AI-тьюторы вышли из демо: что умеют и где ломаются

Летом 2025 года OpenAI добавила в ChatGPT режим Study Mode, который не выдаёт готовый ответ, а ведёт ученика через задачу вопросами. Почти одновременно Google развивал LearnLM — семейство моделей, дообученных под педагогику и встроенных в Gemini, а Khan Academy продолжала расширять Khanmigo, своего тьютора на базе GPT. Три крупных игрока за один год сделали ставку на одно и то же: превратить чат-бота из машины ответов в собеседника, который заставляет думать. Насколько это работает — вопрос, на который пока нет чистого ответа.

Что вообще такое «AI-тьютор»

Разница между обычным чатом и тьютором не в модели, а в поведении. Спросите у стандартного ChatGPT решение квадратного уравнения — он выдаст ответ и разбор за секунду. Тьютор устроен иначе: он отвечает вопросом, просит показать ваш ход мысли, подсказывает следующий шаг и раскрывает решение целиком только тогда, когда вы застряли по-настоящему.

Технически это достигается системным промптом и дообучением¹ на педагогических сценариях: модель учат сдерживаться, дробить объяснение и проверять понимание. LearnLM от Google, по заявлению компании, оптимизирован именно под такие принципы — активное вовлечение, управление когнитивной нагрузкой, адаптация к уровню ученика.

Хороший тьютор ценен не тем, что знает ответ, а тем, что не даёт его сразу. AI впервые пытается воспроизвести именно эту сдержанность, а не эрудицию.

Три продукта, три подхода

Все три инструмента решают близкую задачу, но по-разному распределены по цене и доступности. Данные ниже актуальны на конец 2025 года — тарифы у всех участников меняются несколько раз в год, поэтому финальную цену сверяйте на официальных страницах.

Ключевая развилка: Khanmigo привязан к готовой библиотеке курсов и следит за прогрессом внутри программы, тогда как Study Mode и Gemini — универсальные собеседники без учебного плана. Первый ближе к школьной парте, вторые — к репетитору, которого можно спросить о чём угодно.

Где это ломается

Главная проблема тьютора та же, что у любой LLM² — уверенные ошибки. Модель может убедительно объяснить неверное решение, особенно в математике с многошаговыми выкладками или в разборе исходного кода. Для ученика, который по определению не знает правильного ответа, это опаснее, чем для эксперта: проверить наставника нечем.

Второй риск — иллюзия обучения. Диалог с тьютором ощущается продуктивным, но ощущение прогресса и реальный прогресс — не одно и то же. Есть отдельная опасность, что ученик научится вытягивать из бота ответ обходными вопросами, и весь «сократический» замысел рассыплется.

• Точные науки: проверяйте численный результат отдельно, не доверяйте промежуточным шагам на слово.
• История и факты: даты, имена и цитаты сверяйте с источником — здесь галлюцинации особенно правдоподобны.
• Языки: сильная сторона, но модель может «поправить» грамматически верную фразу на менее естественную.
• Программирование: код запускайте, а не только читайте объяснение.

Кому это пригодится, а кому нет

Пригодится

• Студенту, который застрял на конкретной теме ночью, когда репетитор недоступен, а нужен наводящий вопрос, а не готовое решение.
• Взрослому на самообучении — язык, основы программирования, разбор понятий из книги, которую читаешь без преподавателя.
• Учителю как генератору наводящих вопросов и вариантов объяснения одной темы для учеников разного уровня.

Не заменит

• Подготовку к экзамену с высокой ценой ошибки, где нужен человек, отвечающий за корректность.
• Младших школьников без присмотра взрослого — ни один из тьюторов не гарантирует отсутствие ошибок и неуместного контента на 100%.
• Дисциплины, где важна обратная связь по практике: игра на инструменте, лабораторная работа, устная речь с живым оппонентом.

Что это значит для рынка

Появление режима обучения у OpenAI и педагогической линейки у Google — сигнал, что образование перестало быть побочным сценарием использования чат-ботов и стало отдельным продуктовым направлением. Для платных репетиторов это не мгновенная угроза: тьютор закрывает разбор задач и объяснения, но не мотивацию, дисциплину и ответственность за результат. Скорее меняется цена входа — базовый уровень объяснений становится почти бесплатным, а ценность живого преподавателя смещается к тому, что бот пока не умеет.

¹ Дообучение (fine-tuning) — донастройка уже обученной модели на узком наборе данных под конкретную задачу, здесь — под педагогическое поведение.

² LLM (large language model) — большая языковая модель, предсказывающая текст по вероятностям; она не «знает» факты, а воспроизводит статистически правдоподобные ответы, отсюда и риск ошибок.