Wyobraźmy sobie klasę, w której każdy uczeń pracuje z własnym asystentem AI. Otrzymuje inne wyjaśnienie, inne przykłady, inne pytania i tempo dopasowane do swoich potrzeb. Z perspektywy indywidualnego uczenia się brzmi to obiecująco. A jednak pojawia się pytanie: co stanie się ze wspólnym światem klasy?
Szkoła nie jest przecież tylko miejscem, w którym trzydzieści osób osobno zdobywa wiedzę. Jest przestrzenią spotkania różnych interpretacji, sporów, prób porozumienia i odpowiedzialności za słowo wypowiedziane wobec innych. Prowadzi mnie to do przekonania, że personalizacja z AI potrzebuje wyraźnego dopełnienia: powrotu od prywatnej rozmowy z systemem do wspólnego namysłu ludzi.
AI może dopasować drogę uczenia się do jednej osoby, ale nie powinna rozwiązywać za klasę zadania tworzenia wspólnego sensu. Partnerstwo Human+AI dojrzewa dopiero wtedy, gdy indywidualne wsparcie wraca do rozmowy, w której ludzie słuchają się, różnią i wspólnie uzasadniają decyzje.
Obietnica, której nie warto odrzucać
Spersonalizowane wsparcie jest jedną z najbardziej przekonujących możliwości generatywnej AI w edukacji. System może inaczej objaśnić trudne pojęcie, zaproponować dodatkowe ćwiczenie, udzielić szybkiej informacji zwrotnej albo pomóc uczniowi sformułować pytanie, którego nie odważył się zadać publicznie. Nie ma powodu, aby tę możliwość pomniejszać.
Opublikowany w październiku 2026 roku raport zespołu badaczy z University of Minnesota, University of North Carolina i University of California, Irvine przedstawia wyniki ustrukturyzowanego konsensusu ekspertów. Trzydziestu badaczy uczenia się analizowało 65 procesów, na które może oddziaływać generatywna AI. Eksperci dostrzegli między innymi potencjał spersonalizowanej informacji zwrotnej, tutoringu i dostosowanego wsparcia.
Ten sam raport zwraca jednak uwagę na możliwość osłabienia ludzkich więzi, rozwoju społeczno-emocjonalnego i umiejętności współpracy, jeśli rozmowa z AI zacznie wypierać kontakt z nauczycielem i rówieśnikami. Trzeba przy tym zachować metodologiczną ostrożność: jest to konsensus ekspercki, a nie eksperymentalny dowód, że określony sposób użycia AI wywoła taki skutek. Autorzy sami podkreślają, że jakość istniejących badań empirycznych jest często niewystarczająca.
Personalizacja może tworzyć niewidzialne wyspy
Dostrzegam tu napięcie, którego nie rozwiąże samo zwiększenie dostępu do technologii. Każdy uczeń może otrzymać odpowiedź dobrze dopasowaną do jego pytania, a jednocześnie coraz rzadziej spotykać się z odpowiedziami, których sam by nie wybrał. Może poruszać się sprawnie po własnej ścieżce, lecz nie ćwiczyć cierpliwego słuchania kogoś, kto rozumuje inaczej.
Wspólna lekcja ma wartość właśnie dlatego, że nie jest doskonale spersonalizowana. Cudza wątpliwość może zatrzymać mój tok myślenia. Nietrafna odpowiedź kolegi może ujawnić problem, którego nie zauważyłem. Spór o interpretację zmusza do nazwania założeń. Tych doświadczeń nie da się sprowadzić do sumy indywidualnych dialogów z maszyną, nawet jeśli każdy z nich jest pomocny.
Nie chodzi więc o wybór między personalizacją a wspólnotą. Dla mnie właściwe pytanie brzmi inaczej: jak zaprojektować przejście od indywidualnego wsparcia AI do wspólnego budowania wiedzy?
Powrót do wspólnego stołu
Można wyobrazić sobie hipotetyczną lekcję, podczas której uczniowie analizują z AI ten sam problem, ale każdy formułuje pytania we własny sposób. Celem nie jest ujednolicenie odpowiedzi ani wybór „najlepszego promptu”. Po zakończeniu pracy każdy przynosi do wspólnej rozmowy trzy elementy: jedno twierdzenie warte zachowania, jedną różnicę między własnym stanowiskiem a propozycją AI oraz jedną nierozstrzygniętą wątpliwość.
Twierdzenie: co z rozmowy pomaga lepiej zrozumieć wspólny problem?
Różnica: czego nie przyjmuję albo jak widzę sprawę inaczej?
Wątpliwość: czego nadal nie wiemy i jak moglibyśmy to sprawdzić?
Dopiero z tych elementów klasa buduje wspólną mapę: zaznacza zgodności, sprzeczności, źródła i miejsca wymagające dalszej pracy. AI może później pomóc uporządkować mapę lub wskazać pominięte perspektywy, lecz nie rozstrzyga, które znaczenia grupa uzna za ważne. To zadanie pozostaje po stronie ludzi.
IALE jako architektura przejścia
W takim ujęciu cztery filary IALE nie opisują tylko relacji pojedynczego ucznia z narzędziem. Architektura wiedzy obejmuje wspólną mapę twierdzeń, źródeł i sporów. Hybrydowa kreatywność wyrasta z połączenia propozycji AI z różnorodnością ludzkich perspektyw. Odporność i suwerenność relacyjna oznaczają również zdolność powrotu od wygodnego dialogu z systemem do wymagającej rozmowy z człowiekiem. Odpowiedzialność etyczna pojawia się wtedy, gdy trzeba uzasadnić stanowisko przed osobami, których wspólna decyzja może dotyczyć.
Zmienia się też rola nauczyciela. Nie jest on wyłącznie dostawcą informacji, z czym AI potrafi częściowo konkurować. Staje się projektantem wspólnej przestrzeni poznawczej: dobiera problem, ustanawia reguły rozmowy, dba o obecność słabszych głosów i pomaga odróżnić różnicę stanowisk od błędu wymagającego korekty.
Na uczelni podobną funkcję może pełnić seminarium. Studenci mogą korzystać z różnych modeli i sposobów pracy, ale muszą ujawnić założenia, porównać źródła oraz wspólnie ustalić, czego nadal nie wiadomo. W ten sposób różnorodność wyników nie rozpada się na prywatne wersje wiedzy, lecz staje się materiałem akademickiej dyskusji.
Personalizacja potrzebuje granicy
Granica ta nie powinna przebiegać między lekcją „z AI” i lekcją „bez AI”. Przebiega raczej między tym, co może pozostać indywidualne, a tym, co musi zostać wniesione do wspólnej przestrzeni. Osobiste tempo, dodatkowe wyjaśnienie czy próba sformułowania myśli mogą być prywatne. Uzasadnienie decyzji, ocena źródeł i konsekwencje dla innych wymagają spotkania.
Pytania do refleksji
- Które elementy uczenia warto personalizować, a które powinny pozostać wspólnym doświadczeniem klasy?
- Czy indywidualna rozmowa z AI przygotowuje ucznia do spotkania z odmiennym stanowiskiem człowieka?
- Jak rozpoznać, że technologia wspiera współpracę, zamiast ją dyskretnie zastępować?
- Co każdy uczeń powinien wnieść do wspólnej rozmowy po zakończeniu pracy z AI?
Źródło i inspiracja
Panayiota Kendeou, Jeffrey A. Greene, Nia Nixon i współautorzy, „Ways Generative AI Can Support and Threaten Learning in K-20 US Education”, Expert Consensus Report, październik 2026. Raport przedstawia ustrukturyzowany konsensus ekspertów; nie jest pojedynczym badaniem eksperymentalnym.
