В Мексике почти 58 тысяч абитуриентов могут отправить на очную пересдачу после того, как удаленный экзамен в крупнейший университет страны дал статистику, похожую не на конкурсный отбор, а на сбой системы. Для IT-аудитории это еще один неприятный, но полезный кейс: AI-прокторинг экзамена снова показал, что громкие обещания контроля не равны реальной защите процесса.
Речь идет о вступительном экзамене в UNAM, Национальный автономный университет Мексики. Этим летом его впервые провели полностью удаленно: почти 160 тысяч человек сдавали тест из дома в течение нескольких недель, с конца мая по начало июня. За порядком должны были следить закрытый браузер и система видеонаблюдения с алгоритмами распознавания подозрительного поведения, сообщает Ars Technica. Но когда пришли результаты, университет получил не просто неудобные вопросы, а набор цифр, который трудно объяснить естественным ростом подготовки.
Самый заметный сигнал тревоги был наверху распределения баллов. В 2021-2025 годах результат 100 и более баллов из 120 набирали в среднем 3,5% участников. В 2026-м таких оказалось уже 16,3%. Еще показательнее верхний хвост: планку в 110 баллов раньше проходили 0,9% сдающих, а теперь 5,5%. То есть число очень высоких результатов выросло примерно в пять раз. Для любого, кто хоть раз смотрел на данные массового тестирования, это выглядит не как «хорошо подготовились», а как повод срочно разбирать весь контур проведения экзамена: от клиентского ПО до организационных дыр.
UNAM именно это и сделал. Университет создал экспертную комиссию с длинным официальным названием для проверки процедуры отбора на учебный цикл 2026-2027/1. Ее вывод предсказуемо жесткий: чтобы восстановить доверие к результатам, нужен контрольный экзамен в очном формате. Причем пересдача затронет не только тех, кто уже формально прошел по баллам в этом году, но и всех, кто попал бы на бюджетные места по минимальным проходным значениям своих программ, если ориентироваться на пороги с 2021 года. По оценке университета, речь идет примерно о 58 тысячах человек. И это уже не технический инцидент, а полноценный операционный кризис: занятия должны стартовать 10 августа, значит, на организацию повторного экзамена у вуза почти нет запаса по времени.
Показательно, что сама схема контроля выглядела для презентации инвесторам вполне убедительно. По данным El Pais, на устройства абитуриентов ставили LockDown Browser компании Respondus, который блокирует печать, копирование, переходы на другие сайты, запуск сторонних приложений, сворачивание окна и множество других действий. Параллельно UNAM использовал систему прокторинга Territorium: она анализировала веб-камеру и должна была замечать подмену человека в кадре, использование телефона, наушников или выход из поля зрения. Дополнительно на каждые 150 участников приходился один живой наблюдатель, который получал алерты от системы и мог передавать информацию дальше. На бумаге это звучит как многослойная защита. На практике выяснилось, что многослойность не помогает, если атакующая сторона давно знает модель угроз и действует не в лоб, а в обход.
Каким именно был масштаб нарушений, пока никто точно не сказал. Это тоже симптом. Экзамен состоял из тестовых вопросов, а не из эссе, поэтому здесь не работают привычные индикаторы генеративного ИИ вроде мгновенной вставки длинных текстов или стилистически подозрительных ответов. В ход могли идти и куда более прозаичные приемы: шпаргалки, утекшие вопросы, второй монитор вне кадра, скрытые наушники, помощь другого человека или вовсе подмена сдающего. The New York Times со ссылкой на участников скандала писала, что советы по обходу контроля распространялись заранее: от размещения экрана вне зоны обзора веб-камеры до использования чужой помощи вне кадра. Университет, в свою очередь, отменил около 2% экзаменов из-за неуточненных нарушений, то есть что-то система все же ловила. Но даже в самом UNAM признали вероятность того, что заметное число абитуриентов получило помощь во время теста. Эксперт по ИИ Рауль Рохас в комментарии NPR пошел еще дальше: по его словам, статистическое моделирование указывает на то, что во время онлайн-экзамена могла жульничать почти половина участников.
Для разработчиков и продуктовых команд здесь мало нового, но много неприятно знакомого. AI-прокторинг экзамена часто продают как сочетание computer vision, поведенческой аналитики и ограничений на клиенте. Проблема в том, что почти вся эта архитектура строится вокруг контроля одной машины и одного видеопотока, тогда как реальная атака давно распределенная: второй экран, второе устройство, второй человек, заранее слитые материалы, координация в мессенджерах, простые бытовые способы обойти угол обзора камеры. То есть продукт обещает контроль там, где по факту наблюдает только узкий срез среды. А когда система не справляется, ущерб ложится не на вендора, а на людей, которые играли по правилам и теперь вынуждены пересдавать.
Бизнесовый вывод тоже прямой. Если решение автоматического надзора ставят в критический контур отбора, найма, сертификации или комплаенса, команда должна заранее ответить не на вопрос «как хорошо модель ищет аномалии», а на вопрос «что мы делаем, если модель и процесс вместе не удерживают честность на приемлемом уровне». Нужны резервные сценарии, очные контрольные точки, пороговые метрики качества и право быстро откатиться к более дорогому, но проверенному формату. Иначе AI-прокторинг экзамена превращается из средства масштабирования в источник массового спора, репутационного удара и повторных затрат.
История UNAM вряд ли останется локальной новостью про мексиканский вуз. Чем доступнее становятся ИИ-инструменты и чем дешевле обход клиентских ограничений, тем слабее выглядит идея, что удаленный высокоставочный экзамен можно надежно защитить одной связкой из заблокированного браузера, веб-камеры и набора алертов. Для рынка это не аргумент против автоматизации вообще, а напоминание о границе ее применимости: там, где цена ошибки измеряется судьбой десятков тысяч людей, красивый интерфейс системы наблюдения еще не означает, что процесс действительно под контролем.