AI ve vzdělávání: proč je lidský kontakt klíčový

Největší omyl, který teď ve vzdělávání vídám, je víra, že když nasadíme „víc AI“, dostaneme automaticky „lepší učení“. Ne. Dostaneme rychlejší obsah, víc dat a často i víc automatizace. Ale lepší učení vzniká až tehdy, když se technologie opře o vztahy: o důvěru, jasná očekávání, bezpečí v týmu a ochotu opravdu naslouchat.

Tohle není nostalgie po „starých dobrých časech“. Je to praktická věc. V diskusi kolem žebříčku EDUCAUSE Top 10 pro rok 2026 zaznělo, že technologie ve školách už není jen o implementaci systémů, ale o propojování lidí, procesů a nástrojů – a o tom, jaký dopad to má na každodenní zkušenost studujících i vyučujících. Přesně v tomhle bodě se láme chleba i u nás: v univerzitách, ve firemním vzdělávání, v rekvalifikacích.

V rámci série „Umělá inteligence ve vzdělávání a rozvoji dovedností“ se dnes podíváme na to, jak AI podporuje personalizované vzdělávání a digitální platformy – a proč bez lidského „lepidla“ (vztahů a komunikace) začnou i dobré projekty drhnout.

Lidské propojení není „měkké“ téma. Je to infrastruktura.

Lidské propojení je ve vzdělávání totéž, co je v IT síti kvalitní konektivita: když chybí, nic dalšího dlouhodobě nefunguje. V rozhovoru k EDUCAUSE Top 10 zazněla silná myšlenka: technologičtí lídři se posouvají od „správců systémů“ k rolím, kde rozhoduje naslouchání, spolupráce a budování partnerství.

Tohle je pro AI ve vzdělávání zásadní. Personalizace výuky pomocí AI totiž vždy naráží na tři lidské limity:

• Důvěra: Studující i vyučující musí věřit, že systém pracuje férově a bezpečně.
• Přijetí změny: AI mění zvyklosti (zadávání úkolů, hodnocení, podpora studia) a lidi to přirozeně vytáčí z komfortu.
• Smysl: Bez jasného „proč“ se AI zredukuje na další povinný nástroj, který se obchází.

Jedna věta, kterou si z toho beru: „Technologie ve vzdělávání je dnes hlavně o vztazích.“

Jazz místo excelu: struktura + prostor pro improvizaci

V podcastu padla metafora jazzu: aby hudba fungovala, potřebuje tempo, tóninu a strukturu, ale zároveň prostor pro individuální kreativitu. Ve vzdělávání je to podobné.

• Struktura: pravidla pro používání AI, standardy kvality, bezpečnost, datová governance, jasná odpovědnost.
• Improvizace: pedagogická svoboda, různé obory, různé styly učení, experimenty v kurzech.

AI platformy často tlačí na standardizaci. Lidský kontakt drží otevřený prostor pro adaptaci – aby se z personalizace nestala uniformita.

AI je už všude. Přestaňme ji lepit jako nálepku.

Zaznělo i něco, co je podle mě skvěle střízlivé: AI časem přestane být samostatné téma, protože se stane běžnou součástí všeho – podobně jako internet. Dnes je „AI“ v názvech projektů, strategií i pracovních pozic. Za pár let to bude spíš předpoklad.

Co z toho plyne pro školy a vzdělávací týmy?

1) Neřešte „AI strategii“ ve vzduchoprázdnu. Řešte výukovou a dovednostní strategii.

Pokud je cílem lepší podpora studujících, vyšší úspěšnost, férovější hodnocení nebo rychlejší zpětná vazba, pak je AI jen jedna z cest. Jakmile se strategie zúží na nákup nástroje, výsledkem bývá:

• „Pilot“, který nikdy nepřejde do provozu,
• odpor vyučujících,
• frustrace studujících,
• chaos kolem pravidel (co je ještě ok a co už je podvod).

2) Zásadní bude propojování systémů a rolí

V diskusi padl velmi konkrétní posun: dřív se řešilo, jak velké má být datové centrum nebo Wi‑Fi. Dnes je mnohem důležitější, jak spolu „mluví“ studijní agenda, LMS, CRM, knihovní systémy a nástroje pro podporu výuky – a jak to celé dopadá na člověka na druhé straně.

Praktický příklad z prostředí celoživotního vzdělávání:

• Studující se přihlásí do kurzu.
• AI asistent v LMS mu automaticky nabídne studijní plán podle vstupního testu.
• Tutor ale vidí, že účastník „mizí“ po týdnu.
• Místo automatických upomínek přijde lidský kontakt: krátký telefonát nebo zpráva s konkrétní pomocí.

AI odhalí signál. Člověk udělá zásah, který mění výsledek.

„Chief Listening Officer“: kompetence, kterou AI nenahradí

V rozhovoru mě bavila formulace, že technologický lídr je dnes často „chief listening officer“. V kontextu AI ve vzdělávání to znamená, že někdo musí aktivně sbírat a překládat potřeby:

• studujících (co je mate, co jim pomáhá, kde je tření),
• vyučujících (co je zdržuje, jak chtějí hodnotit, kde potřebují oporu),
• managementu (co je riziko, co je priorita, jak se měří dopad).

Bez toho se personalizované vzdělávání snadno zvrhne na „personalizovaný chaos“.

Rychlý rámec: 5 otázek, které si položte před nasazením AI do výuky

1. Jaký konkrétní problém řešíme? (např. nízká dokončovanost kurzů, přetížení tutorů, pomalá zpětná vazba)
2. Kdo je uživatel a co je pro něj „dobrý zážitek“? (student vs. vyučující vs. studijní oddělení)
3. Jak bude vypadat lidská podpora, když AI selže? (fallback proces, eskalace)
4. Jak budeme měřit dopad? (dokončovanost, čas na zpětnou vazbu, spokojenost, počet incidentů)
5. Jaká pravidla jsou nevyjednatelná? (soukromí, bezpečnost, akademická integrita)

Když nedokážete odpovědět, ještě není čas na rollout.

Kyberbezpečnost, důvěra a akademická integrita: „spolu“ nebo vůbec

V EDUCAUSE Top 10 rezonuje spolupráce v kyberbezpečnosti a dopad technických opatření na uživatele (typicky multifaktor). Ve vzdělávání s AI tohle téma nabírá na síle z jednoduchého důvodu: čím víc personalizace, tím víc dat.

A tady se často dělá chyba. Instituce zavedou AI nástroj a komunikují ho stylem „od zítřka povinné“. Výsledek? Obcházení, stínové používání jiných nástrojů, pokles důvěry.

Co funguje lépe:

• Vysvětlit přínos v jazyce uživatele (ne „kvůli compliance“, ale „chráníme váš účet i práci“).
• Zmapovat třecí místa (kde je ověřování pomalé, kde se lidé zasekávají).
• Dát lidem volby v rámci mantinelů (více metod ověření, jasná doporučení).

Stejný princip platí pro akademickou integritu: pravidla pro AI v zadáních musí být čitelná a obhajitelná. Když studující neví, co je povoleno, budou to testovat – a hranice se posune.

„Udělej další správnou věc“: jak převést strategii do praxe

V podcastu zazněla věta, kterou bych klidně zarámoval: „Udělej další správnou věc.“ V AI projektech je to nejlepší protilátka proti paralýze z komplexity.

Mini-playbook pro školy a vzdělávací týmy (30 dní)

1. Vyberte jeden scénář s jasným dopadem
   • např. AI pro zpětnou vazbu k psaným úkolům v jednom předmětu
2. Sestavte mikro-tým (3 role)
   • vyučující, metodik/instructional designer, IT/data člověk
3. Nastavte pravidla používání AI na jednu stránku
   • co je povoleno, co se musí uvést, co je zakázané
4. Zajistěte „lidský servisní kanál“
   • konkrétní kontakt pro studující i vyučující
5. Změřte 3 metriky
   • čas na zpětnou vazbu, spokojenost, kvalita výstupů (rubrikou)

Po měsíci budete vědět víc než po třech poradách o „AI transformaci“.

Co bych udělal já (a co často chybí)

Zavedl bych krátké, pravidelné „poslechové“ rozhovory: 20 minut se studenty a 20 minut s vyučujícími po každém pilotu. Ne dotazník. Rozhovor. U AI je nejdůležitější zachytit detaily typu:

• „Tady jsem nevěděl, co mám udělat.“
• „Tohle mi ušetřilo 40 minut.“
• „Tady jsem měl pocit, že mě systém trestá.“

Právě tyhle věty rozhodují, jestli bude AI ve vzdělávání přijata.

Kam to míří v roce 2026: méně „wow“, víc řemesla

Konec roku 2025 je typický tím, že se rozpočty uzavírají, plánují se piloty na jaro a zároveň roste tlak na rychlou návratnost. V takové chvíli je lákavé sáhnout po AI jako po zkratce.

Jenže u vzdělávání zkratky dlouhodobě nefungují. Funguje řemeslo:

• jasně definované cíle učení,
• dobrá didaktika,
• podpora tutorů a vyučujících,
• bezpečná práce s daty,
• komunitní sdílení praxe napříč institucemi.

A hlavně: vztahy.

Jestli si máte odnést jednu věc pro „Umělou inteligenci ve vzdělávání a rozvoji dovedností“, pak tuhle: AI umí personalizovat obsah, ale člověk personalizuje zkušenost.

Další krok je konkrétní. Vyberte jeden scénář, nastavte pravidla, změřte dopad a udělejte po cestě jednu novou spolupráci napříč týmem. Co kdyby právě tahle jediná „nová spojka“ byla to, co udrží váš AI projekt při životě i v roce 2026?