Коли засновник Duolingo Луїс фон Ан (Luis von Ahn) говорить про штучний інтелект, у нього немає ані технооптимістичного пафосу, ані апокаліптичних прогнозів. У розмові на каналі Silicon Valley Girl він описує дуже приземлену картину: AI вже глибоко вбудований у роботу компанії, але щоразу впирається в межі якості, надійності та людського судження.
На прикладі нового курсу з шахів, внутрішніх експериментів з AI?кодингом і масового генерування навчального контенту Duolingo фактично тестує, де саме AI справді корисний, а де перетворюється на джерело додаткових витрат і ризиків. Ці уроки вже впливають на те, які предмети компанія запускає зараз і як планує майбутні напрями — від математики до потенційних курсів з малювання чи шкільних наук.
Шахи як полігон для AI: від сирих задач до тренованої моделі
Новий курс з шахів у Duolingo став показовим кейсом того, як AI може бути одночасно рушієм інновацій і джерелом дуже конкретних проблем якості.
Ідея курсу народилася всередині компанії: двоє співробітників, які не були інженерами й майже не знали шахів, захотіли додати цей предмет до застосунку. Спочатку Луїс фон Ан відмовив — шахи здавалися просто грою, а не частиною освітньої місії. Лише після розмови з міністеркою освіти Гватемали, яка розглядала шахи як інструмент розвитку логічного мислення для школярів, він погодився. Але з однією умовою: інженерів дати не може, тож команді доведеться «якось розібратися» самостійно.
Це «якось» виявилося глибоким зануренням у AI?інструменти. Один із ініціаторів мав базові технічні навички, і команда пішла шляхом так званого vibe coding — коли людина з мінімальним досвідом програмування використовує AI?асистентів, щоб швидко збирати прототипи. Вони встановили Cursor — редактор коду з вбудованими моделями — і почали з найочевиднішого: генерації шахових задач.
Перший результат виявився далеким від очікувань. Моделі, які чудово пишуть текст чи код, виявилися слабкими у створенні якісних шахових позицій. Задачі були некоректними, тривіальними або просто нецікавими з точки зору навчання. Для освітнього продукту, де кожна вправа має бути чітко вивіреною, це критична проблема.
Щоб підняти планку, команда змінила підхід: замість «чистої» генерації вони почали вчити модель на реальних даних. Вони використали онлайн?базу існуючих шахових задач, натренували AI на цих прикладах — і якість різко зросла. Модель почала пропонувати значно кращі позиції, ближчі до того, що очікують досвідчені шахісти й тренери.
Цей епізод оголює важливу межу сучасних генеративних моделей: без доменної адаптації й навчання на спеціалізованих датасетах вони часто провалюються в нішевих, структурованих задачах. «AI як чорна скринька» працює гірше, ніж AI, який опирається на добре підібрані дані.
Далі команда зосередилася на мобільному досвіді. Вони знову і знову збирали прототипи інтерфейсу, ігрових сценаріїв, уроків — і показували їх Луїсу фон Ану. Лише коли він, як CEO і головний «редактор» продукту, вирішив, що курс достатньо якісний, шахи отримали місце в основному застосунку.
Той факт, що сьогодні близько семи мільйонів щоденних активних користувачів вчать шахи в Duolingo, легко спокушає до висновку «AI зробив усе». Насправді ж історія виглядає інакше: AI був інструментом для швидкого старту, але якість забезпечили додаткове навчання моделі на спеціалізованих даних і жорсткий людський відбір на рівні продукту.
AI?кодинг: швидкий старт, болісний дебаг і чому інженери все ще незамінні
Duolingo активно використовує AI?асистентів для програмування. Інженери перебудували свої робочі процеси навколо таких інструментів, а продакт?менеджери дедалі частіше приходять не з текстовими документами, а з живими прототипами, зібраними за допомогою AI. Це суттєво змінює внутрішню динаміку ухвалення рішень: замість абстрактних описів керівництво бачить реальний сценарій навчання, який можна «потикати» руками.
Однак досвід компанії показує, що AI?кодинг має чітко окреслені межі. На «щасливому шляху» — коли завдання стандартне, добре сформульоване, а контекст зрозумілий — AI пише код дуже швидко. Прототипи, внутрішні тулінги, невеликі дашборди для KPI — усе це можна зібрати за години, а не тижні. Неінженери в Duolingo вже створюють власні внутрішні застосунки й аналітичні панелі, використовуючи AI як «надбудову» над своїми базовими технічними знаннями.
Проблеми починаються тоді, коли щось іде не так. Коли з’являється нетривіальний баг, неочевидна взаємодія компонентів або поведінка, яку важко відтворити, AI?асистенти різко втрачають ефективність. Виправлення помилок, пояснення, чому система поводиться саме так, а не інакше, — усе це досі вимагає глибокого людського розуміння архітектури, даних і контексту.
Луїс фон Ан прямо говорить: для продакшн?систем AI?кодинг?інструменти поки що не кращі за людських інженерів. Вони корисні для шаблонного коду, швидкого прототипування, генерації варіантів, але не замінюють досвідченого розробника, який відповідає за стабільність і безпеку продукту.
Це особливо помітно в освітньому застосунку масштабу Duolingo, де будь?яка помилка може вплинути на мільйони користувачів. Коли йдеться про продакшн?код, компанія не може дозволити собі покладатися на «мабуть, воно працює» від моделі. Дебаг AI?згенерованого коду часто виявляється настільки трудомістким, що вигода від швидкого старту нівелюється.
У підсумку формується гібридна модель: AI як прискорювач для рутинних або експериментальних задач, людина як гарант якості й надійності. І поки що, за оцінкою CEO, баланс явно на користь людських інженерів, коли мова про продакшн.
Масове генерування контенту: чому більшість AI?історій не доходить до користувача
Duolingo — це не лише код, а й гігантська фабрика навчального контенту. Тут AI здається ідеальним рішенням: моделі можуть безкінечно продукувати діалоги, історії, вправи, варіанти відповідей. Але реальний досвід компанії виявився набагато складнішим.
Коли Duolingo почав масштабно використовувати AI для створення навчальних історій, швидко з’ясувалося, що лише меншість із них відповідає стандартам, необхідним для реального навчання. Частина текстів була занадто банальною, частина — стилістично слабкою, іноді траплялися логічні неузгодженості або культурні нюанси, які могли збивати з пантелику.
Для масового освітнього продукту цього недостатньо. Кожна історія має не просто бути граматично коректною, а й відповідати рівню складності, навчальним цілям, культурному контексту й загальному «тону» бренду. AI?моделі, навіть дуже потужні, не завжди стабільно потрапляють у всі ці параметри.
У результаті Duolingo вибудував процес, де AI генерує велику кількість варіантів, але на «вихід» до користувача потрапляє лише відібрана частина. Люди?редактори й методисти переглядають, фільтрують, іноді переписують або комбінують AI?згенеровані фрагменти. Машина дає сировину, людина робить із неї продукт.
Це знову ж таки підкреслює ключову ідею, яку фон Ан повторює в різних контекстах: AI корисний, доки він підпорядкований чіткій людській меті й контролю якості. У випадку Duolingo такою метою є користь для учня. Усередині компанії діє «золоте правило»: AI використовують лише там і так, де це реально покращує досвід навчання.
Це правило працює як запобіжник проти спокуси «автоматизувати все, що можна». Навіть якщо AI здатен згенерувати тисячі історій за хвилини, це не означає, що всі вони мають опинитися в застосунку. Масштаб без якості в освіті перетворюється на шум.
Людське судження як останній фільтр: від мобільних прототипів до дорожньої карти предметів
Історія шахового курсу добре показує, що навіть у компанії, яка агресивно експериментує з AI, фінальне слово залишається за людьми. Двоє співробітників за пів року, спираючись на AI?інструменти, зібрали повноцінний прототип: навчальну програму, мобільний інтерфейс, шахові задачі. Але курс потрапив у застосунок лише після того, як CEO особисто «програвся» з кількома ітераціями мобільних прототипів і вирішив, що досвід достатньо якісний.
Цей процес важливий не лише як анекдот про вимогливого засновника. Він демонструє, що в Duolingo AI?асистований розвиток продукту все одно проходить через людську «редактуру» на рівні бачення: чи відповідає це місії компанії, чи справді навчає, чи буде цікаво мільйонам користувачів.
Те саме стосується і ширшої дорожньої карти предметів. Після запуску шахів компанія отримала безліч ідей щодо нових курсів, не пов’язаних із мовами. Усередині обговорюють амбіції навчати шкільним наукам K–12, розвивати навички на кшталт малювання. З технічної точки зору, особливо з урахуванням AI?інструментів, створення прототипів таких курсів стало набагато простішим: будь?який співробітник може «завібкодити» базову версію й прийти з нею до керівництва.
Однак попри цю свободу експериментів, Duolingo свідомо обмежує фокус. Зараз компанія концентрується на чотирьох напрямах: мови, математика, музика й шахи. Ідеї на кшталт K–12 science чи курсу з малювання залишаються в довгостроковому списку бажань, але не переходять у стадію активної розробки.
Це рішення виглядає як відповідь на ще одну пастку AI?ери: коли інструменти роблять створення нових продуктів надто легким, з’являється ризик розпорошення. Duolingo намагається балансувати між внутрішньою свободою «будь?хто може зробити прототип» і стратегічною дисципліною «ми реально розвиваємо лише кілька ключових напрямів».
У цьому сенсі людське судження — не лише про оцінку якості окремого прототипу, а й про вибір, куди спрямувати обмежені ресурси уваги, маркетингу, підтримки. AI може допомогти зробити «ще один курс», але не може вирішити, чи варто його робити саме зараз.
Культура експериментів з AI: від «обов’язкового» використання до здорового скепсису
Внутрішня культура Duolingo навколо AI теж пройшла помітну еволюцію. Компанія активно заохочує співробітників експериментувати: проводила день, коли кожен — від HR до фінансів — мав щось «завібкодити», підтримує Slack?канали з найкращими AI?практиками й окремий канал «AI fails», де діляться невдалими кейсами.
Це створює середовище, де AI сприймається як інструмент, з яким можна гратися, помилятися, вчитися на чужих промахах. Важливо, що помилки не замовчуються, а стають частиною колективного досвіду: від невдалих прототипів до дивних відповідей моделей.
Водночас спроба формалізувати використання AI через систему оцінювання продуктивності виявилася невдалою. Коли Duolingo тимчасово включив «AI?продвинутость» у performance review, співробітники почали ставити логічне запитання: чи очікує від них керівництво використання AI «заради галочки», навіть там, де це не додає цінності?
Побачивши цей сигнал, менеджмент відмовився від метрики. Фокус повернули до базового принципу: головне — результат роботи, а AI — лише один із можливих шляхів до нього. Якщо інструменти допомагають — чудово; якщо ні — ніхто не змушує ними користуватися.
Цей крок важливий у ширшому контексті дискусій про AI на робочому місці. Багато компаній сьогодні намагаються «оцифрувати» використання AI, прив’язати його до KPI, зробити частиною формальних вимог. Досвід Duolingo показує, що така стратегія може мати зворотний ефект: люди починають оптимізуватися під метрику, а не під реальну користь для продукту.
Натомість більш органічний підхід — дати інструменти, створити простір для експериментів, поширювати кращі практики й чесно обговорювати провали — виявляється продуктивнішим. Особливо в компанії, де «золоте правило» чітко фіксує кінцеву мету: користь для учня, а не демонстрація технологічної «просунутості».
Майбутнє AI в освіті: менше магії, більше ремесла
Якщо скласти докупи всі ці фрагменти — шаховий курс, AI?кодинг, фільтрацію контенту, внутрішню культуру — вимальовується доволі тверезе бачення ролі AI в освітніх технологіях.
По?перше, AI вже радикально знижує бар’єр входу в розробку продуктів. Двоє неінженерів можуть за пів року створити прототип курсу, який потім перетвориться на найшвидше зростаючий напрям компанії. Продакт?менеджери можуть показувати живі прототипи замість документів. Співробітники без технічної освіти можуть будувати власні дашборди й внутрішні інструменти.
По?друге, саме там, де ставки найвищі — продакшн?код, масовий навчальний контент, стратегічний вибір предметів — AI поки що залишається інструментом другого плану. Він прискорює, розширює, пропонує варіанти, але не приймає остаточних рішень і не гарантує якості.
По?третє, масштаб не дорівнює цінності. Можна згенерувати тисячі історій, але лише невелика частина буде придатною для реального навчання. Можна швидко написати код, але виправлення помилок може з’їсти весь виграш у часі. Можна легко зробити ще один курс, але це не означає, що його варто запускати.
По?четверте, культура використання AI виявляється не менш важливою, ніж самі моделі. Там, де AI стає обов’язковою «галочкою» в performance review, він перетворюється на бюрократичний тягар. Там, де AI?помилки обговорюються відкрито, а успішні кейси поширюються горизонтально, інструменти природно вбудовуються в роботу.
У цьому сенсі Duolingo сьогодні демонструє не стільки «AI?революцію», скільки еволюцію ремесла створення освітніх продуктів. Штучний інтелект стає ще одним шаром інструментів — поряд із мовами програмування, UX?дизайном, педагогічною методикою. Він не скасовує потребу в людському судженні, а радше підвищує вимоги до нього: потрібно вміти відрізняти корисне від шуму, швидкість від якості, прототип від готового продукту.
І поки Duolingo зосереджується на шахах, математиці, музиці й мовах, а мрії про K–12 science та курси з малювання залишає на майбутнє, головний урок виглядає так: AI уже може допомогти створити «наступний великий продукт» за шість місяців і двома людьми. Але зробити його справді хорошим — усе ще завдання для людей.