世界经济论坛发布报告：AI 教育进入「采用先于治理」时代|学校|教学|教师|教育|课程体系

学生已经用 AI 写作业，教师已经用 AI 备课，学校的规则却没有跟上。

世界经济论坛最新发布的 Ai 教育报告显示，使用 AI 辅助完成家庭作业的学生比例，7 个月内从 48%升至 62%；但只有 6%的教师认为现有 AI 政策提供了明确指导。

世界经济论坛将这一现实概括为三种速度的错位：技术可用性迅速变化，学习行为快速改变，教育系统的适应能力相对滞后。AI 教育由此进入「采用先于治理」的阶段。一股力量由学生和教师向上推动，另一股力量则由政策、学校和教育机构向下补建规则。两者之间的速度差，正在改变学校治理，也将重塑教育产品的竞争标准。

AI 进入教育，正在沿着两个相反方向推进。

一条路径自下而上。AI 绕过学校的统一部署，率先进入学生的学习过程。

学生遇到问题时，获取信息的方式正在从「搜索、浏览、比较、判断」转向「提问、生成、接受」。搜索引擎提供网页和信息入口，学生仍需自己筛选资料；生成式 AI 则可以直接提供解释、论证、提纲和完整答案。报告指出，学生已经用 AI 获取解释、翻译文本、起草文章、设计项目并完成学术任务。

这不只是信息入口发生变化。原本需要学生完成的资料查找、来源比较、内容组织和逻辑推理，也可能被压缩到一次对话中。AI 帮助学生提高了任务完成效率，同时将一部分学习过程转移给机器。

使用规模已经能够在行业数据中体现。2022 年至 2025 年，HundrED 全球教育创新项目中使用 AI 的申请占比增长三倍以上，2025 年达到 21.6%。领英相关数据则显示，教育已经成为 AI 技术密集程度第二高的行业，仅次于技术、信息和媒体行业。

学生率先使用后，教师随之跟进。2025 年全球教师 AI 调查显示，除了制作教学材料和处理行政事务，45%的教师使用 AI 提高课堂参与度，28%用来检测作弊，24%用于生成学生反馈。爱沙尼亚的一项研究显示，53.2%的教师已经在教学中使用 AI，小学教师的使用率达到 66%。

教师使用 AI 的第一动力，更多来自工作负担，而不是重构教学模式。报告估计，教师多达 20%的时间用于可能实现自动化的行政工作，另有 8%至 20%的分析性任务可以得到 AI 增强，包括课程规划和学习表现评估。预计到 2030 年，全球教师缺口将达到 4400 万人，材料生成、行政处理和反馈自动化因而成为 AI 进入学校最现实的入口。

由此形成了一条清晰路径：学生先采用，教师为了回应学生和缓解工作压力而跟进，教育机构最后回应教师。AI 教育的第一轮规模化，主要由效率需求推动，而不是由成熟的教学设计推动。

另一条路径则自上而下。政府、学校和教育机构正在补建 AI 已经进入课堂后所需要的制度。

教育系统则在反方向补建规则。数据和隐私如何保护，AI 可以参与哪些任务，学生怎样披露使用情况，教师如何核验生成内容，成绩又怎样证明真实能力，都需要新的制度安排。过去的教育信息化主要解决有没有设备、网络和资源；AI 时代的教育治理还要回答机器可以参与到什么程度、哪些过程必须由学生本人完成。

技术能不能进校已经不是主要矛盾，自发采用与制度建设能否重新对齐，才是下一阶段的关键。

AI 与以往数字工具的区别，在于它不只传递内容，还能生成解释、推理、解决方案和完整作品。而写作、分析、推理和综合，本身也是教育系统希望培养的能力。

这迫使学校重新回答：学生需要掌握什么，哪些环节可以交给 AI，哪些思考必须亲自完成，学校又如何证明学生真正形成了能力。

这一问题也与劳动力市场变化相连。报告指出，仅 AI 领域的资本支出预计就在 2024 年至 2026 年间增长一倍以上，技术改变工作的速度已经超过部分课程、专业和资格认证框架的更新速度。过去，学历能够相对稳定地证明一个人掌握了某些知识和技能；如今，AI 可以辅助完成部分认知任务，学历与实际能力之间的关系面临新的检验。

这并不意味着知识失去价值。学生只有具备足够的知识基础，才能发现 AI 错误、比较不同观点并形成原创判断。变化在于，学校不能再把价值主要建立在提供标准内容和答案上，而要进一步转向设计问题、组织探究、训练判断、验证学习和建立关系。

AI 产品的价值也将从提供内容转向重组教学流程。在教师端，AI 可以处理备课、材料整理、行政事务和部分学习分析，让教师把时间转向个别指导、情感支持和家校沟通。但如果学校没有同步调整工作流程，教师还需额外核验生成结果，所谓减负就可能变成新的负担。

在反馈与评价环节，AI 可以大规模提供即时反馈，帮助教师更早发现学习差距，并推动评价从一次性结果转向持续过程。但 AI 参与评分和反馈后，算法是否透明、教师能否修改结果、学生能否申诉，也成为新的治理问题。

个性化学习同样不能停留在推荐不同题目。AI 可以调整学习内容、速度、难度和反馈方式，也能通过翻译、字幕和多模态内容支持不同需求的学习者。但学生仍需设定目标、作出选择并反思进展，否则个性化也可能变成算法替学生安排一切。

因此，真正有长期价值的教育产品，不会止于生成教案、批改答案和推荐练习，而要进入「目标—教学—练习—反馈—评价—干预」的完整链路。模型能做什么只是起点，产品能否与教学目标一致、能否保留教师判断权，才决定它能否稳定进入学校。

AI 可以让一份作业更完整、一次反馈更及时、一条学习路径更个性化。但这些结果，并不必然意味着学生学得更好。

世界经济论坛将无序采用 AI 的风险归纳为认知能力萎缩、幻觉与错误信息、学术诚信体系瓦解和人际联系弱化。四类风险背后有一个共同问题：学习者正在把越来越多的认知和社会活动外包给机器。

学习不只是获得正确答案。搜索资料、比较观点、推理、试错和修正，看起来降低了效率，却是形成长期记忆和判断能力的必要过程。当 AI 直接完成整套任务时，学生获得了结果，认知训练却可能没有发生。报告援引的调查显示，67%的学生承认，使用 AI 完成学校作业会损害批判性思维。

这种影响在专家和新手之间并不相同。拥有知识基础和职业经验的专业人士，可以借助 AI 扩大信息范围，并判断机器何时出错；尚未形成知识结构的新手，却可能因长期依赖 AI 而缺少专业判断和职业直觉。报告由此提出了一个更尖锐的风险：真正值得担心的不只是 AI 取代专家，而是新手没有机会成长为下一代专家。

认知外包还会放大错误信息的影响。一项研究发现，AI 模型生成错误信息时，使用肯定性语言的概率反而高出 34%。学生面对的不是容易识别的错误，而是语言流畅、结构完整、听起来十分可靠的虚假内容。

教育数字鸿沟也随之变化。过去主要看有没有设备、能不能上网；现在还要看谁能提出有效问题，谁能识别幻觉、核实来源、修改输出，并判断什么时候不该使用 AI。AI 素养因此不能等同于提示词训练，还应包括信息核验、来源意识、偏见识别、数据伦理、知识产权和使用边界。

评价体系受到的冲击更直接。Anthropic 分析学生与 Claude 之间近 57.5 万次匿名对话后发现，约 47%的互动是在索取直接答案或现成内容，几乎没有真正的认知参与。当作业、论文和项目成果可以由 AI 生成，成绩能否代表学生的真实能力，已经不只是作弊治理问题，也关系学历、资格认证和人才筛选体系的可信度。

因此，教育需要有意识地保留「有益的困难」。机械录入、格式整理和重复性行政工作可以自动化，论证、比较、判断、协作和表达则应尽量由学生亲自完成。

未来好的 AI 教育产品，不应追求消灭所有困难，而要区分哪些困难属于无效重复，哪些困难是能力形成所必需的过程。产品设计的重点，也将从「让学习更容易」，转向「让必要的学习过程无法被跳过」。