Тренды EdTech 2027: как развивать образовательный продукт, что измерять и каким становится продакт-менеджер

Состояние рынка
По мировым прогнозам, рынок EdTech растёт примерно на 20%, то есть быстрее многих других технологических отраслей. Инвесторы оценивают его перспективы оптимистично.
Однако механизм роста изменился. Раньше рынок увеличивался за счёт притока новых студентов. Теперь растёт глубина вовлечения: учащийся дольше остаётся с продуктом и готов к более сложному и дорогому взаимодействию, например к длительной подписке или дополнительным программам.
В результате фокус смещается с привлечения студентов на доходимость и удержание.

EdTech принято ассоциировать с онлайн-обучением, однако быстрее всего сейчас растут другие форматы.

1. Гибридное и смешанное обучение. Сочетание офлайн и онлайн-занятий, синхронного и асинхронного форматов. Сообщество и профессиональные связи эффективнее формируются при личном общении, а очные встречи помогают сохранять мотивацию на протяжении всего курса.
2. Персонализация с помощью ИИ. Про этот тренд говорят почти все: его пытаются внедрить большинство участников рынка, но успешных решений пока немного.
3. Продвинутые учебные платформы со встроенным ИИ и развитой аналитикой.
4. Геймифицированное микрообучение. Яркий пример здесь – Duolingo. Короткие занятия в формате mobile first проще встроить в ежедневный распорядок, чем выделять на учёбу отдельное время.
У геймификации есть предел: со временем её эффект ослабевает. Поэтому продакт-менеджерам предстоит определить, что предложить студенту на следующем этапе, чтобы он продолжал видеть пользу обучения.

• B2B. Аналитики рекомендуют обратить внимание на корпоративный сегмент. Корпоративное обучение внедряет инновации быстрее, чем академическое образование и даже B2C EdTech, поскольку гибкость заложена в самой модели.

• Подписка. Эта модель также применима, и в российском EdTech есть успешные примеры. Однако она требует постоянного выпуска качественного контента, чтобы пользователи продолжали платить. Такая нагрузка по силам не каждой образовательной организации.

До недавнего времени ИИ в образовании работал реактивно: преподаватель или студент формулировал запрос, нейросеть выдавала ответ. Новый этап связан с ИИ-агентами, которые действуют самостоятельно по заданным правилам. Агент замечает, что студент давно не заходил на платформу, напоминает о занятиях, предлагает материалы для повторения и сообщает преподавателю о трудностях группы.

Меняется и подход к персонализации. Заранее прописанные траектории, распространённые в 2010-х годах, уступают место динамической адаптации: ИИ подстраивает содержание курса непосредственно в процессе обучения.

Наиболее спорный тренд связан с прогнозным оцениванием. Агент способен предсказать результаты контрольной работы ещё до того, как группа её напишет. Как использовать такие прогнозы при проектировании программ – нам только предстоит определить.

Корпоративное обучение отходит от модели корпоративного университета с набором курсов. Его заменяет обучение непосредственно в ходе работы: агент помогает сотруднику решить конкретную задачу и одновременно обучает его, выполняя роль наставника. Необходимые материалы предоставляются в тот момент, когда они нужны, а не тогда, когда сотрудник находит время на учёбу.

Распространение ИИ вызывает не только оптимизм, но и опасения: не утратит ли человек контроль над собственным обучением и процессом проектирования чьего-то учебного опыта? Один из ответов предлагает методологическая рамка сетевого обучения (networked learning), основанная на философии коннективизма. Она включает четыре принципа.

1. ИИ как партнёр по диалогу, а не источник готовых ответов. Студент обсуждает с ИИ способы решения задачи, но автором решения остаётся сам. Правильно настроенный ИИ задаёт уточняющие вопросы и предлагает контраргументы, развивая таким образом критическое мышление учащегося.
2. Образовательная среда вместо набора материалов. Задача создателей программы теперь состоит не в том, чтобы подготовить для учащегося учебные материалы (лекции, презентации, лонгриды), а в том, чтобы организовать пространство, где участники эффективно и безопасно обмениваются знаниями друг с другом, с ИИ и с наставником, а также правила его функционирования.
3. Экосистемы вместо институтов. Человек учится на протяжении всей жизни, поэтому функция специализированных образовательных организаций как главных агентов этого процесса уходит в прошлое. Обучение будет проходить через сервисы и бренды, которым человек доверяет и с которыми его объединяют общие ценности и интересы.
4. ИИ как участник учебной группы. В постгуманистическом коннективизме ИИ рассматривается как полноправный участник обучающейся сети. Его также необходимо обучать и проектировать совместное обучение группы людей и нейросетей: в одних задачах ИИ превосходит человека, в других уступает ему, эдакий студент с особыми возможностями.

Раньше аналитика шла с отставанием: сначала данные выгружали, затем аналитик их разбирал, и только после этого команда решала, что менять. Новые технологии заметно сократили этот путь, так что продукт теперь можно улучшать гораздо быстрее.
Теперь появилась возможность заранее выявлять студентов, которые близки к тому, чтобы прекратить обучение. Агент замечает снижение интереса или пробелы в знаниях раньше человека и запускает поддержку. Это напрямую влияет на retention, показатель удержания, который отражает качество студенческого опыта.

Что меняется для команды
• Данные становятся ответственностью всей команды. Методисты, преподаватели, авторы программ, продакт- и проджект-менеджеры должны в любой момент понимать, что происходит с данными. Модель, при которой аналитик изучает данные, руководство принимает решение, а команда его исполняет, больше не работает.
• Измеряется обучение, а не активность. Вместо кликов, просмотров и времени в продукте оцениваются прогресс в освоении навыка и образовательный результат.
• Дашборды уступают место триггерам. Результатом работы аналитики становится не отчёт, а уведомление, которое сразу привлекает внимание команды.
• Качество данных выходит на первый план. Важно, какие данные получает агент, к каким источникам обращается и как проверяет свои выводы.

Стратегии на три-четыре года теряют актуальность: сигналы поступают в реальном времени, и решения необходимо принимать оперативно.

Ключевой метрикой ближайших лет Наталья Воробьева считает time to competency, то есть время, за которое человек осваивает навык и начинает применять его в работе.

Контент перестал быть конкурентным преимуществом: его производство подешевело, а качество на рынке выровнялось. Выигрывают те, кто дополняет контент тем, что студент ищет помимо него. Именно это обеспечивает повторные покупки.
Кроме того, ИИ-инструменты появляются быстрее, чем специалисты успевают их освоить. Чтобы сохранять востребованность, люди углубляют экспертизу в узкой области и стремятся как можно быстрее применять новые знания. Школам и вузам рекомендуется учитывать не только итоговый балл, но и количество времени и занятий, которое потребовалось ученику, чтобы самостоятельно и без ошибок решать задачи.

Адаптируем систему приоритизации RICE для оценки продуктовых фичей и задач

RICE (Reach, Impact, Confidence, Effort: охват, влияние, уверенность и трудозатраты) представляет собой классический фреймворк приоритизации задач. В большинстве продуктов с его помощью оценивают влияние на вовлечённость: количество входов, время в продукте, клики. В образовательных продуктах вместо этого следует оценивать вклад в образовательный результат: прирост навыка, доходимость и время, необходимое для обучения.

Поиск узких мест
Важно определить, на каких этапах пути студент сталкивается с трудностями, от онбординга до оценки прогресса. Этапы, на которых большинство учащихся не справляется с заданиями или прекращает обучение, становятся основной причиной оттока. ИИ и углублённая аналитика позволяют выявлять такие этапы до того, как студенты перейдут к другому продукту.

Навыки работы с ИИ как стандарт найма
На рынке почти не осталось вакансий продакт-менеджера без требования владеть ИИ-инструментами для сбора и анализа обратной связи, приоритизации функций и логирования. Раньше от специалиста ожидали T-shaped компетенций. Сегодня продакт-менеджер, который умеет настраивать ИИ-агентов и управлять ими, совместно с методистом способен заменить целую продуктовую команду, по крайней мере на этапе проверки гипотез.

Интеграции и безопасность с первого дня
Необходимо проверить, с какими LMS работают заказчики и поддерживают ли они LTI, стандарт безопасного обмена данными между образовательной платформой и внешними сервисами. Учебные данные, как правило, относятся к чувствительной информации, поэтому безопасность интеграций имеет критическое значение.

Аналитическую инфраструктуру следует проектировать с самого начала. Работа продакт-менеджера начинается с вопросов: откуда поступают данные, как они собираются и обновляются? Источниками могут служить выступления, аудиозаписи, тексты, дизайн-проекты, симуляторы и программный код. Соответствующие компетенции можно развивать внутри команды или подключить внешний сервис через API.

☐ Перейти от метрики завершения курса к скорости достижения образовательного результата и применения навыка на практике.
☐ Научиться понимать логику работы с агентами
☐ Изучить принципы работы алгоритмов, генеративного ИИ и промптов.
☐ Закладывать безопасный обмен данными в архитектуру продукта с первого дня.
☐ Более тщательно разделять аудиторию на когорты исходя из их задач
☐ Оценивать влияние продукта на образовательный путь учащегося.