AI ve výuce: jak udělat univerzitu lidskyjší

Největší paradox univerzitní výuky v roce 2025? Čím víc mluvíme o „individualizaci“, tím víc studentů zažívá pravý opak: anonymitu v přeplněných kurzech, známky místo zpětné vazby a stres místo bezpečného prostoru pro chyby. Umělá inteligence ve vzdělávání přitom nemusí znamenat odlidštění. Naopak — když se použije správně, může univerzitu udělat lidskyjší.

Problém není v tom, že by studenti náhle zlenivěli nebo učitelé přestali umět učit. Problém je v tom, že pořád jedeme na „operačním systému“ školy z jiné éry: semestr jako výrobní linka, přednáška jako hlavní kanál a zkouška jako finální soud. V prostředí, kde informace nejsou vzácné, se tenhle model mění v továrnu na biflování a zapomínání.

V tomhle dílu série Umělá inteligence ve vzdělávání a rozvoji dovedností beru AI jako praktický nástroj: jak škálovat individuální učení, zlepšit hodnocení, posílit měkké dovednosti a zároveň snížit tlak na vyučující. A ano, dostaneme se i k tématu „AI = podvádění“. Tam mám poměrně jasný názor.

Proč současná univerzitní výuka naráží na limity

Univerzity dnes nejvíc brzdí škálování kvalitní zpětné vazby a vedení studenta. Ne „nedostatek obsahu“. Padesátiminutová přednáška a jednorázový test vznikly jako chytré řešení pro dobu, kdy bylo potřeba předat informace mnoha lidem najednou. Jenže to byl svět před digitální nadprodukcí zdrojů.

Výsledek známe všichni:

• studenti se učí „na zkoušku“ a po zkoušce velká část znalostí zmizí,
• vyučující opravují stovky podobných úloh, místo aby řešili skutečné porozumění,
• hodnocení je často o formě (správná struktura, citace, styl) víc než o myšlení,
• práce v týmu se „nějak“ udělá, ale skoro nikdo se neučí spolupracovat.

Jedna věc je na tom nejhorší: systém neodměňuje zvědavost. Odměňuje schopnost projít.

Co je „problém škály“ v praxi

Když máte v semináři 18 lidí, můžete se ptát, reagovat, sledovat, kdo tápe, a dát konkrétní doporučení. Když máte 180 lidí, začnete automaticky volit metody, které se dají zvládnout — a kvalita interakce jde dolů.

Sokratovský ideál (mentor + produktivní zápas + zpětná vazba) je výborný, ale tradičně neškálovatelný. AI je první technologie za dlouhou dobu, která tohle může změnit bez toho, aby se z učení stala odosobněná samoobsluha.

AI jako motor personalizovaného učení (a ne náhražka učitele)

Dobře nasazená generativní AI dělá tři věci: vede studenta otázkami, dávkuje procvičování a uvolňuje ruce vyučujícím. Nejde o to, aby AI „učila místo lidí“. Jde o to, aby automatizovala mechaniku učení a nechala lidem práci, která je skutečně lidská: motivaci, kontext, etiku, podporu, mentoring.

1) Sokratovský tutor 24/7

Nejužitečnější scénář není „AI napíše odpověď“. Je to AI, která odpověď nevydá hned, ale pomůže studentovi dojít k ní.

V praxi to může vypadat takto:

• Student vloží svůj postup řešení příkladu (třeba z ekonomie nebo statistiky).
• AI identifikuje, kde se uvažování zlomilo.
• Místo opravy položí otázku typu: „Který předpoklad teď používáš? Je platný?“
• Nabídne analogii (např. rozpočet domácnosti místo firemního cash flow).
• Navrhne mini-krok, který je zvládnutelný během 3–5 minut.

Tohle je bezpečný prostor pro chybu. A to je u univerzitního studia zásadní, protože strach ze selhání je jeden z hlavních důvodů pasivity.

2) Procvičování podle křivky zapomínání

Pokud chcete dlouhodobou znalost, potřebujete návraty. Ne jednorázovou šprtnu.

AI může fungovat jako „trenér paměti“:

1. sleduje, které koncepty student zvládá a které jen tipuje,
2. plánuje opakování ve správný čas (spaced repetition),
3. míchá typy úloh (interleaving), aby se student neučil jen jeden vzor.

Vyučující tohle u velkých skupin prakticky nemůže dělat individuálně. AI ano. A právě tím se personalizované vzdělávání přestává tvářit jako slogan.

3) Zviditelnění měkkých dovedností

Týmová práce je na univerzitách všude. Hodnocení spolupráce skoro nikde.

AI umí analyzovat průběh spolupráce (např. v dokumentech a diskuzích) a dát signály typu:

• kdo iniciuje plán,
• kdo sumarizuje a překládá chaos do struktury,
• kdo blokuje rozhodnutí nebo „mizí“,
• jak tým reaguje na konflikt a zpětnou vazbu.

Tohle není o špehování. Je to o tom, že spolupráci lze učit jen tehdy, když ji umíme popsat a dát k ní konkrétní feedback.

Měkké dovednosti nejsou „měkké“. Jsou jen špatně měřené.

Podvádění s AI je spíš krize hodnocení než krize morálky

Když je zadání tak obecné, že ho bez námahy udělá stroj, problém je v zadání. V roce 2025 už tohle není provokace, ale prostý fakt.

Panika kolem „AI píše eseje“ často zakrývá, že hodnocení dlouhodobě stojí na úlohách, které:

• jsou snadno zaměnitelné,
• mají předvídatelnou strukturu,
• testují spíš formát než myšlení,
• jdou vyřešit bez vztahu k reálnému kontextu.

Jak navrhnout zadání, které dává smysl i v době AI

Zadání nemá být „AI-proof“ jako trezor. Má být autentické. Tady jsou typy úkolů, které fungují:

1. Lokální kontext: pracujte s daty, texty nebo situacemi z konkrétního prostředí (fakulta, město, firma). AI vám pomůže s analýzou, ale student musí pochopit kontext.
2. Obhajoba rozhodnutí: student odevzdá výsledek + krátkou obhajobu: proč zvolil postup, jaké měl alternativy, jaké byly kompromisy.
3. Iterace a reflexe: hodnotí se vývoj: verze 1 → zpětná vazba → verze 2. Tady je „jednorázové vygenerování“ slabé.
4. Úkoly s omezeními: například „navrhni řešení s rozpočtem 50 000 Kč a bez nákupu nové technologie“.

V praxi jsem viděl, že nejrychlejší cesta je přestat předstírat, že AI neexistuje, a místo toho ji přiznat jako nástroj: student uvede, jak ji použil, co převzal, co upravil a co ověřil.

Jak začít: 30denní plán pro katedru, školu nebo L&D tým

Největší chyba je nakoupit nástroj a doufat, že se pedagogika „nějak“ zlepší. Lepší je pilot, který má jasný cíl a měřitelné výstupy.

Týden 1: Vyberte jeden kurz a jednu bolest

Vyberte kurz, kde je problém nejvíc vidět (např. vysoká neúspěšnost, přetížené opravování, pasivita).

Zvolte jednu prioritu:

• rychlejší a kvalitnější zpětná vazba,
• více procvičování bez navýšení zátěže učitele,
• lepší práce s heterogenní skupinou (začátečníci vs. pokročilí).

Týden 2: Nastavte pravidla používání AI

Doporučuju jednoduchá pravidla, která se dají dodržet:

• student smí AI použít, ale musí uvést jak,
• citlivá data (osobní údaje, neveřejná data organizace) se do AI nevkládají,
• hodnotí se porozumění: ústní obhajoba, krátký test na postup, reflexe.

Týden 3: Implementujte jeden „AI tutor“ scénář

Nechte AI dělat to, co učiteli bere nejvíc času:

• generování variant procvičovacích úloh,
• nápovědy krok za krokem,
• kontrolní otázky k porozumění,
• individuální doporučení „co procvičit dnes“.

Týden 4: Změřte dopad a upravte kurz

Měřte jednoduché věci:

• kolik studentů dokončilo procvičování,
• jak se změnila neúspěšnost u konkrétního tématu,
• kolik času ušetřil vyučující na rutinních opravách,
• jaká byla kvalita diskuzí v semináři.

Pokud se zlepší aspoň dvě metriky, máte důvod rozšiřovat.

Co to znamená pro rozvoj dovedností mimo univerzity

Tohle téma není jen pro akademickou půdu. V interním vzdělávání (L&D) je tlak na škálu ještě ostřejší: rychlé onboardování, reskilling, compliance, a do toho různá úroveň znalostí.

AI v rozvoji dovedností dává smysl hlavně tam, kde potřebujete:

• krátké, pravidelné tréninky (mikroučení),
• individuální tempo,
• rychlou zpětnou vazbu na konkrétní výkon,
• trénink komunikace (např. role-play se zákazníkem).

Firmy často zbytečně kopírují školní model (dlouhé moduly + závěrečný test). AI umožňuje přejít na průběžný koučink. A to je přesně ten posun k „lidskyjšímu“ učení.

Co si z toho odnést (a co udělat dál)

AI ve výuce dává univerzitám šanci napravit starý dluh: poskytnout osobní vedení i ve velkých skupinách. Ne tím, že nahradí učitele, ale tím, že odfiltruje rutinu a posílí okamžiky, na kterých záleží: otázky, zpětná vazba, porozumění, motivace.

Pokud chcete začít chytře, začněte malým pilotem a jedním konkrétním cílem. A pak buďte přísní na design zadání. Jakmile jednou zažijete seminář, kde studenti přicházejí připravení, protože si doma prošli „produktívní zápas“ s AI tutorem, návrat k biflování na poslední chvíli přestane dávat smysl.

V dalším kroku si položte otázku, která je pro školu i firmu stejná: Kterou část učení dnes děláme proto, že to „tak bylo vždy“, a kterou část děláme proto, že to skutečně buduje dovednosti?