К содержимому
Уральский федеральный университетУральский федеральный университет
← Все семинары

Семинар #2 · 30 апреля 2026 · Установочный доклад + 4 доклада

Замысел AI Native: лестница, проекты, доклады

Установочный доклад о замысле AI Native, 5-уровневая лестница институционализации и карта из 8 проектов УрФУ; затем — доклады по ассистентам, локальной LLM, агентной производительности и аналитическим запискам.

1

Установочный доклад: замысел AI Native и мультиагентные системы

Ведущий семинара

Слайд 1 из 27 — Установочный доклад: замысел AI Native и мультиагентные системы
1 / 27

Рамка всего цикла: путь «классический университет → AI-native», лестница из 5 уровней, два вектора (автоматизация vs трансформация), фабрика агентов и карта проектов.

  • AI Native — не автоматизация существующих процессов, а реорганизация деятельности вокруг агентного ядра; автоматизация — нижний уровень.
  • Лестница 5 уровней: реактивный и инструментальный пройдены, координационный в работе, цель — организационный (2027) и трансформационный (2028+).
  • Окно возможностей: ~80% студентов уже используют ИИ, ~20% преподавателей; практики не институционализированы; ИРИТ-РТФ (~7000 студентов) — полигон трансформации.
  • Фабрика агентов: четыре оркестратора (деканат / тьютор / аватар / профессор); ядро — «NotebookLM для агентов», Living Lab (open-source-ядро + контракт встраивания + реестр агентов).
  • Принцип субъектности: агенты снижают неопределённость и предлагают варианты — выбор и ответственность остаются за человеком.
  • Карта из 8 направлений: локальная LLM, платформа ИИ-агентов, деканат-оркестратор, ИОТ-агенты, ИИ-прокторинг устного экзамена, педагогические проекты и др.
Затронутые вопросы
  • Какие 2–3 KPI программы развития закрывает платформа и при каком пороге студентов/подпроектов она окупается институционально?
  • Как зафиксировать удачный прецедент как воспроизводимый «контракт встраивания» для других институтов?
  • Чем агентное ядро становится исследовательским инструментом, а не только сервисным?
2

Университетские ИИ-ассистенты в образовательной модели

Докладчик

Где цифровой тьютор/профессор закрывает «дыры» образовательной модели быстрее, чем найм и переподготовка ППС.

  • Ассистенты — способ масштабировать присутствие преподавателя, а не подменять его.
  • Ключевое — измеримый прирост образовательного результата и риск-карта «усиление vs подмена».
Затронутые вопросы
  • Где в образовательной модели ассистент даёт измеримый прирост — успеваемость, скорость освоения, удовлетворённость?
  • Где ассистент усиливает преподавателя, а где начинает подменять?
  • Какие данные собирать в файле курса, чтобы сравнивать эффект между курсами и потоками?
3

Локальная LLM УрФУ

Докладчик

Зачем нужен суверенный слой: сценарии, которые нельзя реализовать на внешних API — персональные данные, экзамены, аналитика по студентам.

  • Локальная LLM — точка входа для партнёров (например, ТюмГУ) и основа воспроизводимости экспериментов (фиксация версии модели).
  • Открытый вопрос — TCO суверенного слоя против внешних API и точка безубыточности.
Затронутые вопросы
  • Какие сценарии требуют именно суверенного слоя?
  • TCO локальной LLM vs внешние API при заданном объёме запросов — где точка безубыточности?
  • Как локальная LLM обеспечивает воспроизводимость экспериментов (исследовательскую ценность)?
4

Агентная производительность: грант за 2 недели и адаптация под ВКР

Докладчик

Кейс резкого роста производительности с агентным контуром и что это говорит о процессах, которые можно так же «сжать».

  • Пример: подготовка гранта в сжатые сроки без большой команды; адаптация образовательных траекторий под ВКР.
  • Фокус — переиспользуемая методика работы с агентным контуром для других подразделений.
Затронутые вопросы
  • Какие процессы УрФУ можно ускорить в 5–10× при текущей кадровой ситуации?
  • Какие 2–3 узких места бюрократии можно снять агентным контуром за 6 месяцев?
  • Как зафиксировать практику как переиспользуемую методику?
5

Аналитические записки: принципы работы

Докладчик

Метод аналитической записки как инструмент управленческой аналитики и как сделать его общеуниверситетской практикой.

  • Записки закрывают дефицит управленческой аналитики.
  • Как из папки одного аналитика собрать общую базу знаний, не теряя авторства и контекста.
Затронутые вопросы
  • Как замерить качество записки и сравнимость подходов разных авторов? Какой эталон?
  • Какая часть метода уже готова к промышленному использованию как режим работы платформы?

Итоги и решения

Сквозной вопрос семинара: на каких 3 показателях AI-native УрФУ «увидит себя» к декабрю 2026 — и какой доклад какую метрику закрывает?

Открытый доступ. Материалы обезличены: имена участников в разборах заменены на роли.