AI a digitální gramotnost: co musí školy učit v roce 2026

92 % pracovních pozic vyžaduje digitální gramotnost. A skoro třetina lidí má podle dostupných výzkumů „malou až žádnou“. Tenhle rozpor je dnes největší tichý problém vzdělávání: školy často dál hodnotí znalosti oboru, zatímco trh práce očekává, že absolvent zvládne data, nástroje a základní práci s AI stejně samozřejmě jako e-mail.

Do roku 2026 se to nebude „někdy hodit“. Bude to vstupenka. V průzkumu Microsoftu a LinkedIn z roku 2024 uvádí 66 % lídrů, že by nepřijali člověka bez AI dovedností, a 71 % by raději vzalo méně zkušeného kandidáta s AI dovednostmi než seniora bez nich. To není strašení. To je signál, že AI gramotnost se stává součástí základní odbornosti.

V našem seriálu Umělá inteligence ve vzdělávání a rozvoji dovedností se často vrací jedno téma: AI má největší dopad tehdy, když není „přilepená“ bokem, ale promyšleně zabudovaná do učení, praxe a hodnocení. A přesně o to jde i tady – jak školy (a firmy, které školí) postaví digitální a AI gramotnost tak, aby z ní vznikla reálná zaměstnatelnost.

Co dnes znamená „být připravený do práce“

Připravený absolvent v roce 2026 je ten, kdo umí spojit obor a technologii. Nejde o to, aby každý uměl programovat. Jde o to, aby budoucí zdravotní sestra uměla pracovat s digitální dokumentací a rozhodovací podporou, budoucí účetní rozuměl datovým exportům a kontrole kvality dat, budoucí marketér zvládl práci s generativní AI a měření dopadu kampaní.

Technologická gramotnost má tři vrstvy, které se v praxi překrývají:

1. Digitální základ: práce se soubory, cloudem, bezpečnostní návyky, vyhledávání a ověřování informací, tabulky, prezentace.
2. Datová gramotnost: čtení dat, metriky, pochopení biasu, kvalita dat, interpretace, vizualizace.
3. AI gramotnost: zadávání úloh (prompty), kritické vyhodnocení výstupu, práce s citlivými daty, znalost limitů modelu, etika a odpovědnost.

Důležité je, že každá škola má jiné obory a každý obor jiné nástroje. Jeden univerzální kurz „AI pro všechny“ nestačí. Funguje jako start, ale hodnota vzniká až v oborových scénářích.

Mýtus, který školám škodí: „Stačí jeden předmět navíc“

Přidat samostatný předmět o digitálních dovednostech je lákavé. Jenže tím vzniká problém: studenti ho často berou jako „povinnou jízdu“ a učitelé v oboru si pak řeknou, že technologii už řešit nemusí.

Lepší přístup je mapovat kurikulum a rozhodnout, kde se digitální dovednosti přirozeně učí:

• v prváku základy práce s daty a zdroji,
• ve střední části studia oborové nástroje,
• v závěru projekty, kde AI pomáhá, ale student musí obhájit postup i rozhodnutí.

Proč se AI gramotnost stává „novou angličtinou“

AI se v práci šíří rychleji než většina předchozích technologií, protože snižuje bariéru: lidé nemusí umět složité nástroje – stačí umět formulovat úlohu, zkontrolovat výsledek a zasadit ho do kontextu. To ale neznamená, že je to jednoduché. Náročné je právě to „zkontrolovat a zasadit“.

V praxi se AI gramotnost pozná podle toho, že člověk:

• umí rozdělit úkol na kroky a zadat ho AI tak, aby výstup byl kontrolovatelný,
• umí ověřit fakta a najít chyby (halucinace),
• chápe, kdy je AI vhodná a kdy je lepší klasický postup,
• umí pracovat s citlivými informacemi a dodržet pravidla organizace,
• dokáže výstup upravit do požadované kvality (jazyk, styl, struktura, citace).

Tohle jsou dovednosti, které se neučí „poslechem“. Učí se praxi, zpětnou vazbou a opakováním.

Personalizované učení jako zkratka k dohánění rozdílů

Digitální dovednosti se mezi studenty liší víc, než si školy připouštějí. Jeden student zvládá tabulky a automatizaci, druhý sotva pracuje se strukturou souborů. Pokud učíme všem stejně, část se nudí a část se ztrácí.

Tady má AI ve vzdělávání jasnou roli: personalizace výuky.

• Diagnostický test zjistí úroveň (digitální základ, data, AI).
• Systém nabídne individuální cestu: krátké lekce, úkoly, procvičování.
• Učitel dostane přehled o slabých místech skupiny.

Já osobně mám nejradši model „minimum pro všechny, volitelné rozšíření pro zájemce“. Minimum chrání kvalitu absolventa. Rozšíření motivuje ty, kteří chtějí víc.

Jak to může fungovat: příklad přístupu typu UCLA

Některé univerzity jdou cestou, která dává smysl i pro české prostředí: nejen učit o AI, ale dát studentům řízený přístup k nástrojům.

Příklad z praxe (UCLA) ukazuje dvě věci, které bývají rozhodující:

1. Licencované nástroje dostupné přes školní účet – student se učí v prostředí, které odpovídá reálnému pracovišti, a škola má kontrolu nad bezpečností.
2. Koordinovaný rámec používání – nejde o „AI všude“, ale o pravidla, podporu a odpovědné využití.

Tohle je pro školy často citlivé, protože se okamžitě otevřou otázky plagiátorství a férovosti. Řešení ale není zákaz. Řešení je změna zadání a hodnocení.

Jak měnit zadání, aby AI pomáhala a nepodváděla

U úloh, které AI vyřeší „na první dobrou“, nemá smysl dělat, že to neexistuje. Přínosná zadání vypadají jinak:

• Procesní hodnocení: student odevzdá i postup (verze, rozhodnutí, co ověřoval).
• Obhajoba: krátká ústní část nebo video, kde vysvětlí volby.
• Lokální data / kontext: práce s daty, která nejsou veřejně dostupná.
• Kritika výstupu AI: student musí najít chyby, doplnit zdroje, upravit argumentaci.

Jedna věta, kterou bych vytesal do nástěnky kabinetu: „Když hodnotíme jen výsledek, vyhrává ten, kdo nejlíp kliká. Když hodnotíme myšlení, vyhrává učení.“

Praktický plán pro školy a vzdělávací organizace (90 dní)

Za 90 dní se nedá předělat celé kurikulum. Dá se ale udělat základ, který pak roste.

1) Dohoda na tom, co je „minimum“ (týdny 1–3)

Začněte definicí absolventského minima pro digitální a AI gramotnost. Ne obecně, ale měřitelně.

Příklad minima (záměrně konkrétní):

• student umí vytvořit a vyčistit jednoduchý dataset (např. 300 řádků),
• umí vysvětlit, co je bias v datech na oborovém příkladu,
• umí použít generativní AI na návrh osnovy, ale doloží kontrolu faktů,
• zná pravidla práce s osobními údaji a citlivými daty.

2) Mapování kurikula a „kde to učíme“ (týdny 3–6)

Sejděte se na úrovni programu/oboru. Přesně to doporučují i technologičtí lídři: dovednosti musí být ukotvené v oboru a vedené fakultou, jinak se setkáte s pasivním odporem.

Výstupem má být jednoduchá mapa:

• kde už se dovednost učí,
• kde chybí,
• kdo je garant,
• jak se bude hodnotit.

3) Základní AI pravidla a bezpečné nástroje (týdny 4–8)

Bez governance to bude chaos. Nastavte minimum:

• co se smí zadávat do AI a co ne,
• jak se uvádí použití AI (transparentnost),
• jak se řeší porušení pravidel,
• jaké nástroje jsou doporučené a proč.

4) Pilotní modul a měření dopadu (týdny 8–12)

Vyberte 1–2 předměty, kde má AI jasný smysl, a udělejte pilot.

Měřte tři věci:

• zlepšení dovednosti (pre/post test),
• čas učitele (kde AI šetří práci, kde naopak přidává),
• kvalitu výstupů (rubriky, méně subjektivity).

Tohle je moment, kdy se z „AI trendu“ stává řízená změna.

Spolupráce s firmami: ne kvůli logu, ale kvůli realitě

Školy často zvou firmy jako hosty. To je fajn, ale málo. Pokud chceme, aby absolvent byl zaměstnatelný, potřebujeme mosty, které nespadnou po jedné přednášce.

Dobře fungují tři typy spolupráce:

• Společné definování kompetencí: firmy řeknou, jaké nástroje a postupy skutečně používají.
• Stáže a praxe s jasnými výstupy: student ne„odsedí“ praxi, ale odevzdá projekt.
• Mikrocertifikace: krátké ověřitelné bloky (např. práce s daty, bezpečnost, AI v oboru).

V prosinci 2025 je navíc dobrý moment plánovat na nový semestr: firmy uzavírají rozpočty, školy chystají inovace a studenti hledají praxe na jaro. Pokud chcete partnerský program rozjet, teď se domlouvají kapacity.

Mini Q&A: co se nejčastěji ptají vedení škol a učitelé

„Nezabije AI kritické myšlení?“

Ne, pokud změníme zadání a hodnocení. Zabije ho jen model výuky, který oceňuje opis výsledku místo argumentace a kontroly.

„Má to smysl i mimo IT obory?“

Ano. Právě mimo IT je největší návratnost, protože AI pomáhá s psaním, analýzou, komunikací, plánováním a základní automatizací.

„Co když studenti AI zneužijí?“

Zneužijí ji stejně jako internet. Řešení je transparentnost, obhajoba práce, procesní hodnocení a jasná pravidla – ne zákaz.

Co udělat dál (a proč to nenechat na leden)

Technologická a AI gramotnost pro budoucí pracovní trh není volitelný doplněk. Je to součást toho, co znamená „být vzdělaný“ v roce 2026. A školy, které to uchopí brzy, nebudou honit požadavky zaměstnavatelů na poslední chvíli – budou je spoluutvářet.

Pokud řešíte, jak začít, vyberte si jednu věc na příštích 30 dní: definujte minimum kompetencí pro absolventa, nastavte pravidla používání AI a spusťte pilot v jednom předmětu. Tři kroky. Místo velkých prohlášení.

A teď ta užitečná otázka, kterou stojí za to probrat na nejbližší poradě: Kterou jednu dovednost by měl umět každý absolvent vaší školy, aby byl v roce 2026 skutečně zaměstnatelný – a kde přesně se ji dnes učí?