Strategické plánování IT: základ pro AI ve vzdělávání

Na konci roku 2025 je „AI“ ve školství často jen zkratka pro chaos: každý chce rychle pilot, licence se kupují narychlo a IT oddělení má být najednou poradna, bezpečnostní tým i provozovatel výpočetního výkonu. Největší problém? Mnoho organizací běží ve sprintu pořád dokola – a pak se diví, že ztrácí techniku, rytmus i chuť. Přesně tuhle paralelu použil zkušený IT projektový manažer Ed Puckett: když plavete jen naplno, časem se zhorší technika a ve výsledku jste pomalejší.

Tohle není jen hezký příběh. Je to praktický návod pro univerzity, školy, vzdělávací centra i firmy, které rozvíjejí dovednosti zaměstnanců: strategické plánování IT dnes není „dokument do šuplíku“, ale mechanismus, který rozhoduje, jestli AI skutečně zlepší učení a práci – nebo jen přidá další vrstvu zmatku.

A protože tenhle text je součástí série „Umělá inteligence ve výrobě a chytrých továrnách“, vezmu to ještě z druhé strany: stejně jako chytré továrny stojí na robustní infrastruktuře, datech a provozní disciplíně, AI ve vzdělávání stojí na strategicky řízeném IT portfoliu, governance a změnovém řízení. Bez toho se personalizace výuky, analytika i automatizace procesů rozpadnou při prvním větším zatížení.

AI není projekt. Je to změna operačního systému organizace

AI v praxi nepřichází jako jeden „AI nástroj“, ale jako tlak na infrastrukturu, data, bezpečnost, procesy a dovednosti lidí. Jason Maslanka (CTO a zástupce CIO na velké americké univerzitě) popsal realitu: AI se stala rámcem, skrze který se řeší i věci, které s AI zdánlivě nesouvisí – od zlepšování procesů po přehled aplikací.

V českém kontextu to vypadá podobně:

• škola chce „AI asistenta“ pro studenty → narazí na kvalitu studijních dat, přístupová práva a ochranu osobních údajů,
• vzdělávací firma chce personalizovat kurzy → zjistí, že LMS neudrží konzistentní data o pokroku,
• průmyslový podnik chce rychle přeškolit operátory na nové linky (Průmysl 4.0) → potřebuje propojit HR, výrobu a vzdělávací obsah a měřit dopad.

Strategické IT plánování je dnes hlavně o tom, jak udržet směr, když se nástroje mění každé čtvrtletí. A ano – to je nepohodlné. Ale je to řešitelné.

Mýtus, který brzdí pokrok: „Stačí koupit licenci“

Nákup AI licence je jen startovní výstřel. Bez přípravy:

• nevíte, kde končí citlivá data a kde začíná „promptování“,
• neumíte vyhodnotit přínos (ROI) mimo marketingové sliby,
• vyrobíte „stínové IT“ (oddělení si pomáhají bokem),
• a spálíte důvěru pedagogů i studentů.

V chytrých továrnách je tohle už známé: prediktivní údržba bez kvalitních dat ze senzorů je jen drahá vizualizace. Ve vzdělávání platí totéž – personalizace bez kvalitních dat o studiu je jen hezké UI.

„Shiny object“ syndrom: využijte hype, ale řiďte ho

Oba hosté v rozhovoru trefně pojmenovali jev, který IT zná roky: „syndrom lesklé novinky“. AI je všude v médiích, takže se o ní chce bavit vedení, akademici i studenti. Jason k tomu přidal velmi praktickou perspektivu: dobrý IT lídr umí navázat na to, co lidé zrovna řeší, a přes tenhle kanál otevřít dlouho odkládané strategické debaty.

Tohle doporučuju dělat záměrně:

1. Přiznejte hype (lidé ho stejně cítí).
2. Přesměrujte ho na problém: „Co konkrétně chceme zlepšit ve výuce / administrativě / podpoře studentů?“
3. Nastavte pravidla hry (governance, data, bezpečnost, měření přínosů).

Dobrá věta pro porady: „AI není cíl. AI je prostředek – a nejdřív musíme mít jasno, co optimalizujeme.“

Praktický rámec: 4 vrstvy strategie (nejen velké cíle)

Ed Puckett upozornil na častý problém strategických plánů: mají „velké ambice“ (zlepšit zkušenost studentů, zvýšit úspěšnost, posílit výzkum), ale chybí jim spodní patra.

Použitelný rámec (inspirovaný Balanced Scorecard) jsou čtyři oblasti:

• Stakeholdeři / studenti / zákazníci: co se zlepší pro studenta, pedagoga, zaměstnance?
• Finance / stewardship: kolik to stojí a co to nahradí? Jaké jsou provozní náklady?
• Interní procesy: co musíme změnit v procesech (studijní agenda, podpora, onboarding)?
• Organizační kapacita: jaké dovednosti, role, školení a změnové řízení potřebujeme?

Pro AI ve vzdělávání je poslední dvojice často rozhodující. Bez procesů a kapacit se AI buď zastaví na pilotu, nebo se rozpadne na neslučitelné ostrůvky.

Infrastruktura pro AI: „datacentrum zavřeme“… a za 4 roky přidáme megawatt

Jason popsal situaci, která dokonale vystihuje dnešní plánování: před pár lety uvažoval o utlumení datacenter, ale pak přišla AI a potřeba výpočetního výkonu – a řeší se posílení elektrické přípojky.

Pointa není „cloud je špatně“ nebo „on‑prem je zpátky“. Pointa je:

• AI mění energetiku IT (GPU, chlazení, kapacita, síť).
• AI mění architekturu aplikací (modely, agenti, integrace, datové vrstvy).
• AI mění bezpečnostní profil (data, identity, audit, rizika prompt injection).

V sérii o chytrých továrnách tohle vidíme pořád: robotizace a strojové vidění nejsou jen „kamera navíc“. Jsou to požadavky na průmyslové sítě, edge computing, kyberbezpečnost a servis.

Co to znamená pro školy a vzdělávání (konkrétně)

Pokud chcete AI, která pomáhá učit a rozvíjet dovednosti, typicky potřebujete:

• datovou připravenost: katalog dat, vlastnictví dat, kvalita a aktualizace,
• identity & access: jednotné přihlašování, role, omezení přístupů,
• integrace: LMS, SIS/studijní systém, knihovní systémy, HR,
• platformu: kde budou modely běžet (cloud vs. on‑prem vs. hybrid),
• provozní model: kdo to spravuje, jak se řeší incidenty, SLA, podpora.

Tohle je nudné… dokud to nechybí. Pak je to jediná věc, kterou řešíte.

Změnová únava: AI vás neunaví technicky, ale organizačně

Z rozhovoru zazněl důležitý rozdíl: změnová únava není totéž co burnout. Pro týmy je vyčerpávající i to, že se pořád „něco zavádí“, i když lidé nejsou přetížení hodinově. Ed to popsal z projektového pohledu: projekt vytváří změnu vždy – a lidé často jedou několik projektů současně, plus provoz.

Jason šel na to manažersky a velmi prakticky: v AI době roste hodnota dobrého vedení lidí. Tabulky práce a portfolia jsou fajn, ale rozhoduje, jestli vedoucí zná tým, umí míchat „rutinu“ s „motivačními“ projekty a dokáže být transparentní.

5 pravidel, která fungují (a šetří nervy)

1. Nedělejte z pilotu provoz bez rozmyslu. Pilot je experiment. Provoz je závazek.
2. Nechte týmy mluvit do termínů. Když deadline vznikne mimo tým, zaděláváte na frustraci.
3. Jeden vlastník, jedna metrika, jeden rozhodovací orgán. Jinak máte AI bez řízení.
4. Zaveďte „stop‑doing list“. Každá AI iniciativa by měla něco ukončit, zjednodušit nebo sloučit.
5. Školení není bonus, ale infrastruktura. Bez rozvoje dovedností je AI jen další aplikace.

ROI AI ve vzdělávání: měřte mikro‑přínosy, ne mýtické „celouniverzitní“ číslo

V debatě zaznělo, že ROI se u AI řeší mnohem víc než u jiných technologií – mimo jiné proto, že jde o „nové peníze“. A upřímně: většina organizací dnes přesné ROI AI nezná. To není ostuda. Ostuda je tvářit se, že ho známe, a pak investici neumět řídit.

Co funguje lépe než honba za jedním číslem:

• měřit ROI po doménách (studijní oddělení, knihovna, HR, podpora výuky),
• dělat porovnání „před vs. po“ na procesu,
• počítat i nefinanční přínosy (rychlost, kvalita, spokojenost, snížení chybovosti).

6 metrik pro AI ve vzdělávání a rozvoji dovedností

Zkuste si vybrat 2–3 pro každý use‑case:

• zkrácení času na odpověď studentovi (minuty/hodiny),
• snížení počtu opakovaných dotazů na studijní podporu (%),
• zlepšení úspěšnosti v kurzu / dokončení modulu (%),
• snížení administrativní chybovosti (počet incidentů),
• zrychlení tvorby studijních materiálů (čas na přípravu),
• spokojenost uživatelů (škála, NPS/CSAT).

V chytrých továrnách je to analogické: neřešíte „ROI robotiky pro celý podnik“, ale třeba snížení zmetkovitosti na konkrétní lince, zkrácení prostojů nebo rychlost přeseřízení.

Jak nastavit moderní IT strategii pro AI (krátce a použitelně)

Nejlepší IT strategie pro AI není nejdelší. Je nejlépe napojená na řízení portfolia, rozpočet a lidi. Z rozhovoru vyplynuly tři silné principy:

1. IT plán nemá žít odděleně od mise organizace. Technologie je součást vzdělávací mise.
2. Strategie bez governance a rozpočtu je jen přání. Portfolio, prioritizace a financování musí být propojené.
3. Flexibilita není slogan. Je proces. Umět přidat prioritu (AI), a zároveň něco ubrat.

Mini‑checklist pro rok 2026 (doporučení z praxe)

• Máme jasné AI priority pro výuku, administrativu a analytiku?
• Víme, která data jsou „povolená“ pro AI a která ne?
• Máme platformu (cloud/hybrid/on‑prem) a provozní model?
• Máme měření přínosu pro každý use‑case?
• Máme plán rozvoje dovedností (pedagogové, administrativní role, IT)?

Co si z toho odnést (a co udělat příští týden)

AI ve vzdělávání bude v roce 2026 ještě hlasitější téma než letos. A stejně jako v chytrých továrnách platí: kdo má data, infrastrukturu, procesy a lidi připravené, ten z AI udělá náskok. Kdo to nemá, bude jen hasit.

Pokud chcete začít bez velkých gest, doporučuju jeden konkrétní krok: vyberte jeden proces ve vzdělávání (např. studijní podpora, onboarding do LMS, tvorba studijních materiálů) a postavte kolem něj „AI minimální životaschopný provoz“ – včetně pravidel dat, bezpečnosti, měření a podpory uživatelů.

A pak si položte otázku, kterou si dává smysl opakovat každý kvartál: Zlepšuje naše IT strategické plánování schopnost učit a rozvíjet dovednosti – nebo jen přidává další projekty do backlogu?