ИИ для вуза – где он помогает администрации, кафедрам и студентам

Вуз – это много повторяющейся работы с документами. Приказы, отчеты, расписания, заявки на гранты, ответы абитуриентам, портфолио, аккредитационные формы. Часть этой работы хорошо ложится на ИИ-агентов, часть требует человека, а часть лучше вообще не трогать. В статье разобрано, с чего начинать вузу, какие процессы дают результат раньше остальных и какие границы нужно установить заранее, пока первый агент еще не запущен.

Почему вузу нужен отдельный подход

Вуз отличается от коммерческой компании по нескольким причинам. Во-первых, здесь много персональных данных студентов, абитуриентов и сотрудников, а часть из них относится к данным несовершеннолетних. Во-вторых, документы подчиняются внутренним положениям и внешним требованиям, которые различаются у каждого вуза. В-третьих, решения принимаются коллегиально, и «внедрить» что-либо сверху бывает трудно. Это мнение автора, а не результат исследования.

Поэтому разумно начинать не с платформы на весь вуз, а с одного процесса в одном подразделении, где есть понятный владелец и измеримый результат.

Процессы, которые подходят для первого шага

Ниже перечислены направления, где агент может готовить материалы на проверку человеку.

Подготовка черновиков отчетов по готовым таблицам показателей кафедры или института.
Сбор сведений для заявок на гранты и конкурсы из открытых источников и внутренних справок.
Ответы на типовые вопросы абитуриентов по правилам приема, которые уже опубликованы на сайте вуза.
Поиск и сопоставление публикаций сотрудников с требованиями к отчетности.
Подготовка методических материалов, примеров и заданий, которые преподаватель правит и утверждает.
Анализ открытых данных о вузе и конкурентах для стратегической сессии.

Во всех случаях агент готовит, а человек принимает. Ответ абитуриенту должен опираться только на опубликованные правила, а при сомнении агент передает вопрос сотруднику.

Преподаватель и студент

Отдельная тема – использование ИИ в учебном процессе. Здесь важны правила, которые вуз устанавливает сам. Преподавателю ИИ помогает быстрее готовить варианты заданий и разборы типичных ошибок. Студенту он может работать как репетитор, который задает наводящие вопросы и не выдает готовый ответ. Мнение автора состоит в том, что запрещать инструмент менее эффективно, чем честно обсудить, где его использование допустимо и как оно оформляется. Если вуз принимает решение о правилах, их стоит записать коротко и разместить там, где их увидят и студенты, и преподаватели.

Данные и безопасность

Для вуза главный вопрос – куда уходят данные. Если в запрос к модели попадают ФИО, номера телефонов, оценки или сведения о здоровье, вуз как оператор персональных данных несет обязанности по 152-ФЗ. Закон отдельно выделяет специальные категории данных, к которым относятся сведения о состоянии здоровья (статья 10), и биометрические данные (статья 11). Условия обработки и согласие субъекта описаны в статьях 6 и 9, меры защиты – в статье 19.

Передача данных за границу регулируется статьей 12 «Трансграничная передача персональных данных». Кроме того, статья 18 устанавливает требования к использованию баз на территории России при сборе персональных данных граждан России. Подробности и исключения смотрите в действующей редакции этих статей. Практический вывод для вуза состоит из трех правил.

Не отправлять персональные данные в зарубежные сервисы, пока юрист вуза не подтвердил, что это допустимо.
Заменять фамилии и контакты метками до отправки в модель.
Использовать модели, которые работают на серверах в России, когда данные обезличить нельзя.

Какая модель подходит для конкретной задачи, зависит от требований и проверяется отдельно. Обезличивание само по себе не отменяет проверку – если по оставшимся сведениям человека можно узнать, данные остаются персональными. Перед внедрением в любом случае нужна консультация юриста вуза, а решения по правам на разработки и по конфликту интересов принимаются на уровне руководства.

Как организовать пилот

Практичный план выглядит так. Выберите подразделение и процесс, который повторяется не реже раза в месяц. Опишите его по шагам вместе с исполнителем. Определите, какие данные участвуют и можно ли обойтись без персональных. Установите критерий успеха в часах или в количестве ошибок. Запустите агента на тридцать дней в режиме «готовит и показывает». Затем сравните результат с исходным замером и решите, расширять ли применение. Срок в тридцать дней – рекомендация автора, а не норма.

Такой подход снижает риск, потому что вы платите временем одного подразделения, а не масштабным проектом. И он дает коллегам понятный пример, а не презентацию.

Чек-лист для проректора или директора института

Выбран один процесс и назначен его владелец.
Описаны входные документы и итоговый результат.
Определено, есть ли персональные данные, и есть ли способ их обезличить.
Согласован перечень сервисов и моделей, которые разрешены, и подтверждено, где физически хранятся данные.
Установлено правило проверки результата человеком.
Подготовлено короткое положение об использовании ИИ для сотрудников и студентов.
Зафиксирован замер «до» и дата замера «после».
Проверено, чьи права возникают на разработанные материалы и программы.

Чего не делает ИИ

Не заменяет решение ученого совета, кафедры или комиссии.
Не оценивает научный вклад и не определяет авторство.
Не гарантирует точность библиографических ссылок и цитат без проверки.
Не знает внутренних положений вуза, пока ему не предоставлены тексты.
Не отвечает за ошибку в отчете, который ушел в министерство.
Не заменяет защиту информации, резервное копирование и разграничение доступа.
Не дает юридического заключения о законности обработки данных.

Пример на вымышленной организации

Пример вымышленный, организации и люди в нем не существуют, цифры не приводятся. Представим вымышленный институт, где методист каждую осень собирает сведения для отчета из десятка таблиц кафедр. Сначала методист вместе с аналитиком описывает процесс. Какие таблицы приходят, в каком виде, что нужно получить на выходе. Затем агенту в режиме чтения дают обезличенные таблицы и просят подготовить черновик раздела отчета со ссылкой на источник каждой цифры. Методист сверяет черновик с таблицами, правит формулировки и сдает отчет. В конце месяца сравнивают, сколько времени заняла подготовка по сравнению с прошлым годом и сколько правок потребовалось. Если выигрыш виден, процесс переносят на другой отчет. Если нет, выясняют причину, например нечеткий вход.

Частые вопросы

Можно ли использовать ИИ при приеме абитуриентов?

Для ответов на типовые вопросы по опубликованным правилам приема можно, если агент опирается только на официальные документы и передает сложные случаи сотруднику. Решения о зачислении агент не принимает. Переписка с абитуриентами содержит персональные данные, поэтому нужны законное основание для обработки (например, согласие по статье 9 152-ФЗ) и защита. Для несовершеннолетних порядок согласия уточните у юриста.

Как быть с академической честностью?

Универсального ответа нет. Мнение автора состоит в том, что вузу полезно записать правила для заданий. Где ИИ разрешен, где запрещен и как указывать его использование. Эти правила лучше обсудить с преподавателями, чтобы они работали на практике.

Нужно ли вузу покупать платформу?

Не обязательно. Для первого шага достаточно одного процесса и простого агента. Платформа имеет смысл, когда процессов станет много и появится общая потребность в управлении доступом и журналами.

Кто владеет правами на разработанные материалы?

Вопрос зависит от договоров, положений вуза и трудовых отношений сотрудников. Его нужно прояснить до начала работы с юристом вуза. В статье ответ на него намеренно не приводится.

Что предлагает Интелликс

Для вузов подходит аудит «Карта ИИ-агентов», где разбираются три–пять процессов подразделения. Для сотрудников есть практикум с правилами безопасной работы. О том, как работать с моделями и не отдавать им лишние данные, рассказывает страница безопасного ИИ. Вопросы по закону о персональных данных можно обсудить на консультации «ИИ в организации и 152-ФЗ». Условия для вузов обсуждаются отдельно.

Источники

Федеральный закон от 27.07.2006 N 152-ФЗ «О персональных данных». Названия статей 6, 9, 10, 11, 12, 18, 19 сверены с оглавлением на сайте КонсультантПлюс 25.10.2026. Содержание статей сверяйте с действующей редакцией на КонсультантПлюс.
Особенности вуза, список процессов и организация пилота – мнение автора.
Состав услуг – страницы продуктов на сайте Интелликс.
Раздел «Пример на вымышленной организации» – иллюстрация, реальные организации и данные не использованы.
Раздел «Частые вопросы» – мнение автора, не юридическая консультация.

Автор – команда Интелликс