On education, AI, and the honest admission of uncertainty
Teaching Uncertainty
There is something uncomfortable about preparing young people for a future that their teachers do not understand either. The discomfort is correct. It should not be resolved.
This essay was written with the help of an AI. The author sketched the arguments in conversation with a language model, found the model's contributions genuinely useful, and is aware of the irony this creates in an essay about teaching critical thinking in the age of AI. He has decided to leave the irony in rather than explain it away, because it is in fact the essay's first and most honest example.
The image that prompted it was this: an educator preparing young people to navigate an AI-transformed world feels, at moments, like a company commander sending troops into unfamiliar terrain with maps that might be wrong. The maps are the best available. They are also provisional. That combination — the best we have, and probably insufficient — is not comfortable to sit with. It is, however, the accurate description of the situation.
What we are actually preparing them for
The standard framing of AI literacy education focuses on tools and their properties: how large language models work, what they can and cannot do, how to detect their outputs, how to use them responsibly. This framing is not wrong, but it has a short shelf life. The specific capabilities of specific systems are changing faster than any curriculum can track. A lesson about the limitations of GPT-4 is already partly obsolete before it is taught. Teaching young people to navigate a technology by describing its current state is teaching them to drive by looking in the rear-view mirror.
What transfers across the inevitable changes is not technical knowledge but epistemic posture — a set of reflexes for how to relate to information, claims, and confident-sounding sources of any kind. This is not new. It is what good critical thinking education has always aimed at. What is new is the urgency, and one specific addition to the toolkit that the current moment makes necessary.
That addition is this: fluency is no longer evidence of thought.
It has always been true that a well-constructed argument does not guarantee a true conclusion. But producing fluent, coherent, authoritative-sounding text previously required human effort, and human effort correlated, imperfectly but meaningfully, with the presence of a mind that had engaged with the subject. That correlation has been severed. We now live in an environment where unlimited quantities of fluent text can be generated at negligible cost with no signal reliably distinguishing careful reasoning from sophisticated confabulation. Teaching young people to read in this environment requires building a new reflex: the separation of how something sounds from whether it is true.
The tools that last
If the specific technical landscape keeps shifting, what remains stable enough to teach? Nassim Taleb — whose work on uncertainty and risk provides one of the better frameworks for thinking about the current moment — argues that the most durable knowledge is knowledge about the structure of uncertainty itself, not about the contents of any particular domain. This is frustrating advice. It is also probably correct.
Calibrated uncertainty is the first capacity. Not the ability to say "I don't know" as a social deflection, but the genuine ability to hold a belief with an appropriate degree of confidence — strong where evidence is strong, weak where it is weak, and honest about the difference. Most adults are poor at this. They treat uncertainty as a temporary condition to be resolved as quickly as possible, collapsing ambiguous situations into false clarity because clarity is socially comfortable. Young people who learn to sit with genuine uncertainty — who can say "the evidence points this way but the picture is incomplete" and mean it — are better equipped for almost every situation they will face, technological or otherwise.
Source tracing as reflex is the second. Not as a checklist — "check the URL, look for an author, verify the date" — but as an automatic response to any confident claim: where does this come from, who made it, what would it cost them to be wrong, what is the strongest case against it? Applied to AI outputs, this means asking not just "is this accurate" but "what kind of system produced this, and what are its failure modes?" Applied to news, to scientific claims, to political arguments, it means following the chain of assertion back toward its origin and noticing where the chain breaks or where the incentives of the people in it distort what passes through.
Skin in the game as an analytical tool is the third, and perhaps the most transferable of Taleb's specific ideas. The question is not only whether an argument is correct but whether the person making it bears the consequences of being wrong. The AI company that assures you its system is safe while holding equity in its deployment is in a different epistemic position than a researcher with no financial stake in the outcome. The policy advocate who will not live under the policies they recommend should be read differently from one who will. This is not cynicism — it is a structural heuristic that cuts through enormous amounts of noise without requiring detailed knowledge of any particular domain.
The irony in the room
All of this was developed in conversation with a language model. The arguments were sketched, tested, pushed back on, and refined through dialogue with a system that has no stake in whether these ideas are correct, no experience of teaching, no children to worry about, and no future to live in. It also has read everything relevant, makes connections across domains faster than any individual human can, and does not get tired at the end of a working day when the thinking needs to happen.
The honest response to this situation is neither to pretend the tool is not being used nor to pretend the tool is neutral. It is to model exactly the epistemic practice being advocated: acknowledge what the tool does well, be alert to where it fails, trace the reasoning rather than accepting the output, and maintain your own judgment as the final filter. The essay you are reading was produced by a human using AI as a thinking partner. Whether its arguments are good is a question about the arguments, not about the provenance.
This is also, incidentally, the most useful thing an educator can demonstrate to students: not competence with AI in the abstract, but a specific practice of engaged, critical, authorial use. Not "here is how the tool works" but "here is how I work with the tool, and here is where I push back on it." The model of responsible use is more valuable than any amount of descriptive knowledge about the technology.
What the commander owes the troops
The company commander image is uncomfortable because it implies a knowledge asymmetry that no longer fully exists. The commander is supposed to know the terrain. Here, nobody knows the terrain. The adults sending young people into the future are navigating the same uncertainty, with more experience of previous uncertainties but no special access to this one.
There is something clarifying in admitting this directly. The educator who pretends to more certainty than they have — who presents AI literacy as a solved curriculum, who offers confident predictions about which skills will matter and which will be automated away — is doing students a disservice that goes beyond the inaccuracy. They are modelling the wrong epistemic posture: the resolution of genuine uncertainty into performed confidence. Students who absorb that model will be worse equipped than those who learn, from watching their teachers, that thoughtful people can hold "I find this remarkable" and "I find this frightening" simultaneously, without resolving either into the other.
The obligation is not to have answers. It is to demonstrate what serious engagement with hard questions looks like — the sustained attention, the willingness to be wrong, the resistance to premature closure, the capacity to act despite uncertainty rather than waiting for certainty that will not come. These are not curriculum objectives. They are a way of being in the classroom, and they are caught more than they are taught.
The stars still work
The navigator metaphor is more useful than the commander one. A navigator teaching celestial navigation to a crew entering uncharted water is not pretending to know the coastline ahead. They are transmitting a method — a set of principles for determining where you are that remains valid regardless of what the map shows. The stars still work. The principles of position-finding are not invalidated by not knowing what lies ahead.
The principles of critical thinking — trace claims, interrogate incentives, calibrate confidence to evidence, separate fluency from accuracy, remain functional under uncertainty — are the equivalent. They do not tell you what AI will do to education, to labour markets, to the information ecosystem, to the long-run project of human self-understanding. Nobody knows those things. What they give you is a method for figuring out where you are as conditions change, and for recognising when someone is trying to sell you a map of territory they have never visited.
That is what is worth teaching. Not confidence about the future, but competence in uncertainty. Not the answers to questions that nobody can yet answer, but the tools for asking them well — and the honesty to admit, in front of the students who are watching, that the teacher is asking them too.
Kasvatuksesta, tekoälystä ja epävarmuuden myöntämisestä
Epävarmuuden opettaminen
Nuorten valmistamisessa tulevaisuuteen, jota heidän opettajansakaan eivät ymmärrä, on jotain epämukavaa. Epämukavuus on oikein. Sitä ei pidä yrittää poistaa.
Tämä essee on kirjoitettu tekoälyn avulla. Kirjoittaja hahmotteli argumentit keskustelussa kielimallin kanssa, koki mallin panoksen aidosti hyödylliseksi ja on tietoinen ironiasta, jonka tämä luo esseessä, joka käsittelee kriittisen ajattelun opettamista tekoälyn aikakaudella. Hän on päättänyt jättää ironian näkyviin sen selittelemisen sijaan, sillä se on itse asiassa esseen ensimmäinen ja tärkein esimerkki.
Lähtökohtana oli tämä kuva: tekoälyn muovaamaan maailmaan nuoria valmistava kasvattaja tuntee toisinaan olevansa komppanianpäällikkö, joka lähettää joukkonsa tuntemattomaan maastoon mahdollisesti virheellisin kartoin. Kartat ovat parhaita saatavilla olevia. Ne ovat myös väliaikaisia. Tuo yhdistelmä — paras mitä meillä on, ja todennäköisesti riittämätön — ei ole helppo sietää. Se on kuitenkin tarkka kuvaus tilanteesta.
Mihin me heitä valmistelemme
Tekoälylukutaidon opetuksen tavanomainen kehys keskittyy työkaluihin ja niiden ominaisuuksiin: miten suuret kielimallit toimivat, mitä ne voivat ja eivät voi tehdä, miten tunnistaa niiden tuottama sisältö, miten käyttää niitä vastuullisesti. Tämä kehys ei ole väärä, mutta sillä on lyhyt parasta ennen -päiväys. Tiettyjen järjestelmien erityisominaisuudet muuttuvat nopeammin kuin mikään opetussuunnitelma voi seurata. Oppi GPT-4:n rajoituksista on jo osittain vanhentunut ennen kuin sitä on opetettu. Nuorten opettaminen navigoimaan teknologiassa kuvaamalla sen nykyistä tilaa on kuin opettaisi ajamaan katsomalla taustapeiliin.
Väistämättömien muutosten yli siirtyy ei tekninen tieto vaan episteeminen asenne — joukko refleksejä siitä, miten suhtautua tietoon, väitteisiin ja luotettavan kuuloisiin lähteisiin kaikissa muodoissaan. Tämä ei ole uutta. Kriittisen ajattelun opetus on aina tähdännyt tähän. Uutta on kiireellisyys ja yksi erityinen lisäys työkalupakkiin, jonka nykyhetki tekee välttämättömäksi.
Lisäys on: sujuvuus ei enää ole todiste ajattelusta.
On aina ollut totta, että hyvin rakennettu argumentti ei takaa oikeaa johtopäätöstä. Mutta sujuvan, johdonmukaisen, autoritatiiviselta kuulostavan tekstin tuottaminen vaati aiemmin inhimillistä vaivannäköä, ja inhimillinen vaivannäkö korreloi, epätäydellisesti mutta merkityksellisesti, aiheeseen perehtyneen mielen kanssa. Tuo korrelaatio on katkennut. Elämme nyt ympäristössä, jossa rajattomia määriä sujuvaa tekstiä voidaan tuottaa mitättömällä kustannuksella ilman luotettavaa signaalia, joka erottaisi huolellisen päättelyn taitavasta harhailusta. Nuorten lukutaidon opettaminen tässä ympäristössä vaatii uuden refleksin rakentamista: sen erottamisen, miltä jokin kuulostaa, siitä onko se totta.
Pysyvät työkalut
Jos erityinen teknologinen maisema jatkuvasti muuttuu, mikä pysyy riittävän vakaana opetettavaksi? Nassim Taleb — jonka työ epävarmuudesta ja riskistä tarjoaa yhden parhaista kehyksistä nykyhetken ajattelemiseen — väittää, että kestävin tieto on tieto itse epävarmuuden rakenteesta, ei mistään erityisestä aihealueesta. Tämä on turhauttava neuvo mutta myös todennäköisesti oikea.
Kalibroitu epävarmuus on ensimmäinen kyky. Ei kyky sanoa "en tiedä" sosiaalisena väistönä, vaan aito kyky pitää uskomusta asianmukaisella luottamustasolla — vahvana missä todisteet ovat vahvoja, heikkona missä ne ovat heikkoja, ja tarkkana näiden eron suhteen. Useimmat aikuiset ovat tässä huonoja. Aikuiset kohtelevat epävarmuutta väliaikaisena tilana, joka on ratkaistava mahdollisimman nopeasti, romahduttaen moniselitteiset tilanteet väärään selkeyteen, koska selkeys on sosiaalisesti mukavaa. Nuoret, jotka oppivat sietämään aitoa epävarmuutta — jotka voivat sanoa "todisteet viittaavat tähän suuntaan, mutta kuva on epätäydellinen" ja tarkoittaa sitä — ovat paremmin valmiita lähes kaikkiin kohtaamiinsa tilanteisiin, teknologisiin tai muihin.
Lähteen jäljittäminen refleksinä on toinen. Ei tarkistuslistana — "tarkista URL, etsi tekijä, varmista päivämäärä" — vaan automaattisena vasteena mihin tahansa luotettavan kuuloiseen väitteeseen: mistä tämä tulee, kuka sen teki, mitä heille maksaisi olla väärässä, mikä on vahvin vasta-argumentti? Tekoälytuotosten suhteen tämä tarkoittaa kysymistä paitsi "onko tämä tarkka" myös "minkälainen järjestelmä tämän tuotti ja mitkä ovat sen vikatilat?" Uutisten, tieteellisten väitteiden, poliittisten argumenttien suhteen se tarkoittaa väiteketjun seuraamista takaisin sen alkuperään ja sen huomaamista, missä ketju katkeaa tai missä siinä olevien ihmisten kannustimet vääristävät läpi kulkevaa tietoa.
Onko henkilön oma nahka pelissä? analyyttisenä työkaluna on kolmas, ja ehkä siirrettävin Talebin erityisistä ideoista. Kysymys ei ole vain siitä, onko argumentti oikea, vaan kantaako sen esittäjä seuraukset siitä, että on väärässä. Tekoäly-yhtiö, joka vakuuttaa järjestelmänsä olevan turvallinen samalla kun yrityksen kohtalo riippuu onnistumisesta, on eri episteemisessä asemassa kuin tutkija, jolla ei ole taloudellista intressiä lopputuloksessa. Politiikan puolestapuhujaa, joka ei itse elä päätöstensä tuottamassa todellisuudessa, tulisi lukea eri tavalla kuin sitä, joka elää. Tämä ei ole kyynisyyttä vaan rakenteellinen heuristiikka, joka leikkaa läpi valtavan määrän kohinaa vaatimatta yksityiskohtaista tietoa mistään erityisestä aihealueesta.
Huoneen täyttävä ironia
Kaikki tämä kehitettiin keskustelussa kielimallin kanssa. Argumentit hahmoteltiin, testattiin, kyseenalaistettiin ja hiottiin dialogissa järjestelmän kanssa, jolla ei ole mitään panosta siinä, ovatko nämä ideat oikeita, ei kokemusta opettamisesta, ei omia lapsia joista huolehtia eikä tulevaisuutta jossa elää. Sille on myös opetettu kaikki relevantti tieto maailmassa ja ihmiskielissä, se tekee yhteyksiä aihealueiden välillä nopeammin kuin kukaan yksittäinen ihminen voi, eikä se väsy pitkän työpäivän päätteeksi, kun ajattelun pitäisi tapahtua.
Rehellinen vastaus tilanteeseen ei ole teeskennellä, ettei työkalua käytetä, eikä teeskennellä, että työkalu on neutraali. Se on mallintaa täsmälleen sitä episteemistä käytäntöä, jota puolustetaan: tunnustaa mitä työkalu tekee hyvin, olla valppaana siellä missä se epäonnistuu, jäljittää päättelyketju sen sijaan että hyväksyy tuotoksen, ja pitää oma arviointi lopullisena suodattimena. Esseen, jota luet, on tuottanut ihminen käyttäen tekoälyä ajattelukumppanina. Ovatko sen argumentit hyviä, on kysymys argumenteista, ei alkuperästä.
Tämä on myös, sivumennen sanoen, hyödyllisin asia, jonka kasvattaja voi osoittaa opiskelijoille: ei pätevyys tekoälyn kanssa abstraktina asiana, vaan käytäntö tietoisesta, kriittisestä, hallitusta käytöstä. Ei "näin työkalu toimii" vaan "näin minä käytän työkalua, ja tässä vastustan sen tuotoksia." Vastuullisen käytön malli on arvokkaampi kuin mikään määrä kuvailevaa tietoa teknologiasta.
Mitä komentaja on velkaa joukoille
Komppanianpäällikön kuva on epämukava, koska se vihjaa tiedolliseen asymmetriaan, jota ei enää täysin ole olemassa. Komentajan pitäisi tuntea maasto. Nyt kukaan ei tunne maastoa. Aikuiset, jotka lähettävät nuoria tulevaisuuteen, navigoivat samaa epävarmuutta, suuremmalla kokemuksella aiemmista epävarmuuksista mutta ilman erityistä pääsyä tähän tulevaisuuteen.
Tämän myöntämisessä on jotain puhdistavaa. Kasvattaja, joka teeskentelee varmuutta, jota hänellä ei ole — joka esittää tekoälylukutaidon ratkaistuna ongelmana, joka tarjoaa luottavaisia ennustuksia siitä, mitkä taidot ovat tärkeitä ja mitkä automatisoidaan — tekee opiskelijoille karhunpalveluksen, joka on pahempi kuin väärän tiedon opettaminen. Hän mallintaa väärää episteemistä asennetta esittämällä aidon epävarmuuden helposti ratkaistavana ongelmana. Opiskelijat, jotka omaksuvat mallin, ovat heikommin valmistautuneita kuin ne, jotka oppivat opettajiaan katsellessaan, että järkevät ihmiset voivat samanaikaisesti ajatella jonkin olevan suurenmoista ja pelottavaa päätymättä tyhjentävästi kummallekaan kannalle.
Kasvattajalla ei tarvitse olla valmiita vastauksia. Hänen tehtävänsä on osoittaa, miltä vakava sitoutuminen vaikeisiin kysymyksiin näyttää — pitkäkestoinen kiinnostus, valmius olla väärässä, ennenaikaisen päätöksenteon välttäminen, kyky toimia epävarmuudessa sen sijaan, että odottaisi varmuutta, jota ei koskaan tule. Nämä eivät ole opetussuunnitelman tavoitteita. Ne ovat tapa olla luokkahuoneessa, ja ne tarttuvat enemmän kuin niitä voi opettaa.
Tähdet toimivat edelleen
Navigaattorin metafora on hyödyllisempi kuin komentajan. Navigaattori, joka opettaa taivaankappaleiden avulla navigointia miehistölle, joka suuntaa tuntemattomille vesille, ei teeskentele tietävänsä edessä olevaa rannikkolinjaa. Hän välittää menetelmän sijainnin määrittämiseksi, joukon periaatteita, jotka pysyvät pätevinä riippumatta siitä, mitä kartta näyttää. Tähdet toimivat edelleen. Sijainninmäärittämisen periaatteet eivät mitätöidy sen takia, ettei tiedetä mitä edessä on.
Kriittisen ajattelun periaatteet — etsi väitteet, tutki kannustimia, kalibroi luottamus todisteisiin, erota sujuvuus tarkkuudesta, pysy toimintakykyisenä epävarmuudessa — ovat vastaavia. Ne eivät kerro, mitä tekoäly tekee koulutukselle, työmarkkinoille, informaatioekosysteemille, inhimillisen itseymmärryksen pitkäaikaiselle projektille. Kukaan ei tiedä näitä asioita. Mitä ne antavat, on menetelmä selvittää missä olet olosuhteiden muuttuessa, ja tunnistaa kun joku yrittää myydä karttaa paikasta, jossa hän ei ole koskaan käynyt.
Se on se, mitä kannattaa opettaa. Ei varmuutta tulevaisuudesta, vaan pätevyyttä epävarmuudessa. Ei vastauksia kysymyksiin, joihin kukaan ei vielä voi vastata, vaan työkaluja niiden esittämiseen hyvin — ja rehellisyyttä myöntää opiskelijoiden edessä, että opettajakin todella esittää vain kysymyksiä.