Vedecká databáza AIEdAIEd KB
Na tejto stránke

Prečítajte si túto stránku po anglicky

Pojmy

Agentická AI

Vytvorené 2026-10-27 · Aktualizované 2026-10-27

Automatický strojový preklad tejto anglickej stránky, ktorý ešte nebol skontrolovaný rodeným hovorcom.

Agentická AI vo vzdelávaní znamená systémy AI, ktoré autonómne plánujú, vykonávajú a prispôsobujú viackrokové pracovné postupy na dosiahnutie učebných cieľov a idú nad rámec jednokolových otázok a odpovedí, keďže pôsobia ako trvalí, na cieľ orientovaní spolupracovníci: AI tutori, ktorí poskytujú podporné lešenie počas rozšírených interakcií, multiagentové systémy, ktoré orchestrujú inštrukčné dizajny, a agenti, ktorí spoluregulujú učenie. Tento posun paradigmy od nástroja reagujúceho na prompt k aktívnemu spolupracovníkovi nesie prísľub aj riziko: agentická AI dokáže personalizovať a prehlbovať učenie, ale zároveň ohrozuje agentúru, kognitívnu námahu a kontrolu. Tento rozpor skúmajú články vedomostnej bázy scoping review, nástrojovo invariantný rámec a najlepšia pedagogická prax.

Otázky na zamyslenie

  • Agentická AI nielen odpovedá na otázky, ale plánuje, vykonáva a prispôsobuje viackrokové pracovné postupy smerom k cieľu a pôsobí ako trvalý spolupracovník. Ako sa učenie s proaktívnym agentom odlišuje od učenia s nástrojom, ktorý musíte promptovať?
  • Obor robí hranicu medzi „konverzačnou" a „agentickou" AI (systém sa počíta len vtedy, ak spĺňa niekoľko kritérií, napríklad plánovanie, pamäť, autonómiu a na cieľ orientované konanie). Kde je tá hranica v praxi a skrýva označovanie každého chatbota za „agentický" viac, než odhaľuje?
  • Čím viac agent automatizuje, tým menej kognitívnej práce študent vykoná. Kde je hranica medzi AI, ktorá podopiera vaše učenie, a AI, ktorá sa učí za vás?
  • Scoping review zistil, že len 29 % štúdií o agentickej AI zakotvilo svoje systémy vo vzdelávacej teórii. Ak väčšina systémov nie je založená na teórii, čo by vo vás malo vyvolať skepticizmus pri hodnotení „inteligentného" tutorského agenta?
  • Multiagentové systémy orchestrujú špecializovaných agentov s odlišnými rolami. Keď v triede spolupracuje niekoľko agentov, kto nesie zodpovednosť a kde by mal zasiahnuť človek?
  • Ústredným rozporom oboru je personalizácia oproti agentúre študenta a kognitívnej námahe. Ak sa tutor stane takým dobrým v prispôsobovaní, že sa už nikdy nemusíte namáhať, aké učenie vlastne dostávate?
  • Kde na spektre od kopilota po autopilota by mala ležať daná úloha a slúži presun úlohy od „agent navrhuje, študent rozhoduje" k „agent to vlastní" niekedy učeniu, a nie len efektívnosti?
  • Hybridní agenti zakotvení v uznávanej dizajnovej teórii prekonali čisté promptovanie. Prečo by teoreticky zakotvený systém mohol poraziť surové promptovanie a čo to hovorí o tom, ako sa meria „inteligencia" agenta?

Úvod

Agentická AI označuje systémy umelej inteligencie, ktoré dokážu autonómne plánovať, vykonávať a prispôsobovať viackrokové pracovné postupy na dosiahnutie učebných cieľov, pričom idú nad rámec jednokolového odpovedania na otázky a vo vzdelávacích kontextoch pôsobia ako trvalí, na cieľ orientovaní spolupracovníci. Vo vzdelávaní sa agentická AI prejavuje ako AI tutori, ktorí podopierajú učenie počas rozšírených interakcií, multiagentové systémy, ktoré orchestrujú zložité inštrukčné dizajny, a autonómni agenti, ktorí prispôsobujú svoje pedagogické stratégie podľa potrieb študenta. Táto vznikajúca paradigma posúva AI od nástroja, ktorý reaguje na prompty, k spolupracovníkovi, ktorý aktívne vedie, prispôsobuje a spolureguluje procesy učenia.

  • Oddelenie špecifikácie od vykonania robí agentickú pipeline spoľahlivou. V DagFlow-AI definujú LLM agenti každý komponent mechanizmu generovania dát (premenné, orientovaný acyklický graf, rozdelenia a modelové vzorce), kým program vzorkuje pozorovania a validačný skript kontroluje výstup každého agenta (Arthur a spol., 2026). Žiadny agent negeneruje dáta ani nepíše kód generovania, čo autori predkladajú ako odpoveď na nepodložený výstup a odklon od pokynov.

Definovanie a klasifikácia agentickej AI

Kostopoulos a spol. (2025) dodávajú operačnú definíciu, ktorá oboru inak chýba. Navrhujú kontrolný zoznam šiestich kritérií: systém sa počíta za agentický, ak spĺňa aspoň štyri z nich, teda autonómiu (konanie nezávislé od nepretržitého ľudského zásahu), uvažovanie a plánovanie, pamäť a kontextové povedomie, na cieľ orientované konanie smerom k výsledkom učenia, adaptability a dynamickú spoluprácu a iniciatívu. Prah ≥4 zámerne vylučuje reaktívnych chatbotov (statický FAQ bot bez plánovania a pretrvávania sa nepočíta) a zároveň zvládne rôznorodé architektúry. Priestor tiež organizujú pozdĺž troch osí: pedagogická rola (tutor, učebný kouč a mentor, spoločník, asistent vyučujúceho, plánovač kurikula), úroveň autonómie (reaktívna → adaptívna → proaktívna → kolaboratívna) a stelesnenie (textové, avatarové a grafické, stelesnené a robotické). Táto taxonómia, najmä spektrum autonómie a vylúčenie reaktívnych nástrojov v kontrolnom zozname, dáva výskumníkom a dizajnérom spoločnú slovnú zásobu na klasifikáciu agentických systémov a na odlíšenie skutočne agentickej AI od iba konverzačnej.

Vypracovaný rozlišovač robí hranicu konkrétnou. Statický FAQ chatbot, ktorý dokáže odpovedať len na pevne danú množinu otázok, spĺňa nula kritérií (žiadne plánovanie, žiadne pretrvávanie, žiadna iniciatíva) a zjavne nie je agentický. Konverzačný tutor, ktorý si pamätá aktuálnu reláciu, ale nikdy nekoná bez promptu, nemá model študenta naprieč reláciami a nedokáže si stanoviť podciele, môže spĺňať len jedno alebo dve kritériá (pamäť, určité uvažovanie), teda je konverzačný a nie agentický. Naproti tomu tutor, ktorý plánuje viackolové lekcie, ukladá pokrok študenta do trvalého profilu, proaktívne vyšle radu, keď sa študent zasekne, a preplánuje ďalší krok podľa tohto profilu, spĺňa plánovanie, pamäť, autonómiu a na cieľ orientovanú interakciu, teda aspoň štyri kritériá, a preto sa počíta za agentický. Hodnota tohto testu nie je pedantstvo: označovanie každého chatového rozhrania LLM za „agentické" rozmazáva práve tú dizajnovú otázku, teda čo systém iniciuje a čo musí iniciovať študent, ktorá určuje, či systém učeniu poskytuje lešenie alebo ho nahrádza.

Ohraničená agentúra ako vzdelávacia dizajnová pozícia. Rámec AGAI-HE Ilievovej a spol. (2026) prijíma zoznam schopností, ktorý opisujú definície ako kontrolný zoznam šiestich kritérií, a potom ho zámerne obmedzuje: ciele, roly, dátové zdroje, nástroje, kontrolné body, podmienky zastavenia a konečné rozhodnutia definujú alebo schvaľujú vzdelávatelia a každá agentická funkcia sa musí dať vystopovať k učebnej požiadavke, účelu hodnotenia alebo mechanizmu riadenia. Rámec tiež robí hranicu medzi agentickou orchestráciou a pokročilým promptovaním: agentický pracovný postup zachováva stav úlohy, prideľuje funkcie, kontroluje podmienky dokončenia, vracia sa k skorším fázam, keď dôkazy nestačia, a zaznamenáva podstatné rozhodnutia. Jeho prieskumná percepčná štúdia so 130 vysokoškolskými študentmi pritom nenašla významný rozdiel medzi učením podporovaným agentom a učením podporovaným chatbotom, čo autori čítajú ako dôkaz, že agentická schopnosť sama o sebe neprináša vnímanú pedagogickú výhodu (ľudský dohľad).

Obor: prudký rozmach a súčasný tvar

Scoping review vedomostnej bázy, najkomplexnejšia syntéza oboru do dnešného dňa, ktorá mapuje 474 štúdií (2020 - 2026), dokumentuje obor, ktorý od roku 2025 explozívne rástol, ale ktorého literatúra je stále ovládaná konferenčnými príspevkami sústredenými na vysoké školstvo, disciplíny STEM a textové tutorské scenáre. Prehľad analyzuje publikačné charakteristiky, dizajny štúdií, roly agentov, modely a architektúry AI, šesť dimenzií agentickej schopnosti a mieru integrácie vzdelávacej teórie, čím poskytuje cestovnú mapu hraníc a medzier oboru. Významné je, že len 29 % skúmaných štúdií (138 zo 474) výslovne zakotvilo svoje systémy vo vzdelávacej teórii, čo odhaľuje disciplinárnu priepasť medzi technicky orientovanou a pedagogicky orientovanou prácou.

Mapa oboru podľa rolí

Kým scoping review so 474 štúdiami a konceptuálny prehľad Kostopoulosa a spol. mapujú šírku výskumu a schopností, Baradziej (2026) organizuje agentickú AI podľa roly, ktorú hrá, čo je inštitucionálne rámcovanie na rozhodovanie o tom, kde tieto systémy nasadiť a ako ich riadiť. Naprieč 48 vysokoškolskými štúdiami sa v poradí podľa dôkaznej váhy vynára šesť rolí: personalizované učenie a adaptívne tutorstvo (18/48), automatizované hodnotenie a spätná väzba (12), asistencia a rozšírenie výučby (11), administratívna a študentská podpora (8), návrh kurikula a zlaďovanie s trhom práce (5) a podpora výskumu a akademické operácie (4). Rola ako šošovka zvýrazňuje dizajnovú voľbu, ktorá sa opakuje v každom nasadení: koľko kontroly z minúty na minútu si človek zachová (vzťah „kopilot") oproti tomu, koľko vlastní agent (vzťah „autopilot"), teda os autonómie, ktorá určuje, či agent učeniu poskytuje lešenie alebo ho nahrádza.

Dizajn a hodnotenie agentických systémov

Výskum vo vedomostnej báze pokrýva dizajn aj hodnotenie:

  • Hybridní agenti zakotvení v teórii prekonávajú čisté promptovanie: ISD-Agent-Bench, benchmark s 25 795 scenármi inštrukčného dizajnu, zisťuje, že najlepšie fungujúci prístup spája klasické rámce ISD (ADDIE, Dick a Carey, rýchle prototypovanie) s moderným uvažovaním v štýle ReAct: hybrid (teória + technika) > čistá teória > iba technika. Zakotvenie agentov LLM v uznávanej teórii vzdelávacieho dizajnu poskytuje štrukturálnu výhodu, ktorú surové promptovanie nedokáže replikovať.
  • Rámce hodnotenia pre agentické nástroje: Nástrojovo invariantný rámec navrhuje vyučovať a hodnotiť výpočtové metódy spôsobom, ktorý nezávisí od žiadneho konkrétneho nástroja AI, a zdôrazňuje základy výpočtového myslenia, autentické hodnotenie prostredníctvom ústnej obhajoby a overovanie, čo je relevantné pre obavy z nadmernej závislosti.
  • Škála reportovania a riadenia: rámec autonómia - dohľad - dôkazy (AOE). Dey (2026) argumentuje, že termín agentická AI sa používa tak nekonzistentne, že dôkazy a dohľad nemožno medzi štúdiami porovnávať: systémy, ktoré plánujú, pamätajú si, používajú nástroje alebo koordinujú viac agentov, sa hádžu do jedného vreca so statickými rozhraniami generatívnej AI a konvenčnými pedagogickými agentmi. Jeho kritický integratívny prehľad pätnástich recenzovaných prehľadov zisťuje, že dôkazy sú najsilnejšie pre výsledky na úrovni artefaktov (presnosť spätnej väzby, zníženie halucinácií) a najslabšie pre trvalé učenie, rovnosť, pracovnú záťaž alebo inštitucionálne výsledky, pričom autentické nasadenia sú zvyčajne krátke, z jedného pracoviska a slabo previazané s dohľadom. Riešením je konkrétny triplet reportovania: úroveň autonómie A0 - A4 (reaktívne generovanie → ohraničená orchestrácia → delegovaná autonómia úlohy → autonómia pracovného postupu → následková autonómia nad známkovaním, prijímaním a postupom), úroveň dohľadu O0 - O4 (nešpecifikovaný → retrospektívny audit → schválenie pred použitím → kontrola v kontrolných bodoch → nepretržitý ohraničený dozor) a štádium dôkaznej zrelosti M0 - M5 (koncept → prototyp a benchmark → hodnotenie s účastníkmi → autentické nasadenie → rozšírené a viacpracoviskové → replikované a inštitucionálne v mierke), plus pravidlo proporcionality: prípustná autonómia by nemala predbehnúť ani dôkaznú zrelosť, ani silu dohľadu (napríklad následkový systém A4 si vyžaduje dôkazy M4 - M5, právne overenie a O4 s konečnou ľudskou autoritou). Reportovanie A2 - O3 - M3 mení vágne tvrdenia o „agentickom nasadení" na porovnateľné a testovateľné špecifikácie a dáva inštitúciám gramatiku postupného zavádzania, logovania a návratu, čo je dôkazný doplnok spektra od kopilota po autopilota uvedeného vyššie.
  • Testovanie odolnosti proti útokom: Multiagentové záťažové testovanie koordinuje agentov vyšetrovateľa, cieľa a sudcu, aby odhalilo režimy zlyhania neviditeľné pri testovaní jedinou stratégiou, a znižuje skóre odolnosti o 0,17 až 0,20 bodu, čo je kritické pre konzistenciu persony a bezpečné nasadenie so študentmi.
  • Doménové aplikácie: agentické systémy sa objavujú naprieč doménami, vrátane agentov adaptívneho učenia, pedagogických agentov LLM, riadeného lešenia s LLM, agentov gamifikovaného učenia kyberbezpečnosti a agentov klinickej simulácie.
  • Weboví agenti ako hodnotitelia učebnej skúsenosti: jediný autonómny „opisujúci" webový agent, ktorý prechádza online lekciou ako študent, Wang, Mitchell a Piech (2025), vytvára opis taký bohatý, že predpovedá predčasné ukončenie štúdia a dáva dizajnérovi použiteľnú spätnú väzbu ešte predtým, než sa do kurzu zapoja skutoční študenti, čím prekonáva celú simulovanú kohortu aj každé východisko v globálnom kurze CS1. To stavia agentické hodnotenie (agent ako zástupný kritik učebnej skúsenosti) ako samostatné, nízkonákladové použitie agentickej AI popri agentoch, ktorí vyučujú alebo navrhujú.

Multiagentové systémy

Rastúca a samostatná línia agentickej AI zahŕňa multiagentové systémy, ktoré orchestrujú viacero špecializovaných agentov s odlišnými rolami. Vedomostná báza dokumentuje niekoľko architektúr: generovanie kódu spája agenta generátora s agentom validátora pre generovanie otázok s človekom v slučke; adversariálne testovanie koordinuje agentov vyšetrovateľa, cieľa a sudcu; multiagentové triedy (napríklad MAIC s archetypmi učiteľa, asistenta a spolužiaka) vytvárajú rôznorodú dynamiku vrstovníckeho učenia; a multiagentové sociálne učenie skúma, ako interagujúci agenti formujú učenie. Multiagentový dizajn nastoľuje osobitné otázky o ľudskom dohľade (ktorý agent nesie zodpovednosť a kde zasiahne človek?), o nákladoch na koordináciu a o tom, ako diferenciácia rolí podporuje alebo komplikuje podporné lešenie.

Dva systémy z roku 2026 zostrujú, čo špecializácia rolí prináša a kde sa prestáva vyplácať. MeduAI-SP (Yang a spol., 2026) rozdeľuje výučbu klinického rozhovoru medzi štyroch agentov LLM: agenta pacienta, agenta sokratovského tutora, hodnotiteľa na úrovni ťahu a konečného hodnotiteľa, pričom každý nesie odlišnú inštrukčnú funkciu. Architektúra zámerne zadržiava odpovede: tutor nesmel prezradiť diagnózu ani odpovede prípadu a skóre OSCE konečného hodnotiteľa zostalo počas živého stretnutia skryté. Práve špecializácia rolí, a nie surová schopnosť modelu, je to, čomu skúška pripisuje zlepšené konzultačné správanie (71,8 % oproti 55,6 % v záverečnej skúške), čo ponúka konkrétnu šablónu pre multiagentový dizajn zladený s pedagogikou. Druhá štúdia ukazuje na limity tohto vzorca: v systéme diskusie o etike pre 45 študentov v 15 skupinách (Seo a spol., 2026) tri persony LLM stelesňujúce etiku starostlivosti, deontologickú a pragmatickú etiku nevyprodukovali medzi sebou žiadne významné rozdiely a všetky boli hodnotené nižšie než ľudskí vrstovníci v prínose, rôznorodosti a vplyve (všetky Kruskal-Wallis p < 0,001). Autori pripisujú túto medzeru podliezavému súhlasu (agenti prijali takmer každý príspevok, pokiaľ nebol úplne nesprávny) a chýbajúcemu viditeľnému uvažovaniu, a argumentujú, že dizajn agentov zameraný na úlohu musí spájať transparentnosť procesu s ochrannými prvkami (rámcovanie omylného vrstovníka, vyhradená fáza kladenia otázok), aby sa vyhol nadmernej závislosti.

Krok za orchestrujúcimi niekoľkými špecializovanými agentmi je plný agentický multiagentový ekosystém, ktorý navrhujú Sudarshan a spol. (2026): celoinštitucionálna platforma koordinujúca agentov učenia, výučby a administratívy prostredníctvom medzifunkčných spätnoväzbových slučiek a rozloženej inteligencie. Jeho osobitným krokom je, že inkluzívnosť berie ako architektonickú otázku prvej kategórie: koordinuje agentov dostupnosti, kognitívnej podpory a pohody, aby študenti so špeciálnymi výchovno-vzdelávacími potrebami boli podporení v kognitívnej, senzorickej a emocionálnej dimenzii v reálnom čase, a nie aby boli obsluhovaní izolovaným asistenčným nástrojom. Článok to situuje do slučky spoluvývoja človeka a AI (ľudské správanie a rozhodnutia formujú adaptáciu AI, ktorá následne zvyšuje ľudské schopnosti), ktorá udržiava ľudí v slučke.

  • Agenti LLM špecifickí pre účastníkov pri kolaboratívnom riešení problémov. Fang (2026) doladil jednotlivých agentov LLM na dialógových dátach skutočných účastníkov, aby reprezentovali každého účastníka v simuláciách kolaboratívneho riešenia problémov, s pravdepodobnostným výberom hovorcov a tematických kódov a s posuvným oknom a sumarizovanou pamäťou. Simulované dialógy overené pomocou epistemickej sieťovej analýzy sú štatisticky nerozoznateľné od skutočných (vzdialenosť ENA 0,17, permutačné p = 0,65), čo je ukážka toho, ako agentická AI reprodukuje autentický kolaboratívny diskurz.
  • Sociálne inteligentné multiagentové tutorstvo. Prototypy sociálne inteligentného multiagentového tutorstva, ako ASTRA, skúmajú, ako študenti koordinujú s AI v dvojiciach, pričom používajú diferencovaných agentov tutora a facilitátora na podnecovanie koordinácie a vyváženej participácie. Hodnotenie rámca založené na stopách umožňuje reprodukovateľnú analýzu interakcie, rovnováhy participácie a overovania v úvodnom programovaní.

Ústredný rozpor: automatizácia oproti učeniu

Práca o najlepšej pedagogickej praxi artikuluje určujúci rozpor oboru: ako sa vzdelávacia AI posúva od pasívnych chatbotov k proaktívnym agentom, ktorí iniciujú a sledujú ciele, personalizácia sa zlepšuje, ale agentúra študenta a kognitívna námaha sú v ohrození. Čím viac agent automatizuje, tým menej kognitívnej práce študent vykoná. Dizajnová odpoveď, teda zámerné trenie, dynamické lešenie, dohľad človeka v slučke a uvážené využívanie AI, pôsobí ako principiálne zábradlie. To sa spája s žiaducimi ťažkosťami, so sociokultúrnym učením a s rizikom nadmernej závislosti, ako aj so širšou témou zachovania agentúry v učení sprostredkovanom AI.

Jedno empirické overenie pochádza z praktickej správy o vývoji riadenom špecifikáciou v kurze softvérového PBL (Tanaka a spol. 2026): študenti používajúci agentov AI naprieč fázami vývoja vygenerovali viac kódu, ale ukázali poklesy v porozumení kódu, ktoré sa obnovili až po individuálnych rozhovoroch s vyučujúcim, čo je konkrétny terénny dôkaz rozporu medzi automatizáciou a učením aj toho, že monitorovanie človekom v slučke je zmiernením.

Prehľadová literatúra mení tieto princípy na merateľné dizajnové zábradlia a nie na vágne zámery. Pri lešení Kostopoulos a spol. (2025) odporúčajú protokoly vytrácania, teda postupne znižovať frekvenciu rád po každom úspešnom pokuse, a cieliť pomer vyhľadávania pomoci (rady iniciované AI ÷ všetky akcie študenta) pod 0,3, aby agent nebol tým, kto riadi väčšinu interakcie. Spájajú to s reflexívnymi kontrolnými bodmi (napríklad požiadať študenta, aby vysvetlil svoje uvažovanie predtým, než agent ponúkne ďalší podnet) a s adaptívnymi krivkami vytrácania, ktorých pravdepodobnosť intervencie klesá s rastúcou zdatnosťou. Pri transparentnosti by agenti mali odhaliť odôvodnenie „Prečo tento návrh?" a viesť časovo označené logy sledovateľnosti rozhodnutí (odôvodnenie agenta, dátové zdroje, rozhodnutia) dostupné pre inštrukčný audit. Pri spravodlivosti radia pred nasadením otestovať rozdielny dopad aspoň v troch demografických skupinách (napríklad rod, jazyk, geografia) a zapojiť do dizajnu rôznorodých učiteľov. Tieto metriky dávajú vyučujúcemu alebo dizajnérovi audítorskú páku: namiesto otázky „je agent príliš nápomocný?" sa meria, či sa rady vytrácajú, či študent iniciuje a či je uvažovanie agenta preskúmateľné.

Doplnkovú slovnú zásobu pre otázku autonómie prináša analógia s letectvom, ktorú vyniesla na povrch syntéza Baradzieja (2026): ako ďaleko na spektre od kopilota po autopilota nasadenie leží, od agenta, ktorý pomáha človeku zachovávajúcemu kontrolu z minúty na minútu, až po agenta, ktorý vlastní celú úlohu a človek len dohliada. Ten istý základný systém možno nastaviť k obom koncom a voľba je pedagogická skôr než technická. Konfigurácie v štýle kopilota (agent navrhuje, študent rozhoduje, človek má posledné slovo) zvyčajne zachovávajú agentúru a podporujú namáhavé procesy, ktoré budujú učenie; konfigurácie v štýle autopilota maximalizujú dokončenie úlohy a efektívnosť, ale presúvajú kognitívnu záťaž preč od študenta. Výber pozície na tomto spektre, a to pre každú úlohu a nie raz globálne, je konkrétnym spôsobom, ako uviesť do praxe princíp „zámerného trenia" tohto oboru.

Pozitívne dôsledky agentov AI pre vzdelávanie

Pri dobrom dizajne ponúka agentická AI podstatné výhody:

  • Hlbšia a adaptívnejšia personalizácia. Trvalí agenti dokážu udržať učebný rozhovor po mnohé kolá, sledovať, čo študent vie, prispôsobovať náročnosť a radiť viackrokové lešenie, čím idú nad rámec jednorazových odpovedí skorších chatbotov. To podporuje adaptívne a personalizované učenie v mierke. V syntéze Baradzieja (2026) najsilnejšie dôkazy pre túto rolu uvádzajú akademické zisky 15 až 25 % a nárast zapojenia až +40 %, s osobitným potenciálom pre študentov, ktorým jednotné vyučovanie historicky slúžilo zle (študenti prvej generácie, rozdiely v učení, študenti druhého jazyka).
  • Odbremeňovanie rutinnej inštrukčnej práce. Agenti dokážu plánovať lekcie, generovať a validovať otázky, navrhovať spätnú väzbu a orchestrovať špecializovaných subagentov (napríklad generátor a validátor pri tvorbe otázok), čím uvoľňujú učiteľov na hodnotnejšiu interakciu. To je prísľub multiagentových pracovných postupov pre učiteľov. Hodnotiaci agenti konkrétne uvádzajú 90 až 95 % zhodu s ľudskými hodnotiteľmi a 50 až 70 % zníženie času známkovania, hoci tie isté dôkazy upozorňujú na skreslenie a na metakognitívny náklad okamžitej, nereflektovanej spätnej väzby.
  • Bohatá a rôznorodá interakcia. Multiagentové triedy a simulovaní vrstovníci vytvárajú rôznorodú dynamiku interakcie (diskurz podobný vrstovníckemu, konštruktívny nesúhlas, hranie rolí), ktorú systémy s jediným agentom nedokážu, a podporujú spoluprácujúce učenie, sokratovské sondovanie a simuláciu.
  • Produktívne trenie. Agenti navrhnutí tak, aby spochybňovali a nie súhlasili, môžu študentov posunúť k hlbšiemu prehodnoteniu. Výskum agentov adversariálneho dizajnu ukazuje, že agenti konštruktívneho konfliktu podnietili významne viac iterácií dizajnu, širšie skúmanie alternatív a vyššie hodnotené konečné dizajny (N = 48), čo je forma žiaducej ťažkosti.
  • Škálovateľná prax a simulácia. Simulácie založené na agentoch (simulovaní študenti, klinické scenáre) umožňujú študentom precvičovať v nízkorizikovom prostredí pred uplatnením v reálnom svete, ako v klinickej simulácii a pri simulovaných študentoch.
  • Lešenie s vedomím dôkazov. Dobre zakotvení agenti dokážu vo svojich interakciách uplatniť teóriu učenia a známu pedagogiku a benchmarky ukazujú, že agenti zakotvení v teórii prekonávajú surové promptovanie.

Užšia trieda agentov budovaných vyučujúcimi dostáva samostatný argument v návrhu tretieho priestoru El Khouryho a Ma: vlastné GPT, Gemy a agenti Copilot Studio navrhnutí vyučujúcimi pre konkrétny pedagogický účel a výslovne nie autonómne systémy. Ich deklarovaná hodnota spočíva v priestore na skúšanie s nízkymi stávkami (simulátor ústnej skúšky, simulácia klinickej komunikácie, avatar na výslovnosť v angličtine ako druhom jazyku), kde študenti precvičujú pred hodnotením, kým hodnotiaca rola vyučujúceho zostáva nedotknutá a agent stojí mimo sociálnych hierarchií, v ktorých sa študenti pohybujú s vrstovníkmi a vyučujúcimi. Za pozornosť stoja dve hranice: autori zo záberu zámerne vylučujú známkovanie založené na agentoch a argumentujú, že hodnotenie musí zostať relačné, keďže rolu vyučujúceho nemožno nahradiť strojom, hoci ju možno premysleným dizajnom rozšíriť a urobiť udržateľnejšou.

Negatívne dôsledky a riziká agentov AI pre vzdelávanie

Tá istá autonómia, ktorá umožňuje tieto výhody, vytvára aj významné riziká:

  • Erózia agentúry študenta a kognitívnej námahy. Čím viac agent automatizuje, tým menej kognitívnej práce študent vykoná. Proaktívni agenti, ktorí iniciujú, plánujú a dokončujú úlohy, môžu nechať študentov ako pasívnych konzumentov a vyprázdniť namáhavé procesy (tvorbu návrhu, vybavovanie si, revidovanie), ktoré budujú trvalé učenie. To je jadro obáv z nadmernej závislosti a z agentúry. Efekt je merateľný: v syntéze Baradzieja (2026) pasívni študenti v prostrediach agentického tutorstva zaostávali za študentmi aktívneho učenia o 8,7 %, čo je dôkaz, že škoda vyplýva skôr z dizajnu nasadenia (nechať agenta robiť kognitívnu prácu) než z technológie samotnej.
  • Nadmerná automatizácia procesu učenia. Ak agent optimalizuje dokončenie úlohy a nie učenie, môže vytvoriť „odpovede", ktoré obchádzajú porozumenie, čo je presne riziko, pred ktorým varuje nástrojovo invariantný rámec, v ktorom artefakt už neosvedčuje študenta.
  • Znížené metakognitívne a sebariadené zapojenie. Keď agenti preberajú plánovanie a monitorovanie, študenti si nemusia vyvinúť metakogníciu a sebareguláciu, ktoré má vzdelávanie budovať. Agenti musia byť navrhnutí tak, aby tieto procesy vyvolávali, a nie nahrádzali.
  • Nesprávna dôvera a medzery v overovaní. Autonómni agenti môžu vytvárať vierohodný, ale nevalidovaný výstup; študenti a učitelia mu môžu nadmerne dôverovať. Potreba robustného overovania a AI gramotnosti rastie, ako agenti preberajú viac autonómie.
  • Nepriehľadnosť, koordinácia a zodpovednosť. Multiagentové systémy komplikujú ľudský dohľad: ktorý agent zodpovedá za chybu a kde zasiahne človek? Zlyhania koordinácie, odklon persony a emergentné správanie môžu podkopať spoľahlivosť a pedagogickú bezpečnosť.
  • Skreslenie a rovnosť. Agenti trénovaní na dátach, ktoré kódujú skreslenie, ho môžu reprodukovať v mierke, a nerovnaký prístup k schopným agentickým systémom môže prehĺbiť vzdelávaciu nerovnosť. Skreslenie pôsobí na viacerých úrovniach (trénovacie dáta, architektúra, kritériá hodnotenia, testované populácie), takže potrebuje inštitucionálne zmiernenie (audity skreslenia, rôznorodé dátové súbory, transparentná dokumentácia, zapojenie zainteresovaných strán), a nie jednorazové kontroly. Jemnou, kultúrne špecifickou formou je epistemická hegemónia: keďže väčšina agentických systémov je trénovaná na anglických, západne produkovaných dátach, vkladajú určité predpoklady o vedení, argumentácii a akademickom registri. Dôkazy zo syntézy dokumentujú nástroje jazykovej výučby, ktoré marginalizujú nezápadné rétorické tradície a penalizujú jazykové črty neanglických akademických kultúr, a analýzy globálneho Juhu ukazujú, ako agentické pedagogiky reprodukujú nerovnosť, keď ignorujú epistemologickú rôznorodosť a obmedzenia infraštruktúry.
  • Integrita hodnotenia a úpadok zručností. Keď agenti dokážu generovať prácu na požiadanie, hodnotenie skutočného učenia sa stáva ťažším a nadmerná závislosť môže erodovať základné zručnosti, čo je problém „dlhu porozumenia" a osvedčovania, na ktorý obor upozorňuje.
  • Fantómoví študenti a medzera v overovaní. Bozkurt, Crompton a Fell Kurban (2026) opisujú „fantómového študenta": digitálnu náhradu vytvorenú spojením LLM („mysle") s prehliadačmi agentickej AI („telom"), ktorá dokáže prechádzať systémy riadenia učenia, zapájať sa do obsahu a dokončiť hodnotenia s napodobnením človeka, čím sa prítomnosť skutočného študenta stáva voliteľnou. To vytvára medzeru v overovaní, ktorú tradičné nástroje dohľadu a detekcie nedokážu štrukturálne uzavrieť, a v obídenom študentovi sa hromadí kognitívny dlh. Ako sa AI posúva od generatívnej k agentickej, táto hrozba pre integritu a overovanie rastie, čo je riziko špecifické pre agentickú AI nad rámec jednokolovej generatívnej AI.

Agenti AI a akademická integrita

Agentická AI predstavuje osobitné hrozby pre integritu, ktoré idú nad rámec jednokolových prípadov generatívnej AI, s ktorými sa obor už trápi. Pretože agenti konajú autonómne po dlhé horizonty a pretože „fantómoví študenti" (LLM „mysle" spojené s „telom" agentického prehliadača) dokážu prechádzať systémy riadenia učenia, zapájať sa do obsahu a dokončiť hodnotenia s napodobnením človeka, robia skutočnú prítomnosť študenta voliteľnou a vytvárajú medzeru v overovaní, ktorú dohľad a detekcia nedokážu uzavrieť. Z toho vyplýva niekoľko dôsledkov pre integritu:

  • Artefakt už neosvedčuje študenta. Keď agent dokáže vygenerovať, naplánovať a vykonať celé zadanie, kvalita produktu odráža schopnosť agenta a nie študenta. To je problém osvedčovania podľa nástrojovo invariantného rámca v extrémnej podobe: tradičné hodnotenie typu „odovzdaj prácu" stráca svoju dôkaznú hodnotu.
  • Overovanie, a nie detekcia, je jediná životaschopná odpoveď. Polícia založená na detekcii nedokáže štrukturálne držať krok s autonómnymi agentmi. Otázka integrity sa presúva z „dokážeme chytiť agentov AI?" na „dokážeme overiť, čo študent skutočne dokáže?", čo uprednostňuje hodnotenie založené na procese, interaktívne overovanie a overovanie s človekom v slučke.
  • Agentické dokončenie hodnotenej práce na kurze je už preukázané a je to zlyhanie platnosti, nielen integrity. Hadjisolomou a El-Haddad (2026) dokumentovali, ako sa agenti (Claude for Chrome, Perplexity Comet, Claude Opus) prihlásili do živého bakalárskeho kurzu v LMS a dokončili skutočnú hodnotenú prácu z jediného pokynu: kvíz s 10 otázkami získal 10/10 za menej ako 5 minút a príspevok na diskusnom fóre, v ktorom agent po prehľadaní príspevkov vrstovníkov vyfabrikoval vierohodný osobný príbeh zo života. Pri uplatnení Kaneovho rámca platnosti založeného na argumentoch umiestňujú „predpoklad ľudskej produkcie" na základ inferencie skórovania: agentické dokončenie mu odoberá oporu, takže každé skóre z nedoziaranej asynchrónnej práce, vrátane čestne získaných, stráca interpretačnú podporu, pretože autorstvo je neoveriteľné. Rámcovanie problému ako otázky platnosti a nie integrity záleží preto, že inštitúcia môže potrestať nedovolené konanie a pritom stále nemá podklad pre skóre, ktoré uvádza, a pretože tie isté artefakty vstupujú do dôkazných reťazcov programového auditu a akreditácie. Ich riešenie, zladené s heslom tejto stránky „overovanie namiesto detekcie", je prepracovanie hodnotenia na overenú ľudskú prítomnosť (prítomnosť namiesto produktu, integrácia namiesto izolácie, autentickosť namiesto generickosti, prax s nízkymi stávkami a prítomnosť s vysokými stávkami) s rovnosť zachovávajúcim menu overovaných momentov.
  • Zodpovednosť je rozptýlená. V multiagentových systémoch, keď autonómny agent vytvorí problematický výstup, nie je jasné, kto zodpovedá: študent, systém alebo inštitúcia. To rozmazáva pripisovanie, ktoré procesy akademickej integrity predpokladajú.
  • Kognitívny dlh sa hromadí ticho. Fantómoví študenti umožňujú študentom obísť namáhavé procesy, ktoré budujú porozumenie, a hromadiť kognitívny dlh, ktorý sa ukáže až vtedy, keď sa vyžaduje samostatný výkon. Integrita je tak spojená so skutočným učením, a nie len s dodržiavaním pravidiel.
  • Prehlbuje medzery v rovnosti. Študenti s prístupom k schopnejším agentickým systémom získavajú neúmernú výhodu a automatizovaná podpora môže erodovať pomoc pre tých, ktorí ju potrebujú najviac, čo je dimenzia integrity z hľadiska rovnosti.

To spája diskusiu o agentickej AI s pokrytím akademickej integrity vo vedomostnej báze, ktoré rámcuje odpoveď ako prepracovanie hodnotenia a AI gramotnosť a nie ako detekciu samotnú.

Produktívne trenie a sociálna interakcia

Nie každé agentické správanie musí byť hladkou pomocou. Výskum agentov adversariálneho dizajnu ukazuje, že agenti stelesňujúci konštruktívny konflikt podnietili významne viac iterácií dizajnu, širšie skúmanie alternatív a vyššie hodnotené konečné dizajny u začínajúcich dizajnérov interakcií (N = 48), čo je dynamika produktívneho trenia, v ktorej bol agent konfliktu frustrujúci, ale napokon nápomocný. To sa spája so sokratovským kladením otázok a s dizajnovým myslením a ukazuje, ako agentická AI môže podporiť hlboké prehodnotenie a nie pasívne prijatie.

Štúdia o tom, ako agentická AI dosahuje výsledky učenia cez psychologické a nie technologické cesty, dodáva chýbajúci uhol merania. Pramod a Patil (2026) skúmali 398 študentov podnikania v Indii a modelovali autonómiu, kompetenciu a spolupatričnosť spolu s interaktivitou, zdieľaním informácií a vnímanou sociálnou prítomnosťou; autonómia bola najsilnejším motivačným hnacím motorom (β = 0,504) a interaktivita najsilnejším sociálnym (0,468), pričom motivácia a sociálna prítomnosť napájali zapojenie takmer rovnako silno (0,533 a 0,493), kým zapojenie predpovedalo vnímaný učebný výkon (0,671). Poučenie pre dizajn je, že sociálna cesta nie je automatická: konštrukt kolaboratívneho prostredia posunul vnímanú sociálnu prítomnosť menej než obyčajná vnímavosť a zdieľanie informácií, takže ak sa s agentom zaobchádza ako s chatovým rozhraním a nie ako s účastníkom, väčšina tejto cesty zostáva nevyužitá.

Dôsledky pre vyučujúcich a inštrukčných dizajnérov

Pre učiteľov, vysokoškolských pedagógov a inštrukčných dizajnérov agentická AI mení to, čo je možné, aj to, pred čím treba chrániť:

  • Prerozdeľte námahu na hodnotnejšiu prácu. Agenti dokážu prevziať plánovanie lekcií, generovanie a validáciu otázok, triedenie spätnej väzby a vyhľadávanie zdrojov. Vyučujúci by ich mali brať ako automatizovateľné lešenie, ktoré uvoľňuje čas na to, čo agenti nedokážu: relačnú výučbu, kontextový úsudok a dizajn učebných skúseností. Multiagentové pracovné postupy pre učiteľov sú sľubným modelom.
  • Udržte kognitívnu prácu študenta v strede pozornosti. Ústrednou dizajnovou otázkou nie je „čo dokáže agent?", ale „čo musí urobiť študent?". Inštrukční dizajnéri by mali agentické systémy nastaviť tak, aby podopierali a nie nahrádzali plánovanie, monitorovanie a námahu študenta, pričom použijú dynamické lešenie a zámerné trenie na ochranu agentúry a na vyhnutie sa nadmernej závislosti.
  • Navrhujte pre overovanie a proces, nie len pre výstup. Keď agenti dokážu generovať prácu na požiadanie, artefakt už neosvedčuje učenie. Vyučujúci by mali agentické nástroje spájať s hodnotením založeným na procese (ústna obhajoba, nástrojovo invariantné úlohy, overovacie kontroly), aby sa meralo porozumenie a nielen produkcia.
  • Kurátorujte agentov a zakotvujte ich v pedagogike. Dôkazy z benchmarkov ukazujú, že agenti zakotvení v teórii prekonávajú surové promptovanie. Dizajnéri by mali správanie agentov zakotviť v uznávaných inštrukčných rámcoch (napríklad postupné uvoľňovanie, sokratovské kladenie otázok, teória učenia) a nie v predvolenom reťazení generických nástrojov.
  • Zachovajte ľudský dohľad a úsudok. Multiagentové a autonómne systémy robia dizajn s človekom v slučke nevyhnutným: rozhodnite, kde zasiahne človek, kto zodpovedá a ako sa zachytia zlyhania. Adversariálne testovanie pomáha odhaliť režimy zlyhania pred nasadením.
  • Budujte AI gramotnosť vyučujúcich. Učitelia a dizajnéri potrebujú presné mentálne modely agentickej AI, aby tieto systémy dokázali nastaviť, monitorovať a kritizovať, a aby modelovali zodpovedné používanie pre študentov. To sa spája s kompetenciou učiteľa v AI a s rozvojom pedagogických pracovníkov.
  • Strážte rovnosť. Agentické nástroje riskujú prehlbovanie medzier, ak je prístup nerovnaký alebo ak automatizácia eroduje podporu pre študentov, ktorí ju potrebujú najviac; navrhujte s ohľadom na rovnosť.
  • Postavte inštitucionálne lešenie skôr, než začnete škálovať. Otázka nasadenia nie je len na úrovni dizajnu, ale aj inštitúcie. Syntéza Baradzieja (2026) zhŕňa dôkazy o riadení do troch pilierov: rozvíjať AI gramotnosť u študentov aj zamestnancov; vybudovať etickú infraštruktúru (politiky ochrany dát, rámce algoritmickej zodpovednosti a akademickej integrity) pred rozsiahlym nasadením; a poskytnúť vzdelávanie pedagógov založené na kompetenciách, ktoré ide nad rámec oboznámenia s nástrojmi k pedagogickým rámcom zachovávajúcim ľudskú agentúru. Keďže len približne 6,5 % pedagógov v niektorých národných kontextoch uvádza priame používanie AI, medzera vo vzdelávaní je limitujúcim obmedzením zodpovedného prijatia.

Techniky na zabezpečenie akademickej integrity pri agentickej AI

Pretože autonómni agenti robia detekciu márnou, vyučujúci by sa mali sústrediť na techniky, ktoré overujú učenie a zviditeľňujú čestnú prácu, a nie na dohľad:

  • Uprednostnite overovanie pred detekciou. Nahraďte alebo doplňte „odovzdaj prácu" interakciami, ktoré od študenta vyžadujú preukázať porozumenie, ktoré nedokáže outsourcingovať: ústne obhajoby, nástrojovo invariantné úlohy, živé riešenie problémov a hodnotenie založené na procese. Cieľom je zistiť, čo študent dokáže samostatne, a nie chytiť agenta.
  • Používajte interaktívne a stupňovité hodnotenie. Vyžadujte stupňovité odovzdania (návrhy, revízie, reflexie) a následné konverzačné kontroly, ktoré sondujú, či študenti rozumejú svojej odovzdanej práci, teda prístupy „AI Viva" a kognitívneho správcovstva. Fantómoví študenti nedokážu udržať živé vypočúvanie, ktoré nevykonali.
  • Stanovte jasné očakávania riadené účelom. Zakotvite očakávania integrity v účele kurzu (aké používanie AI je povolené, kedy a prečo) a nie v abstraktných pravidlách. Jasnosť politiky zladená s pedagogikou znižuje nejednoznačnosť, ktorú študenti zneužívajú, aj chybné úsudky dokumentované vo výskume integrity.
  • Urobte používanie AI viditeľným a deklarovaným. Štruktúrované deklarácie používania AI špecifické pre úlohu (mapujúce používanie na kognitívne fázy) nútia k reflexii a normalizujú čestné zverejnenie, čím posúvajú kultúru od skrývania k transparentnosti.
  • Budujte AI gramotnosť ako vzdelávanie o integrite. Učte študentov používať agentov zodpovedne a kriticky hodnotiť výstup, pričom integritu rámcujte ako skutočné učenie a nie ako dodržiavanie pravidiel. To zahŕňa AI gramotnosť, porozumenie tomu, čo agenti dokážu a nedokážu, a náklad na učenie z obchádzania námahy.
  • Udržujte ľudí v slučke. Zachovajte ľudský dohľad nad rozhodnutiami o hodnotení, interaktívne overujte práce s vysokými stávkami a navrhujte agentické nástroje tak, aby vyučujúci mohol vždy zasiahnuť.
  • Uzavrite medzeru v overovaní interakciou. Pre plne online alebo asynchrónne kontexty používajte doziarané alebo interaktívne komponenty vyžadujúce živú prítomnosť, čím sa priamo rieši hrozba fantómového študenta namiesto predpokladu, že ju detekcia zachytí.

Vyvážené zhrnutie

Agentická AI nie je ani všeliek, ani nevyhnutná škoda: jej hodnota závisí od dizajnu. Použitá na podopretie agentúry študenta, zakotvená v pedagogike a s ľuďmi v slučke, dokáže personalizovať a prehlbovať učenie; použitá na maximalizáciu automatizácie a dokončenia úlohy môže erodovať práve tú námahu, ktorá vytvára učenie. Opakujúcim sa dizajnovým princípom je zámernosť: výslovne rozhodnúť, čo agent robí a čo zámerne necháva na študenta.

Časté mylné predstavy

„Každý chatbot napojený na nástroje je agentický systém." Rozdiel sa robí podľa štruktúry schopností a nie podľa prístupu k nástrojom: systém sa počíta za agentický len vtedy, ak spĺňa kritériá ako plánovanie, pamäť, autonómia a na cieľ orientované konanie naprieč krokmi. Nástroj na prompt a odpoveď, ktorý dokáže zavolať kalkulačku, zostáva konverzačný. Rozdiel záleží preto, že riziká aj metódy hodnotenia sa líšia: autonómne viackrokové konanie prináša režimy zlyhania, ktoré jediná výmena nemá.

„To, čo robí agentické systémy vo vzdelávaní funkčnými, sú lepšie základné modely." V skúške, ktorú táto stránka cituje, sa zlepšené konzultačné správanie pripisuje špecializácii rolí a nie surovej schopnosti modelu (71,8 % oproti porovnávacej skupine). Architektúra a deľba práce medzi agentmi sú dizajnové rozhodnutia s merateľnými účinkami, čo znamená, že silnejší model vložený do nešpecializovanej pipeline výsledok nezopakuje.

„Agentické systémy vo vzdelávaní sú pedagogicky zakotvené, pretože ich budujú vzdelávací výskumníci." Dôkazy hovoria inak: scoping review zistil, že len 29 % štúdií o agentickej AI (138 zo 474) výslovne zakotvilo svoje systémy vo vzdelávacej teórii. Disciplinárna priepasť medzi technicky a pedagogicky orientovanou prácou je stavom oboru a nie prehliadnutím jednotlivého autora, takže fungujúca ukážka je očakávaným výstupom a ukážka, ktorá funguje pre učenie, je menšinovým prípadom.

„Agent, ktorý personalizuje a prehlbuje učenie, je čistým ziskom oproti chatbotovi." Nesie so sebou konkrétnu výmenu: agentické systémy ohrozujú agentúru a lákajú k odľahčeniu kognitívnej námahy, na ktorej učenie závisí, a tým, že robia viac krokov bez dohľadu, robia toto odľahčenie ťažšie spozorovateľným. Rozpor medzi automatizáciou a učením je ústredným analytickým problémom kategórie a nie výhradou pripojenou k jej výhodám.

Prepojené koncepty

Prepojené články

Prepojené často kladené otázky

Prepojené zdroje

  • DeepTutor
    The open-source release of the DeepTutor agentic tutoring framework: one workspace for tutoring, question generation, mastery practice, research and visualization, with inspectable learner memory.

Metadáta

DisciplínaStem Education
ÚroveňHigher Ed, K 12
Zamýšľaný okruh čitateľovLearners
Učenie a výučbaScaffolding
Technológie a technikyGenerative AI, Human-in-the-Loop, Intelligent Tutoring, Large Language Models (LLMs)
Základy AI v edukáciiLearner Agency, Agentická AI, AI gramotnosť, Kognitívne odľahčenie
ZdrojHistóriaUpraviťChat

Vložiť túto stránku

Skopírujte kód nižšie a vložte túto stránku do systému správy výučby alebo iného webu. Vložená verzia zobrazuje len obsah stránky — skrýva hlavičku webu, navigáciu a pätu.