Arizona State University · CreateAI

CreateAI Builder от Arizona State University позиционируется как институциональная кампусная инфраструктура с self-service платформой, поддерживаемой университетской IT-службой и офисом инноваций, то есть классическая институциональная реализация (не прототип, не policy, не контрсигнал). Эта система внедрена в несколько факультетов и стратегических программ, функционируя как устойчивый сервисный слой для разнообразных учебных задач и подразделений. При этом делается акцент на контролируемой инфраструктуре и управляемом доступе к моделям. Статус именно внедрения подтверждается шириной охвата, а не инновационной экспериментальностью или политикой на уровне института. В целом, CreateAI отражает текущий тренд hybrid orchestration (MOD) с agenticity 2/6, где AI выступает функциональной (конструируемой) ролью внутри университетской среды, без автономных агентов или полного отказа от человеческого контроля.

Arizona State University в 2023–2026 гг. развивает CreateAI — институциональную платформу-конструктор для AI-приложений. Архитектура распределена между факультетом-автором (создаёт собственного чатбота через MyAI Builder), студентом- пользователем, центральным IT (оркестрирует доступ к десяткам моделей) и конкретными AI-ботами под учебные и административные сценарии. AI здесь не автономен — это управляемый портал плюс конструктор локальных ролей.

До появления CreateAI Builder система доступа к AI в университете была ограничена либо разрозненными экспериментами отдельных преподавателей, либо внешними платформами без интеграции с LMS и без институционального управления. Это вызывало проблемы с управляемостью, безопасностью данных и невозможностью масштабировать AI для нескольких департаментов. Кроме того, отсутствовали инструменты, позволяющие быстро создавать специализированных чатботов и ассистентов под конкретные курсы и задачи, что снижало практическую применимость AI для преподавателей и студентов. Также на уровне института были проблемы с обеспечением комплаенса, распределением ролей, с контролем качества AI-ответов, и отсутствовали метрики обучающего эффекта, что затрудняло принятие решений о дальнейшем масштабировании и развитии AI-технологий в учебном процессе.

Основная гипотеза CreateAI Builder заключается в том, что предоставление self-service платформы для конструирования AI-ботов и опытов внутри университета ускорит разработку курсов и повысит вовлечённость студентов без необходимости полной замены традиционных ролей преподавателя и студента. Предполагается, что AI с agenticity 2/6 выступит как co-designer и функциональный инструмент, поддерживающий проектные команды, генерирующий задания и адаптирующий учебные материалы. Это позволит повысить масштабируемость и управляемость AI, сохраняя контроль и юридическую ответственность в руках университета. В целом обещается повышение эффективности образовательного процесса через гармоничную интеграцию AI в существующие институты и учебные практики, а не радикальные перестройки.

CreateAI Builder построен как интегрированная кампусная платформа с поддержкой множества моделей — в частности указаны gpt-4o, claude-3.5, llama-3 и более 40 других моделей. Инфраструктура включает no-code конструктор чатботов и AI-продуктов, позволяющих загружать учебные материалы, задавать правила поведения модели и локализовывать AI-опыт под конкретный курс или сервис. Архитектура ориентирована на закрытое, управляемое окружение с интеграцией в LMS (например, Canvas) и с ролевая моделью распределения доступа по факультетам, преподавателям и студентам. Главная идея — modular AI role construction в контролируемом кампусном пространстве. AI не автономен, его поведения программируются и жестко регулируются. В этом смысле архитектура отражает паттерн hybrid governance с agenticity 2 по шкале Wave2 и MOD фасет оркестрации.

В архитектуре CreateAI Builder от Arizona State University выделяются минимум три типа ролей: (1) преподаватели, которые проектируют курсы и создают AI-опыт с помощью self-service конструктора, а также задают правила поведения моделей; (2) студенты и сотрудники, выступающие в роли конечных пользователей AI-инструментов и чатботов; (3) центральная IT-служба и офис инноваций, обеспечивающие управление инфраструктурой и оркестрацию доступа и данных. AI функционирует не как автономный агент, а как функциональная роль-конструкт, обеспечивающая различные задачи — генерация заданий, адаптация материалов, поддержка проектных групп. Такая диверсификация ролей поддерживает гибридную оркестрацию с контролем институциональных правил и распределением агентности. Это соответствует фасету MOD (модерация), где человеческий контроль и структурированное взаимодействие преобладают.

CreateAI выступает как «builder + course-bot», то есть как функциональный инструмент, позволяющий создавать специализированные чатботы и AI-сценарии под конкретные образовательные задачи. AI здесь не автономен, а выполняет вспомогательные, но разнообразные функции — генерация учебных кейсов, адаптация заданий, распределение ролей в групповых проектах. Агентность фиксируется как 2/6 по шкале Wave2, что соответствует функциональному AI внутри контролируемой институциональной среды без самостоятельного управления учебным циклом. Таким образом, AI в данном кейсе оформлен как ко-строитель учебного процесса и ассистент преподавателя, поддерживающий процесс преподавания и адаптации материалов, а не как самостоятельный образовательный агент.

Практика использования CreateAI строится вокруг self-service платформы, где преподаватель загружает учебные материалы и задаёт параметры поведения моделей для создания специализированных чатботов или AI-продуктов, интегрированных в кампусную инфраструктуру. Студенты взаимодействуют с этими ботами как с функциональными учебными ассистентами — получают задания, участвуют в генерации сценариев и кейсов. Центральная IT-служба обеспечивает техническую поддержку и контроль над правами доступа, а офис инноваций управляет нормативными вопросами и стратегическими интеграциями. Такой подход позволяет создавать множество специализированных AI-ролей под разные курсы и программы без потери управляемости и подчинённости институциональным политикам.

CreateAI функционирует в рамках жёстко управляемой институциональной среды, где университетская IT-служба и офис инноваций отвечают за развертывание и поддержку платформы, а также за соблюдение политик доступа и обработки данных. Проект опирается на governance-механизмы по контролю использования AI в образовательных процессах, включая распределение ролей (faculty, staff, студент) и соблюдение правил (например, ограничения диалога, обеспечение privacy). Университет формализовал эти процессы, создавая governance frameworks, обеспечивающие безопасность, комплаенс и прозрачность, что характерно для институционального контура интеграции AI в высшее образование [[A-governed-access]], [[autonomy-vs-control]].

CreateAI прошёл через этапы пилотирования и интенсивного внедрения с 2023 по 2025 год, после чего стал институциональным сервисом, масштабируемым на несколько факультетов и программ. За этот период произошла адаптация инструментов под реальные потребности пользователей: преподавателей, проектных команд и студентов. Появился устойчивый сервисный слой с поддержкой мульти-модельного AI-доступа и инструментов конфигурации чатботов. Хотя публичные метрики обучающего эффекта остаются закрытыми, платформа подтверждает свою жизнеспособность в рамках университета и переходит от технологии к промышленных масштаба использования.

Публичные данные по метрикам учебных эффектов от использования CreateAI обычно не раскрываются. Метрики сосредоточены на инструментальной оценке инфраструктурных характеристик и активности пользователей: широкий спектр доступных моделей (более 40), рост использования self-service среды, ускорение разработки курсов и повышение вовлечённости студентов. В отдельных программах (бизнес-школы, инженерные факультеты) фиксируется эффективность AI в проектных циклах, однако количественного доказательства прироста знаний или навыков нет. Аналогично, в кейсах UCLA и других университетов публично публикуются данные об отборе сценариев и активности, но не показателях learning gains. Это показывает типичную «слепую зону» метрик в современных институциональных AI-проектах.

Основные риски связаны с возможным goal-substitution — акцентом на ускорение и удобство разработки курсов за счёт поверхностного вовлечения AI без глубокого повышения знания/навыков студентов. Отмечается слабая прозрачность метрик и эффективность обратной связи, что может привести к занижению образовательных требований. Разделение ответственности между AI и преподавателем порождает потенциальные audit trail gaps. Также существует угроза vendor lock-in, учитывая привязку к некоторым облачным провайдерам и внешним моделям, что ограничивает автономию университета в будущем. Эти риски вызывают осторожность и требуют развития комплексных политик governance и аудита.

Метрики learning gains не публикуются — стандартная слепая зона кампусных порталов. В META-AUDIT это используется как пример того, что «инфраструктуризация» происходит без обязательной педагогической верификации.

Архитектурный паттерн «общий доступ + no-code builder + специализированные боты под факультет/курс/сервис» применим к любому крупному вузу с собственным IT. Главное условие — централизованное управление лицензиями моделей и базовая governance-рамка.

CreateAI отражает паттерн гибридной оркестрации, в котором AI получает функциональную роль с уровнем агентности 2/6 по шкале Wave2, выступая как ко-строитель учебного процесса, а не автономный агент. Такой сценарий иллюстрирует множественные фасеты системы — MOD по оркестрации, INST по педагогике, HYBR в контроле и сочетание бюджетных и внешних экономических мотиваций (BUD+EXT). В рамках теоретической сетки гипотез модель соответствует концепту «governed AI» или controlled AI access» [[A-governed-access]], где AI внедряется под управлением институциональной среды (см. гипотезы H1, H2 о фазовом развитии агентности) и относится к переходной фазе от инструментального AI к элементарным формам автономии. Кейсы создают основу для борьбы с «пузырём agentic AI» и подчеркивают важность нормативного контроля и социальной инфраструктуры в образовательных системах [[agent washing]] [[autonomy-vs-control]].

Остаётся неизвестным, как именно CreateAI измеряет и управляет качеством учебных результатов в долгосрочной перспективе, поскольку публичных метрик learning gains и исследований влияния AI на глубину освоения материала практически нет. Неясно также, насколько расширимым и адаптивным является self-service конструктор при увеличении количества пользователей и новых факультетов, и как меняется агентность AI при росте сложности сценариев и масштабов использования. Кроме того, не хватает данных о том, как именно распределяются полномочия между людьми и AI при перераспределении задач в групповых проектах и насколько AI способен влиять на организационные решения, а не только на оперативные операции по обработке контента.

В следующей волне важно получить данные по количественным метрикам образовательного эффекта (learning gains) с подробным описанием подходов к измерению и контролю. Особое внимание следует уделить анализу степени автономии AI в co-design процессах — например, при перераспределении задач в проектных циклах, и выяснить динамику изменения агентности от 2/6 в сторону более высоких уровней при расширении функциональности и интеграции. Также необходимо исследовать эффективность governance-механизмов, механизмов контроля качества контента и ролей пользователей для оценки потенциала перехода от инструментальных AI-средств к агентным платформам с полной институциональной адаптацией. Связь с теоретической рамкой phased transition требуется уточнения с реализацией кейса в долгосрочной институциональной практике.

Наиболее надёжным источником информации о CreateAI являются официальные публикации Arizona State University, включая технические описания и релизы платформы CreateAI Builder, а также отчёты и документы, связанные с поддержкой инфраструктуры и ролями AI внутри университета. Дополнительная верификация проводится за счёт независимых аудитов и сравнений с другими университетскими кейсами Wave 1–4, опубликованными в материалах Prompt 4, что подтверждает консистентность представленных данных. Некоторые публичные метрики недоступны, что снижает прозрачность, но в целом информация можно считать подтверждённой на уровне кампусного внедрения и архитектурной зрелости.