Polskie startupy edukacyjne budują dziś produkt w sposób, który nie ma odpowiednika w klasycznym wydawnictwie. Punktem wyjścia jest urządzenie, które uczeń i tak ma w kieszeni - telefon. Punktem dojścia - synteza danych, która ląduje na komputerze nauczyciela. Pomiędzy tymi dwoma punktami dzieje się cała technologia: microlearning, kategoryzacja błędów, analiza obrazów przez AI, personalizacja wyjaśnień i grywalizacja, której zadaniem jest utrzymać ucznia w cyklu codziennej pracy.
Pilotaż platformy Math Eddie i wyniki badania IBE dla zeszyt.online pokazują, że to nie jest pojedyncza moda jednego produktu, tylko sposób, w jaki dziś może rozwijać się polski edtech.
Telefon jako klasa: microlearning i rytm
Klasyczna nauka miała ceremonię - zeszyt, podręcznik, godzina lekcji, biurko, zadanie domowe. Mobilna nauka odwraca tę gospodarkę. Telefon nie wymaga przygotowań. Uczeń ma go pod ręką w autobusie, w kolejce, na dworze. Dlatego microlearning (5-10 minut sesji) i częstotliwość powtarzania (regularność, nie objętość) stały się fundamentem konstrukcji produktu.
W pilotażu Math Eddie w pierwszym kwartale 2026 roku brało udział blisko 400 aktywnych uczniów w ponad 30 szkołach podstawowych. Wykonali łącznie ponad 20 tysięcy prób rozwiązania zadań. Czas nauki przekroczył 700 godzin. Sesja oznaczała 5-10 minut aktywności dziennie.
Najmocniejszy z obserwowanych wzorców dotyczył właśnie regularności. Uczniowie pracujący z platformą w co najmniej trzy różne dni w tygodniu uzyskali średni wynik egzaminu próbnego na poziomie 51,5%. Uczniowie o nieregularnym rytmie - 45,1%. Różnica 6,4 punktu procentowego jest istotna kierunkowo, choć część efektu wynika z self-selection. Mimo to wzorzec jest spójny z tym, co o microlearningu wiadomo z innych badań - krótkie, częste sesje pracują skuteczniej niż długie i nieregularne.
Co algorytm widzi w krótkich sesjach?
Pojedyncza siedmiominutowa sesja nie wygląda na wiele - kilka zadań, parę decyzji w ciągu sekund. Z perspektywy zbiorczej staje się czymś zupełnie innym: ciągłym strumieniem danych, który system taguje w kilku wymiarach jednocześnie.
Każde zadanie w bazie jest skategoryzowane - dział programu, poziom trudności, etap rozwiązania, najczęstsze błędy uczniów na tym konkretnym zadaniu. To pozwala algorytmowi przejść z poziomu „klasa 8A słabo radzi sobie z geometrią" do poziomu „Karol zatrzymuje się konsekwentnie na obliczaniu pola figur złożonych, ostatnie jego problemowe zadania to przede wszystkim zadania dotyczące figur wielokątowych". To jest poziom precyzji niedostępny dla zeszytu i niedostępny dla samej obserwacji klasy.
Taki strumień danych dla nauczyciela byłby jednak bezużyteczny w postaci surowej. Nauczyciel ma trzydziestu uczniów w klasie i cztery-pięć klas w tygodniu - nie ma czasu analizować arkuszy. Dlatego druga warstwa systemu to szybka synteza: krótka, przyjazna informacja, która zmienia dane w sygnał do działania. „Klasa 8B w tym tygodniu - najsłabszy temat: figury złożone." Nauczyciel widzi to w sekundę, a nie w pół godziny.
Skala efektu jest istotna. Ranking trudności z pilotażu Math Eddie pokazuje, że najsłabszy dział (figury geometryczne) wypadł na poziomie 37,1% poprawności przy pierwszym podejściu, a najlepszy (proporcjonalność prosta) 51,5%. Różnica ponad 14 punktów procentowych. Na poziomie produktu to sygnał, gdzie inwestować w nową treść. Na poziomie nauczyciela, gdzie skupić uwagę w klasie w przyszłym tygodniu.
Co AI dorzuca do telefonu w kieszeni
Trzy elementy nowej generacji modeli AI przesuwają telefon ucznia z roli „podręcznika w aplikacji" w stronę pełnoprawnego narzędzia uczącego.
Analiza obrazów. Uczeń rozwiązuje zadanie pisemnie w zeszycie, robi zdjęcie i wgrywa je do aplikacji. System rozpoznaje rozwiązanie, ocenia jego poprawność i wskazuje miejsce ewentualnego błędu w obliczeniach. Uczeń nie musi przepisywać niczego do telefonu - pracuje tak, jak pracuje od zawsze, a aplikacja dopasowuje się do tego sposobu, a nie odwrotnie.
Personalizacja tekstów i wyjaśnień. To samo zadanie nie tłumaczy się tym samym tekstem każdemu uczniowi. System pozwala dopasować treść do zainteresowań dziecka - sucha matematyka może zostać osadzona w mechanice Minecrafta, w opowieściach o Harrym Potterze albo w innym świecie, który ucznia naprawdę interesuje. Treść trafia szybciej, bo trafia w coś, co dziecko już zna.
Grywalizacja jako spójny system, nie ozdoba. Punkty i odznaki to było pierwsze pokolenie gamifikacji w edtechu. Drugie pokolenie spina mechaniki w spójną całość: progresja postaci, rozwój umiejętności, regularne wyzwania, narracja prowadząca przez program. Math Eddie buduje ten model wokół ucznia-bohatera, którego rozwój wynika z faktycznie zdobywanych kompetencji matematycznych. Uzupełnieniem są mechaniki konkurencji między uczniami: ligi klasowe, szkolne i wojewódzkie. Dla wielu nastolatków to silniejszy mechanizm powrotu do aplikacji niż samo poczucie „muszę się uczyć".
Dwa projekty, jeden moment
Pilotaż Math Eddie i badanie IBE dla zeszyt.online to dwa różne projekty z dwoma różnymi metodologiami. Łączy je to, że oba potwierdzają nowy sposób budowania produktu w polskim edtechu. Zbierać dane w sposób, w jaki tradycyjna szkoła ich nie zbiera. Robić z tych danych syntezę użyteczną dla nauczyciela. I jednocześnie utrzymywać ucznia w cyklu krótkich, regularnych sesji na urządzeniu, które ma w kieszeni, za pomocą mechaniki, która faktycznie motywuje, a nie tylko liczy punkty.
Dla rynku oznacza to przesunięcie definicji innowacji. Nie chodzi już o to, że jakaś platforma „ma AI" albo „ma fajny interfejs". Chodzi o to, czy startup ma działającą pętlę: telefon w kieszeni ucznia → krótka sesja → kategoryzowane dane → szybka synteza dla nauczyciela → adaptacja samego produktu. I czy ta pętla domyka się w cyklach krótszych niż rok szkolny.
To pytanie, na które dziś jeszcze niewielu startupów w Polsce ma jednoznaczną odpowiedź. Najbliższe dwa–trzy lata pokażą, kto rzeczywiście zamknął tę pętlę, a kto sprzedaje dawne treści w nowym opakowaniu.
Math Eddie deklaruje, że na sezon 2026/2027 planuje dalszą współpracę ze szkołami i metodologiczną analizę wyników.
