AI na univerzitě: vyšší efektivita bez škrtů v lidech

Rozpočty ve veřejném sektoru jsou napjaté, nábory se zpomalují a zároveň roste tlak na kvalitu služeb pro studenty i zaměstnance. V praxi to znamená jediné: univerzity musí zrychlit a zpřesnit provoz, aniž by „odnesli“ situaci lidé v první linii.

Nejpoužitelnější lekce posledních měsíců je překvapivě jednoduchá: největší přínos AI na školách dnes často není v „wow“ funkcích, ale v malých, dobře integrovaných asistentech, kteří šetří hodiny týdně. University of Michigan a UC San Diego ukazují, že když se AI postaví na hodnotách (přístupnost, rovnost, soukromí) a napojí na reálné procesy, vznikne efektivita, která se dá spočítat – a současně se zlepší studijní podpora.

Tenhle článek patří do série Umělá inteligence ve vzdělávání a rozvoji dovedností. Zaměřím se na to, jak „institucionálně ušitá“ AI zvedá efektivitu i personalizaci, co si z toho můžou odnést české vysoké školy (a klidně i větší střední školy), a jak se vyhnout slepým uličkám typu „AI koupíme a ono se to nějak stane“.

1) Efektivita bez propouštění: proč to funguje právě teď

AI dává smysl tam, kde lidé dělají opakující se rozhodnutí nad interními pravidly a dokumenty. Typicky jde o studijní agendu, helpdesk, granty, fakturaci, nákup, správu kurzů v LMS nebo odpovědi na často kladené dotazy.

To „právě teď“ je důležité. V roce 2025 už většina institucí pochopila, že generativní AI není jen hračka na psaní textů. Zároveň se ukázalo, že plošné nasazení veřejných nástrojů naráží na:

• soukromí a práci s citlivými daty (studijní a personální údaje),
• kvalitu odpovědí bez znalosti lokálního kontextu,
• nejasné náklady při škálování (každý dotaz něco stojí),
• rovnost přístupu (ne každý má stejné digitální podmínky).

Michigan i UC San Diego to uchopily jinak: místo toho, aby čekaly „na dokonalý produkt“, vybudovaly vlastní institucionální nástroje – a nastavily jasné mantinely. Výsledek? Rychlejší služby, méně ruční práce a lepší podpora výuky.

AI jako nové uživatelské rozhraní (UI)

Jedna věta z praxe zní trefně: „AI je nové UI.“ Nejde o to, že přibude další aplikace. Jde o to, že student nebo vyučující dostane přístup ke službám školy přes konverzační rozhraní, které je „po ruce“ v prostředí, kde už pracuje (typicky LMS).

A když se AI stane rozhraním, vyřeší se dva chronické problémy:

1. Lidé nemusí vědět, kde co je (vnitřní portály, směrnice, wiki, intranet).
2. Škola konečně začne měřit, co se lidé reálně ptají, a kde procesy drhnou.

2) „4 minuty a hotovo“: tutor integrovaný přímo do LMS

Nejrychlejší cesta k dopadu ve vzdělávání je integrace AI do stávajících digitálních platforem. Michigan to udělal propojením Canvasu s vlastním nástrojem Maizey.

Praktický detail, který stojí za pozornost: vyučující dokáže nasadit tutora pro svůj předmět během zhruba 4 minut přímo z prostředí LMS. To je přesně ten rozdíl mezi „pilotem pro nadšence“ a řešením, které se šíří po kampusu.

Dopady, které byly zveřejněny v rámci sdílené zkušenosti:

• studenti využívající Maizey Tutor zlepšili známky v průměru o 5–9 %,
• vyučující ušetřili 10–12 hodin týdně na konzultacích/office hours.

„Místo stovky studentů ve frontě jich je najednou sedm, kteří opravdu potřebují pomoct.“

Tohle je důležitý most k tématu série: AI tu podporuje personalizované vzdělávání (každý student se ptá ve svém tempu) a zároveň uvolňuje kapacity učitelů na práci s těmi, kdo potřebují hlubší vedení. Ne nahrazení pedagoga, ale lepší rozdělení pozornosti.

Co si z toho odnést: 3 pravidla pro AI tutorování

1. Začněte integrací, ne nákupem nástroje. Tutor mimo LMS se používá málo.
2. Měřte přínos dvojmo: studijní výsledky (např. průběžné testy) i úsporu času vyučujících.
3. Přístupnost není „nice to have“. Pokud tutor není dostupný pro různé potřeby studentů (např. práce se čtečkami, srozumitelnost), prohlubuje nerovnosti.

3) „Vertikální AI“: největší hodnota je ve vašem kontextu

Obecné AI nástroje šetří čas všem podobně. Strategická výhoda vzniká, když AI naučíte vaše vlastní postupy, terminologii a pravidla. UC San Diego tenhle přístup popisuje jako vertikální AI.

Jejich příklad je jednoduchý a přitom vysoce přenosný: asistent pro správu grantů (fund manager coach). Grantová agenda je skoro na každé univerzitě, ale:

• každá instituce má jiné vnitřní názvosloví,
• jiné schvalovací kroky,
• jiné šablony, školení a „tiché“ know-how.

UC San Diego vzalo interní obsah – politiky, postupy, školení, poznámky z komunit praxe – a vytvořilo asistenta, který odpovídá v jejich jazyce. Tohle je přesně ten moment, kdy AI přestává být generická a začne být užitečná pro zaměstnance, kteří potřebují správně rozhodnout pod tlakem.

Kde dává vertikální AI největší smysl v českém prostředí

Pokud vybírám „nejrychlejší výhry“ pro instituce v ČR, typicky to bývá:

• studijní agenda (uznávání předmětů, přerušení, stipendia, termíny, pravidla),
• grantová a projektová kancelář (způsobilé výdaje, interní procesy, reporting),
• veřejné zakázky a nákup (požadavky, interní workflow, kontrola náležitostí),
• IT a helpdesk (návody, přístupy, „jak to u nás chodí“),
• knihovny a informační služby (orientace ve zdrojích, licenční pravidla).

Klíč: nejdřív kurátorujte obsah. AI není kouzelník – když jí dáte chaotické dokumenty, vrátí vám chaotické odpovědi.

4) Náklady, provoz a „AI na vlastním železe“: kdy se to vyplatí

Když AI používá celá instituce, začne být zásadní, kolik stojí každý dotaz a jaké máte možnosti kontroly. UC San Diego popisuje, že vlastní sada asistentů (TritonGPT) běží na jejich hardwaru „on premise“ a i se započtením elektřiny vychází levněji než odběr cloudové služby.

Neznamená to, že každý má stavět datacentrum. Znamená to, že je potřeba férově porovnávat:

• přímé náklady na provoz (hardware, energie, správa),
• náklady na škálování v cloudu,
• rizika spojená s daty a smluvními podmínkami,
• požadovanou úroveň dostupnosti a latence.

Moje zkušenost: pro menší instituce často vychází dobře hybridní přístup. Citlivé scénáře (studijní data, personální procesy) běží na přísně řízené infrastruktuře, zatímco méně citlivé kreativní úlohy mohou využít externí modely s jasnými pravidly.

Efektivita v administrativě: příklad s fakturací a přesností

Michigan uvádí konkrétní případ z nákupu a interní fakturace:

• původní externí nástroj stál stovky tisíc dolarů,
• nový interní nástroj postavený na Maizey vyšel na 62 dolarů ročně,
• přesnost se zvedla z 50 % na 97 %,
• tři lidé na plný úvazek nebyli „zrušeni“, ale přesunuli se na užitečnější podporu.

Tohle je přesně ten typ argumentu, který ve vedení funguje: ne sliby, ale měřitelné metriky.

5) Efektivita není jen čas a peníze: uhlík, rovnost a důvěra

Pokud AI šetří čas, ale zvyšuje uhlíkovou stopu nebo prohlubuje nerovnosti, instituce si koleduje o reputační problém. A v akademickém prostředí to umí bolet víc než rozpočet.

V praxi je užitečné definovat „efektivitu“ jako součet více hledisek:

• časová úspora (hodiny týdně),
• finanční úspora (licence, provoz, chybovost),
• kvalita služeb (rychlost odpovědi, správnost, spokojenost),
• digitální rovnost (kdo z toho profituje a kdo ne),
• environmentální dopad (náročnost provozu a škálování).

Michigan zmiňuje snahu o co nejnižší uhlíkovou stopu jejich generativní AI platformy. Tohle není detail pro PR – je to součást řízení. Zvlášť v zimním semestru, kdy instituce často bilancují a plánují rozpočty na další rok, se vyplatí dát AI projekty do stejného rámce jako jiné investice: ROI + rizika + hodnoty.

Praktický kontrolní seznam pro zavádění AI (vzdělávání i provoz)

Pokud máte za úkol posunout AI na škole od nápadů k dopadu, držel bych se tohoto postupu:

1. Vyberte 1–2 procesy s vysokou frekvencí dotazů (helpdesk, studijní pravidla, granty).
2. Sepište metriky předem (např. průměrná doba vyřízení, počet eskalací, chybovost).
3. Kurátorujte znalostní bázi (aktuální směrnice, FAQ, školení) a určete vlastníka obsahu.
4. Zaveďte řízené nasazení: pilot → rozšíření → standardní služba.
5. Nastavte „guardrails“: co AI nesmí dělat, jak hlásí nejistotu, jak eskaluje na člověka.
6. Ověřte přístupnost a jazyk (srozumitelnost, inkluze, podpora různých potřeb).
7. Vyhodnoťte uhlíkovou stopu a náklady při reálné zátěži.

Tohle není byrokracie. Je to způsob, jak z AI udělat dlouhodobě udržitelnou součást digitálního vzdělávacího ekosystému.

Co z toho plyne pro AI ve vzdělávání a rozvoji dovedností

Největší přínos institucionální AI je v tom, že vrací čas lidem. Studentům dává rychlou, personalizovanou podporu. Učitelům a administrativě bere rutinu z rukou a nechává jim práci, kde je potřeba lidský úsudek.

Pokud dnes plánujete AI pro výuku a rozvoj dovedností, začněte tam, kde se protíná pedagogika a provoz: AI tutor v LMS, asistenti pro studijní agendu a kontextové poradny pro zaměstnance. A trvejte na tom, že přístupnost, rovnost a soukromí nejsou brzda – jsou to parametry kvality.

Chcete, aby AI na vaší instituci přestala být „projekt“ a stala se běžnou službou? Zkuste si upřímně odpovědět: kterých 10 hodin týdně chcete vrátit vyučujícím a podporujícím týmům už v letním semestru 2026?