Lidský faktor AI na školách: data, strategie, dovednosti

Na vysokých školách se dnes AI často bere jako „další nástroj“. Realita je tvrdší: AI je změna provozu i kultury, ne jen nová funkce v LMS nebo chatbot na webu. Když se k tomu přidá tlak na efektivitu, nedostatek lidí v IT, kyberhrozby a rozpočty plánované už teď na rok 2026, je jasné, proč se v debatách o digitální transformaci čím dál víc objevuje jedno téma: lidský faktor AI.

Právě na něj upozorňuje i korporátní pohled Gartneru na výzvy, které budou nejvíc formovat práci CIO a vedení škol v roce 2026. V mém pohledu je to výborná zpráva pro každého, kdo řeší umělou inteligenci ve vzdělávání a rozvoji dovedností: nejde o to „nasadit AI“, ale naučit lidi AI používat kriticky, bezpečně a s jasným cílem. A to stojí na dvou pilířích: strategie a data.

„Lidský faktor AI“: proč rozhoduje víc než technologie

Největší rozdíl mezi školami, které z AI něco mají, a těmi ostatními, není model ani dodavatel. Je to způsob práce lidí. Pokud studenti, akademici a administrativní týmy nevědí, kdy je AI vhodná, kdy ne, jak ověřovat výstupy a jak chránit citlivá data, vzniká směs nadšení a strachu. A z ní se špatně řídí investice.

Human-centric přístup v praxi znamená tři věci:

1. Kritické používání: umět posoudit spolehlivost výstupu, rozlišit fakta od pravděpodobných „doplňků“ modelu, umět si říct o zdroje a reprodukovatelný postup.
2. Kreativní používání: využívat AI pro návrhy, iterace a prototypování (např. osnovy, cvičení, scénáře výuky), ale s jasným autorstvím a odpovědností.
3. Bezpečné používání: chápat, co do AI smím vložit (osobní údaje, známky, zdravotní data, interní dokumenty), jaké jsou režimy ochrany a jak se liší veřejné a institucionální nástroje.

„AI je všude“ je fakt. „Každý ji umí používat dobře“ je mýtus.

V prosinci 2025 navíc školy typicky uzavírají rozpočtové a projektové plány na další rok. Pokud se AI řeší jen jako experimenty jednotlivců, začne se dřív nebo později platit dvakrát: jednou za nesladěné licence a podruhé za opravy procesů, které se měly navrhnout správně hned.

Bez dat AI nepřinese personalizované učení ani lepší rozhodování

AI bez datové připravenosti je jako výuka bez sylabu: něco se děje, ale výsledky jsou náhodné. A ve vzdělávání to bolí dvojnásob, protože cílem není jen „automatizovat“, ale zlepšit učení a rozvoj dovedností.

Tady se často láme chleba. Školy mívají:

• data rozprostřená mezi SIS/ERP, LMS, knihovními systémy, helpdeskem, CRM, excelovými evidencemi,
• různé definice stejných pojmů (kdo je „aktivní student“, co je „úspěšné absolvování“, jak počítáme retenci),
• mezery v kvalitě (duplicitní záznamy, neúplné atributy, chybějící metadata, nepopsané datové toky).

Praktický příklad: jedna definice, deset dopadů

Vezměme banální otázku: „Kolik máme aktivních studentů?“

• Studijní oddělení to může brát jako „zapsaní na semestr“.
• LMS může ukázat „přihlášení za posledních 14 dní“.
• Ekonomika může chtít „studenti s uhrazeným poplatkem“.

Jakmile na to napojíte AI pro predikci studijního rizika nebo pro personalizované doporučení podpůrných materiálů, odlišná definice změní výsledky i rozhodnutí (koho oslovíte, komu nabídnete doučování, kde posílíte kapacity).

Co znamená „datová připravenost“ pro AI ve vzdělávání

Doporučuju ji zarámovat do rychlého kontrolního seznamu:

• Kvalita: jsou klíčové atributy vyplněné a konzistentní?
• Dohledatelnost: víme, odkud data pochází a kdo za ně ručí?
• Governance: existují pravidla pro definice, přístupy, audit a životní cyklus?
• Integrace: umíme data spojit napříč systémy bez ruční alchymie?
• Soukromí: máme jasné režimy práce s osobními údaji a studijními daty?

Jakmile je tohle „aspoň slušně“ vyřešené, teprve pak začíná dávat smysl velká vlna AI pro learning analytics, adaptivní výuku a podporu studijní úspěšnosti.

Proč školy potřebují enterprise AI strategii (a ne sbírku pilotů)

Krátkodobě se dá s AI improvizovat. Dlouhodobě je to drahé a rizikové. Gartnerův důraz na enterprise přístup přesně sedí: o AI se na kampusu zajímá každý – od děkanů po helpdesk. To je signál, že je čas nastavit pravidla hry.

Dobrá AI strategie pro vysokou školu není dokument do šuplíku. Je to dohoda o tom:

• proč AI používáme (vztah k misi: výuka, výzkum, služba společnosti),
• kde má největší návratnost (nejen finanční, i studijní a provozní),
• jak budeme řídit rizika (kyberbezpečnost, ochrana dat, etika, reputace),
• kdo rozhoduje a kdo nese odpovědnost (governance, schvalování use casů, standardy).

Mapa use casů: začněte tam, kde to bolí

Pro „AI ve vzdělávání a rozvoji dovedností“ se v praxi nejčastěji vyplatí tři oblasti:

1. Podpora výuky a studia
   • personalizované procvičování (např. generování variant úloh),
   • asistence s akademickým psaním s důrazem na citace a etiku,
   • rychlá zpětná vazba u nízkorizikových úkolů (formativní hodnocení).
2. Studijní úspěšnost a poradenské služby
   • včasné signály rizika (na základě dat z LMS/SIS),
   • chytré směrování na konzultace, studijní podporu, kariéru.
3. Provozní efektivita
   • helpdesk a interní znalostní báze,
   • automatizace rutinních žádostí (ale se schvalováním a auditní stopou),
   • sumarizace dokumentů a tvorba podkladů.

Moje zásada: první vlna AI má být měřitelná a bezpečná. Ne nutně nejambicióznější.

Rozhodněte i to, do čeho nepůjdete

Část strategie je i „ne“. Jinak se utopíte v licencích, které slibují AI ve všem: ERP, SIS, CRM, LMS… a každé má vlastní AI funkce. Výsledek připomíná staré „války portálů“, jen v agresivnější verzi: příliš mnoho asistentů, příliš málo koordinace.

AI gramotnost a datová gramotnost: dovednosti pro studenty i zaměstnance

AI gramotnost je nová základní gramotnost. Podobně jako se před lety stalo standardem umět pracovat s textovým editorem a tabulkami, teď se standardem stává umět pracovat s AI – ale odpovědně.

Gartner rozlišuje:

• datovou gramotnost: číst, psát a komunikovat o datech v kontextu instituce,
• AI gramotnost: efektivně a odpovědně používat AI v kontextu role nebo oboru.

Jak vypadá minimální „AI gramotnost“ na škole (prakticky)

Zaveďte společný základ pro všechny role (student, akademik, administrativa). Typicky 60–90 minut e-learning + krátký test:

• rozdíl mezi vyhledáváním a generováním,
• práce s promptem (zadání, omezení, formát výstupu),
• ověřování: triangulace, kontrola citací, práce s nejistotou,
• ochrana dat: co nikdy nevkládat, jak používat institucionální režimy,
• akademická integrita: co je povolené, co je plagiát, co musí být přiznané.

Pak přidejte role-based moduly:

• vyučující: design úkolů odolných vůči „copy-paste“ z AI, rubriky, zadání s procesem,
• výzkumníci: etické použití GenAI, správa dat, reprodukovatelnost,
• IT a provoz: bezpečnost, logování, integrace, vendor management.

Tohle není jednorázová akce. AI se mění rychleji než školní směrnice. Úspěšné školy počítají s průběžnou aktualizací a s komunitou praxe (interní „AI ambasadoři“).

Etika, bezpečnost a důvěra: bez nich se personalizace zvrhne

Personalizované vzdělávání pomocí AI je užitečné jen tehdy, když mu lidé věří. A důvěra se staví na transparentnosti a kontrolovatelných pravidlech.

Krátký rámec, který funguje i v českém prostředí:

• Transparentnost: student ví, kdy AI zasahuje (doporučení, zpětná vazba, hodnocení).
• Volba: kde to jde, nabídněte alternativu bez penalizace (zejména u podpůrných nástrojů).
• Odpovědnost: vždy existuje člověk, který rozhodnutí potvrdí (hlavně u rizikových zásahů).
• Minimalizace dat: sbíráme jen to, co potřebujeme, a na jasný účel.
• Bezpečnost: stejné standardy jako pro klíčové systémy (řízení přístupů, audit, incident management).

Tady se přirozeně potkává AI s kyberbezpečností. AI může pomáhat (detekce anomálií, triáž incidentů), ale zároveň rozšiřuje útokovou plochu (nové integrace, nové identity, nové datové toky). Pokud nemáte jasnou governance, AI vám přidá rychlost i chaos zároveň.

Co udělat v příštích 90 dnech: plán pro vedení škol a CIO

Nejrychlejší cesta k výsledkům je udělat tři rozhodnutí a dvě inventury. Tohle je realistický 90denní plán, který vidím fungovat i bez „super týmu“:

1. Jmenujte vlastníka AI (ne jen pracovní skupinu)
   • jasný mandát, rozpočet na koordinaci, schopnost rozhodovat.
2. **Udělějte inventuru use casů a pilotů (včetně „stínové AI“) **
   • co se už používá neoficiálně, kde teče riziko, kde je hodnota.
3. Zaveďte minimální pravidla pro bezpečné používání
   • co smí do veřejných nástrojů, co jen do institucionálních, jak se pracuje se studijními daty.
4. Rychlý audit datové připravenosti pro 2–3 prioritní scénáře
   • vyberte scénáře s dopadem (např. studijní riziko, helpdesk, podpora výuky).
5. Spusťte základní program AI gramotnosti
   • krátký, povinný základ + doporučené moduly podle rolí.

Tohle je přesně ten typ práce, který podporuje i náš seriál o AI ve vzdělávání: nezačínat u technologie, ale u schopností lidí a kvality dat.

Kam to míří v roce 2026: více AI v systémech, více rozhodování na škole

V roce 2026 bude AI častěji „zabudovaná“ přímo do systémů, které školy už používají: studijní agenda, ekonomika, CRM, LMS. To znamená méně rozhodování „jestli AI“, ale více rozhodování kterou AI funkci povolíme, pro koho, s jakými daty a jak to změříme.

Pokud má škola jasnou strategii, zvládá to. Pokud ne, čeká ji typický scénář:

• roztříštěné nákupy,
• konfliktní pravidla,
• frustrace uživatelů,
• a nakonec „stopka“, která zabrzdí i dobré projekty.

Vedení škol, které to vezme za správný konec už teď, získá v roce 2026 náskok: lepší podporu studia, smysluplnější learning analytics, efektivnější provoz a hlavně kulturu, která umí s AI pracovat bez paniky.

Pokud chcete, aby AI skutečně pomáhala s personalizovaným učením a rozvojem dovedností, položte si jednu praktickou otázku: Který konkrétní studijní nebo provozní problém vyřešíme v příštím semestru – a jak poznáme, že se to povedlo?