AI-генератор учебных материалов: практическое руководство по адаптивным платформам 2026 года

Почему Фора Софт написала этот гайд

Мы 20 лет разрабатываем видеоплатформы, а последние восемь — интегрируем в них искусственный интеллект. Большая часть нашей работы связана с образованием: виртуальные классы, системы записи лекций, корпоративные порталы обучения и инструменты адаптивного сопровождения. Поэтому, когда основатели приходят к нам с задачей «создать AI-генератор учебных материалов», мы уже знаем, где могут быть подводные камни: ложные ответы в математике, нарушения FERPA из-за логирования, нерелевантные фрагменты учебников, попадающие в результаты, и преподаватели, которые не видят, что именно ИИ говорит их студентам.

Этот гайд — внутренний бриф, который мы даём нашим инженерам в начале проекта. В нём — информация о рынке, эталонная архитектура, педагогический стек, матрица вендоров, требования к соответствию и план на 10–14 недель, по которому мы выводим продукт для образовательного учреждения. Без вендорского хайпа и маркетинговых формулировок — только решения, которые мы принимаем, и причины этих решений. Цель: помочь вам к 14-й неделе выйти с работающей платформой, а не с кучей переделок.

Мы написали этот гайд ещё и потому, что инструментарий 2026 года сильно отличается от 2024-го. Контекстные окна в 1–2 млн токенов кардинально меняют возможности работы с длинными учебниками. Голосовые агенты достигли задержки в 300 мс на полный цикл — и теперь полноценный разговорный тьюторинг стал реальной функцией продукта, а не демонстрацией. Наша собственная практика agent engineering — внутренний инструментарий и процесс разработки, усиленный ИИ, который мы применяем на каждом проекте — сокращает время запуска платформы для учебных материалов примерно на 40% по сравнению с базовыми показателями 2024 года.

Что такое "AI-генератор учебных материалов" в 2026 году

Этот ярлык объединяет четыре отдельные категории продуктов, которые в 2022 году существовали раздельно:

• Генератор флешкарт и квизов. Загружаете заметки или PDF — получаете карточки для интервального повторения и тренировочные тесты. Quizlet Magic Notes, Brainly, StudyFetch, Revisely — каждый стоит 750–1500 ₽ в месяц для частных пользователей.
• Разговорный тьютор. Голос и текст с задержкой менее секунды, опирается на учебные материалы. Khanmigo (300 ₽/мес со студента), Duolingo Max, инструменты по школьной лицензии.
• Движок понимания контента. Резюмирует учебники, разбирает лекции, отвечает на вопросы по программе. Google NotebookLM (бесплатно + Plus за 1500 ₽/мес), ChatPDF, Humata.
• Институциональная платформа адаптивного обучения. Подключается через LTI 1.3 к Canvas, Moodle, Blackboard. Предоставляет персонализированные траектории обучения, дашборды для преподавателей и синхронизацию с системой управления обучением (SIS). Лицензирование по модели «место за место» — от 150 до 600 ₽ на студента в месяц.

Победившая форма продукта в 2026 году объединяет все четыре. Серьёзная платформа позволяет студенту загрузить учебник по биологии, получить автоматически сгенерированное оглавление глав, прорешать тестовые задания с вариантами ответов, ранжированными по правдоподобности, пообщаться с голосовым тьютором, который ссылается на номера страниц, и повторять материал с помощью интервального повторения — а преподаватель видит дашборд, где отображается, что сказал ИИ и как ответили студенты.

Рынок: цифры, которые двигают категорию

Рынок ИИ в образовании растёт быстрее, чем почти любой другой сегмент ИИ, который мы отслеживаем. Вот что видят покупатели.

Два момента. Первый: CAGR 31% — это даже для AI-отрасли очень высокий показатель. Рост вызван сочетанием двух факторов: цифровизация образовательных учреждений после пандемии не замедлилась, а LLM сделали персонализацию обучения достаточно доступной, чтобы внедрять её массово. Второй: внедрение идёт быстрее всего в старшей школе и вузах. В начальной школе K-12 процесс идёт медленнее — из-за ограничений COPPA и высокой нагрузки на учителей.

Эталонный стек из пяти слоёв

Любая платформа для обучения на основе ИИ строится из пяти слоёв. Первые три — это инфраструктура, последние два — сам продукт.

Ландшафт LLM: какая модель — для какой задачи

Правильная модель — та, что подходит по тематике, укладывается в контекстное окно и экономична на одного студента. Вот четыре, к которым мы чаще всего обращаемся.

В продакшене мы обычно используем две модели. Дешёвая и быстрая (Sonnet 4.6 или Gemini 2.5 Pro) обрабатывает 90% запросов. Премиальная (Opus 4.6) работает с оставшимися 10% — это резюме с высокой ставкой, подготовка к экзаменам перед советом, исследовательские запросы, помеченные преподавателем. Такая двухуровневая схема позволяет держать месячную стоимость на одного студента ниже 187 ₽ при сохранении приемлемого качества.

Избегайте самохостинга open-weight-моделей (Llama 4, Mistral) для основной генерации — если у вас нет особых требований к локализации данных или экономии. Затраты на поддержку и GPU съедают прибыль при типичных институциональных объёмах (<50 тыс. студентов).

Педагогический движок: как превратить науку об обучении в практику

Самый частый провал в AI-инструментах для обучения — генерация контента, который выглядит как учебный материал, но не применяет ни одной реальной концепции из науки об обучении. Вот минимальный набор.

• Маппинг по таксономии Блума. Каждый сгенерированный вопрос помечается одним из шести когнитивных уровней (Помнить, Понимать, Применять, Анализировать, Оценивать, Создавать). Мы чётко указываем в промпте: «Сгенерируй три вопроса с выбором ответа уровня „Применять“ по этому фрагменту» — а не оставляем сложность на усмотрение модели.
• Интервальное повторение с FSRS. Free Spaced Repetition Scheduler лучше удерживает материал, чем классический SM-2 (стандарт Anki). Повторения планируются на 1, 3, 7, 14 и 30 дней; интервалы подстраиваются в зависимости от правильности ответа.
• Активное припоминание по умолчанию. Никогда не показывайте ответ первым — всегда заставляйте студента вспомнить сам. Платформа, которая позволяет просто перечитывать AI-резюме, приносит больше вреда, чем пользы.
• Интерливинг. Чередуйте темы внутри набора квизов, а не решайте их по блокам. Такой подход кажется сложнее, но помогает лучше применять знания в новых задачах — эффективность растёт на 40–50%.
• Затухание разобранных примеров. Первая попытка — полное решение. Вторая — только первый шаг. Третья — подсказка по стратегии. Четвёртая — без помощи. Предотвращает зависимость.
• Промптинг по методу Фейнмана. После того как студент изложил концепцию, попросите его объяснить её простыми словами человеку, который в теме ничего не понимает. Модель выявляет пробелы в терминологии — именно там и скрываются заблуждения.
• Пороги мастерства. Не двигайте студента дальше, пока он не наберёт 85% на новых задачах (не на тех, что уже решал). Иначе вы измеряете не обучение, а запоминание.

Обучение по видео: превращаем лекции в учебные материалы

Высшее образование и корпоративное обучение активно используют запись лекций. Платформа уровня 2026 года должна воспринимать видео как полноценный и приоритетный источник контента.

• Транскрипция. Deepgram Nova-3 — 34 ₽/час в батче, 0,57 ₽/мин в стриминге. AssemblyAI Universal-3 дешевле в базовой версии — 11 ₽/час (плюс доплаты за дополнительные функции). На 10 тыс. часов в месяц AssemblyAI примерно в 3 раза дешевле; Deepgram выигрывает по точности на технической лексике.
• Автоматическое разбиение на главы. Twelve Labs Pegasus 1.2 + эмбеддинги Marengo 3.0 определяют смену тем и выделяют поисковые клипы. Хранение стоит 6 ₽ в час на видео в месяц — недорого, чтобы обработать всю лекционную библиотеку за семестр.
• Извлечение клипов. Из 90-минутной лекции выбираете 3–6 ключевых моментов, на которые чаще всего ссылаются. Они становятся основой учебного материала.
• Вендоры записи лекций в высшем образовании. Kaltura, Panopto, Echo360, YuJa — все поддерживают экспорт в SCORM и xAPI. Если ваш заказчик уже использует одну из этих платформ, лучше интегрироваться с ней, а не заменять.

Что это даёт: студент, пропустивший лекцию, получает автогенерированное оглавление, короткие видеофрагменты по каждой главе и колоду флеш-карт, синхронизированную с лекцией. Для институциональных заказчиков это часто ключевой фактор, из-за которого выбирают ваш продукт вместо обычного чатбота на основе LLM. Подробнее о видеопайплайне — в нашем руководстве по AI-стриминговым платформам 2026 года.

Голосовой тьюторинг: разговорные агенты с задержкой менее секунды

Голосовой тьюторинг в 2025 году вышел из стадии демо в стадию готового продукта. В 2026 году на рынке лидируют три вендора.

Конкретно для тьюторинга мы по умолчанию выбираем Deepgram Voice Agent. Низкий процент перебиваний создаёт ощущение разговора с живым тьютором, а не с голосовой почтой. Если студент замолкает посреди мысли, агент ждёт. Это особенно важно для детей младше 13 лет.

Подробно о голосовом стеке мы писали в руководстве по голосовым мобильным приложениям.

RAG для учебников: битва за чанкинг

Поиск — главный рычаг качества. Ошибётесь — и даже лучшая LLM в мире уверенно выдаст ерунду.

Три стратегии деления образовательного контента на части.

• Семантический чанкинг. Преобразуйте каждое предложение в эмбеддинг; объединяйте по косинусной близости. Сохраняет границы смысловых блоков. Подходит для текстов с разными темами. Медленнее при индексации.
• Поздний чанкинг (late chunking). Полный документ передаётся в модель с большим контекстом (например, 2M-токенное окно у Gemini 2.5 Pro), эмбеддинги создаются на уровне всего документа, а затем извлекаются нужные фрагменты. Сохраняются связи между главами. Этот подход — наш выбор по умолчанию для структурированных учебников.
• Иерархический чанкинг. Многоуровневый индекс: резюме глав, резюме разделов, отдельные абзацы. Запрос направляется на нужный уровень детализации. Это лучший вариант для очень больших учебников (более 1000 страниц).

Векторные БД. Pinecone (24 ₽/ГБ/мес за хранение + 618 ₽ за 1 млн чтений, минимум 3 750 ₽) остаётся нашим managed-решением по умолчанию. Qdrant (1 ₽/час в hybrid cloud, бесплатно до 1 ГБ) — open-source-решение с лучшим соотношением цены и качества для бюджетных развёртываний. Milvus (Zilliz managed, 11 ₽/CU/час) лучше всего масштабируется на 100 млн+ векторов с использованием DiskANN.

Реранкеры обязательны. Cohere Rerank 3 (~75 ₽ за 1M токенов) или Voyage AI (~150 ₽ за 1M токенов) поверх top-20 найденных чанков. Этот один шаг примерно вдвое снижает уровень галлюцинаций, которые видит студент, — по нашим измерениям.

Набор функций: что мы выпускаем в v1

Каждый институциональный запуск, который мы проводим, включает в первый релиз эти 10 функций:

• Загрузка-в-учёбу. Загружаете PDF, презентацию или запись лекции → за минуту получаете оглавление, ключевые термины, 20 флешкарт, 10 вопросов для квиза.
• Автогенерация MCQ с ранжированными дистракторами. Правдоподобные, но неверные варианты ответа формируются на основе похожего контекста, а не случайного текста.
• Короткие ответы и cloze-задания. Для дисциплин, где MCQ слишком прост (старшие курсы естественных наук, гуманитарные).
• Концептуальные карты. Визуальная схема знаний из терминов и связей.
• Голосовые вопросы и ответы. Тьютор с задержкой менее секунды, ориентированный на изученный студентом материал.
• Планировщик интервального повторения. Напоминания о повторении по FSRS — через пуш-уведомления или email.
• Дашборд прогресса. Уровень мастерства по концепции; время до достижения мастерства; кривая удержания.
• Дашборд контроля для преподавателя. Выделяет запросы с высокой частотой, показывает транскрипты чата и позволяет вручную корректировать оценки мастерства.
• Детекция плагиата. GPTZero или Turnitin проверяют сданные эссе; цитирование обязательно, если студенты используют текст, сгенерированный ИИ.
• Встраивание по LTI 1.3. Работает внутри Canvas, Moodle, Blackboard, Schoology без необходимости отдельного входа.

Что мы не выпускаем в v1: геймификацию, лидерборды, социальные учебные группы, AR/VR. Эти функции мы добавим в v2 по запросу заказчика. В v1 они только отвлекают.

Соответствие требованиям: стена, на которой ломаются проекты

Образование — одна из самых жёстко регулируемых сфер. Вот как может выглядеть ситуация к 2026 году.

Академическая честность: детекция и политика

Институциональные заказчики спрашивают про списывание в первые пять минут. Вот честный ответ.

• GPTZero — заявленная точность 99,3%, ложноположительные срабатывания 0,24%; лучший в своём классе.
• Turnitin AI detection — заявленная точность 98%; ложноположительные срабатывания — 2–5% на реальных текстах; входит в состав LMS.
• Copyleaks — заявляет о точности 99% и выше; оплата по системе кредитов.
• Originality.ai — тарифы от 745 до 1 120 ₽ в месяц; хорошо подходит для B2B-команд, работающих с контентом.

Наше честное прочтение: ни один AI-детектор недостаточно точен, чтобы на его основе делать обвинение, которое меняет оценку. Это лишь один из сигналов. Настоящая защита — в политике:

• Опубликуйте политику использования ИИ в программе курса. Укажите, что можно делать (например, использовать для мозгового штурма или получения обратной связи), а что — нельзя (например, сдавать сгенерированный текст как свой).
• Требуйте цитирование ИИ (в MLA 9, APA 7, Chicago 17 уже есть форматы цитирования ИИ).
• Журналы активности. Временные метки, версии черновиков, история изменений.
• Процессная оценка. Очный или прокторируемый устный разбор выполненной письменной работы.

Интеграция с LMS: LTI 1.3, xAPI, SCORM

Образовательные учреждения не используют отдельные приложения — они внедряют инструменты, встроенные в LMS. Планируйте интеграцию с самого начала.

• LTI 1.3. Стандарт по умолчанию. Валидация токенов OAuth 2.0. Одна интеграция работает в Canvas, Moodle, Blackboard Ultra, D2L Brightspace, Schoology, Google Classroom. Разработка занимает 2–3 недели.
• xAPI (Tin Can). Записывает действия ученика в Learning Record Store в виде записей. Аналитика получается более подробной, чем стандартные отчёты LMS. Разработка займёт 1–2 недели, если у вас уже есть LRS (например, Watershed или Learning Locker).
• SCORM 2004 / cmi5. До сих пор обязателен во многих регионах. Тестируйте до запуска — не открывайте на 10-й неделе, иначе получите блок от закупочной службы.
• QTI. XML-формат для обмена оценочными материалами. Экспортируйте созданные тесты обратно в Moodle или Canvas.
• OneRoster. Стандарт для синхронизации списков между SIS и LMS. Особенно важен, если ваш заказчик использует Infinite Campus, PowerSchool или Skyward.

Модель стоимости: во что обходится эксплуатация

Конкретные цены на 2026 год. Корректируйте под объём контента, количество активных студентов и выбранную LLM.

Ориентиры цен для покупателя. B2C-подписки стоят 750–1 500 ₽ в месяц. Институциональный B2B per-seat — 150–600 ₽ с одного студента в месяц. Школьная лицензия по фиксированной цене — 375 тыс.–1,1 млн ₽ в год на 100–300 студентов. Крупные округа (от 10 000 мест) договариваются о цене 37–225 ₽ с одного студента в месяц. Целевая валовая маржа на уровне генерации — 60–70%; чистая — 15–25% после учёта операционных расходов, CAC и поддержки.

Мини-кейс: студенческая платформа университета за 12 недель

Среднего размера американский университет обратился к нам с задачей: 18 тыс. студентов, более 400 курсов, LMS Canvas и библиотека из около 14 тыс. часов видеолекций. Расходы на ассистентов преподавателей выросли до 240 млн ₽ в год, а процент сдачи курсов студентами снизился на три пункта за последние два академических года.

Мы выпустили AI-платформу для обучения за 12 недель на базе эталонного стека выше:

• Загрузка. Ночной батч нового контента из Canvas и записей лекций из Panopto через Deepgram Nova-3; программы курсов и учебники в PDF — через LlamaParse.
• RAG. Иерархический чанкинг по уровням: глава / раздел / абзац; векторы Pinecone разделены по курсам, чтобы исключить протечку между ними; поверх top-20 применяется Cohere Rerank 3.
• Генерация. Claude Sonnet 4.6 — на флешкарты и тестовые вопросы с выбором ответа; Opus 4.6 — на проверку эссе и вопросы по стилю для экзаменов.
• Голосовой тьютор. Deepgram Voice Agent для чата в режиме «офисных часов», ориентированный исключительно на контент курсов студента.
• Дашборд преподавателя. В реальном времени отображаются уровень мастерства студентов, транскрипты AI-чата и пользователи с высокой активностью.
• Встраивание по LTI 1.3 в Canvas.

Результаты за 90 дней. Еженедельная активность студентов достигла 62% от общего числа записавшихся. Процент завершения курсов вырос на 2,1 пункта из трёх потерянных ранее. Время работы ассистентов преподавателей сократилось на 28% в пилотных курсах. Итоговая стоимость использования ИИ составила 307 ₽ на одного активного студента в месяц. CIO учреждения подписал двухлетний контракт ещё до завершения пилота.

5 ловушек, которые губят AI-проекты для учебных материалов

• 1. Галлюцинации в математике и истории. Фронтирные модели по-прежнему допускают 10–20% ошибок при воспроизведении фактов. Без привязки к источникам через RAG, использования проверенных ложных вариантов и контроля преподавателя каждый тест может содержать скрытые неверные ответы. Заложите 10–15% от обычной стоимости на ручной контроль качества.
• 2. Сверхзависимость убивает метакогницию. Студенты пропускают этап борьбы: пассивное потребление заменяет активное вспоминание. Продукт выглядит успешным по метрикам вовлечённости, но проваливается по реальному обучению. Контрмера: постепенное исчезновение готовых примеров, обязательное вспоминание перед показом ответа, ограничения на активность.
• 3. Нарушение FERPA через API. Отправка имён, дат рождения или оценок в OpenAI или Anthropic в открытом виде — это утечка данных. В каждом проекте, который мы видели, хотя бы один инженер пытался так сделать. Контрмера: жёсткий прокси-слой со списком разрешённых полей, которые могут покидать периметр.
• 4. Плохой поиск, прячущийся за хорошей LLM. LLM уверенно выдаёт правдоподобную ерунду, когда найденные чанки нерелевантны. Контрмера: реранкеры, иерархический чанкинг, регулярный человеческий аудит top-10 найденных чанков по учебнику.
• 5. Отсутствие контура контроля для преподавателя. Студенты обходят правила: просят ответы напрямую, используют платформу для списывания. Преподаватели ничего не замечают. Контрмера: обязательный дашборд для преподавателя, журналы активности, проверка записей чатов, интеграция с системой обнаружения плагиата. Институциональные заказчики не продлят контракт без этих функций.

KPI: что измерять

Выбирайте минимальный набор, который готовы защищать. Список короткий — специально.

• Прирост мастерства. Точность до и после учебной сессии на новых задачах (не входивших в обучающую выборку). Цель: прирост на 20 процентных пунктов от базового уровня за час занятий.
• Удержание. Эффективность на интервалах в 1 неделю и 30 дней. Интервальное повторение должно обеспечивать удержание в 2–3 раза лучше, чем заучивание.
• Время до мастерства. Минут на концепцию до достижения 85% правильности на новых задачах. Следите за регрессиями по мере роста библиотеки контента.
• Уровень галлюцинаций. Процент фактов, сгенерированных ИИ, которые оказались неверными, по оценке преподавателя. Цель — менее 2%. Исследования тьюторинга в Стэнфорде показывают, что уровень в 0,1% достижим при активном участии человека в процессе.
• Еженедельная активность пользователей (для учреждения). Цель — 60% и более от числа записанных учеников. Если показатель ниже 40%, продукт недостаточно удерживает пользователей.
• Удовлетворённость преподавателей (NPS). Продление институциональных контрактов зависит от преподавателей, а не от студентов. Цель — NPS > 40 за 90 дней.

Когда AI-платформу для обучения строить НЕ стоит

Каждый квартал мы отказываемся от проектов AI-платформ для обучения. Сигналы, что это не ваш случай:

• Ваш ключевой контент — это сертификация с высокой ставкой (медицинская лицензия, экзамен на адвоката), где даже 2% ошибок недопустимы, а бюджета на экспертную проверку, чтобы снизить уровень до 0,1%, у вас нет.
• Ваш целевой покупатель — округ с устаревшей LMS (Blackboard Learn 9.1 или аналогичной), которая не поддерживает LTI 1.3. Интеграция обходится слишком дорого и «съедает» весь проект.
• Вы не можете подписать DPA с провайдером LLM в своей юрисдикции. Требования к локализации данных в сфере образования в ЕС и Канаде исключают из игры множество комбинаций поставщиков.
• Ваш контент в основном рукописный (старые учебники, архивные материалы), а бюджет на OCR — ноль. Ошибки распознавания накапливаются на каждом следующем этапе обработки.
• Вы продаёте курсы без преподавателя (чистый B2C для самостоятельного обучения), и у вас нет инфраструктуры QA, чтобы выявлять галлюцинации после их появления. В чистом B2C проблема галлюцинаций фактически нерешаема по цене, которую готов заплатить студент.

Фреймворк выбора: подберите стек за шесть вопросов

1. Кто покупатель? B2C-студенты → freemium + подписка, опора на вовлечённость. Учреждения → LTI 1.3, дашборд преподавателя, DPA.
2. Какой основной контент? Учебники → длинный контекст Gemini 2.5 Pro или иерархический чанкинг + Sonnet 4.6. Лекции → Deepgram + Twelve Labs + Sonnet 4.6. Смешанный → и то, и другое.
3. Какой уровень ставок? Домашка K-12 → Sonnet 4.6, дёшево. Board-экзамены → Opus 4.6, агрессивный QA, экспертный разбор каждого вопроса.
4. Какие юрисдикции? Только США → FERPA + COPPA + законы штатов. ЕС → GDPR + AI Act статья 6. И то, и другое → начинайте с более строгого режима и спускайтесь ниже.
5. Какие требования к голосу? Опционально → откладывайте на v2. Ядро продукта → Deepgram Voice Agent, бюджет 37–150 ₽/студент/мес.
6. Сколько нужно контроля от преподавателя? Мало (самообучение) → опора на AI-детекцию + журналы активности. Много (учреждение) → полный дашборд преподавателя, разбор транскриптов, контроль с правом перекрыть.

Дорожная карта интеграции: путь в 10–14 недель

Каждый проект Фора Софт начинается не с выбора инструментов, а с этапа discovery в первую неделю. Выберите не ту LLM или векторную БД — и через полгода придётся переписывать слой данных. Выберите правильно — и интеграция займёт десять недель.

Куда движутся AI-инструменты для обучения в 2026–2027

Мульти-агентный тьюторинг. Один агент задаёт вопросы, второй проверяет ответы, третий выступает в роли однокурсника. Ранние эксперименты в Khan Academy и Стэнфорде показали рост удержания на 20% и более по сравнению с одноагентным тьюторингом.

Локальные модели для пользователей младше 13 лет. Apple Foundation Models и Gemini Nano на Android обеспечивают соответствие COPPA, храня данные учеников прямо на устройстве. В 2027 году ожидается волна образовательных инструментов с архитектурой «локально в первую очередь».

Сертификация по EU AI Act как "высокого риска". К июню 2026 года вступают в силу правила статьи 50; к августу 2026 года вступают в силу полные обязательства по высокому риску (статья 6). Образовательные AI-вендоры в ЕС, не прошедшие оценку соответствия, будут исключены из госзакупок.

Голос-первый тьюторинг становится нормой. Задержка ниже 300 мс делает голос естественным; телефоны вытесняют ноутбуки как основное учебное устройство для поколения Z. Ждите, что путь «голос → учебный материал» станет ключевым флоу к 2027 году.

Больший ROI приносит AI для преподавателя, а не для студента. Генерация планов уроков, проверка формирующего тестирования, дифференциация обучения. Самый тихий и самый устойчивый сегмент.

FAQ

Что почитать дальше

Подытожим

Генерация учебных материалов с помощью ИИ в 2026 году уже не новинка. Категория растёт на 31% в год; адаптивное обучение само по себе достигнет 911 млрд ₽ к 2035 году. Победившая форма — единая платформа, объединяющая создание флешкарт, разговорный тьюторинг, анализ контента и интеграцию с LMS. Она построена на пятислойной архитектуре: загрузка, RAG, генерация, педагогика, доставка и контроль.

Сложная часть — не LLM. Это качество поиска, от которого зависит, будет ли ваш тьютор выдумывать информацию; строгость проверки соответствия, от которой зависит, пройдёте ли вы аудит FERPA; и система контроля со стороны преподавателя, от которой зависит, продлят ли учреждение контракт. Сделайте эти три вещи правильно — и инженерия отпадёт сама за 10–14 недель с современным инструментарием. Сделайте неправильно — и получите демо, которое выглядит умно, но ничем не учит.