AI-first учебники: глубокое исследование

Executive summary

1. Селекция→AI-ассистент с RAG — уже product-feature (не R&D): Amazon Kindle “Ask This Book” (декабрь 2025), Harvard CS50 Duck (ddb), ETH Ethel, Mintlify AI, GitBook Lens. Архитектура везде одинаковая: vector DB (Chroma/Qdrant/Trieve) + GPT-4/Claude + sidebar UI.
2. Self-improving textbook через телеметрию — заявляется всеми (Khanmigo, Pearson MyLab, OLI, Учи.ру), но публичных кейсов “вопросы школьников → конкретные правки в тексте” почти нет. Лучшие данные у CMU OLI (academic) и Coursera (A/B тесты pedagogy). Это и есть наш potential moat.
3. Самый болезненный урок — Chegg/Cheggmate: тонкая обёртка над OpenAI API не выживает. Дифференциация только через (a) собственный контент + retrieval, (b) данные телеметрии, (c) бренд авторов. Все три у нас есть.
4. Khanmigo (700K юзеров 2024-25) — золотой стандарт по масштабу, но не по эффективности: RCT учения нет, опубликованное исследование (n=69) не показало статистически значимого преимущества над Google search.
5. Российские конкуренты слабые: Учи.ру/ЯКласс — adaptive practice без LLM-ассистента; Яндекс.Учебник AI-помощник (с 1 дек 2024) — единственный аналог, нацелен на 5-8 класс, математика. Окно для 10-11 классов информатики свободно.

A. Коммерческие продукты

A.1 Khan Academy Khanmigo

• Что делает: AI-tutor поверх Khan Academy контента; диалоговая помощь по задачам, не даёт прямой ответ, ведёт по шагам.
• Архитектура: GPT-4 (миграция к GPT-4o заявлена), интеграция с Khan content library, кастомные prompt-guardrails. Vector DB / структура retrieval публично не описана.
• Масштаб: 68K (2023-24) → 700K+ (2024-25), 380+ school districts. $4/мес для родителей, бесплатно для учителей.
• Метрики: Журнал статья (n=69, undergrad физика) — никакой статистически значимой разницы vs Google Search. Khan Academy сами признаются: RCT не делали “из-за стоимости”.
• Уроки: масштаб ≠ доказанная эффективность; для нас важно публиковать честные RCT-результаты (это станет коммерческим преимуществом).
• Источники: https://blog.khanacademy.org/khan-academy-efficacy-results-november-2024/ , https://files.eric.ed.gov/fulltext/EJ1435677.pdf

A.2 Duolingo Max

• Что делает: “Roleplay” (диалог с GPT-4-персонажем) и “Explain my answer” (контекст-специфичные объяснения ошибки в уроке).
• Архитектура: GPT-4 через OpenAI API + Duolingo’s NLP pipeline. Контекст урока передаётся в prompt (это аналог нашей “селекции”). RAG не нужен — корпус упражнений уже структурирован.
• Урок: контекст-aware вопрос (“почему я ошибся именно здесь”) — это и есть ключевой UX. “Explain my answer” — прямой прототип для нашей “выделил фрагмент → спросил”.

A.3 Pearson + Microsoft (NOT OpenAI)

• Что вышло: партнёрство с Microsoft (январь 2025), не с OpenAI. Запустили “Generative AI Foundations certification”. AI-учебников как продукта не вышло — только корпоративный skilling.
• MyLab/Mastering имеют десятилетие телеметрии и “real-time analytics” для преподавателей, но публичных кейсов “данные → переписали главу X” не публикуют (это IP).
• Урок: даже у гигантов с десятилетием данных нет публичного showcase “self-improving textbook” — большое окно для нас.

A.4 Chegg / Cheggmate — провал (важно)

• Что было: AI tutor поверх OpenAI API, апрель 2023.
• Результат: тихо умер. Акции Chegg упали с $14.7B (2021) до ~$1 (апрель 2026); -99%. Уволили 45% штата (октябрь 2025).
• Причина: тонкая обёртка над ChatGPT — студент идёт к самому ChatGPT бесплатно. Нет дифференциации.
• Урок для нас: НЕЛЬЗЯ быть просто “ChatGPT, обученный на нашем учебнике”. Дифференциация = (a) наш контент, который нельзя получить бесплатно, (b) прецизионная грундированность (RAG только на нашем тексте, цитаты), (c) педагогические паттерны (Сократ, не выдача ответа).

A.5 Quizlet Q-Chat — закрыт

• Запущен март 2023 (первый OpenAI-AI-tutor), закрыт 30 июня 2025.
• Урок: «AI помощник как фича подписки» не работает, если базовая ценность не уникальна.

A.6 Brainly Ginny

• GPT-4 + retrieval по 250M moderated answers (главное конкурентное преимущество — большой проприетарный корпус Q&A).
• UX: “Simplify / Expand / Follow-up” — операции поверх существующего ответа. Это интересный шаблон: не “ask anything”, а operations on text.
• Урок: операции “упростить/расширить/задать follow-up” хорошо подходят для школьного учебника.

A.7 McGraw-Hill ALEKS

• Knowledge Space Theory + 25 лет студенческих данных — adaptive engine, не LLM-tutor. ALEKS Adventure (K-3, 2024), ALEKS for Calculus (2025) — AI-powered, но “AI” здесь = классические ML-методы (Bayesian knowledge tracing).
• Урок: 25 лет накопленной телеметрии — это и есть actual moat, который McGraw-Hill монетизирует. Их подход — proven, но не диалоговый.

A.8 Coursera Coach

• AI-помощник в курсах; видимо real-time conversation на материале курса. Подробной архитектуры publicly нет.
• Главная ценность Coursera для нас — НЕ Coach, а их A/B-тестовая платформа (см. D.3).

A.9 Anthropic Claude for Education

• Запущен апрель 2025. Партнёры: Northeastern (50K seats), Pittsburgh, LSE, Champlain College.
• Это не учебник — это enterprise-доступ к Claude для университетов + “Learning Mode” (сократический режим).
• Опубликовали анализ 1M студенческих диалогов: 39% — generate/improve content.
• Урок: Learning Mode (сократический stance) — публично описанная prompt-стратегия, можно копировать.

A.10 Amazon Kindle “Ask This Book” (декабрь 2025) — критически важный референс

• Прямой аналог нашей фичи: выдели текст → кнопка “Ask” → spoiler-free ответ только по тексту до текущей позиции.
• Доступно в iOS Kindle, Android — 2026.
• Это валидация UX-паттерна: “highlight → ask” уже принят рынком масс-маркета.
• https://www.macrumors.com/2025/12/15/kindle-app-ios-gains-in-book-ai-chatbot/

A.11 Российские: Яндекс.Учебник

• Запустил AI-помощник по математике для 5-8 классов 1 декабря 2024 (6M школьников доступ).
• Step-by-step разбор, не выдаёт готовый ответ. Учительский AI-инструмент: планы уроков, поиск ошибок в ДЗ.
• Урок: они занимают младшую школу + математику. 10-11 класс информатики — пустая ниша.

A.12 Учи.ру

• Adaptive practice + детальная статистика затруднений. Нет LLM-ассистента по тексту — есть only adaptive content recommendations.
• Урок: показывают что аналитика затруднений как фича принята российским рынком, но они работают на уровне задач, не на уровне текста учебника.

B. Открытые / академические

B.1 Harvard CS50 Duck (CS50.ai) — лучший публично описанный референс

• Архитектура (опубликована Liu & Malan): GPT-4 + ChromaDB vector store + embeddings по лекциям/материалам. Запрос → embedding → top-N сегментов → GPT-4 с retrieval-контекстом + prompt-guardrails (“веди к ответу, не давай ответ”).
• Доступно в VS Code (cs50.dev) и веб (cs50.ai). 24/7 поддержка.
• Модульный конфиг: prompt + RAG knowledge base auto-update per course. Прямой шаблон для нас.
• https://cs.harvard.edu/malan/publications/V1fp0567-liu.pdf

B.2 ETH Zurich Ethel

• RAG (LangChain + OpenAI ada embeddings) поверх PDF курсов.
• 1500+ студентов, 6 курсов, весна 2024. Может проверять рукописные физические задачи (фото upload).
• Опубликован arxiv (https://arxiv.org/abs/2407.19452).
• Урок: multi-modal grading (рукописные решения) — следующий шаг после base-RAG.

B.3 Stanford Tutor CoPilot — лучший RCT

• Первый RCT human-AI tutoring: 900 тьюторов × 1800 K-12 учеников, март-май 2024.
• Результат: +4 п.п. mastery (62% → 66%, p<0.01). +9 п.п. для учеников у низкорейтинговых тьюторов.
• $20/тьютор/год — крайне дёшево.
• Главный урок: вместо “AI вместо учителя” — AI как coach для учителя. Для нас: AI-helper для авторов учебника, который видит студенческие данные и подсказывает где переписать.
• https://arxiv.org/abs/2410.03017

B.4 Carnegie Mellon Open Learning Initiative (OLI)

• 20+ лет captures data → adapts content → publishes research. “Learning engineering” — их термин.
• Public Doc: Bier et al., “Instrumenting Courseware and Leveraging Data with the OLI” (LAK19 workshop) — описывают как именно инструментируют курс под телеметрию.
• Урок: необходимо инструментировать учебник с самого начала — telemetry events, gold standard для нашей “self-improving” части.

B.5 Knewton (банкрот, важный урок)

• Был куплен Wiley 2019. Причины провала: не дифференцировались, опирались на discredited “learning styles”, не доказали efficacy в US DoE study (2016 — никакой статистически значимой разницы), privacy скандалы.
• Урок: adaptive learning без сильной педагогической теории и без доказательств — пустые обещания.

B.6 Recent arxiv-papers (2024-2025)

• KG-RAG (arxiv 2311.17696): knowledge graph + RAG, +35% к assessment scores на n=76. Знание-граф предметной области — улучшает retrieval для нашего случая.
• AI tutoring RCT UK (arxiv 2512.23633): safe and effective support в UK classrooms.
• SocraticAI (arxiv 2512.03501): scaffolded интеракция для CS-tutoring.
• NotebookLM evaluation (arxiv 2504.09720): source-grounded LLM работает.

B.7 Google NotebookLM

• Pure source-grounded (без training-data answer-leakage). Inline citations, audio overviews, mind-maps.
• Урок: source-grounded строгое = нулевые галлюцинации поверх своих источников. Это паттерн который надо взять полностью.

C. Архитектурные референсы (что копировать)

C.1 Mintlify AI

• Agentic RAG поверх Claude Sonnet 4 + tool calling для поиска. Купили Trieve (vector infra) в июле 2025.
• Чистый sidebar-UX, цитаты с inline-ссылками, копируемые примеры кода.
• Архитектурно ближе всего к нашему сценарию: structured docs + AI ассистент. Самый чистый референс для копирования.

C.2 GitBook Lens + Assistant

• Семантический поиск + AI-Q&A; llms.txt экспорт; external MCP integration.
• Урок: llms.txt как стандарт для индексации книги внешними AI — нам стоит публиковать.

C.3 Open source: RAGFlow (15K+ stars)

• Понимает PDF, Word, slides, scanned. Hybrid retrieval. Production-ready.
• https://github.com/infiniflow/ragflow

C.4 Kotaemon (Cinnamon)

• Hybrid RAG (full-text + vector) + re-ranking, чистый minimalist UI. MIT license.
• https://github.com/Cinnamon/kotaemon

C.5 Стек для нашего MVP (синтез)

• Frontend: Jupyter Book 2 / MyST (хорошо для тех. контента, версионирование как код, math/code highlighting нативно).
• Selection→ask UI: паттерн Kindle “Ask This Book” + Mintlify sidebar.
• Retrieval: Chroma или Qdrant + ada-3 embeddings (как ETH Ethel), плюс KG-RAG для топологии курса.
• LLM: Claude 3.5/4 Sonnet (Mintlify, Anthropic Education) или GPT-4o (Khanmigo, CS50).
• Prompt-pattern: Сократический стиль из CS50 (“не давай ответ, веди”) + Anthropic Learning Mode.
• Telemetry: OLI event-instrumentation pattern.

D. Self-improving контент — реальные кейсы

D.1 Carnegie Mellon OLI

• 20-летний цикл “data → adapt → research → publish”. Bier (2019) описывает конкретно как они инструментируют курсы для пост-факт-анализа.
• Что реально опубликовано: статьи через LAK (Learning Analytics & Knowledge), но конкретных кейсов “вопрос X повторился N раз → переписали раздел Y” в публичном поле не нашёл.

D.2 Pearson MyLab Mastering

• Real-time dashboards для преподавателей: распределение ошибок, struggling students. Это per-class telemetry, не per-textbook content update. Публичных кейсов “глава X переписана из-за данных” нет.

D.3 Coursera A/B testing

• Platform для A/B-тестов pedagogy. Опубликованный кейс (Kizilcec, Stanford): randomized intervention сократил achievement gaps.
• Они тестируют видео vs slideshow vs reading для одной темы — это прямой шаблон для нас.

D.4 Учи.ру (Россия)

• BI-аналитики тестируют гипотезы, корректируют траектории по затруднениям. Платформа уровня “если ошибка → доп задание”, не уровня “переписать главу”.

D.5 Perusall (social annotation) — недооценённый источник телеметрии

• Telemetry over где студенты ставят аннотации в PDF. 90-95% completion rate на reading. Hypothes.is — 300+ институтов.
• Урок: аннотации = доказанный источник телеметрии “где трудно” ещё до AI-эры. Мы можем построить FAQ из аннотаций + AI-вопросов.

Главный вывод D: публичных кейсов “вопросы пользователей → конкретные правки в тексте учебника” практически нет. Все обещают, никто публично не показывает. Это белое пятно — наш потенциальный moat и публикационная программа.

E. Подводные камни и open questions

E.1 Privacy (152-ФЗ + GDPR + COPPA/FERPA)

• 152-ФЗ: данные граждан РФ хранить на серверах в РФ; согласие на обработку обязательно; школьники <14 — через родителей.
• GDPR + COPPA: 42% US-districts не имеют DPA с AI-вендорами. Нам это вписывать в архитектуру с первого дня.

E.2 Hallucinations в RAG над математикой

• Paper (arxiv 2509.16780) явно: RAG плохо справляется с вычислениями, хорошо — с фактами/определениями/формулировками. Решение: hybrid (RAG для теории + code interpreter для вычислений).

E.3 Cost economics

• GPT-4-class сейчас ~$2-3/1M input tokens.
• RAG-запрос с контекстом 10K-50K input + 500-2000 output: $0.005-0.02 за вопрос.
• Школьник 30 вопросов/мес × 9 мес × $0.01 ≈ $2.7/год. На 100K школьников = $270K/год LLM-расходы.
• Урок: экономика реалистична, можно даже не делать платным.

E.4 AI overdependence

• Мета-анализы: -20…-40 п.п. знаний при uncontrolled AI use.
• Mitigation: сократический стиль (CS50, Khanmigo), запрет на прямой ответ, скрытие решения до попытки.

F. Что я бы взял для нашего прототипа

Три продукта изучить плотно:
1. Harvard CS50 Duck (cs50.ai) — open-architecture, опубликованная статья, прямой паттерн “course-specific RAG + сократические guardrails”. Liu & Malan, цитируемая работа.
2. Amazon Kindle “Ask This Book” — UX-стандарт для “highlight→ask”, изучить на iOS и копировать.
3. CMU OLI — самый зрелый “telemetry-driven content” продукт. Связаться с их research-командой; Marsha Lovett, Norman Bier — публичные контакты.

Три архитектурных подхода скопировать:
1. CS50 Duck stack: GPT-4o/Claude Sonnet + ChromaDB + per-page RAG + сократический prompt.
2. Mintlify agentic RAG: tool-calling LLM с инструментами search_textbook, get_related_section, get_videos — гибче, чем single-shot RAG.
3. OLI instrumentation pattern: с самого начала проектировать каждый абзац как event-emit unit: read, dwell, select, ask, answered, confused. Эти данные — самостоятельный продукт.

Что выделяет нас:
- Авторский контент (МФТИ + ВШЭ преподаватели) — то, чего не было у Chegg.
- Self-improving loop с публикацией кейсов — то, чего публично не показывает никто.
- 10-11 класс информатики на русском — Яндекс.Учебник занял 5-8 математику; мы заходим в свободное окно.

Что НЕ делать:
- Тонкая обёртка над OpenAI без своего контента → судьба Chegg/Q-Chat.
- Громкие efficacy-обещания без RCT → судьба Knewton.
- Хранить данные школьников без DPA и 152-ФЗ-compliance → юридический риск.