ИИ-репетиторы и адаптивное обучение в 2026: как создать систему, которую действительно будут использовать ученики

Зачем Фора Софт написала этот гайд

Фора Софт разрабатывает обучающие системы на основе ИИ ещё с тех времён, когда «ИИ-репетитор» означал интеллектуальную обучающую систему на правилах. Наш флагман — BrainCert: годовая выручка 750 млн ₽, более 250 000 учеников, отслеживание усвоения материала и адаптивные траектории обучения, встроенные в LMS. Также мы создали Quillionz — продукт для генерации учебных вопросов на ИИ, который первым научился создавать вопросы с привязкой к учебной программе. В нише ИИ-репетиторов работают ещё два наших решения — Scholarly и Polymath AI.

В 2024–2026 годах мы провели аудит четырёх ИИ-репетиторов на стадиях pre-seed и seed. У трёх из четырёх повторялся один и тот же сценарий провала: тонкая обёртка LLM поверх учебной программы, отсутствие модели усвоения знаний, педагогической стратегии и удержания пользователей на 30-й день — менее 12 %. Паттерны в этом гайде основаны на этих проектах, а также на открытых источниках: исследованиях Khanmigo от Khan Academy, внедрении ChatGPT-Ed в OpenAI, статьях про адаптивное обучение от Squirrel AI, работах по Bayesian Knowledge Tracing из Carnegie Mellon и классификации высокого риска из Приложения III EU AI Act.

Если вы — продакт-менеджер EdTech-продукта, внедряющий ИИ-репетитора в существующую платформу, руководитель L&D, выбирающий поставщика адаптивного обучения, или основатель репетиторской компании, создающий всё с нуля, — этот гайд поможет вам с архитектурой, выбором алгоритмов, оценкой вопросов приватности и реальным планом запуска за 16 недель, который мы применяем у своих клиентов.

Почему большинство ИИ-репетиторов перестают работать через 2 недели

В конце 2024 года мы провели когортный анализ удержания на трёх ИИ-репетиторах, находившихся на стадии seed. Регистрация в первый день была высокой — 35–55 % платных пользователей открывали репетитора. К 7-му дню удержание падало до 18 %. К 30-му дню двузначное удержание осталось только у одного из трёх продуктов — и именно у того, где педагогическая стратегия была заложена в промпты, а не добавлена отдельно.

1. Ловушка чат-бота. Продукт — «ChatGPT для предмета X». Ученик задаёт вопрос, модель отвечает. За неделю ученики понимают, что репетитор — просто машина, которая выдаёт ответы, и перестают использовать его для учёбы: начинают вставлять туда готовую домашку. Эффект новизны проходит. Репетитор так и не узнаёт, что ученик уже всё знает, не подстраивается под уровень, не отказывает в решении. Получается инструмент для списывания — только с лишними шагами.

2. Нет модели усвоения. Система не отслеживает, что ученик уже выучил. Каждый разговор начинается с нуля. Репетитор не может сказать: «Вы правильно решили три из последних четырёх квадратных уравнений — пора переходить к разложению на множители». Без этого каждое взаимодействие остаётся оторванным от прогресса. Ученики теряют интерес.

3. Нет петли вовлечения. Никаких серий, целей, напоминаний по интервальному повторению, дашбордов для родителей или учителей. Без внешних механизмов обязательств кривая оттока ИИ-репетитора повторяет траекторию приложения для медитаций. Формирование привычки требует опоры.

4. Ответы вне учебной программы. Репетитор не знает, по какому учебнику занимается ученик, в какой главе он находится и к какому экзамену готовится. Он выдаёт информацию, не относящуюся к делу. RAG, привязанный к учебной программе, — это то, что помогает репетитору чувствовать себя частью курса.

5. Не та метрика успеха. Команда оптимизировала время в приложении и количество сообщений. Ученики, которые пользовались приложением чаще всех, на самом деле учились хуже всех — они просто перебирали промпты, чтобы получить готовое решение домашки. Правильная метрика — рост усвоения материала за час, а не продолжительность сессии.

Чем ИИ-репетитор отличается от ChatGPT

Если вы хоть раз использовали ChatGPT, чтобы «помочь с домашкой», у вас уже сложилась интуитивная модель ИИ-репетитора. Эта модель ошибочна, и её исправление — самое важное, что нужно сделать перед разработкой продукта.

Другая цель. Задача ChatGPT — удовлетворить запрос. Задача ИИ-репетитора — помочь ученику усвоить учебный материал, даже если для этого придётся не давать прямой ответ. Если ученик спрашивает: «Какой ответ к вопросу 7?» — лучше не называть его, а дать сократовскую подсказку, которая подведёт к решению.

Другое состояние. ChatGPT по умолчанию не сохраняет состояние между сессиями. Репетитор помнит, насколько хорошо ученик усвоил каждую тему, знает, по какой программе он учится, к какому экзамену готовится и какой у него план на следующую неделю. Состояние — это основа адаптации.

Другие границы. ChatGPT отвечает почти на всё. Репетитор отказывается решать домашку дословно, писать эссе или выполнять вычисления, которым ученик должен научиться сам. Этот отказ — педагогический, а не вызван соображениями безопасности.

Другая оценка. ChatGPT оценивают по качеству ответа. Репетитора оценивают по тому, выросли ли у ученика результаты тестов или показатели по бенчмарку навыков после занятий с ним. Метрика живёт за пределами разговора.

Архитектура ИИ-репетитора из 5 столпов

Каждый ИИ-репетитор, который работает в продакшене, строится на пяти компонентах. Уберите любой — и вы вернётесь к уровню простого чат-бота.

Модель усвоения и база знаний учебной программы обеспечивают работу диалогового слоя. Педагогическая стратегия определяет, как этот слой отвечает. Движок вовлечения оборачивает весь путь ученика структурой, формирующей привычку. Всё это лежит под зонтом приватности, который нельзя прикрутить в конце.

Столп 1 — База знаний учебной программы (RAG)

База знаний учебной программы — это основа. Именно она позволяет отвечать на запросы вроде «дай похожую задачу» или «объясни фотосинтез так, как в учебнике за 9-й класс». Без неё репетитор даёт общие интернет-ответы, которые могут не соответствовать программе ученика.

Слой загрузки. Учебники, расшифровки лекций, презентации, сборники задач, экзамены прошлых лет, заметки преподавателей. Разбейте каждый документ на фрагменты по 200–400 токенов с подробной информацией: предмет, глава, тема, подтема, код учебной цели, уровень сложности, ссылка на источник. Удалите номера страниц и колонтитулы; сохраните рисунки с подписями в текстовом виде.

Выбор эмбеддингов. Подойдут text-embedding-3-large от OpenAI, Cohere Embed v3 или опенсорсный bge-large-en. Разница не в самой модели, а в способе добавления метаинформации к чанкам. Эмбеддинги, построенные только по содержимому текста, уступают вариантам с подробной метаинформацией на всех наших тестах.

Векторное хранилище. Postgres с pgvector — для до 10 млн чанков, Qdrant или Weaviate — для шардированного продакшена, Pinecone — если нужен управляемый сервис. Для ИИ-репетитора с нуля по умолчанию используем pgvector: транзакционная схема хранится в той же базе, меньше систем для поддержки.

Онтология учебной программы. Привяжите каждый фрагмент к коду учебной цели в вашей таксономии. Для школьной математики — стандарты Common Core State Standards. Для изучения языков — дескрипторы CEFR. Для подготовки к медицинским экзаменам — контентные планы USMLE. Для буткемпов по программированию — собственный фреймворк компетенций. Онтология — это то, что позволяет модели усвоения и диалоговому слою общаться на одном языке.

Логика поиска. Используется гибридный подход — sparse+dense (BM25 + косинусная близость по векторам), с фильтрацией по текущей теме на основе модели усвоения и ранжированием по актуальности в программе. Возвращайте 4–6 фрагментов с цитированием, а не один. Диалоговому слою нужны альтернативы, чтобы выбирать при построении сократической подсказки.

Столп 2 — Модель усвоения (IRT, BKT, DKT)

Модель усвоения — это оценка того, насколько хорошо каждый ученик знает определённую тему. Это самый сложный элемент системы, и именно он делает репетитора по-настоящему полезным, а не просто чат-ботом.

IRT (Item Response Theory). Классическая психометрическая модель 1960-х годов. У каждого задания есть параметры сложности и дискриминации, у ученика — параметр способности. Вероятность правильного ответа рассчитывается по логистической функции от разности способности и сложности. На основе IRT работают адаптивные компьютерные тесты: GRE, USMLE, языковые тесты на определение уровня. Преимущества: недорого обучать, интерпретация понятна, хорошо изучена. Ограничения: предполагает, что способность не меняется со временем, не учитывает обучение в процессе.

BKT (Bayesian Knowledge Tracing). Скрытая марковская модель, в которой для каждой темы предполагается скрытое бинарное состояние — тема усвоена или нет — и четыре параметра: начальное знание, скорость усвоения, вероятность ошибки (когда ученик знает тему, но отвечает неверно) и вероятность угадывания (когда ученик не знает тему, но отвечает верно). После каждого ответа система обновляет вероятность того, что тема усвоена. BKT — основа многих интеллектуальных обучающих систем; на ней построены продукты Carnegie Learning. Плюсы: модель явно описывает процесс обучения. Минусы: темы считаются независимыми (нет переноса знаний между ними), а бинарное состояние («усвоено/не усвоено») слишком упрощённое.

DKT (Deep Knowledge Tracing). Рекуррентная нейросеть (LSTM или Transformer), которая обрабатывает последовательность пар (тема, верно?) и предсказывает вероятность правильного ответа на следующее задание по каждой теме. DKT улавливает перенос знаний между темами и более длинные зависимости. Сильные стороны: точность на уровне лучших современных решений на стандартном бенчмарке ASSISTments. Ограничения: непрозрачна, требует много данных, сложнее отлаживать.

Наш дефолт. BKT в первые 90 дней работы, пока вы собираете данные ответов. Переводите высокочастотные темы на DKT, когда наберётся 50 000+ взаимодействий «ученик — тема». Оставьте IRT только для оценивания (placement-тесты, итоговые тесты по модулям), где адаптивный подбор заданий эффективнее фиксированных форм.

Столп 3 — Педагогическая стратегия

Педагогическая стратегия — это подход, который, исходя из уровня усвоения материала и особенностей учебной программы, определяет, как репетитор должен действовать дальше. Это не промпт, а контроллер, выбирающий нужный промпт.

Сократический. Задавайте наводящие вопросы, но сами не отвечайте. Так работает Khanmigo, когда отказывается решать домашку за ученика. Подходит для отработки процедурных навыков — математики, программирования, отладки. Главное — правильно подобрать уровень сложности: вопрос должен быть по силам, иначе ученик быстро сдастся.

Прямое объяснение. Сначала объясните концепцию, потом попросите ученика применить её на практике. Такой подход лучше всего работает с декларативными знаниями — например, с лексикой, анатомией или историческими фактами — и особенно эффективен для новичков, у которых ещё нет готовой ментальной модели, чтобы самостоятельно строить понимание.

Worked example с угасанием подсказок. Сначала покажите полностью решённый пример, затем — частичный, где пропущен последний шаг, и, наконец, задачу без подсказок. Метод имеет сильную доказательную базу из теории когнитивной нагрузки. Особенно эффективен для новичков при выполнении многошаговых процедурных задач.

Интервальное повторение. Повторите тему, которую ученик выучил три, семь и двадцать дней назад. Метод основан на эффекте тестирования — он помогает лучше запоминать информацию. Контроллер стратегии сам планирует такие повторения, без участия ученика.

Реальный контроллер стратегии выбирает между режимами на каждом шаге — исходя из степени усвоения, времени с последней попытки и обнаруженной в диалоге путаницы. Мы реализуем его как небольшой rule engine на Python, который считывает данные из модели усвоения и возвращает код стратегии, по которому шаблон промпта выбирает ветку.

Столп 4 — Диалоговый слой

Диалоговый слой — то, что видят пользователи, — архитектурно самая простая часть системы. Интеллект сосредоточен выше: в усвоении, программе и педагогике. Задача LLM — сгенерировать ответ на естественном языке, используя на входе код стратегии, найденные фрагменты программы и историю диалога.

Выбор модели. GPT-4o или Claude 3.5 Sonnet — для премиальных направлений (подготовка к медицинским экзаменам, профессиональная сертификация). Llama 3.3 70B, дообученная на ваших диалогах с репетиторами, — для школьного уровня при масштабном использовании, где основная статья расходов — стоимость токенов. Gemini Flash — для бюджетных потребительских приложений. Мы тестируем все четыре модели на каждом новом проекте: ответы никогда не повторяются.

Структура промпта. Системный промпт задаёт роль (репетитор), код стратегии (сократ / прямое объяснение / угасание подсказок), правила отказа («никогда не решать домашку дословно») и контекст программы. Спецификация tool-use для «найди тему», «достань worked example», «запиши обновление усвоения». Стриминговый ответ с задержкой первого токена меньше 500 мс.

Голосовой режим. Если ваша аудитория — ученики младших классов, изучающие язык, или люди, которым важна доступность, голосовой интерфейс обязателен. OpenAI Realtime API или комбинация Deepgram + ElevenLabs обеспечивают рабочий дуплекс. Подробности по задержкам — в нашем production-гайде по голосовым агентам.

Ограничители. Классификатор выходов на отказ (домашка дословно, небезопасный контент), принуждение к цитированию (каждое фактическое утверждение ссылается на чанк программы) и редактирование PII во входящих сообщениях ученика до того, как они попадут к провайдеру LLM. Ничто из этого не является опциональным в высокорисковом режиме EU AI Act.

Столп 5 — Движок вовлечения

Вовлечение — то, что заставит ученика вернуться завтра. Без него даже самый идеальный репетитор проиграет TikTok. Движок вовлечения — отдельная продуктовая поверхность, обёртывающая репетитора.

Целеполагание. Недельная цель должна быть связана с реальным усвоением материала, а не с количеством потраченного времени. «Освоить 4 новые подтемы к воскресенью» эффективнее, чем «провести 5 часов за учёбой». Модель усвоения умеет отслеживать прогресс — а учёт минут измеряет не ту метрику.

Серии и интервальные напоминания. Счётчик подряд идущих дней с реальным прогрессом (не просто открытия приложения). Push-уведомления, согласованные с графиком интервального повторения, а не случайные ежедневные подсказки, которые утомляют пользователя.

Дашборды для родителей и учителей. У аудитории до 18 лет покупателем выступает родитель или учитель, а не сам ученик. Дашборды с отслеживанием усвоения материала и прогрессом по программе — ключевой инструмент для повышения конверсии. Для школы ежедневная сводка по email обязательна.

Социальное доказательство. Когортные лидерборды — только с согласия пользователей, а не по умолчанию, треды учебных групп, челленджи между сверстниками. Эффективны для подростков и людей младше 20 лет; могут быть контрпродуктивны для взрослых, проходящих профессиональные сертификации — им важна приватность.

Правила KPI вовлечения. Время до первого вопроса — лучший показатель онбординга: ученики, которые задают вопрос в первые 90 секунд, остаются на 30-й день в три раза чаще. Недельная активность (WAL), а не ежедневная, — правильная метрика для репетитора: три сессии в субботу — нормальный и эффективный паттерн.

Педагогические шаблоны промптов

Большую часть работы выполняют несколько шаблонов промптов. В продакшене у нас около 25 таких шаблонов; ниже — четыре самых популярных.

SOCRATIC_TEMPLATE = """
You are a tutor for {subject}. The student is on topic {topic_code}
({topic_title}). Their current mastery posterior is {mastery:.2f}.
The user said: "{user_msg}".

Strategy: SOCRATIC. Do NOT solve the problem. Ask one leading question that:
- is answerable given mastery {mastery:.2f},
- targets the most likely misconception listed in {misconceptions},
- references the curriculum chunk: {chunk_text}.

If user pastes homework verbatim, refuse and offer a similar problem.
"""

Шаблон прямого объяснения. Применяется, когда апостериорное усвоение ниже 0,3 — ученику сначала нужно объяснить концепцию, а потом задавать вопросы. Развёртывает чанк программы в 3–5 простых предложений с одним worked example.

Шаблон угасания подсказок в worked example. Применяется при апостериорном 0,3–0,6. Покажите полный worked example, затем частичный с пустым последним шагом. Ученик заполняет последний шаг и идёт дальше.

Шаблон интервального повторения. Запускается планировщиком вовлечения. Берёт задание, которое ученик уже усвоил, переформулирует его в новую задачу и просит решение. Обновляет апостериорное распределение по интервалам.

Шаблон выхода из ступора. Активируется, когда классификатор разговора фиксирует фрустрацию (настроение + повторные уточнения). Репетитор делает паузу, подтверждает чувства, снижает сложность на один уровень и предлагает начать сначала.

Приватность — FERPA, COPPA, EU AI Act

Приватность в образовательном ИИ — не дополнительная функция, а обязательное условие выхода на рынок. Школьные округа не примут ваш продукт, магазины приложений не пропустят ваше приложение, а европейские регуляторы оштрафуют вас, если вы запуститесь без соблюдения требований. Планируйте все четыре режима с самого начала.

1. FERPA (Family Educational Rights and Privacy Act, США). Применяется ко всем системам, где хранятся данные об учениках в США. Контролёр данных — школьный округ, вы в этом случае являетесь «школьным должностным лицом» по контракту. Основные требования: наличие подписанного соглашения «school official», запрет использовать данные учеников в рекламных целях, запрет передавать информацию третьим лицам без согласия родителей, а также право родителей на доступ к данным своего ребёнка.

2. COPPA (Children’с Online Privacy Protection Act, США). Применяется к пользователям младше 13 лет. Требуется подтверждение согласия родителей перед сбором данных. Минимизация собираемой информации. Запрещена поведенческая реклама. Автоматически действует и на продукты для широкой аудитории, если известно, что среди пользователей есть дети младше 13 лет. По умолчанию ИИ-репетитор в начальной и средней школе должен полностью соответствовать требованиям COPPA, даже если есть родительский контроль.

3. GDPR (General Data Protection Regulation, ЕС). Применяется, если у вас есть хотя бы один пользователь из стран Европейского союза. Основанием для обработки данных несовершеннолетних до 16 лет является их согласие (в некоторых странах — с 13 лет, если там снижен возрастной порог). Данные должны храниться на территории ЕС на уровне физического хранилища. Пользователи имеют право на удаление своих данных, их перенос и исправление.

4. Высокий риск по EU AI Act. Приложение III включает «системы ИИ, предназначенные для определения доступа к образовательным учреждениям, оценки результатов обучения или контроля поведения учеников во время экзаменов» в список высокорисковых. Обязательные требования: система управления рисками, работа с данными, техническая документация, прозрачность, контроль со стороны человека, проверка точности и надёжности, защита от кибератак. Необходимо провести оценку соответствия до запуска продукта. После выхода на рынок — постоянный мониторинг.

5. Доступность WCAG 2.2 AA. Section 508 в США и European Accessibility Act в ЕС оба ссылаются на WCAG 2.2 AA. Навигация с клавиатуры, контрастность, совместимость со screen reader. Заложить с самого начала — ничего не стоит; докручивать ретроспективно — 6–10 недель переделок.

Модель затрат

Две статьи затрат: разработка (одноразовая инженерная) и эксплуатация (на одного активного ученика в месяц).

Разработка — MVP за 16 недель. Команда из 4 человек (1 senior backend, 1 senior frontend / mobile, 1 ML-инженер, 1 продуктовый дизайнер). Фаза 1 (недели 1–4): загрузка программы, онтология, RAG. Фаза 2 (недели 5–8): модель усвоения (BKT) и веб-приложение для ученика, родителя и учителя. Фаза 3 (недели 9–12): диалоговый слой, ограничители, мобильная оболочка. Фаза 4 (недели 13–16): движок вовлечения, дашборды, адаптация под COPPA / FERPA, запуск бета-версии. Общий диапазон: 13–24 млн ₽ в зависимости от географии и уровня специалистов. С опытом работы над Quillionz и BrainCert мы обычно укладываемся ближе к нижней границе.

Эксплуатация. Основная статья расходов — использование LLM. На GPT-4o-mini по 11 ₽ за миллион входных и 45 ₽ за миллион выходных токенов, при средней сессии репетитора из 12 ходов по 800 токенов каждый, стоимость работы модели составляет около 3 ₽ за активный час. Обновление эмбеддингов RAG обходится примерно в 15 000 ₽ в месяц на миллион чанков. Векторное хранилище (pgvector на Hetzner серии AX) — около 6 000 ₽ в месяц. Итоговая маржинальная стоимость на одного активного ученика в месяц: 90–255 ₽ — в зависимости от длительности сессии, доли голосового и текстового общения, а также учёта амортизации файнтюнинга.

Точка безубыточности. B2C-подписка за 1 499 ₽ в месяц с валовой маржой 60 % требует, чтобы расходы на эксплуатацию не превышали 600 ₽ на ученика в месяц. B2B-контракт со школой по 3 000 ₽ за ученика в год предполагает, что ежемесячные затраты на эксплуатацию должны быть ниже 112 ₽ на ученика. Именно такая арифметика безубыточности и определяет, стоит ли дообучать Llama или остаться на GPT.

Build vs buy — ChatGPT-EdU, Squirrel, своё решение

OpenAI ChatGPT-EdU. Хостинг, универсальный, без загрузки учебной программы, без отслеживания усвоения, без педагогической стратегии. Подходит для вузов, которые дают каждому студенту доступ к ChatGPT. Не подходит, если цель — выделиться на рынке.

Squirrel AI. Зрелая платформа ИИ-репетитора для школьников из Китая с мощным движком адаптивного обучения. Поддерживает white-label-решения. Сильные стороны: десять лет настройки на реальных данных об усвоении материала. Ограничения: непрозрачный «чёрный ящик», штаб-квартира в Китае (у некоторых клиентов возникают вопросы по хранению данных), универсальная учебная программа.

Khanmigo. Репетитор от Khan Academy; не является лицензируемой платформой. Полезен как ориентир для анализа, но не как поставщик решений.

Magic School. Скорее помощник для учителей в школе — помогает с планами уроков, рубриками и поддержкой IEP, — чем репетитор для учеников. Полезен как дополнение к интеграции, а не как её замена.

Своё решение (наша рекомендация для вертикальной специализации). MVP за 16 недель, полный контроль над моделью усвоения, программой и педагогикой. Дифференциация работает на глубине вертикали — например, подготовка к медицинским экзаменам, IELTS или собеседованиям по разработке ПО — там, где горизонтальные игроки не могут конкурировать по качеству программы.

Мини-кейс — ИИ-репетитор для подготовки к медицинскому экзамену

Стартап из сферы медицинского образования обратился к нам в 2024 году с 18 000 вопросами в стиле USMLE, тремя лицензированными учебниками и идеей: ИИ-репетитор, который помогает каждому абитуриенту устранять самые важные пробелы в знаниях. Их первая версия была простой обёрткой вокруг GPT-4. Удержание пользователей через 30 дней составляло 8 %, а эффективность усвоения материала не оценивалась.

Перестройка за 16 недель. Недели 1–4: загрузка всех трёх учебников и банка вопросов, привязка к контентному плану USMLE Step 1 (213 кодов тем). Недели 5–8: модель BKT усвоения знаний, обученная на истории ответов из существующего банка (1,4 млн ответов — достаточно для BKT, пока мало для DKT). Недели 9–12: педагогический контроллер «Сократ + worked example», диалоговый слой на базе GPT-4o, правила отказа, отлаженные на тестовом наборе из 200 промптов. Недели 13–16: планировщик интервального повторения, дашборд ученика с прогнозом вероятности сдачи экзамена, бета-тест с 80 платящими пользователями.

Результат. Удержание на 30-й день выросло с 8 % до 38 %. Среднее количество вопросов, которые ученики решали в неделю, увеличилось с 11 до 47. Самооценка уверенности перед экзаменом USMLE поднялась с 4,2 из 10 до 6,8 из 10 за 12 недель подготовки. Модель анализа прогресса определяла самые слабые темы у ученика на неделю раньше, чем это делали составленные вручную планы. Хотите провести подобный аудит вашего ИИ-репетитора? Позвоните или напишите нам.

Фреймворк принятия решения — запуск за пять вопросов

Q1. Какая вертикаль и какая программа конкретно? Универсальные ИИ-репетиторы уступают Khanmigo. Вертикальные ИИ-репетиторы с конкретной программой (USMLE Step 1, IELTS Academic, AP Computer Science A) побеждают, потому что у универсальных решений нет мотивации развивать такую глубину.

Q2. Есть ли у вас данные программы и история ответов? Если да — BKT обучается за несколько дней. Если нет — потребуется 4-недельный спринт по загрузке данных и бутстрап на синтетических ответах. Оба варианта возможны; выбор зависит от бюджета.

Q3. Возраст аудитории? До 13 лет = COPPA + дашборд для родителей обязательны. Школа внутри учебного заведения = FERPA + SSO школьного округа. Взрослые на профессиональной сертификации = compliance проще, голос — опционален. Возраст аудитории определяет всю архитектуру движка вовлечения.

Q4. Пользователи в ЕС? Если да, то применяются требования по хранению данных в ЕС и классификация как высокорискового по EU AI Act. Начинать подготовку к соответствию нужно с самого начала. Это добавит примерно 4 недели к срокам разработки.

Q5. Честная цель по росту усвоения? Заранее зафиксируйте бенчмарк. «Усвоенные темы в час» или «прирост по стороннему бенчмарку вроде Lexile или практической оценки IELTS». Без цели команда будет оптимизировать показные метрики вовлечения.

Подводные камни

1. Обёртка ChatGPT, маскирующаяся под репетитора. Без системы усвоения знаний, RAG, привязки к учебной программе и педагогического контроля у вас просто чат-бот. Пользователи быстро уйдут, а бренд получит репутацию «инструмента для списывания».

2. Оптимизация на время в приложении. Ученики, которые чаще всего пользуются репетитором, зачастую учатся меньше всех — они зациклены на «вставил-списал». Оптимизируйте процесс так, чтобы максимизировать усвоение материала за час и измеримые результаты.

3. Выбор DKT до того, как появились данные. Нейросетевая модель усвоения на 1000 учеников даёт точность хуже, чем 4-параметрическая BKT. Используйте BKT, пока не наберётесь более 50 000 взаимодействий «ученик — тема».

4. Пропуск COPPA / FERPA в MVP. Продажи школьным округам в США срываются на этапе закупок. Без SSO школьного округа, FERPA-аддендума и документации COPPA вы не пройдёте проверку безопасности — и сделка проваливается.

5. Нет оценки с человеком в цикле. Каждый релиз должен сопровождаться оценочным набором из 200 промптов, размеченных экспертами по программе. Без него регрессии в промптах незаметно снижают педагогическое качество.

KPI для измерения

Качественные KPI. Рост усвоения за час (целевой показатель: ≥ 1 подтема за 45-минутную сессию). Время до первого вопроса в первый день (целевой показатель: меньше 90 с). Точность выполнения дословной домашней работы (целевой показатель: ≥ 95 %).

Бизнесовые KPI. Удержание на 30-й день (целевой показатель: 35 % B2C, 60 % B2B). Активные ученики за неделю. NPS дашборда родителей и учителей. Удержание B2B-контрактов. Стоимость одного активного ученика в месяц.

KPI надёжности. 99,9 % доступности в часы пиковой нагрузки. Задержка первого токена — менее 500 мс по p95. Полнота распознавания персональных данных (PII) — выше 99,5 % на тестовом наборе.

FAQ

Что почитать дальше

Готовы запустить ИИ-репетитора, которым ученики действительно будут пользоваться?

ИИ-репетиторство стало мейнстримом за 24 месяца. Планка «выглядеть достоверно» поднялась — обёртки над ChatGPT отсеиваются закупщиками школьных округов, родительским взглядом и регуляторами в ЕС. Планка «реально повышать усвоение» стояла на месте всё это время: RAG, привязанный к учебной программе, явная модель усвоения, педагогическая стратегия, которая не решает домашку за ученика, движок вовлечения, измеряющий обучение, а не время, и система приватности, готовая к запуску с первой недели.

MVP вертикального ИИ-репетитора запускается за 16 недель и стоит 13–24 млн ₽. Ров — это глубина в именованной программе: USMLE Step 1, IELTS Academic, AP CSA, государственные стандарты школьной математики — туда, где горизонтальные игроки не работают. С опытом Quillionz и BrainCert мы можем ускорить разработку за счёт переиспользования паттернов загрузки программы и моделей усвоения. Мы применяем этот подход ко всем ИИ-репетиторам, которые запускаем с 2023 года.