AI ve škole: 5 kroků k lepší podpoře studentů

83 % pracovníků ve vzdělávání říká, že nástroje umělé inteligence jim uvolňují čas na hodnotnější práci. Tenhle údaj z roku 2025 se citoval tolikrát, až z něj místy zůstalo jen „AI šetří čas“. Jenže skutečný problém na školách (ať už jde o VOŠ, univerzity, vyšší odborné programy nebo velké vzdělávací organizace) není nedostatek nástrojů. Je to nedostatek jasné strategie, kvalitních dat a procesů, které udrží AI užitečnou a bezpečnou.

Na konci roku 2025 to navíc nabírá na obrátkách: tlak na nábor studentů, očekávání rychlé a personalizované komunikace, nápor na studijní oddělení, kariérní centra i podporu wellbeing. A do toho začínají být běžným tématem AI agenti – systémy, které nejen „radí“, ale umí udělat práci (sestavit odpověď, připravit podklady, spustit úkoly, hlídat termíny).

Tento článek je součástí série „Umělá inteligence ve vzdělávání a rozvoji dovedností“. Vezmeme si pět kroků jako praktickou mapu: jak postavit AI na školách tak, aby zlepšila studentskou zkušenost, posílila studijní úspěšnost a podpořila rozvoj dovedností – a přitom nezvyšovala chaos.

1) Začněte tam, kde lidé narážejí na data (a nejvíc to bolí)

Nejrychlejší cesta k hodnotě z AI vede přes nepohodlnou pravdu: AI je tak dobrá, jak dobrá jsou vaše data a přístup k nim. Pokud zaměstnanci loví informace ve třech systémech a dvou excelových tabulkách, i ten nejlepší model bude jen drahá nápověda.

První krok, který funguje v praxi, je prostý: sepište situace, kdy vyučující a zaměstnanci nemají data včas, nemají je pohromadě nebo si nejsou jistí, jestli jsou správná. Pak vyberte top 3 oblasti, kde to nejvíc brzdí práci a kde by jednotný „profil studenta“ (nebo uchazeče, absolventa, dárce) přinesl okamžitý efekt.

Jak vypadá „top 3“ na reálné škole

Typicky to bývá kombinace:

• Nábor a přijímačky: proč uchazeči odpadávají, kde se ztrácí komunikace, kdo čeká na odpověď déle než 48 hodin.
• Studijní úspěšnost: signály rizika (neúčast, neplnění průběžných úkolů, opakované žádosti, finanční potíže).
• Poradenství a kariéra: kdo potřebuje nasměrovat na praxe, mikro-certifikace, doplnění dovedností.

„Když škola neumí dostat správná data ke správnému člověku včas, personalizace výuky zůstane slogan.“

Výhoda tohoto kroku: je to rychlý audit, který zvedne ze židle i skeptiky. Protože najednou nejde o „AI hype“, ale o konkrétní minuty a hodiny ztracené každý týden.

2) Zjistěte, kde jste na škále AI vyspělosti (a nepřeskakujte fáze)

Školy často chtějí skočit rovnou k generativní AI: chatbot, automatické e-maily, shrnutí porad. Jenže bez základů se dostaví typický efekt: pilot „jede“, ale po třech měsících to nikdo nechce používat, protože výstupy nejsou spolehlivé.

Dává smysl uvažovat ve třech fázích vyspělosti:

Fáze 1: Sjednocení dat (harmonizace)

Cíl: jednotný, aktuální pohled na studenta/uchazeče. Ne jednou týdně export, ale data, která se dají používat operativně.

Prakticky to znamená:

• sjednotit identitu (kdo je „tentýž člověk“ v různých systémech),
• dohodnout „zlaté“ zdroje (kde je pravda o adrese, oboru, statusu),
• zkrátit dobu k reportům (ne „na konci měsíce“).

Fáze 2: Prediktivní vhledy

Cíl: vidět problém dřív, než naroste. Prediktivní modely nejsou magie; jsou to užitečné „radary“.

Konkrétní použití:

• upozornění na studenta, který má vysoké riziko nedokončení,
• priorizace kontaktu (komu zavolat dnes, komu stačí e-mail),
• odhad pravděpodobnosti zápisu po přijetí.

Fáze 3: Generativní AI jako akce

Cíl: převést data a vhledy do práce, která se opravdu udělá.

Generativní AI typicky:

• připraví návrh e-mailu/SDÍLENÉ zprávy v tónu školy,
• shrne poradenský rozhovor a vytvoří úkoly,
• doporučí dovednosti a témata k doplnění podle studijního plánu.

Můj postoj je jasný: nepřeskakujte harmonizaci dat. Škola, která přeskočí Fázi 1, si koleduje o nedůvěru – a bez důvěry vám AI adopce spadne do „to je hezké, ale…“.

3) Zvolte priority podle studentské zkušenosti (ne podle toho, co má demo)

Nejlepší projekty AI ve vzdělávání začínají otázkou: Který moment na cestě studenta dnes nejvíc skřípe? Ne „jaký nástroj koupíme“.

Mapa studentské cesty jako kompas

Užitečná je jednoduchá mapa lifecycle:

1. uchazeč → přihláška → rozhodnutí,
2. onboarding a první semestr,
3. průběh studia a rizika,
4. dokončení, absolvent,
5. celoživotní vzdělávání a návrat (reskilling, upskilling).

Když si u každé fáze napíšete 2–3 metriky, máte prioritizaci téměř hotovou. Příklady metrik, které dávají smysl:

• průměrný čas odpovědi na dotaz,
• počet přerušení / nedokončení v 1. ročníku,
• vytíženost studijního oddělení v špičkách,
• míra využití poradenských služeb,
• účast na praxích a kariérních aktivitách.

Dva scénáře, kde AI typicky přinese rychlý efekt

• „Jedna fronta“ pro dotazy: AI asistent zvládne první kontakt, vytáhne relevantní informace a složitější dotazy předá člověku s kontextem. Studenti dostanou odpověď rychleji, zaměstnanci méně opakují totéž.
• Včasná intervence: prediktivní signály + jasný proces „kdo kontaktuje koho a do kdy“. Bez procesu je predikce jen graf.

Tady je důležité propojení na téma série: když zlepšíte studentskou podporu, otevíráte prostor pro rozvoj dovedností. Poradci a vyučující nemusejí hasit administrativu a mohou řešit volbu předmětů, projekty, praxe, mikro-kvalifikace.

4) Postavte to na platformě, které lidé věří (bezpečnost není dodatkem)

AI ve škole není jen o funkci. Je to o důvěře: studijní data, citlivé situace, osobní údaje. Pokud se zaměstnanci bojí, že něco „uteče“ do modelu nebo že AI generuje předsudky, nepoužijí to.

Hodně institucí přechází od „systému záznamu“ (kde data leží) k „systému interakce“, kde se v jednom prostředí:

• data zobrazí v kontextu,
• rozhodnutí se udělá hned,
• akce se spustí (úkol, zpráva, workflow),
• vše se auditovatelně uloží.

Bezpečnostní minimum, které bych vyžadoval vždy

• jasné role a oprávnění (kdo vidí co),
• maskování citlivých údajů v AI vrstvách,
• logování promptů a výstupů (audit),
• pravidla pro práci s bias/toxic obsahem,
• interní „AI policy“ pro zaměstnance i studenty.

AI má být posila. Ne nový zdroj reputačního rizika.

5) Připravte se na AI agenty: „udělají“ práci, ne jen poradí

AI agenti jsou další krok: místo toho, aby člověk kopíroval data a přepínal mezi systémy, agent zvládne část procesu sám. Třeba:

• zpracuje dotaz uchazeče, doplní chybějící informace, připraví návrh odpovědi a založí tiket,
• po konzultaci vytvoří shrnutí, navrhne další kroky a naplánuje follow-up,
• u rizikového studenta spustí workflow: kontakt, nabídka doučování, doporučení podpory.

Klíčové je, že „agent-ready“ škola nepřemýšlí jen o nástroji, ale o tom, jak se práce přepisuje.

5 investic, bez kterých agenti nebudou fungovat

1. Investujte do lidí: školení, superuživatelé, podpora změny. Bez toho agent skončí jako „hračka IT“.
2. Investujte do infrastruktury: integrace, API, identity management, monitoring.
3. Upřednostněte kvalitu dat: jednotné definice, pravidla, čištění, vlastnictví dat.
4. Ošetřete etiku: transparentnost, spravedlnost, vysvětlitelnost rozhodnutí.
5. Myslete ve velkém, začněte v malém a škálujte: jeden proces, jedna jednotka, jasná metrika.

„Agent není náhrada člověka. Je to kolega na rutinu – a člověk si nechá rozhodnutí, empatii a odpovědnost.“

Jak vypadá rozumný plán na 90 dní (a proč je to ideální přes zimu)

Prosinec a leden jsou paradoxně skvělý čas: méně provozních špiček než při zápisech, ale dostatek tlaku na plánování dalšího semestru. Pokud chcete výsledky do jara 2026, dá se to.

• Týdny 1–2: workshop „top 3 datové bolesti“, definice metrik (čas odpovědi, počet eskalací, retence v 1. ročníku).
• Týdny 3–6: sjednocení identit, datové minimum pro jeden use case, návrh procesu (kdo co dělá).
• Týdny 7–10: pilot predikce nebo generativní asistence (např. triage dotazů) + bezpečnostní nastavení.
• Týdny 11–13: vyhodnocení, úpravy, rozhodnutí o škálování na další oddělení.

Tohle není „digitální transformace na tři roky“. Je to cílený postup, který si získá důvěru tím, že lidem reálně ulehčí práci.

Co si odnést, pokud řešíte AI strategii ve vzdělávání

AI ve vzdělávání a rozvoji dovedností má smysl tehdy, když se propojí tři věci: data, procesy a lidská role. Pět kroků je dobrý rámec, ale největší rozdíl dělá disciplína: vybrat priority, nepřeskakovat fáze a měřit dopad.

Pokud máte začít jednou větou, pak touhle: nejdřív sjednoťte data a vyřešte jeden konkrétní studentský moment, teprve potom přidávejte generativní AI a agenty.

Chcete v roce 2026 školu, kde se studenti neztrácejí v procesech a zaměstnanci nejsou „přepínače mezi systémy“? Pak je férová otázka na závěr jednoduchá: který jeden proces by vám už v příštím semestru nejvíc uvolnil ruce pro práci se studenty a jejich dovednostmi?