AI na VŠ po 3 letech: personalizace, data a ROI

Tři roky po zpřístupnění ChatGPT (11/2022) už na vysokých školách nejde jen o „nový nástroj na psaní textů“. AI se stala lakmusovým papírkem toho, jak dobře umíme pracovat s daty, spolupracovat napříč fakultami a službami – a jestli dokážeme studentům nabídnout podporu dřív, než je pozdě.

A přesto se pořád točíme v kruhu: spousta pilotů, pár úspěchů, hodně nervozity kolem podvádění a autorských práv. Největší brzda ale bývá prozaičtější: roztříštěná data a roztříštěné rozhodování. Pokud je cílem téhle série „Umělá inteligence ve vzdělávání a rozvoji dovedností“ ukázat, jak AI reálně zlepšuje učení, tak tady je tvrdé tvrzení: bez dlouhodobého pohledu na studenta (a bez měření dopadů) se personalizované vzdělávání bude dít spíš náhodou než systémově.

Níže rozebírám, co se za poslední tři roky v AI na VŠ ukázalo jako funkční – a co by měly školy prioritizovat v „další kapitole“.

1) Personalizované vzdělávání začíná integrací dat

Nejsilnější přínos AI ve vzdělávání není v jedné chytré funkci, ale v tom, že umí spojovat souvislosti napříč časem. Generativní AI i prediktivní modely jsou nejpřesnější, když vidí kontext: co student dělal dřív, co potřeboval, kde se zasekl, jaké služby využívá a jak se mění jeho studijní návyky.

Proč „bodová řešení“ nestačí

V praxi mnoho škol kupuje AI po kouskách: zvlášť chatbot pro studijní oddělení, zvlášť nástroj pro podporu výuky v LMS, zvlášť systém pro knihovnu, zvlášť nástroj pro wellbeing. Každé řešení může mít přínos, ale dohromady často vytváří slepé skvrny:

• chatbot poradí, ale neví, že student právě řeší krizi na koleji,
• učitel vidí aktivitu v kurzu, ale nevidí, že student zároveň vynechává laboratorní cvičení,
• poradce řeší studijní plán, ale neví, že student opakovaně žádá o výjimky kvůli práci.

Personalizace bez kontextu je jen hezky znějící slovo. Skutečná individualizace studia vyžaduje napojení na „celý příběh“ studenta.

Co to znamená technicky (a prakticky)

Aby AI opravdu pomáhala studijním výsledkům, školy potřebují:

1. Datové prostředí pro dlouhodobý pohled – typicky data warehouse nebo data lakehouse s jasnou správou přístupů.
2. Datovou správu (data governance) – kdo je vlastníkem dat, jaká je kvalita, jaké jsou definice ukazatelů (např. „riziko studijního neúspěchu“).
3. Bezpečné propojení SaaS systémů – protože LMS, SIS, knihovní systémy i helpdesky jsou často mimo vlastní infrastrukturu.

Moje zkušenost: školy často přeskakují krok 2. Pak AI model sice „něco“ spočítá, ale nikdo si není jistý, co přesně – a důvěra je pryč.

Snippet do porady: „Nejdřív data a odpovědnosti, potom AI. Obráceně to končí pilotem, který nikdo nechce škálovat.“

2) Největší bariéra není technologie. Jsou to silosy.

AI projekty ve vzdělávání narážejí na organizační silosy dřív než na limity modelů. Když chcete dlouhodobý pohled na studenta, musíte sladit studijní oddělení, fakulty, poradenská centra, koleje, knihovnu, IT, analytiku i vedení. A to je práce na vztazích, ne na API.

Jak silosy rozbíjet bez nekonečných workshopů

Funguje mi jednoduchý postup „1 use-case → 1 tým → 1 metrika“:

• vyberte jeden konkrétní problém (např. včasné zachycení rizika drop-outu),
• sestavte malý mezioborový tým (studijní agenda, poradci, IT/analytika, zástupce vyučujících),
• dohodněte jedinou hlavní metriku dopadu (např. retence u cílové skupiny).

Jakmile je první use-case úspěšný a měřitelný, snáz se vyjedná rozšíření dat i spolupráce.

Co si pohlídat: soukromí a hranice

Dlouhodobý pohled je mocná věc – a taky citlivá. Školy potřebují jasně pojmenovat:

• jaká data jsou „nutná“ a jaká už „příliš“,
• kdo má jaký přístup a proč,
• jak studentům vysvětlit, co se děje (srozumitelně, ne právničinou),
• kdy má mít člověk poslední slovo (např. u intervencí a rizikových signálů).

V personalizovaném vzdělávání platí jednoduché pravidlo: když se to nedá obhájit studentovi do 60 sekund, je to špatně navržené.

3) ROI: bez měření dopadů se AI neudrží

AI na VŠ už je za fází „zkoušíme to“ – přichází fáze „obhajujeme rozpočet“. A tady naráží hodně týmů: „cítíme přínos, ale neumíme ho spočítat“. To je pochopitelné, protože AI mění procesy, které dřív nikdo neměřil.

Tři typy návratnosti, které dávají smysl

Dobře se mi osvědčilo rozdělit ROI do tří kategorií:

1. Navýšení příjmů: lepší nábor, vyšší retence, menší propady ve studiu.
2. Snížení nákladů: automatizace administrativy, rychlejší IT podpora, efektivnější provoz.
3. Strategická kapacita: datová infrastruktura, AI gramotnost zaměstnanců, metodiky a governance.

Pro „AI ve vzdělávání“ bývá nejrychleji vidět ROI u retence a studijní úspěšnosti, ale jen pokud dopředu nastavíte měření.

Mini-šablona pro měření ROI (bez složitostí)

Pro každý AI use-case si napište:

• Cíl (1 věta): co se má změnit a u koho.
• Baseline: jak to vypadá dnes (poslední 2 semestry).
• Intervence: co přesně udělá AI + co udělá člověk.
• Metrika: 1 hlavní + 2 podpůrné.
• Čas do prvního výsledku: typicky 8–16 týdnů.

Příklad metrik pro personalizované vzdělávání:

• hlavní: retence v cílové skupině,
• podpůrné: počet včasných kontaktů, dokončené kredity, míra opakování předmětu.

4) Udržitelnost: energetická stopa AI patří do rozhodování

Debata o dopadech AI na životní prostředí je oprávněná – problém je, že školy často nemají čísla. Kolik energie stojí jedna interakce s LLM? Je rozdíl mezi chatem v prohlížeči a voláním API v interní aplikaci? Kdy je lepší použít menší model nebo úplně jiný přístup?

Co mohou školy udělat hned (i bez perfektních metrik)

• Kategorizovat použití AI podle „hodnoty“: vysoká hodnota (podpora studijního úspěchu) vs. nízká hodnota (generování ozdobných textů do e-mailů).
• Preferovat „menší“ řešení tam, kde stačí: pravidlové systémy, vyhledávání ve znalostní bázi, menší modely pro rutiny.
• Zavést zásadu „AI jen tam, kde je lidská práce drahá nebo dopad vysoký“.

A hlavně: tlačit dodavatele i interní týmy na transparentní reporting spotřeby. Bez něj se udržitelnost nedá řídit.

5) Velký dopad i bez velkého rozpočtu: recept z praxe

Nejlepší AI projekty na školách často nejsou nejdražší. Jsou nejlépe zacílené. Z praxe ze zahraničí víme, že jednoduchý interní nástroj pro včasné zachycení studentů v potížích může vzniknout rychle, s malým množstvím kódu a s nízkými provozními náklady.

Jádro úspěchu není „kouzelný model“. Jádro úspěchu je:

• přístup k relevantním datům (bezpečně a s oprávněními),
• jasná definice signálů,
• tým, který umí udělat citlivou intervenci,
• měření, jestli intervence skutečně pomáhá.

Co si z toho vzít pro české VŠ

• Nečekejte na dokonalou platformu. Začněte s jedním procesem, který bolí.
• Stavte na tom, co už máte (LMS, studijní systém, helpdesk, data sklad).
• Investujte do lidí: analytik + product owner + zástupce studijní podpory často udělají víc než další licence.

6) Rozvoj dovedností: studenti musí umět AI používat a vysvětlit, co umí oni

Vysoké školy dnes připravují absolventy do trhu práce, kde se AI stává běžnou součástí juniorních rolí. To znamená dvě věci zároveň:

1. studenti potřebují praktickou AI gramotnost v oboru (práce s nástroji, kontrola kvality, práce se zdroji, bezpečnost dat),
2. studenti musí umět pojmenovat a prokázat svou „lidskou inteligenci“: kritické myšlení, komunikaci, spolupráci, úsudek, etiku, empatii.

Moje jasná pozice: škola, která učí jen „promptování“, připravuje studenty na minulý rok. Škola, která učí AI v kontextu oboru + odpovědnost + lidské dovednosti, připravuje studenty na příští dekádu.

Praktický rámec pro kurzy a předměty (rychle nasaditelný)

• Použít: studenti musí umět AI využít k návrhu, analýze, shrnutí, prototypu.
• Prověřit: studenti musí umět ověřit fakta, zdroje, chyby a zkreslení.
• Vysvětlit: studenti musí umět obhájit postup a rozhodnutí (co udělal model, co oni).
• Zodpovědně jednat: soukromí, citlivá data, autorská práva, etika v oboru.

Co by měly VŠ prioritizovat v roce 2026

Pokud mám vybrat tři priority pro „další kapitolu“ AI ve vysokém školství, jsou to tyhle:

1. Datová integrace pro dlouhodobý pohled na studenta (bezpečně, s governance).
2. Měření dopadu (ROI) u konkrétních use-casů – hlavně u studijního úspěchu a retence.
3. AI gramotnost jako součást rozvoje dovedností – ne jako volitelný workshop.

Tahle série je o tom, jak AI podporuje personalizované vzdělávání a rozvoj dovedností. A právě tady se to láme: AI není projekt IT oddělení. Je to schopnost instituce učit lépe, rychleji reagovat a férověji podporovat studenty.

Další krok je jednoduchý: vyberte jeden problém, u kterého vás stojí čas i nervy, a navrhněte AI řešení tak, aby šlo změřit jeho dopad – na studenta i na kapacity školy. Co by to bylo u vás: rizikové předměty v 1. ročníku, přetížené studijní oddělení, nebo podpora akademického psaní?