AI regulace a vysoké školy: co čekat v roce 2026

Největší omyl, který teď ve veřejném sektoru a na univerzitách vídám, zní: „AI je hlavně technologická otázka.“ Není. V praxi je to směs práva, bezpečnosti, etiky, financí a důvěry – a právě to rozhodne, jestli AI ve vzdělávání zlevní služby a zvýší kvalitu, nebo přidá další vrstvu chaosu.

Diskuse technologických lídrů kolem vysokého školství (a federální politiky v USA) přinesla tři signály, které se týkají i Česka – obzvlášť pokud pracujete ve veřejné správě, ve městě, na univerzitě nebo u dodavatele digitálních služeb: regulace se rozchází mezi kontinenty, tlak na prokazování hodnoty vzdělávání roste a nestabilita pravidel bude „nový standard“ minimálně pro rok 2026.

V tomhle článku překládám tyto signály do češtiny a do reality „Umělé inteligence ve veřejné správě a chytrých městech“: co z toho plyne pro AI ve výuce, pro digitální služby a pro rozvoj dovedností – a hlavně co s tím udělat, aby z toho byly měřitelné výsledky a leady, ne jen prezentace.

1) Regulace AI se rozchází: Evropa nastaví rytmus i pro ostatní

Hlavní pointa: I když se část americké politiky může snažit brzdit regulaci AI, evropský přístup (typicky přísnější) bude mít dopad na instituce a dodavatele, kteří pracují se studenty, občany nebo daty napříč hranicemi.

V debatě zaznělo, že když se v USA oslabuje snaha o centrální regulaci AI, řada institucí se začne víc opírat o evropské rámce. Pro české prostředí je to vlastně „normální“ – EU pravidla a standardy mají tendenci stát se referencí i pro partnery mimo EU, protože:

• evropské instituce vyžadují kompatibilitu (smlouvy, bezpečnostní audity, veřejné zakázky),
• studenti a zaměstnanci cestují a data tečou přes hranice,
• velcí dodavatelé často nastavují produkt „na nejpřísnější trh“ a zbytek světa to převezme.

Co to znamená pro AI ve vzdělávání a rozvoj dovedností

Ve vzdělávacím prostředí se etika a regulace rychle promítá do každodenních rozhodnutí:

• Jaké AI nástroje smí učitel doporučit?
• Kde končí „asistence“ a začíná podvádění?
• Kdo nese odpovědnost za chybu modelu v hodnocení?

Pokud jste v roli CIO, vedoucího digitalizace, metodika nebo člověka, který připravuje AI strategii školy či organizace, držel bych se jednoduché věty:

„Kdo dnes postaví AI procesy tak, aby obstály v EU rámcích, bude zítra rychlejší než konkurence.“

Praktický krok: politika „AI použitelné v EU“

Doporučuju zavést interní pravidlo, že jakýkoliv AI nástroj použitý pro práci se studenty/občany musí mít minimálně:

1. jasně popsané datové toky (co odchází, kam, na jak dlouho),
2. možnost vypnout trénování na datech (nebo smluvní garanci),
3. auditovatelné logy (kdo a kdy použil AI, v jakém procesu),
4. model governance (vlastník, schvalování změn, měření chybovosti).

Tohle je překvapivě účinné i pro chytrá města: stejné principy využijete u chatbotu pro občany, u AI třídění podnětů nebo u predikcí v dopravě.

2) Mezinárodní spolupráce není „hezký bonus“. Je to obrana proti vendor lock-in

Hlavní pointa: Spolupráce napříč zeměmi a asociacemi pomáhá sladit standardy (interoperabilita), sdílet benchmarking a snižovat riziko, že se instituce uvězní u jedné platformy.

V původní diskusi padlo, že vysoké školy a jejich asociace plánují společné benchmarkingové aktivity napříč regiony. To je přesně ten typ „nudné infrastruktury“, který reálně rozhoduje o úspěchu AI.

V českém kontextu to dává smysl i mimo akademii: chytré město a univerzita dnes často sdílí dodavatele, cloudovou infrastrukturu, identitu (SSO), kyberbezpečnostní standardy a někdy i data (např. doprava, mobilita, demografie).

Interoperabilita v praxi: proč vás má zajímat i jako „ne-IT“ člověka

Interoperabilita není jen API. Je to schopnost:

• přenést studenta/uživatele mezi službami bez tření,
• vyměnit dodavatele bez kolapsu,
• měřit kvalitu a dopady napříč systémy.

Pokud AI vrstva stojí na uzavřeném řešení, skončíte s tím, že „to funguje“, ale:

• nejde to auditovat,
• nejde to škálovat na další agendy,
• nejde to bezpečně integrovat.

Praktický krok: 90denní interoperabilní audit

Za 90 dní lze udělat audit, který odhalí, kde vám AI projekty narazí:

• mapování datových zdrojů (LMS, spisová služba, helpdesk, CRM, identita),
• klasifikace dat (osobní/ citlivá / provozní),
• seznam integrací a „ručních kroků“,
• rizika vendor lock-in (formáty, exporty, smlouvy).

Výstupem má být krátký dokument pro vedení: 3 největší technické dluhy a 3 kroky, které uvolní ruce pro AI projekty ve výuce a službách.

3) AI jako cesta ke snížení nákladů: začněte tam, kde se nehádat

Hlavní pointa: Nejrychlejší úspory přichází z automatizace opakovaných dotazů a administrativy – ne z „AI, která všechno pochopí“.

V debatě zazněl jednoduchý příklad: chatbot, který studentům pomůže s resetem multifaktorového ověřování. To je přesně typ use-casu, který:

• je měřitelný (počet tiketů, doba řešení),
• má nízké riziko (nejde o známky ani o diagnózy),
• uvolní kapacitu lidí na smysluplnější práci.

V české veřejné správě a chytrých městech je analogie jasná: místo toho, aby zaměstnanec 40× denně odpovídal na stejnou otázku, AI:

• předvyplní odpověď,
• nasměruje občana,
• zkontroluje, jestli žádost obsahuje povinné přílohy,
• shrne komunikaci pro úředníka.

Co funguje ve vzdělávání (a dá se přenést do veřejných služeb)

Doporučuju začít se třemi typy scénářů:

1. Podpora uživatelů: FAQ, helpdesk, orientace v systémech, reset přístupů.
2. Administrativa studia: kontrola úplnosti žádostí, připomínky termínů, shrnutí komunikace.
3. Podpora výuky: generování variant zadání, rubriky hodnocení, personalizované doporučení zdrojů (s lidskou kontrolou).

U každého scénáře si nastavte měření. Bez toho budete mít hezkou pilotáž a nulovou důvěru.

Metriky, které přesvědčí vedení (a často i finance)

• průměrná doba vyřízení požadavku (minuty/hodiny),
• počet tiketů na 1000 uživatelů,
• míra „first contact resolution“ (kolik se vyřeší napoprvé),
• spokojenost uživatelů po interakci,
• počet eskalací na člověka.

Cíl na 2026, který je realistický a přitom ambiciózní: snížit zátěž první linie podpory o 20–30 % u opakujících se dotazů během jednoho semestru.

4) Tlak na „hodnotu za peníze“: AI musí být obhajitelná, ne jen populární

Hlavní pointa: Politika (a veřejné finance obecně) směřuje k tomu, že vzdělávací programy budou muset prokazovat návratnost. Technologie a AI do toho vstupují dvojím způsobem: mohou zvyšovat hodnotu, ale zároveň zvyšují nároky na transparentnost.

V americkém kontextu se mluvilo o tlaku na programy, jejichž absolventi nevydělávají víc než průměrný středoškolák v daném státě. V Česku to nebude kopie, ale trend je podobný: školy a veřejné instituce budou pod drobnohledem – výsledky, uplatnitelnost, efektivita.

AI ve vzdělávání tak musí být postavená tak, aby šla obhájit:

• pro studenta (spravedlnost, srozumitelnost),
• pro učitele (zátěž, kontrola, kvalita),
• pro zřizovatele a veřejnost (bezpečnost, přínos, náklady).

Praktický krok: „AI business case“ na jednu stránku

U každého AI projektu si vynucujte jednostránkový business case:

• problém (1 věta),
• komu to pomůže (konkrétní skupiny),
• jak měříme přínos (2–3 metriky),
• rizika a mitigace (bezpečnost, etika, reputace),
• náklady (licence, integrace, provoz),
• vlastník a termín revize.

Je to jednoduché, ale překvapivě to oddělí projekty, které mají šanci uspět, od těch, které jsou jen „AI hype“.

5) Nepředvídatelnost pravidel: připravte se na „pendulum management“

Hlavní pointa: Politická kyvadla a rychlé změny exekutivních rozhodnutí (v USA velmi viditelně) vytváří prostředí, kde se instituce musí umět rychle přizpůsobit – bez toho, aby ohrozily bezpečnost a kvalitu.

Tohle je relevantní i pro Evropu, byť jinak. U nás se změny často dějí pomaleji, ale o to víc bolí, když jsou systémy postavené natvrdo. V AI to platí dvojnásob: modely, dodavatelé, licenční podmínky i pravidla používání se mění rychle.

Co funguje: modulární architektura a „policy by design“

Pokud chcete AI udržet pod kontrolou v roce 2026, stavte:

• modulárně (AI vrstva jako vyměnitelná komponenta),
• s jasnými hranicemi dat (co AI smí vidět a co ne),
• s průběžným auditem (logy, monitoring chyb),
• s provozním scénářem selhání (co když AI nefunguje / halucinuje / je vypnutá).

Tohle je stejné pro univerzitu i pro městský úřad: AI není „aplikace“, AI je schopnost, kterou musíte řídit.

Co si odnést do roku 2026 (a co udělat už v lednu)

Tři věty, které bych si dal na nástěnku každému týmu, který řeší AI ve vzdělávání, veřejné správě nebo chytrém městě:

1. Regulace a etika nejsou brzda; jsou to mantinely, díky nimž AI přežije.
2. Největší úspory přijdou z rutiny – helpdesk, administrativa, triáž – ne z „magického“ hodnocení.
3. Bez měření přínosů budete mít piloty, ale ne rozhodnutí.

Pokud chcete z AI získat reálnou hodnotu (a zároveň mít klid u auditů, kyberbezpečnosti i vedení), začněte v lednu 2026 tímhle:

• vyberte 1–2 nízkorizikové procesy s vysokým objemem,
• nastavte metriky a logování,
• sepište jednostránkový AI business case,
• a teprve pak škálujte.

A teď ta otázka, kterou si podle mě musí položit každá instituce, která plánuje AI ve výuce nebo ve službách občanům: Budujeme AI tak, aby byla obhajitelná i při změně pravidel – nebo jen doufáme, že se pravidla nezmění?