Hva skjedde
Forbes rapporterer at MITs ad hoc-komité for bruk av kunstig intelligens i undervisning, læring og forskningsopplæring har bedt om en bred redesign av høyere utdanning, som går utover snevre debatter om juks. Anbefalingene inkluderer AI-bevisste kurs, redesignede vurderinger, eksplisitte regler for når studenter kan eller ikke kan bruke AI, sterkere bolig- og praktisk læring og permanente mekanismer for revisjon av retningslinjer. Komiteen ble dannet i januar 2026, ifølge Forbes. MITs primære rapport og komiteens anbefalinger ble ikke uavhengig gjennomgått for denne artikkelen.
Forbes rapporterer at MITs ad hoc-komité for bruk av kunstig intelligens i undervisning, læring og forskningsopplæring ga ut en rapport 25. august 2026, etter å ha blitt dannet i januar. I følge Forbes ble komiteen bedt om å vurdere AI-bruk av fakultetet og studenter, identifisere nye tilnærminger til undervisning og vurdering, og foreslå en policy for bruk av AI. De endelige anbefalingene gikk videre, og spurte hva studenter burde lære og hvordan institusjoner kan verifisere denne læringen når generativ AI kan skrive, kode, oppsummere, analysere og simulere. Forbes siterer MIT-president Sally Kornbluth som beskriver øyeblikket som et "vannskille" for MIT og høyere utdanning. Den primære MIT-rapporten ble ikke gitt i kildematerialet, så innholdet er ikke uavhengig bekreftet her.
Forbes sier at komiteens svar har tre brede elementer. Kurs og programmer bør bli "AI-bevisste", boligutdanning og menneskelig fellesskap bør få større oppmerksomhet, og MIT bør skape kontinuerlige mekanismer for eksperimentering og revisjon. Artikkelen rapporterer at hvert kurs kan angi om studentene kan bruke AI, må bruke det til spesielt arbeid, eller må unngå det helt. Forbes gir eksempler, inkludert å tillate AI-kritikk i et skrivekurs mens det forbys det for et innledende utkast, krever algoritmekonstruksjon uten hjelp før kodemidler introduseres, og tillate AI-assistert laboratorieanalyse samtidig som fysiske eksperimenter og personlig forsvar av konklusjoner beholdes.
Forbes rapporterer også at MITs Teaching and Learning Lab har publisert eksempler på denne tilnærmingen. I ett språkkurseksempel lager studentene sin egen oversettelse, sammenligner den med en AI-generert versjon og analyserer maskinens valg. I en annen sammenligner en datavisualiseringsoppgave et AI-assistert forsøk med arbeid utført ved hjelp av instruktørveiledning, og avslører situasjoner der modellen sliter. Disse eksemplene posisjonerer AI som et studieobjekt eller et kontrollert verktøy i stedet for en usynlig erstatning for læring. Forbes tilbyr ikke uavhengig testing av disse oppgavene, deres resultater eller deres adopsjon på tvers av MIT-kurs.
Hvorfor det betyr noe
Det sentrale spørsmålet er om tradisjonelle essays, kode, prosjekter og annet ferdig arbeid fortsatt gir pålitelig bevis på hva en student kan gjøre når generativ AI kan produsere mye av det arbeidet. Forbes rapporterer at MIT ønsker at nyutdannede skal bli dyktige AI-brukere samtidig som de beholder dømmekraft, teknisk forståelse og evnen til å jobbe uten automatisert assistanse. Den foreslåtte tilnærmingen kan påvirke hvordan universiteter vurderer læring og hvordan arbeidsgivere vurderer ferdigheter, selv om kilden ikke fastslår hvor bredt MITs anbefalinger vil bli adoptert.
Det umiddelbare institusjonelle problemet, slik Forbes formulerer det, er vurdering. Et ferdig essay, svar eller programvareprosjekt avslører kanskje ikke lenger så mye om personen som produserte det når et AI-system kan generere et plausibelt resultat. Forbes siterer anbefalinger fra Stanfords Accelerator for Learning og ETS, utviklet etter en sammenkalling av mer enn 100 utdannings-, forsknings- og politiske ledere, som krever porteføljer, samtaler, ytelsesoppgaver, formativ tilbakemelding og demonstrasjoner av kompetanse. Forbes beskriver også University of Sydneys rapporterte to-felts vurderingsmodell, som kombinerer sikkert arbeid beregnet på å verifisere uavhengig evne med tillatt verktøyarbeid beregnet på å bygge realistisk AI-flyt. Disse sammenligningene er rapportert av Forbes og er ikke uavhengig bekreftet her.
Forbes rapporterer at MIT ikke tar til orde for en generell retrett fra AI. Det foreslåtte skillet er mellom arbeid der studentene må bygge grunnleggende evner uten assistanse og arbeid der de skal lære å bruke AI effektivt, evaluere resultatet og gjenkjenne dets begrensninger. Dette betyr noe fordi nyutdannede kan trenge begge typer kompetanse: uavhengig dømmekraft for beslutninger med høy innsats og praktisk flyt med verktøy som brukes på arbeidsplasser. Forbes kobler det samme problemet til selskaper, og argumenterer for at organisasjoner kan ta i bruk AI-verktøy uten å gjenoppbygge opplæring, ledelse, kvalitetskontroll og ytelsessystemer rundt dem.
Artikkelen siterer en metaanalyse fra mars 2026 av 35 eksperimentelle studier med 4 193 deltakere og en separat systematisk oversikt over 67 studier. Forbes sier at den første fant en moderat positiv total effekt av ChatGPT-bruk på læringsutbytte, mens den andre fant at strukturert undersøkelse, refleksjon og evaluering kunne støtte kritisk og kreativ tenkning; mindre strukturert bruk var assosiert med kognitiv avlastning og svakere tenkning. Disse funnene presenteres gjennom Forbes, ikke uavhengig bekreftet fra studiene i den medfølgende kilden. De fastslår heller ikke at MITs foreslåtte retningslinjer vil forbedre læring på tvers av fag eller studentpopulasjoner.
Interaktiv mekanisme: Hvordan det faktisk fungerer
Utforsk den underliggende teknologien bak denne utviklingen interaktivt.
Why can ethical evaluation not be reduced to one model score?
Hva du skal se neste
Nøkkeltesten vil være implementering. Se om MIT publiserer detaljerte kursretningslinjer, endrer vurderingspraksis, utvider muntlige eller praktiske demonstrasjoner og måler hvordan disse endringene påvirker læring og akademisk integritet. Forbes peker også på en mulig to-felts tilnærming: noe arbeid bekrefter evnen uten hjelp, mens annet arbeid tillater AI i realistiske omgivelser. Det er fortsatt ukjent hvilke anbefalinger MIT formelt vil vedta, hvor mye de vil koste, og om bevis fra andre institusjoner støtter den spesifikke modellen beskrevet.
Implementering vil avgjøre om forslaget er en reell pedagogisk redesign eller hovedsakelig et nytt lag med kursdokumentasjon. Se etter MITs endelige policyspråk, antall og typer kurs som tar i bruk forskjellige AI-regler, og om studentene får konsekvente forklaringer om tillatt bruk. Praktiske indikatorer vil inkludere mer muntlig forsvar, veiledet problemløsning, laboratoriearbeid, mapper eller andre vurderinger som avslører resonnement i stedet for bare ferdige resultater. Kilden sier ikke hvilken av disse praksisene MIT vil kreve, hvor raskt endringer vil skje, eller om de vil gjelde på tvers av instituttet.
Forbes rapporterer at MIT ønsker å beskytte boliglæring og relasjoner mellom studenter og fakulteter ettersom informasjon, veiledning, utarbeidelse og kodingshjelp blir mer rikelig. Se om dette fører til målbare investeringer i laboratorier, teamprosjekter, diskusjonsbasert undervisning og fakultetsutvikling, snarere enn bare en retorisk vektlegging av menneskelig tilknytning. Forbes sier også at MIT planlegger disiplinbaserte praksisfellesskap for å hjelpe fakultetet med å bruke AI på en ansvarlig måte i forskning. De praktiske spørsmålene er hvem som skal drive disse fellesskapene, hvilke standarder de vil sette, og hvordan instituttet vil håndtere forskjeller mellom feltene.
Den bredere testen er om andre universiteter og arbeidsgivere behandler MITs tilnærming som en nyttig mal. Forbes trekker en parallell til bedriftens AI-adopsjon og siterer Microsoft-undersøkelsesfunn som mange brukere ser på AI-utgang som et utgangspunkt og verdsetter kvalitetskontroll og kritisk tenkning. Den siterer også et PwC-funn om at arbeidere med AI-ferdigheter mottok en gjennomsnittlig lønnspremie i rapportens data. Disse tallene beviser ikke at MITs modell vil oversettes til arbeidsplasser. Ukjente inkluderer kostnadene ved redesignet vurdering, effekter på tilgang og studentarbeidsmengde, påliteligheten til AI-deteksjonsmetoder og hvordan institusjoner vil verifisere læring uten å skape overdreven overvåking.