Datová kultura jako základ AI ve školách a úřadech

Největší brzda umělé inteligence ve vzdělávání a ve veřejné správě nebývá algoritmus. Je to chaos v datech. Školy, univerzity i města často sedí na „datových dolech“, ale každý si kope vlastní šachtu: jiné definice, jiné tabulky, jiné přístupy a jiné odpovědi na stejnou otázku.

A právě proto dává smysl téma, které EDUCAUSE zařadil do svého Top 10 pro rok 2026: budování datově orientované kultury napříč institucí. V našem seriálu „Umělá inteligence ve veřejné správě a chytrých městech“ to má přímý dopad: bez sjednocených dat se AI nedá bezpečně škálovat, a už vůbec ne používat k personalizaci učení, predikci rizik, řízení kapacit nebo k lepším digitálním službám.

Chci to říct naplno: pokud dnes plánujete AI (chatboty, predikce studijní neúspěšnosti, automatizaci agend, doporučování obsahu), nejdřív si udělejte pořádek v datech a rozhodování. Jinak skončíte u pilotů, které nejdou rozšířit, nebo u výsledků, kterým nikdo nevěří.

Proč je datová kultura páteř AI (a ne „nice to have“)

Datová kultura znamená, že lidé napříč organizací umí data najít, chápat, sdílet a použít – a zároveň ví, co data neříkají. Nejde o to mít jeden dashboard. Jde o to mít společný jazyk a disciplínu.

V praxi to ovlivňuje tři věci, bez kterých AI ve vzdělávání ani ve veřejné správě nefunguje:

1. Kvalita vstupů – AI je citlivá na nekonzistence (duplicitní osoby, různé definice „aktivního studenta“, chybějící údaje, špatná časová razítka). Špatná data znamenají špatná doporučení.
2. Důvěra – když si každý útvar počítá metriky jinak, uživatelé si vyberou „svou“ verzi pravdy a AI berou jako další názor, ne jako oporu rozhodování.
3. Bezpečnost a soulad – s nástupem automatizace přes API, workflow nástrojů a generativní AI roste tlak na přístup k datům. Bez governance je to pozvánka pro incident.

Jednověté pravidlo: AI se dá koupit. Datová kultura se musí odmakat.

Vedení musí chtít data stejně jako chce AI

Budování datové kultury nezačne v BI týmu. Začne u vedení. EDUCAUSE ve svém průzkumu analytického prostředí (2024) popsal typický rozpor: lídři hodnotu dat chápou a data často vyžadují, ale skutečná institucionální investice a dlouhodobý závazek bývají slabé. Výsledek? Nerovnoměrná práce s daty napříč útvary a „ostrovní“ rozhodování.

3 signály, že leadership je opravdu připravený

Pokud vedete školu, univerzitu, magistrát nebo městskou organizaci, otestujte realitu na těchto bodech:

1. Existuje jasný vlastník datové agendy (např. CDO, datový garant, data office) s mandátem řešit napříč silami.
2. Rozpočet není jen na nástroje, ale i na lidi a procesy: datové modely, datovou kvalitu, katalog dat, školení.
3. Data jsou součástí řízení – ne jako report „na poradu“, ale jako standard pro prioritizaci projektů, alokaci kapacit a vyhodnocování dopadu.

Když se tohle nestane, AI se rychle promění ve sbírku izolovaných aplikací: chatbot pro studijní oddělení, predikce pro jeden obor, automatizace pro jednu agendu. Každá věc „funguje“, ale celek nedává smysl.

Praktický tip pro veřejnou správu a chytrá města

V městských organizacích často narážíme na to, že data spravují různé entity (dopravní podnik, technické služby, školy, sociální odbor). Vedení města má jednu páku, která funguje: sjednotit definice a metriky jako podmínku financování a sdílení. Bez toho se „smart city“ mění na sbírku vendor projektů.

Sjednocená data: méně sil, víc společného obrazu

Koordinovaný přístup k datům stojí na integrovaných systémech a sjednoceném datovém modelu. Neznamená to, že všechno musí být v jednom systému. Znamená to, že existuje domluva „co je co“ a kdo je zdroj pravdy.

Co se typicky rozpadá (a proč to bolí)

• Student/občan jako entita: různé identifikátory, duplicity, změny jména/adresy. AI pak spojuje nesprávné záznamy.
• Události v čase: absence jednotné časové osy (kdy byla žádost podaná vs. kdy byla vyřízená). Predikce a SLA pak nedávají smysl.
• Definice ukazatelů: „úspěšnost“, „dokončení“, „aktivní uživatel“, „vytíženost“. Bez standardu si každý ukáže jiný graf.

Dopad není jen „špatný reporting“. Dopad je:

• fragmentované plánování (každý plánuje podle jiného obrazu reality),
• vyšší riziko soukromí a kyberbezpečnosti (data se kopírují do excelů a lokálních úložišť),
• mylná rozhodnutí (AI model může být přesný… na špatně definované cílové proměnné).

Snippettová věta: Sjednocený datový model není IT projekt. Je to dohoda o realitě.

Data governance: aby AI nezrychlila chaos

Jakmile lidé začnou chtít data „hned a všude“, governance je jediný způsob, jak to uřídit bez ztráty důvěry. A s generativní AI to platí dvojnásob: přístup přes API, automatizace workflow a self-service analytika dramaticky rozšiřují okruh uživatelů.

Co musí governance pokrýt, pokud míříte na AI

• Katalog dat a datové slovníky: aby uživatel věděl, co metrika znamená a odkud pochází.
• Kvalita dat (DQ) jako proces: pravidla, monitoring, zodpovědnosti, eskalace.
• Přístupová práva a audit: princip nejmenších oprávnění, logování, životní cyklus přístupů.
• Pravidla pro sdílení a anonymizaci: zejména pro data o studentech, žácích a citlivých agendách.
• MLOps/Model governance: kdo schvaluje modely, jak se sleduje drift, jak se řeší bias a vysvětlitelnost.

V českém prostředí je často problém, že governance se chápe jako „komise a papíry“. Správně pojatá governance je ale rychlejší rozhodování, protože snižuje dohady a opakované „vyjasňování“.

Co se můžeme naučit z praxe: lekce z Vanderbiltu

EDUCAUSE uvádí příklad Vanderbilt University, která několik let systematicky buduje datově orientovanou kulturu přes kancelář pro data a strategické analýzy. Zajímavé je, že s rostoucí dostupností dat neroste jen poptávka – roste i rozmanitost otázek: úspěšnost studentů, využití stravování a prostor, práce s absolventy, fanoušky a komunitou.

Tohle sedí i na chytrá města: jakmile jednou nabídnete data, přijde lavina use casů – doprava, energie, školství, bezpečnost, sociální služby. A najednou nestačí „mít data“. Je potřeba:

• umět naslouchat různým útvarům,
• přeložit jejich potřeby do společných definic,
• a zvedat datovou gramotnost tak, aby lidé věděli, co z dat vyčtou a co už je spekulace.

„Datová gramotnost začíná otázkou: odkud data jsou a proč jim věřit.“ (parafráze myšlenky z praxe)

Tohle je mimochodem nejlepší obrana proti přehnaným očekáváním od AI. Kdo rozumí datům, nepřisuzuje modelu „magii“.

Jak začít během 90 dnů (bez velkého pilotního divadla)

Datová kultura se buduje roky. Přesto se dá udělat viditelný krok během jednoho kvartálu – tak, aby to podpořilo i vaši AI strategii ve vzdělávání nebo v městských službách.

1) Sepište „top 20 otázek“, které chce vedení odpovědět

Začněte potřebami. Vezměte si 2–3 workshopy s vedením a klíčovými útvary a dejte dohromady seznam otázek typu:

• Kde nejčastěji ztrácíme studenty/klienty v procesu?
• Které služby jsou přetížené v jakých hodinách?
• Které skupiny žáků potřebují včasnou podporu?
• Kde se tvoří největší prodlevy ve vyřizování agend?

U každé otázky si poznamenejte: jaká data jsou potřeba, kdo je vlastní a jak často se musí aktualizovat.

2) Zaveďte minimální governance: role, definice, pravidla přístupu

Nemusíte hned zakládat robustní úřad. Pro start stačí:

• datový vlastník pro 3–5 klíčových domén (osoby, služby, finance, kapacity),
• jednoduchý datový slovník pro nejpoužívanější ukazatele,
• proces pro schvalování nových přístupů k citlivým datům.

Cíl: aby se přístup k datům dal rozšiřovat bez improvizace.

3) Vyberte jeden „sdílený“ use case, ne jeden útvar

Nejrychlejší cesta k institucionální datové kultuře je projekt, který nutně potřebuje více zdrojů dat. Ve školství třeba:

• včasné varování (attendance + LMS aktivita + studijní výsledky + podpůrné služby).

Ve městě třeba:

• optimalizace vytíženosti přepážek a online služeb (časové sloty + typy žádostí + personální kapacity).

Až na tomhle uvidíte, kde se data rozbíjí, budete mít přirozenou motivaci definice sjednotit.

4) Změřte dvě metriky: důvěru a použitelnost

Kromě „kolik máme reportů“ sledujte:

• důvěru v data (krátký kvartální pulse survey: „věřím, že metrika X znamená to samé napříč organizací“),
• čas k odpovědi (jak dlouho trvá odpovědět na top otázky vedení).

Datová kultura je vidět, když se zkracuje doba od otázky k rozhodnutí.

Co se lidé ptají nejčastěji (a odpověď je nepříjemně přímočará)

„Nemůžeme začít rovnou s AI a data dořešit později?“

Můžete. Skončíte ale u řešení, které půjde těžko škálovat, bude drahé na údržbu a bude vyvolávat spory o správnost. AI zvyšuje rychlost i dosah chyb.

„Stačí nám datový sklad a BI nástroj?“

Nestačí. Bez governance a společných definic budete mít jen rychlejší produkci protichůdných reportů. Nástroj nevyřeší dohodu o významu dat.

„Co je první investice, která se vrátí nejrychleji?“

Za mě: datový slovník + datový katalog pro klíčové metriky a role vlastníků dat. Je to levnější než přestavba systémů a okamžitě to snižuje tření.

Kam to celé míří v roce 2026: AI jako běžná infrastruktura

V roce 2026 bude v institucích běžné, že zaměstnanci budou chtít automatizovat rutinu přes jednoduché integrace a AI asistenty. Ve školách to bude podpora učení a administrativy, ve městech obsluha občanů a řízení kapacit. V obou světech platí stejná věc: organizace bez datové kultury bude AI „přilepovat“ na povrch. Organizace s datovou kulturou ji zabuduje do procesů.

Pokud chcete, aby AI zlepšovala vzdělávací výsledky, zkracovala čekání na úřadě a pomáhala chytrému řízení města, začněte tím, co zní nudně: sjednocená data, jasná pravidla a lidé, kteří datům rozumí.

A teď ta otázka, která rozhodne o vašem roce 2026: kdo u vás vlastní „jednu verzi pravdy“ – a má na to skutečný mandát?