. Khanmigo от Khan Academy и тьюторы Carnegie Learning не дают правильный ответ на неправильный — они задают встречный вопрос. На фоне обучения «с ответом сразу» это даёт заметный рост понимания материала.

RAG, дополненный логом. Передний край исследований: подавать LLM не только учебную программу, но и окно недавних ответов, ошибок и взаимодействий ученика. На выходе получается ответ, адаптированный под уровень именно этого ученика, а не под среднего.

Контроль качества: почему галлюцинации — это проблема архитектуры

LLM, оставленная без присмотра, уверенно выдумывает факты, ссылки и имена. В образовательном контенте это недопустимо: вся ценность продукта — в том, что «этому можно доверять». Пять практик, наложенных слоями, помогают держать уровень ошибок низким.

1. Опора на retrieval. Никогда не позволяйте модели отвечать только на основе своих внутренних знаний. Извлеките фрагмент из надёжного источника, добавьте его в промпт и потребуйте, чтобы ответ ссылался на этот фрагмент.

2. Оценочный набор по рубрикам. Прогоняйте выводы каждого релиза через фиксированный набор тестовых промптов; оценивайте по фактической точности, соответствию учебной цели, уровню сложности, наличию смещений и тону. Если метрики ухудшаются — релиз не выпускайте.

3. Проверки на смещения и справедливость. Сгенерированные примеры не должны опираться на стереотипы — например, гендерные роли в профессиях или культурные «дефолты». Простые линтеры ловят очевидные случаи; периодические проверки людьми помогают выявить более тонкие нарушения.

4. Антиплагиат и проверки на оригинальность. Особенно важны для тестов. Сервисы вроде Copyleaks хорошо справляются с обнаружением текстов, сгенерированных LLM, но полностью на них полагаться нельзя — около 5% ложных срабатываний означает, что окончательное решение всё равно принимает человек.

5. Подпись человека на каждом шаге. Учитель или эксперт по предмету должен одобрить публикацию. Интерфейс должен позволять «одобрить» одним кликом, а «отредактировать» — сделать простым и быстрым действием. Если редактирование занимает много времени, то никакой экономии по времени от ИИ не будет.

Таксономия Блума как фреймворк для промптов

Большинство команд пропускают этот шаг — и в итоге AI-контент остаётся на уровнях «Помнить» и «Понимать», то есть на самой простой части педагогической шкалы. Если использовать уровни Блума как готовые шаблоны для промптов, когнитивный уровень генерируемого материала заметно возрастает.

Практический вывод — сделать уровень Блума в интерфейсе авторинга основным элементом. Учителя быстро начинают просить «вопросы уровня „Применять“ по фотосинтезу», а не просто «ещё вопросов».

Доступность: WCAG 2.2 AA без ручной работы

AI берёт на себя те 80% рутинной работы по доступности, которые команды часто пропускают из-за спешки с релизом. Главное — рассматривать доступность как задачу, которую нужно решать заранее, а не исправлять потом.

Alt-текст к каждому изображению. Визуально-языковая модель автоматически создаёт черновой alt-текст (или помечает изображение как «декоративное») сразу при загрузке. Учитель может внести правки, но пустой alt больше не используется по умолчанию.

Субтитры и расшифровки к каждому видео. ASR уровня Whisper плюс этап принудительного выравнивания дают синхронизированные субтитры; расшифровка — бесплатный побочный продукт. Ручную проверку оставляем для ответственного контента — тестов и регулируемого обучения.

Аудиоописания к видео. LLM создаёт черновик описания визуальных событий на основе расшифровки; TTS-голос озвучивает его. Раньше на это уходили часы ручной работы у продакшен-команд.

Версии для дислексиков и подстройка уровня сложности. У каждого абзаца — кнопка: «упростить до 5 класса», «разбить длинные предложения», «добавить определения». Стоимость дифференциации снижается до нескольких секунд на артефакт.

Многоязычность на одном уровне. Один проход LLM по локализации даёт качественный черновик каждого артефакта на целевом языке; финальный проход носителя языка доводит результат до совершенства — последние 5%.

Комплаенс: FERPA, COPPA, GDPR и EU AI Act

FERPA (США). Образовательные записи нельзя передавать подрядчикам без официального соглашения об обработке данных. Многие инструменты ИИ получают статус «школьного должностного лица» по FERPA только при наличии такого договора. Учитывайте это требование при онбординге клиента.

COPPA (США, до 13 лет). Запрещено коммерческое профилирование, требуется уведомление родителей, есть право на удаление данных. По умолчанию для продуктов уровня K–12 считается, что COPPA действует, любое отклонение нужно согласовывать с юристами.

GDPR (ЕС). Законное основание для обработки данных учеников, минимизация данных, право на удаление, правила трансграничной передачи. Анализ данных учеников с помощью ИИ — это обработка, и её нужно задокументировать.

EU AI Act. Искусственный интеллект, применяемый для оценки успеваемости, выбора образовательной траектории или контроля поведения, относится к высокорисковым системам согласно Приложению III. К моменту начала реальной проверки со стороны регулятора у вас должны быть: план управления рисками, обеспечение человеческого контроля, документация, подтверждающая прозрачность, и оценка влияния на основные права.

Практические настройки, которые мы отгружаем по умолчанию. Изоляция данных по арендатору; никаких данных учеников в обучающих пайплайнах фронтирных моделей; доступ к данным округа только через retrieval; журнал аудита по каждой генерации AI; ролевая модель одобрений перед публикацией; согласие с подтверждением для данных пользователей младше 18 лет. В 2026 году это уже не опции, а база.

Мини-кейс: AI-генерация контента в BrainCert

Когда мы взялись за BrainCert, платформа уже была зрелой LMS с виртуальными классами, курсами и тестами. В брифе стояла задача — добавить генерацию контента с помощью ИИ, не нарушая корпоративный уровень соответствия требованиям.

Форма работы повторила описанную выше архитектуру. Retrieval-слой обворачивает существующие учебные материалы заказчика, поэтому сгенерированный контент опирается на его программу, а не на общий веб-краулинг. Между LLM и опубликованным уроком — экран ревью для учителя с одной кнопкой «одобрить», возможностью отредактировать или перегенерировать. Комплаенс не прикручивали в конце: изоляция по арендатору, аудит-логи и явные согласия лежали в спецификации с первого дня.

Эта схема работает в большинстве наших edtech-проектов. Сама LMS поколения Web 2.0 остаётся неизменной; продуктивность для учителей и отличие продукта обеспечивается «мозгом» Web 4.0, который добавляется сверху. Подробную версию этого подхода мы описали в нашем плейбуке по интеграции AI.

Что показывает рынок — реальный уровень внедрения

По общепринятым оценкам, рынок ИИ в образовании растёт с темпом более 30% в год на протяжении десяти лет — с нескольких миллиардов долларов в 2025 году до сотен миллиардов к 2035-му. Это сильный тренд для всего сектора. Гораздо важнее смотреть на реальные показатели внедрения в конкретных сегментах.

Учителя K-12. Около 60% использовали ИИ для планирования уроков в учебном году 2024–25 (по данным RAND), и с тех пор доля только росла. Для продукта это означает простое: инструмент для создания материалов без ИИ сейчас выглядит устаревшим для основной аудитории.

Школьники K-12. Примерно 84% старшеклассников используют ИИ хотя бы в какой-то части учёбы. Будет ли это «списыванием» или новым навыком — зависит от того, превратите ли вы это в урок или просто проигнорируете.

Высшее образование. Преподаватели отстают от студентов: искусственный интеллект используют около 49% профессоров, а в исследованиях и мозговых штурмах — почти 86% студентов. Для платформы потенциал сосредоточен в рабочих процессах преподавателей.

Корпоративное обучение и развитие. Самый быстро меняющийся сегмент. Обучение по комплаенсу, онбординг, поддержка продаж и сертификация переходят на AI-черновики с финальной проверкой эксперта по теме. Покупатель — директор по обучению, метрика — пропускная способность.

Структура затрат и юнит-экономика

Три статьи расходов доминируют в текущих затратах продукта с AI-генерацией контента, и от того, как вы их организуете с самого начала, зависит — будет ли у вас здоровая валовая маржа или счёт от OpenAI, который уничтожит бизнес.

1. Инференс. Стоимость вызовов LLM и TTS. Лёгкие задачи отправляйте на небольшие или open-weight модели; сложные — оставьте для ответственной генерации. Кэшируйте агрессивно. Для нетранзакционных задач используйте batch API — основные провайдеры предлагают примерно вдвое меньшую цену за batch.

2. Хранение и retrieval. Индексы эмбеддингов, векторные базы, логи прогресса учеников. Начинайте с pgvector, чтобы не платить третьей стороне; переходите на отдельную векторную БД, только когда у вас уже есть измеряемая проблема с задержкой или масштабом.

3. Труд ревьюера. Часто забываемая статья. Минуты учителя на проверку каждого артефакта — это реальные расходы, неважно, ваш ли учитель — клиент (его время) или ваш сотрудник (ваша зарплата). Отслеживание минут ревью на артефакт — один из самых недооценённых KPI в категории.

Небольшая оговорка по ценам: конкретные суммы здесь намеренно не указываем. Наша практика Agent Engineering позволяет собирать проекты быстрее и проще, чем традиционные агентства, поэтому мы считаем важнее точно рассчитать стоимость после знакомства с брифом, чем озвучивать круглые цифры публично.

Фреймворк решения — пять вопросов до старта

1. В чём настоящая боль заказчика? «Мы хотим AI» — это не бриф. «Наши учителя тратят 5 часов в неделю на составление тестов» — вот реальный запрос. Сначала оцифруйте процессы, потом выбирайте AI-функцию.

2. На каких данных можно опереться? Образовательные стандарты, ваши банки вопросов, материалы заказчика. Если данных мало, ИИ начнёт выдумывать — сначала закладывайте прочный фундамент, потом внедряйте генерацию.

3. Как выглядит минута ревьюера? Если проверять черновик дольше, чем написать его с нуля, ИИ только усложняет задачу. Интерфейс для проверки стоит проектировать раньше, чем промпт для генерации.

4. Какие юрисдикции и аудитории в скоупе? «До 13 лет + ЕС» — самая строгая комбинация. Если спроектируете под неё, всё остальное будет работать автоматически.

5. Какая у вас стратегия по моделям? Один вендор (быстрый старт, риск привязки к поставщику), несколько вендоров (отказоустойчивость, больше операционной нагрузки), open-weights (цена и приватность, больше инженерной работы). Выбирайте осознанно на нулевом спринте.

Пять ловушек, в которые попадают команды edtech

1. Пропустить retrieval. Прямой вызов LLM выглядит быстрее; в регулируемых сценариях он снижает риск галлюцинаций перед учениками и регуляторами. Retrieval — не опция.

2. Считать AI писателем, а не редактором. Самый сильный UX авторинга — «вот черновик, отредактируйте», а не «введите промпт». Сначала рисуйте вайрфрейм процесса ревью.

3. Отсутствие оценочного набора. Модели и API вендоров меняются — без автотестов для ваших промптов вы выпускаете регрессии и узнаёте о них от учителей в соцсетях.

4. Игнорировать SCORM/ xAPI/ QTI. AI-урок, который нельзя экспортировать в LMS заказчика, — это не авторинг. Относитесь к формату экспорта как к важнейшей функции, а не как к второстепенной опции.

5. Отдавать комплаенс юристам в самом конце. Комплаенс — это архитектурное решение: изоляция по арендатору, отсутствие обучения на данных клиента, аудит-логи, согласия. Добавлять комплаенс задним числом — самый дорогой способ запуска продукта.

KPI, которые показывают, что AI-слой работает

KPI качества. Доля галлюцинаций на фактических вопросах — менее 2%. Количество срабатываний на смещениях по сгенерированным примерам — менее 1%. Объём правок учителя к черновику — менее 20% (то есть учитель в основном оставляет черновик без изменений).

KPI продуктивности. Среднее время до публикации готового урока сокращается на 50% и более по сравнению с исходным уровнем. Количество планов уроков на одного учителя в неделю растёт. Время ревьюера на один артефакт снижается.

KPI результата. Вовлечённость учеников (количество сессий, время на выполнении задания) на AI-контенте по сравнению со старым. Рост результатов тестов в группах с персонализированными траекториями обучения по сравнению с контрольными группами. Доля отказов от задания — если на AI-контенте она выше, значит, ваши промпты работают плохо.

Купить, интегрировать или построить — как принять решение

Купить готовый авторинг (MagicSchool, Eduaide, Diffit, Curipod, Quizizz AI). Правильный выбор, если вы конечный пользователь, а не поставщик платформы; нужна польза уже в этом квартале, а не долгосрочная защита рынка.

Интегрировать API моделей и собрать прикладной слой. Стандартный подход почти для каждого платформенного edtech-провайдера в 2026 году. Отличие — в вашем слое поиска, UX-обзоре, настройке соответствия требованиям и интеграции с LMS, а не в самой модели.

Обучить или дообучить свою модель. Это имеет смысл, если у вас есть защищённый собственный корпус данных, а модель должна быть дешевле, компактнее или специализированнее, чем те, что предлагают публичные API. Порог входа высокий, сроки — месяцы, а не недели.

Как оценить технологического партнёра для такой разработки

Попросите реальную схему эталонной архитектуры. Не маркетинговый слайд — а коробочки, стрелки и названия, которые используются в продакшене. Если её нельзя нарисовать на доске — значит, не делали.

Спросите, как они управляют промптами. Версионирование в системе контроля версий, тесты на оценочном наборе, проверка перед запуском. «Мы правим промпт в интерфейсе» — это бомба замедленного действия для поддержки.

Спросите про комплаенс-практику. У них должны быть реализованные проекты с соблюдением FERPA и GDPR. Уточните, с какими клиентами — даже анонимно. Наш опыт интеграции ИИ показывает такой паттерн в edtech, медицине и корпоративных продуктах.

Спросите про историю экспорта в LMS. SCORM, xAPI, QTI. Если в глазах пустота — значит, в школы серьёзно не поставляли.

FAQ

Что почитать дальше

Готовы запустить AI-авторинг, которому будут доверять?

AI-генерация учебного контента — уже не будущее edtech, а реальность. В ближайшие два года победят не те команды, у которых самые удачные промпты. Победят те, у кого работает лучший поиск (retrieval), удобный интерфейс проверки, надёжная система соответствия требованиям (комплаенс) и честная аналитика, показывающая: AI-слой действительно улучшает обучение, а не просто ускоряет создание материалов.

Если вы создаёте или расширяете edtech-продукт и хотите избежать месяцев проб и ошибок — принесите бриф и ограничения. Мы подготовим эталонную архитектуру, план разработки и прозрачную структуру стоимости, в которой уже учтена скорость Agent Engineering.