AI a analytika ve školách: retence, ROI a dovednosti

Na vysokých školách se dnes vede jedna hodně praktická debata: co přesně má technologie zlepšit a jak to poznáme na číslech. Ne na dojmech, ne na „vypadá to moderně“, ale na tom, jestli se zvedne retence, zkrátí administrativní práce a studující se dostanou k podpoře dřív, než to začne skřípat.

Právě proto se v diskusích kolem priorit pro rok 2026 tak často vrací dvě témata: data analytics pro provozní a finanční vhledy a AI pro efektivitu a růst. Nejsou to sexy slogany. Jsou to dvě páky, které (když se uchopí správně) posunou kvalitu studijní zkušenosti i ekonomiku školy zároveň.

V naší sérii „Umělá inteligence ve vzdělávání a rozvoji dovedností“ tohle beru jako klíčový „most“: AI není jen o generování textu. Je to o rozhodování, personalizaci podpory a měřitelném dopadu na studijní výsledky.

Proč bez analytiky už nejde řídit retenci ani rozpočet

Odpověď na otázku „proč analytika?“ je jednoduchá: protože retence a náklady se dnes nedají řídit pocitem. Školy čelí tlaku na efektivitu, transparentní hospodaření a zároveň na vyšší kvalitu služeb pro studující. To znamená umět rychle odpovědět na věci typu:

• Kde přesně nám odpadají studující (po 1. semestru, po zkouškovém, při přechodu na navazující studium)?
• Které předměty a studijní plány jsou „bottleneck“ a proč?
• Jaké intervence (tutoring, stipendium, psychologická podpora) mají nejlepší poměr cena/výsledek?
• Které programy mají dlouhodobě slabou poptávku a které naopak rostou?

Retence jako finanční i vzdělávací ukazatel

Retence se často prezentuje jako „studijní“ metrika. Ve skutečnosti je to spojnice kvality studia a ekonomiky. Každý studující, který odejde kvůli řešitelným problémům (špatně nastavená podpora, pozdní reakce, zbytečná administrativa), je zároveň:

• ztráta potenciálu (dokončené vzdělání, absolventské kompetence),
• ztráta reputace (doporučení, hodnocení programu),
• a velmi často i ztráta příjmu.

Z praxe vidím, že největší posun udělají školy, které přestanou retenci chápat jako „projekt studijního“ a začnou ji řídit jako celoinstitucionální proces: data, role, odpovědnosti, včasné signály, jasné kroky podpory.

Analytika není dashboard. Je to rozhodovací rutina

Hodně institucí skončí u hezkého reportu. Jenže report sám o sobě nic nezmění.

Funkční přístup vypadá takhle:

1. Definovat rozhodnutí, která chceme dělat častěji a lépe (např. včasná identifikace rizikových studujících).
2. Zmapovat data, která to rozhodnutí potřebuje (studijní výkon, docházka, LMS aktivita, finanční závazky, využití podpůrných služeb).
3. Nastavit odpovědnost: kdo signál uvidí, kdo kontaktuje studujícího, do kdy, jakou formou.
4. Měřit dopad (retence, průchodnost, spokojenost, čas pracovníků, náklady na zásah).

Tenhle model je mnohem blíž realitě „AI ve vzdělávání“ než většina prezentací.

AI pro efektivitu: největší hodnota je v dostupnosti dat

Nejužitečnější AI ve škole často není ta, která umí nejlépe psát. Je to ta, která zkrátí cestu k datům a akci. V praxi to znamená: dát lidem možnost klást otázky nad daty srozumitelně (běžným jazykem) a dostat odpověď bez toho, aby museli ovládat SQL nebo čekat dva týdny na volnou kapacitu analytika.

Tahle „demokratizace dat“ má okamžitý dopad:

• studijní oddělení rychleji odhalí problémové vzorce (např. opakované žádosti, zpožděné zápisy),
• vedení programu vidí výkon předmětů dřív, než se projeví ve stížnostech,
• poradci a tutori dokážou jednat rychleji a personalizovaněji.

AI-agnostický přístup: menší závislost, větší použitelnost

Za velmi rozumné považuju směr, kdy řešení není „přikované“ k jednomu konkrétnímu modelu, ale umí fungovat s různými AI nástroji a hlavně umí čerpat z více databází v rámci kampusu. Školní realita je totiž roztříštěná: studijní systém, LMS, knihovní systém, helpdesk, HR, finance.

Když AI dokáže poskládat odpověď napříč těmito zdroji, děje se něco důležitého:

„Podpora studujících přestane být reaktivní. Škola začne jednat dřív, než se problém zhmotní do neúspěchu.“

A přesně tady se potkává AI ve vzdělávání s rozvojem dovedností: studující nepotřebují „víc informací“. Potřebují správnou podporu ve správný čas.

Kde AI skutečně šetří čas (a kde ne)

AI dává největší smysl v opakovaných procesech s jasnými pravidly a dostupnými daty:

• generování a obsluha reportů pro běžné otázky,
• třídění a priorizace požadavků (helpdesk, studijní agenda),
• zrychlení administrativy kolem zápisů, uznávání předmětů a kontrol,
• včasné varovné signály pro riziko odchodu.

Naopak selhává tam, kde škola nemá vyjasněné procesy a očekává, že AI „nějak“ udělá pořádek. Neudělá. Nejdřív disciplína v datech a rozhodování, pak automatizace.

ROI u školních technologií: měřitelný dopad, ne dojmy

Nejtěžší otázka, kterou dnes školy slyší od CFO a vedení, zní: Jak se nám to vrátí? A je fér ji pokládat. V roce 2025–2026 už nestačí říct „AI je trend“. Škola potřebuje umět ukázat:

• kolik času se ušetří,
• kde se sníží náklady,
• jak se zlepší retence,
• a jaký to má dopad na studijní výsledky a zkušenost studujících.

Praktický rámec pro výpočet ROI (použitelný zítra)

Doporučuju jednoduchý rámec „3P“ – People, Process, Persistence:

1. People (lidé): kolik hodin měsíčně ušetří studijní, IT, poradci? Kolik stojí hodina práce včetně režie?
2. Process (proces): o kolik dní se zkrátí klíčové cykly (zápisy, řešení požadavků, reporting)? Kolik chyb a vratek zmizí?
3. Persistence (setrvání/retence): o kolik procentních bodů se zlepší retence v rizikových skupinách díky včasné podpoře?

I konzervativní výpočet často ukáže, že největší „návratnost“ neleží v licenci, ale v tom, že se škola přestane rozhodovat pozdě.

„Měřené přístupy k novým technologiím“ jako brzda i pojistka

Měřit a zpomalit se vyplatí. Ne proto, že bychom měli být opatrní ze zvyku, ale protože školství má jednu výhodu: umí pracovat s evaluací.

Funkční adopce AI vypadá jako pilot:

• jasná hypotéza (např. zkrátíme reporting z 5 dnů na 1 hodinu),
• omezený rozsah (jeden program, jeden ročník, jedna agenda),
• měření dopadu,
• a rozhodnutí: škálovat, upravit, nebo zahodit.

Tohle je přesně přístup, který snižuje riziko „nakoupili jsme nástroj, ale nikdo ho nepoužívá“.

Příklady z praxe: predikce rizika a připravenosti ke studiu

Prediktivní modely dávají smysl tehdy, když vedou k reálné intervenci. Samotné „rizikové skóre“ je jen číslo. Hodnota vzniká až ve chvíli, kdy škola ví, co s tím.

Predikce rizika odchodu: včasné signály napříč kampusem

U menších univerzit (a podobně je to i u řady českých soukromých škol) se často ukazuje, že riziko odchodu není jen o známkách. V datech bývá vidět kombinace:

• náhlý pokles aktivity v LMS,
• opakované absence,
• prodlevy v plnění povinností,
• finanční stres (např. nedořešené platby),
• a nízká míra kontaktu s podpůrnými službami.

Když se tyto signály spojí a tým má jasný „playbook“ podpory, škola umí zasáhnout rychle: konzultace, tutoring, plán studia, sociální či psychologická pomoc. Tohle je personalizace, která má lidský dopad, ne jen technologický.

Predikce připravenosti: férová selekce vs. férová podpora

Modelování „college readiness“ ještě před nástupem může být přínosné, ale je tu ostrá hrana: snadno to sklouzne k nálepkování.

Za mě je správné pravidlo jednoduché:

Predikce připravenosti má sloužit k nastavení podpory, ne k tomu, aby někomu zavřela dveře.

Prakticky: pokud model naznačí vyšší riziko potíží v matematice nebo akademickém psaní, škola může nabídnout letní přípravný kurz, mentoring, adaptivní studijní plán. A následně měřit, jestli to zafungovalo.

Co udělat hned: 30–60denní plán pro AI a data ve škole

Nejlepší start je malý, měřitelný a napojený na misi školy. Tohle je postup, který bych zvolil, kdybych měl do 60 dnů ukázat výsledky:

1) Zvolte jeden problém, který bolí (a stojí peníze)

Typicky:

• zdlouhavý reporting,
• přetížené studijní,
• nízká retence v 1. ročníku,
• vysoký počet opakovaných předmětů.

2) Udělejte inventuru dat (bez velkého projektu)

Sepište:

• kde data jsou,
• kdo je vlastní,
• jak často se aktualizují,
• a co je citlivé.

Tady se často odhalí „rychlé výhry“ typu sjednocení identifikátorů, oprava kategorií, základní datová hygiena.

3) Nastavte governance a bezpečnost v minimální verzi

Nemusí to být 50stránková směrnice. Stačí:

• role (vlastník dat, správce, uživatel),
• pravidla sdílení,
• práce s citlivými údaji,
• a jasné „co se nesmí“ při používání nástrojů typu ChatGPT/Gemini.

4) Vyškolte „datové tlumočníky“

Jedna z nejpodceňovanějších věcí je datová gramotnost rozhodovatelů. Škola nepotřebuje, aby všichni byli analytici. Potřebuje, aby vedoucí uměli:

• přečíst metriky,
• rozlišit korelaci a příčinu,
• a položit dobrou otázku.

Tohle je mimochodem přímá investice do dovedností – a krásně sedí do tématu naší série.

Kam to míří v roce 2026: lidský rozměr, ne honba za nástroji

AI ve vzdělávání bude v roce 2026 posuzovaná méně podle toho, co „umí“, a víc podle toho, jestli škole umožní věnovat víc času lidem: studujícím, vyučujícím, poradcům.

Můj názor je nepopulární, ale užitečný: kdo začne AI používat jen jako další vrstvu komplikací, prohraje. Kdo ji použije k tomu, aby zjednodušil práci s daty, zrychlil rozhodování a posílil podporu studujících, bude mít měřitelný náskok.

Chcete z AI a analytiky udělat projekt, který přinese leady i interní podporu? Začněte jedním pilotem, u kterého dokážete říct: „Tady jsme ušetřili X hodin měsíčně a zvedli retenci o Y bodů.“ Pak se teprve škáluje.

A teď ta otázka, kterou bych si na místě vedení položil jako první: Který moment ve studijní cestě je u nás nejčastější „bod zlomu“ – a jak rychle to dnes dokážeme poznat z dat?