Содержание статьи

Студенты бросают курс на середине, и причины у этого приземлённые. Темп чужой, материал не цепляет, и в тот момент, когда человек застрял, рядом никого нет. Вместе с ушедшими студентами школа теряет отзывы, повторные продажи и сарафанное радио, которое начинает работать против неё.

AI меняет эту механику, потому что система видит каждого студента отдельно и замечает, что он остановился, не понял тему или уже собрался уйти, причём замечает до того, как он нажал «отписаться». Рамку «алгоритм вместо преподавателя» я бы отложил сразу. Она уводит в тупик.

Я трекер и смотрю на школу как на операционную систему, поэтому дальше речь пойдёт о том, что в EdTech работает сейчас: об инструментах и решениях, которые собственник онлайн-школы или учебного центра может проверить у себя без хайпа про «революцию образования».

Обновлено: 15 октября 2026

Почему EdTech сейчас сложнее, чем два года назад

Рынок онлайн-образования в России стал теснее: игроков больше, и внимание аудитории делится между ними всё мельче. Грубо говоря, торт остался тем же, а людей за столом прибавилось, и каждый следующий кусок достаётся дороже предыдущего.

Привлечение студента дорожает. Удержание остаётся единственным преимуществом, которое школа контролирует сама, без бюджетного взрыва. Конверсия из лида в покупателя тоже страдает, потому что люди стали осторожнее после волны «курсов, которые ничего не дали».

У многих школ воронка набита сверху и сливается посередине, и на разборах я прошу назвать модуль, на котором уходит больше всего людей, без выгрузки и без догадок. Если без выгрузки ответа нет, школа своих студентов пока не видит. Главная задача AI здесь в том, чтобы замкнуть петлю обратной связи между студентом и учебным продуктом в реальном времени, а быстрый контент идёт приятным бонусом.

Как это выглядит вживую, я видел на трекинге онлайн-школы, где старший куратор на первой же встрече сказал, что не понимает, какие задачи ставить своему отделу. Я попросил назвать, сколько учеников учится прямо сейчас, одновременно: «Десятки, сотни, тысяча, сколько?» Назвали около тысячи. Школа собиралась кратно вырасти, поэтому следующий вопрос был уже про кураторов: пропустит ли отдел тем же составом и на тех же инструментах в несколько раз больше людей. Пока его обсуждали, тысячу пересчитали по группам, которые учатся сейчас, и вышло почти вдвое меньше: в неё попали и те, кто давно закончил курс без сертификата. Из этого разговора и выросла задача пересобрать работу кураторов под будущий поток. Платформа с поведенческими данными делает такой пересчёт за секунды, только сначала школе нужно захотеть его увидеть.

Дальше пройдём по слоям и посмотрим, где эта петля уже работает.

Адаптивное обучение: что это значит на практике

«Адаптивное обучение» красиво звучит на слайдах инвесторов, а смысл проще всего увидеть на двух сценариях.

Сценарий А. Студент открывает третий модуль и сорок минут смотрит видео, но блок про финансовое моделирование так и не понимает. Он закрывает вкладку и говорит себе, что разберётся потом. «Потом» не наступает.

Сценарий Б. Тот же студент в том же модуле трижды перематывает один и тот же фрагмент, и платформа это видит. Через пятнадцать минут в чат приходит сообщение о том, что раздел про DCF, похоже, вызывает вопросы, а рядом короткий разбор в другом формате и задача на закрепление. Студент продолжает.

Смотрите, студент один и тот же, модуль тот же, и разница только в том, что во втором случае у школы есть данные и автоматическая реакция на них. В этом вся адаптивность.

Технически под этим лежат несколько слоёв:

  • Трекинг поведения внутри платформы: где студент останавливается, что перематывает и сколько сидит над заданием
  • Модель «риска отвала»: алгоритм, который заранее предсказывает уход студента
  • Триггерные сценарии: автоматические действия, когда риск перевалил за порог

Самые известные примеры такой логики дают языковые приложения, где сложность и формат заданий подстраиваются под историю ошибок конкретного пользователя.

Небольшой школе собственный алгоритм ни к чему, хватит платформы с такой логикой или триггерных цепочек в действующем LMS. Готовые решения на рынке есть, и стоимость входа зависит от платформы и числа студентов. Без поведенческих данных школа лечит отвал наугад, поэтому я начинаю с проверки того, видно ли сейчас вообще, где студент перематывает и где бросает.

AI-тьютор: где он реально помогает, а где нет

В сложных дисциплинах живого преподавателя AI-тьютор не заменит, так устроено само обучение. Когда студент разбирает кейс по управлению командой, ему нужна реакция на его ситуацию, на контекст, который стоит за вопросом, и одного текста запроса тут мало.

Там, где задача повторяемая и структурированная, картина обратная. AI-тьютор работает здесь лучше живого куратора: он доступен в 2 часа ночи, не раздражается на одинаковые вопросы и пятисотому студенту отвечает так же полно, как первому.

Где он даёт результат, который можно измерить:

  • Проверка домашних заданий с развёрнутой обратной связью, и с кураторов уходит большой кусок нагрузки
  • Ответы на вопросы по программе, ведь значительная часть из них типовая
  • Напоминания и мотивирующие сообщения в нужный момент, по поведению студента, без жёсткого расписания
  • Адаптивные тесты, которые усложняются или упрощаются в зависимости от результата

Где AI-тьютор не справляется:

  • Разбор нестандартных кейсов
  • Эмоциональная поддержка студента в кризисный момент («я не понимаю ничего и хочу сдаться»)
  • Оценка мягких навыков, будь то выступления на публике, переговоры или лидерство

Роль куратора от этого меняется. Рутину берёт на себя AI, а куратор перестаёт отвечать на всё подряд и подходит к тем студентам, у которых что-то пошло не так, и чем раньше он их видит, тем дешевле школе обходится каждый удержанный человек.

Автоматизация продаж и маркетинга в EdTech

Продажи образовательных продуктов устроены иначе, чем продажи большинства B2C-товаров, потому что цикл решения длиннее. Человек изучает программу, читает отзывы, сравнивает с альтернативами и в какой-то момент делает паузу.

В маркетинге AI работает на нескольких уровнях сразу, и смотреть их удобнее по отдельности.

Персонализированные воронки

Стандартная воронка одинакова для всех. После заявки человек попадает на вебинар, с вебинара в продажу.

AI-воронка сначала смотрит, какой раздел лендинга человек изучал дольше, что скачивал и какие темы смотрел на YouTube, если есть интеграция с рекламным кабинетом. По этим данным письма, ретаргетинг и предложения расходятся по сегментам, и каждый сегмент получает своё предложение в своё время.

Predictive scoring лидов

AI-модель присваивает каждому лиду скор, то есть вероятность покупки. Менеджеры звонят тем, у кого скор выше порога, а остальных ведёт автоматика. Время менеджера уходит на тех, кто готов покупать, и отдел продаж справляется с тем же потоком без роста штата, вместо того чтобы обзванивать каждого, кто просто скачал чек-лист.

Генерация и тест контента

Онлайн-школы тратят много сил на статьи, посты и рассылки, и AI-инструменты вроде GPT-4, Claude или Gemini в связке с редактором заметно сокращают время на единицу контента. Условие одно: редактор с экспертизой в теме, потому что без экспертной правки AI выдаёт поверхностный, а иногда и фактически неверный текст.

AI и создание образовательного контента

С контента, пожалуй, начинает большинство школ, и как раз здесь есть нюансы, о которых редко говорят вслух.

Текст с AI собирается в разы быстрее. Конспект лекции, расшифровка вебинара, тест по теме или сценарий модуля делаются за часы, хотя раньше на них уходили дни.

Обратная сторона в том, что контент, написанный AI без предметной экспертизы, студенты чувствуют. Технически такой текст гладкий и по форме без ошибок, только в нём нет конкретики, живых примеров и тех ошибок из практики, ради которых человек вообще платил эксперту. Всё правильно, а внутри пусто.

Рабочая модель выглядит так. Эксперт записывает голосовой черновик или делает заметки, AI транскрибирует и структурирует их, редактор добавляет конкретику и правит фактуру, и только после этого AI генерирует тесты, задания и дополнительные материалы.

При таком подходе курс собирается быстрее, а качество держится, пока экспертиза остаётся в контуре и за фактуру эксперта в курсе отвечает конкретный человек.

Отдельная история с видео на AI-аватарах. Synthesia, HeyGen и российские аналоги позволяют обновлять курс без студии и съёмок, и минута такого видео обходится заметно дешевле студийной. Я бы всё же не ставил аватары в ниши, где доверие к эксперту критично, например в психологию, медицину или финансы: там живое лицо преподавателя продаёт и удерживает само по себе.

Ошибки при внедрении AI в образовательный бизнес

Ошибок несколько. Почти все они сидят в процессе, инструмент тут вторичен.

Начинают с инструмента, задачу ищут потом. Звучит это как «давайте подключим ChatGPT», и никто не может сказать, что именно он должен делать и как измерить результат. Без привязки к метрике, будь то доходимость, NPS или конверсия, AI-инструмент превращается в интересный, но дорогой эксперимент.

Автоматизируют плохой процесс. Если воронка продаж или учебный процесс работают плохо, AI просто ускорит движение не туда. Сначала процесс, потом автоматизация.

Игнорируют данные. Без данных о поведении студентов AI остаётся тем же ChatGPT в браузере, и большинство решений работают вхолостую, пока трекинг не настроен.

Перегибают с автоматикой в продажах. Студенты чувствуют разницу между «мы увидели, что у тебя возникли вопросы» и «робот прислал шаблонное письмо». Автоматика должна читаться как внимание к человеку, и как только она начинает походить на спам, доверие уходит.

Команду не учат. Кураторам и менеджерам с AI-инструментами придётся учиться новому, прежде всего читать данные и понимать, что стоит за сигналом, а иногда и самим настраивать сценарии. Купить лицензию в расчёте, что «само заработает», не получится.

Похожую историю я разбирал с собственником другой онлайн-школы, только деньги там ушли на чужую экспертизу. Крупная сумма досталась наставнику, ещё одна консалтингу по отделу продаж. Консультанты провели аудит примерно на полторы сотни пунктов, и из них в школе нашлось около десятка. Внедрение встало. Подобранный ими руководитель продаж так ничего и не выстроил. Потом случились кассовый разрыв и пауза. Я сказал тогда, что нанятый со стороны человек не придёт и не выстроит всё за них. Собственник сам прикинул, что те же деньги лучше было вложить в своих людей и рекламный бюджет, и я договорил его мысль: тогда было бы с чем работать.

Экономят на редактуре AI-контента. Так репутация продукта падает быстрее всего. Студенты платят за экспертизу, и скорость производства их мало волнует.

Чек-лист готовности к внедрению AI в образовательный бизнес

Прежде чем выбирать инструменты, пройдитесь по базе и отметьте, что у вас уже есть. Отвечайте честно. Это для вас, не для отчёта.

Данные и инфраструктура:

  • LMS показывает поведение студентов глубже, чем «процент прохождения»
  • Трекинг активности настроен: видно заходы, время на модуле и результаты тестов
  • CRM связана с учебной платформой, и лид, студент и выпускник лежат в одной цепочке

Процессы:

  • В создании контента понятно, кто эксперт, кто редактор и кто отвечает за производство
  • Путь студента от первого урока до финала описан, и вы знаете, где он обрывается
  • Доходимость, NPS и повторные покупки считаются регулярно

Команда:

  • Кураторы отличают рутину от случаев, где нужен живой человек
  • За AI-инструменты отвечает конкретный человек, без формулы «все понемногу»

Финансы:

  • Юнит-экономика посчитана, включая стоимость студента, LTV и точку окупаемости
  • В бюджет заложены инструменты, настройка и 3 месяца тестирования

Если какой-то пункт отметить не получается или вы не уверены, сначала закрывайте его, лицензии подождут.

Часто задаваемые вопросы

В школе AI закрывает персонализацию, рутину и производство контента. С персонализацией так: система отслеживает поведение каждого студента и подстраивает под него контент, темп и поддержку. Рутина включает ответы на типовые вопросы, напоминания, проверку заданий по шаблону и триггерные письма, когда активность падает. В контенте AI берёт на себя расшифровку, структуру, тесты и дополнительные материалы. Хороший процесс он усиливает, а слабый учебный продукт просто быстрее покажет во всей красе.

Адаптивным называют обучение, при котором платформа меняет контент, сложность и формат под конкретного студента прямо по ходу курса. AI смотрит, где студент делает паузы, что перематывает и как отвечает на тесты, и по этим данным предлагает ему другой путь через материал. Например, если студент трижды ошибся в задании на одну тему, система сама даёт объяснение в другом формате и не двигает его вперёд с пробелом. Небольшой онлайн-школе для этого хватит готовой платформы с адаптивной логикой.

Транскрибация вебинаров, структура материала, тесты и конспекты занимают у AI часы вместо дней, поэтому выходит быстрее и дешевле классической схемы. Условие одно: экспертная правка, потому что без редактора с предметными знаниями AI выдаёт материал правильный по форме и пустой по содержанию. Сначала эксперт даёт фактуру, потом AI её структурирует и масштабирует, а редактор в конце проверяет.

Персонализация строится на поведенческих данных. Система собирает, сколько времени студент провёл на каждом модуле, где остановился, какие задания сделал правильно с первого раза, а где понадобилось несколько попыток. По этому профилю AI выстраивает индивидуальный путь: одним больше практики, другим дополнительные объяснения, третьим ускоренный темп по уже знакомому материалу. В итоге студент не скучает на слишком простом и не бросает на слишком сложном.

AI-тьютором называют чат-бота или ассистента внутри платформы, который отвечает на вопросы студентов по программе, объясняет материал, помогает с заданиями и даёт обратную связь. Главный плюс в доступности круглые сутки без роста штата: первому и пятисотому студенту он отвечает одинаково полно в любое время. С типовыми вопросами он справляется хорошо, а сложные кейсы, эмоциональная поддержка и нестандартные ситуации остаются за живым куратором. AI берёт рутину, куратор работает там, где нужен человек.

В стоимость входят LMS с аналитикой поведения, AI-инструменты для контента и поддержки и триггерная автоматика на почте и в мессенджерах, плюс разовая настройка и интеграции. Итог зависит от размера школы и набора инструментов, стоимость обсуждаем на диагностике. Окупаемость я считаю только через то, что доходимость меняет в деньгах. Студенты, которые уже оплатили поток, выручку не прибавят, поэтому в расчёт идут меньшее число возвратов, дополнительные покупки следующего продукта или следующей части курса и рекомендации от тех, кто дошёл до конца. Из этой суммы вычитаются расходы на инструменты и настройку. Считать всё это стоит по марже.

Удерживает AI за счёт раннего обнаружения риска и автоматической реакции: модель оценивает вероятность ухода заранее, пока студента ещё можно вернуть. Сигналы риска такие: пауза дольше трёх дней, незавершённое задание, снижение времени на платформе, молчание в ответ на предыдущие сообщения. Когда порог пройден, студенту сначала приходит сообщение с конкретным вопросом и предложением помощи, а если он молчит, подключается куратор. Реакция должна выглядеть как живое внимание, иначе её воспримут как спам.

Уровней три, и по сложности они разные. Проще всего начать с контента, где AI пишет черновики статей, постов и писем, а редактор правит их и добавляет экспертизу. Сложнее персонализация воронки, когда по тому, что лид читал, скачивал и смотрел, система меняет контент, порядок касаний и сами офферы. Третий уровень называют predictive scoring, когда AI оценивает вероятность покупки каждого лида и менеджеры звонят горячим, пока остальных дожимает автоматика. Маркетолога AI не заменяет, он снижает стоимость производства контента.

Автоматическая проверка тестов была всегда. Новое появилось с открытыми ответами, когда AI оценивает эссе, разбор кейса или развёрнутое объяснение. Системы на больших языковых моделях дают обратную связь по структуре ответа, логике и полноте охвата темы. Есть ещё адаптивные тесты, где сложность следующего вопроса зависит от ответа на предыдущий, поэтому студент не скучает на лёгком и не тонет в сложном.

AI добавил к сертификации два слоя. Первый слой называют прокторингом: системы компьютерного зрения следят за тем, кто именно сдаёт экзамен, и это закрывает историю «сертификат купил, знания не получил». Второй слой называют микросертификацией. AI оценивает отдельные компетенции точечно, и вместо общей отметки «курс пройден» студент получает набор цифровых бейджей под каждый навык. Работодателю так видно больше, чем по общему сертификату. Для российских школ это пока скорее эксперимент.

Для большинства задач нужна комбинация. AI-тьютор берёт объём: сотни одинаковых вопросов, проверку домашних заданий по шаблону и напоминания, которые держат активность. Живой преподаватель делает то, что AI пока делает плохо: разбирает нестандартный кейс, чувствует эмоциональное состояние студента и передаёт опыт через свои истории и ошибки. Школа, где весь процесс держится на кураторах, масштабируется дорого и тяжело. Если же живых преподавателей убрать совсем, падают качество и NPS. Рутину отдаём AI, а преподаватели остаются с теми, кому нужен живой человек.

Я начинаю с данных и первым делом выясняю, где теряются студенты, то есть на каком модуле, в какой день и почему. Затем выбирается одна задача с измеримым результатом, например снижение отвала на заданную долю за заданный срок, и уже под неё подбирается инструмент. Если идти от инструмента, вы купите решение и будете искать, куда его приложить. Последним шагом считается юнит-экономика, где против стоимости внедрения стоят рост завершаемости и срок, за который вложения вернутся.

Что дальше

Если собрать всё вместе, AI в школе работает как вполне приземлённая механика, которая снижает отвал, поднимает доходимость и удешевляет производство контента, и всё это можно измерить и посчитать.

Работает эта механика только там, где выстроены процессы. AI на хаосе даёт тот же хаос, только дороже, поэтому первым делом я бы искал место, где студент теряется так, что этого в школе никто не видит.

Смежные материалы по теме: