Umelá inteligencia sa v pracovnom svete prestala vnímať ako „zaujímavá novinka“ a stala sa súčasťou každodennej reality. Mnohé firmy dnes nábor celkovo spomaľujú, no zároveň výrazne zvyšujú tlak na zručnosti, ktoré súvisia s AI. To vytvára zvláštny paradox: pracovných ponúk nepribúda plošne, ale rastie počet pozícií, pri ktorých sa od kandidátov očakáva schopnosť pracovať s AI nástrojmi, dátami alebo automatizáciou.

Problém je, že pojem „AI skills“ sa v inzerátoch používa veľmi nepresne. Pod jednou formuláciou sa môže skrývať úplne rozdielna realita: od bežného používania copilota na zrýchlenie práce, cez analytiku v BI nástrojoch, až po návrh automatizovaných workflowov a agentov. Výsledkom je chaos na oboch stranách. Kandidáti často nevedia, čo sa od nich naozaj očakáva, a firmy zase dostávajú životopisy s neurčitými formuláciami bez reálneho dopadu na prácu.

Ak má organizácia z AI získať merateľnú hodnotu, potrebuje prestať hovoriť všeobecne a začať rozmýšľať v troch rovinách: AI ako nástroj, AI pre dáta a AI pre automatizáciu. Popri tom musí vybudovať praktickú AI gramotnosť, teda schopnosť ľudí tieto technológie nielen používať, ale aj kriticky vyhodnocovať, bezpečne nasadzovať a prepájať s biznisovými cieľmi.

Tento článok je praktickou mapou. Nepozerá sa na AI ako na izolovanú technológiu, ale ako na nový spôsob práce. Cieľom je pomôcť vám dekódovať, čo firmy pod „AI zručnosťami“ skutočne myslia, ako tieto zručnosti rozdeliť podľa rolí a ako ich zaviesť do procesov tak, aby nevznikol chaos, ale výkon.

AI gramotnosť nie je to isté ako digitálna gramotnosť

Mnoho ľudí si AI gramotnosť stále zamieňa s bežnou digitálnou gramotnosťou. Tento omyl je pochopiteľný, ale v praxi veľmi nebezpečný. Pri klasickom softvéri sme boli zvyknutí na deterministické správanie: zadáme konkrétny vstup, klikneme na konkrétnu funkciu a dostaneme predvídateľný výsledok. Ak poznáme postup, vieme nástroj spoľahlivo ovládať.

Pri AI systémoch to takto nefunguje. Veľké jazykové modely a ďalšie moderné AI nástroje sú pravdepodobnostné systémy. Generujú výstupy podľa kontextu, štatistickej pravdepodobnosti a modelových vzorcov. Výstup môže byť výborný, priemerný alebo presvedčivo chybný. Práve preto nestačí „vedieť, kde sa kliká“. Treba vedieť aj to, čo kontrolovať, čomu neveriť automaticky a kde sú limity nástroja.

AI gramotnosť preto zahŕňa viac vrstiev naraz:

• schopnosť rozpoznať, kedy má AI použitie zmysel a kedy nie,
• schopnosť zadať úlohu tak, aby výsledok bol použiteľný,
• schopnosť kriticky skontrolovať kvalitu výstupu,
• schopnosť odhadnúť riziká (dáta, bias, halucinácie, autorské práva),
• schopnosť prepojiť AI výstup s konkrétnym rozhodnutím alebo procesom.

Pre firmu je to zásadné. Bez tejto gramotnosti sa AI mení na drahý experiment alebo na „shadow IT“ zónu, kde ľudia používajú nástroje neoficiálne a bez pravidiel. So správne nastavenou gramotnosťou sa z AI stáva produktívny pracovný nástroj, ktorý zrýchľuje rutinu a uvoľňuje kapacitu na prácu s vyššou hodnotou.

Päť úrovní AI kompetencií vo firme

Jedna z najväčších chýb pri firemných školeniach je predstava, že všetci zamestnanci potrebujú rovnaký typ AI vzdelávania. Nepotrebujú. V praxi je oveľa užitočnejšie pozerať sa na organizáciu cez úrovne kompetencií. Nie kvôli nálepkovaniu, ale kvôli tomu, aby firma vedela, čo od koho očakávať a kam má smerovať rozvoj.

1. Skeptici

Títo zamestnanci AI buď nepoužívajú vôbec, alebo ju používajú minimálne. Často nejde o odpor k technológiám ako takým, ale o kombináciu neistoty, obáv a zvyku. Môžu mať pocit, že ich doterajší spôsob práce funguje a AI je skôr riziko než pomoc.

Vo firme nie sú „problém“, pokiaľ majú priestor na bezpečný prechod. Problém vzniká až vtedy, keď organizácia ignoruje ich obavy a očakáva rýchlu adopciu bez podpory.

2. Experimentátori

AI si skúšajú občas. Použijú ju na e-mail, krátke zhrnutie, nápad na text alebo rýchlu inšpiráciu. Zatiaľ však nejde o systematické využívanie. Chýba im pracovný návyk, metodika a prepojenie na ich každodenné úlohy.

Toto je dnes veľmi častá úroveň. Mnoho ľudí sa považuje za „pokročilých“, ale v skutočnosti sa pohybujú práve tu.

3. Integrátori

Toto je úroveň, na ktorej AI prestáva byť hračka a stáva sa súčasťou pracovného systému. Integrátori vedia AI využívať opakovane, premyslene a s kontrolou kvality. Dokážu si pripraviť lepšie zadania, chápu limity modelov a vedia výsledky upraviť tak, aby boli použiteľné pre klienta, tím alebo manažment.

V bežných kancelárskych roliach je práve táto úroveň pre firmu najcennejšia. Tu sa zvyčajne začína reálny dopad na produktivitu.

4. Architekti

Architekti už neriešia len vlastnú produktivitu. Riešia procesy. Vedia sa pozrieť na oddelenie alebo workflow a identifikovať, kde má AI najväčší zmysel, kde treba kontrolný bod a kde sa dá postaviť automatizácia.

Typicky ide o ľudí, ktorí rozumejú biznisu aj logike systémov. Nemusia byť vždy programátori, ale musia vedieť myslieť procesne a systémovo.

5. Vizionári

Najvyššia úroveň patrí ľuďom, ktorí tvoria nové AI riešenia, navrhujú vlastné architektúry alebo vedú vývoj produktov a modelov. V organizáciách ide o špecialistov na AI/ML, data science, MLOps, prípadne technologických lídrov, ktorí prepájajú výskum s biznisom.

Nie každá firma potrebuje veľa vizionárov. Takmer každá firma však potrebuje viac integrátorov a aspoň niekoľko architektov.

Prečo nestačí napísať do inzerátu „AI skills“

Ak firma hľadá človeka so „skúsenosťami s AI“, bez ďalšieho spresnenia vytvára komunikačný šum. Kandidát si pod tým predstaví to, čo pozná on. HR tím si pod tým predstaví niečo iné. Manažér oddelenia často tretie. Výsledkom sú zlé očakávania, slabý výber kandidátov a nespokojnosť po nástupe.

Praktickejší prístup je rozdeliť AI zručnosti do troch kategórií podľa toho, na čo ich firma potrebuje:

1. AI ako nástroj – na zrýchlenie individuálnej práce a tvorby výstupov.
2. AI pre dáta – na analýzu, reporting a rozhodovanie.
3. AI pre automatizáciu – na redesign procesov, orchestrace a agentné workflowy.

Rovnaký pojem, tri úplne odlišné schopnosti. A každá z nich si pýta iný typ tréningu, iné metriky a iný typ človeka.

Kategória I: AI ako nástroj pre každodennú produktivitu

Toto je dnes najrozšírenejšia forma AI v kancelárskej práci. V tejto rovine nejde o vývoj modelov ani o zložité technické riešenia. Ide o schopnosť používať AI ako pracovného asistenta, ktorý zrýchľuje tvorbu prvých návrhov, sumarizáciu, rešerš, štruktúrovanie informácií a opakujúce sa textové či administratívne úlohy.

Pre firmy je táto kategória atraktívna, pretože prináša rýchly efekt bez veľkej technickej investície. Zamestnanec nemusí vedieť programovať. Musí však vedieť zadávať úlohy jasne, pracovať iteratívne a najmä vedieť výstup skontrolovať.

Čo firmy v tejto kategórii reálne očakávajú

V inzeráte to môže byť skryté za formuláciami ako „AI skills“, „práca s AI nástrojmi“, „Copilot experience“, „prompting“ alebo „záujem o nové technológie“. V praxi to často znamená:

• pripraviť kvalitný prvý draft textu, e-mailu alebo dokumentu,
• vedieť zhrnúť dlhý materiál do stručných bodov,
• vytvoriť návrh štruktúry prezentácie, plánu alebo kampane,
• pomôcť si AI pri brainstorming-u,
• zrýchliť prípravu podkladov pre stretnutie alebo rozhodnutie,
• vedieť opraviť a upraviť AI výstup do profesionálnej podoby.

Príklady podľa oddelení

Marketing a obsah: AI pomáha s návrhmi textov, variáciami titulkov, segmentáciou tém, návrhmi kampaní či prípravou obsahových osnov. Rozhodujúca zostáva schopnosť človeka rozumieť značke, publiku a tónu komunikácie.

HR: AI vie zrýchliť prípravu popisov pracovných pozícií, sumarizáciu poznámok z pohovorov, návrh otázok alebo interných dokumentov. Práve tu je však kriticky dôležitá kontrola biasu, citlivého jazyka a práce s osobnými údajmi.

Projektové riadenie a administratíva: AI výrazne pomáha pri zápisoch zo stretnutí, sumarizácii úloh, formulovaní follow-up e-mailov, príprave status reportov a práci s podkladmi. Človek však musí držať kontext, priority a zodpovednosti.

Kde firmy robia chybu

Mnohé organizácie nasadia nástroj a očakávajú, že produktivita narastie automaticky. Nenastane to. Bez tréningu sa ľudia pohybujú v rovine experimentovania a používajú AI len na jednoduché jednorazové úlohy.

Druhá častá chyba je, že sa meria len „používanie nástroja“, nie výsledok. Reálny prínos nie je v tom, koľko ľudí otvorilo AI chat, ale či sa zrýchlila príprava výstupov, znížil počet opakovaných činností a zlepšila kvalita rozhodovania.

Praktická zručnosť, ktorá rozhoduje: kvalitné zadanie

Najdôležitejšou zručnosťou v tejto kategórii nie je technológia, ale schopnosť presne zadefinovať úlohu. V praxi funguje jednoduchá štruktúra:

• Kontext: čo riešime a prečo,
• Cieľ: aký výsledok potrebujeme,
• Publikum: komu je výstup určený,
• Obmedzenia: čo musí alebo nesmie obsahovať,
• Formát: v akej štruktúre to má prísť,
• Kontrola: podľa čoho posúdime kvalitu.

Zamestnanec, ktorý toto ovláda, je pre firmu výrazne cennejší než človek, ktorý „vie používať AI“ len v zmysle voľného chatu bez procesu.

Paradox druhej vlny AI: rastie hodnota mäkkých zručností

Na prvý pohľad by sa mohlo zdať, že s nástupom AI budú firmy čoraz viac hľadať najmä technické schopnosti. Pri časti rolí to platí, ale vo veľkej skupine znalostných pozícií sa deje presný opak. Keď AI dokáže rýchlo vyprodukovať text, návrh, sumarizáciu alebo základný analytický výstup, hodnota samotnej produkcie klesá.

Naopak rastie hodnota toho, čo stroj zatiaľ nerobí spoľahlivo:

• ľudský úsudok,
• práca s kontextom,
• komunikácia so stakeholdermi,
• schopnosť viesť zmenu,
• kritické myslenie a rozhodovanie v neistote.

To je dôvod, prečo firmy čoraz viac oceňujú kombináciu AI gramotnosti a „mäkkých“ zručností. Nestačí vedieť vygenerovať výstup. Treba vedieť vysvetliť, prečo je vhodný, kde sú jeho limity a ako sa má použiť v procese.

V HR to znamená vyvažovať efektivitu s férovosťou a empatiou. V obchode to znamená využiť AI na prípravu, ale samotný predaj viesť ako konzultatívny rozhovor. V manažmente to znamená nepoužívať AI len na zrýchlenie reportov, ale na lepšie rozhodnutia a prioritizáciu.

Praktický dopad je jednoduchý: firmy nehľadajú len „technických používateľov AI“, ale ľudí, ktorí vedia AI riadiť v kontexte tímu, klienta a procesu.

Kategória II: AI pre dáta a rozhodovanie

Druhá kategória je technologicky náročnejšia, ale zároveň čoraz dostupnejšia aj pre netechnické roly. AI v oblasti dát už nie je výsadou data scientistov. Moderné BI nástroje a analytické platformy integrujú AI asistenciu, ktorá umožňuje pýtať sa otázky prirodzeným jazykom, generovať vizualizácie a získavať prediktívne pohľady bez hlbokého programovania.

To však neznamená, že odpadla potreba dátovej gramotnosti. Naopak. Dnešné firmy nepotrebujú od každého človeka Python či SQL, ale potrebujú, aby zamestnanci vedeli správne formulovať biznisovú otázku, rozumeli kvalite dát a dokázali premeniť analytický výstup na rozhodnutie.

Čo firmy v tejto kategórii očakávajú

Keď sa v inzeráte pri analytickej, finančnej alebo marketingovej pozícii objaví „AI skills“, v praxi to často znamená:

• schopnosť pracovať s BI nástrojmi s AI asistenciou,
• orientáciu v dátových metrikách a KPI,
• schopnosť interpretovať trendy a odchýlky,
• schopnosť overiť kvalitu vstupných dát,
• schopnosť vytvoriť manažérsky zrozumiteľný výstup z analytického zistenia.

Toto je veľmi dôležitý posun. Nejde len o „spraviť dashboard“. Ide o to, aby človek vedel z dashboardu vyvodiť, čo má firma urobiť ďalej.

Kde vzniká najväčšia hodnota

AI v dátach prináša najväčší efekt tam, kde firma potrebuje rýchlejšie rozhodovanie:

Financie a controlling: odchýlky v nákladoch, vývoj cashflow, forecast scenáre, identifikácia hlavných faktorov zmien.

Marketing: segmentácia zákazníkov, výkonnosť kampaní, návratnosť investícií, hľadanie vzorcov v správaní publika.

Prevádzka a služby: sledovanie SLA, reklamácií, vyťaženosti tímov, opakujúcich sa incidentov a úzkych miest.

Obchod: analýza pipeline, konverzných pomerov, dôvodov straty obchodov a kvality leadov.

V každom z týchto prípadov AI skracuje cestu od otázky k prvému insightu. Ale iba človek vie posúdiť, či je insight relevantný, či nie je skreslený a aký krok z neho vyplýva.

Nová gramotnosť v dátach: menej syntaxe, viac myslenia

Historicky bola bariéra vstupu do analytiky vysoká. Dnes sa znižuje, pretože nástroje ponúkajú prirodzené rozhrania a AI asistenciu. To je dobrá správa, ale zároveň zvyšuje riziko povrchného používania.

Ľudia sa vedia k dátam dostať rýchlejšie, no ak nerozumejú základom, môžu robiť sebavedomé, ale chybné závery. Najčastejšie chyby sú:

• zamieňanie korelácie za príčinu,
• ignorovanie kvality vstupných dát,
• používanie nejednotných definícií KPI medzi tímami,
• prílišná dôvera v „pekný graf“ bez overenia kontextu,
• neschopnosť odlíšiť šum od trendu.

Práve preto sa pri AI pre dáta stáva kľúčovou zručnosťou schopnosť položiť správnu otázku. Nie technickú, ale biznisovú. Napríklad nie „ukáž mi dáta o kampani“, ale „ktoré tri faktory najviac ovplyvnili pokles konverzie v posledných 60 dňoch a čo sa zmenilo oproti predchádzajúcemu obdobiu?“

Takto formulovaná otázka dáva AI nástroju šancu pripraviť zmysluplný výstup – a človeku šancu spraviť rozhodnutie.

Prečo Excel stále nezmizol

Mnohé firmy robia chybu, keď podceňujú tradičné nástroje. V realite veľká časť dátovej práce stále prebieha v tabuľkách. AI síce mení spôsob práce, ale nezrušila potrebu rozumieť dátam v základe.

Excel, tabuľkové myslenie, práca s čistotou dát a logika metrík ostávajú dôležité. AI túto vrstvu nenahrádza – skôr zrýchľuje a rozširuje. Zamestnanec, ktorý rozumie dátam a vie si pomôcť AI, má dnes oveľa vyššiu hodnotu než človek, ktorý sa spolieha len na automaticky vygenerovaný graf bez kontroly.

Kategória III: AI pre automatizáciu, orchestrace a agentné workflowy

Tretia kategória je z pohľadu strategickej hodnoty pre firmu najdôležitejšia, ale aj najnáročnejšia. Tu už AI neslúži len na pomoc jednotlivcovi alebo na rýchlejší insight. Tu sa menia samotné procesy. Organizácia prestáva premýšľať v štýle „ako zrýchlime človeka“ a začína riešiť „ako prekopeme workflow tak, aby človek robil len to, čo má najvyššiu hodnotu“.

Práve v tejto oblasti vznikajú najväčšie úspory, ale aj najväčšie riziká. Bez procesného myslenia môže firma postaviť chaotické automatizácie, ktoré síce vyzerajú moderne, ale nikto ich nevie spravovať.

Dve vrstvy, ktoré si firmy často mýlia

V praxi je užitočné rozlišovať dve úrovne:

1. Workflow automatizácia (no-code/low-code):
   prepojenie systémov, spúšťače, vetvenie logiky, presun dát, notifikácie, validácie.
2. Agentná AI:
   autonómnejšie systémy, ktoré vedia pozorovať stav, navrhovať kroky, vykonávať akcie a adaptovať sa v rámci definovaných pravidiel.

Mnohé firmy dnes hovoria o „AI automatizácii“, ale reálne majú len sériu spúšťačov a integrácií. To nie je chyba. Je to prirodzený začiatok. Problém vzniká vtedy, keď vedenie očakáva agentnú autonómiu, no organizácia nemá ani zvládnuté základné workflowy.

Čo firmy v tejto kategórii reálne hľadajú

Pri pozíciách zameraných na procesy, operácie, revíziu workflowov alebo digitálnu transformáciu sa „AI skills“ zvyčajne prekladajú do týchto schopností:

• zmapovať proces od začiatku do konca,
• identifikovať úzke miesta a opakujúce sa kroky,
• navrhnúť, čo má robiť človek a čo systém,
• postaviť alebo nakonfigurovať automatizačný tok,
• nastaviť kontrolné body a eskalácie,
• sledovať výkon procesu po nasadení.

To je zásadný rozdiel oproti bežnému „promptovaniu“. Tu už nestačí vedieť zadávať úlohy modelu. Treba rozumieť logike procesov, dátovým štruktúram, oprávneniam a zodpovednosti.

Prečo vzniká priestor pre „citizen developerov“

Veľký posun posledných rokov je, že automatizáciu už nestavajú iba IT oddelenia. Mnohé firmy vidia najlepší výsledok vtedy, keď workflow navrhuje človek z biznisu, ktorý rozumie reálnej práci, a IT zabezpečí architektúru, bezpečnosť a governance.

Tak vzniká rola „citizen developera“ – človeka, ktorý síce nie je klasický programátor, ale vie pracovať s vizuálnymi automatizačnými platformami, rozumie základom API logiky a dokáže navrhnúť funkčné workflow.

To je obrovská príležitosť najmä pre ľudí z administratívy, operácií, marketingu či projektového riadenia. Ak rozumejú procesu a naučia sa základy orchestrácie, ich hodnota vo firme výrazne rastie.

Agentná AI mení úroveň náročnosti

Keď firma začne experimentovať s agentmi, mení sa charakter práce. Už nejde len o spúšťanie úloh podľa presného pravidla. Agent potrebuje mať:

• jasne definovanú rolu,
• cieľ a kritériá úspechu,
• povolený rozsah akcií,
• prístup k dátam a nástrojom,
• pravidlá, kedy sa má zastaviť a odovzdať úlohu človeku.

Práve tu sa ukazuje, prečo je AI gramotnosť taká dôležitá. Ak organizácia nerozumie limitom modelu a nevie nastaviť mantinely, agent môže robiť rozhodnutia, ktoré sú síce technicky „funkčné“, ale procesne alebo právne neprijateľné.

Human-in-the-loop nie je slabosť, ale dizajnové pravidlo

Veľa firiem sa snaží AI automatizáciu predávať interne ako „úplne bez ľudí“. To je strategická chyba. V kvalitne navrhnutom procese nie je človek zbytočný. Je presunutý tam, kde má najväčšiu hodnotu:

• schválenie citlivých krokov,
• výnimky a neštandardné situácie,
• kontrola rizikových výstupov,
• finálne rozhodnutia s obchodným dopadom.

Takto nastavený human-in-the-loop znižuje riziko chýb a zároveň buduje dôveru tímov v nový proces.

Prečo AI projekty často zlyhávajú aj vo firmách, ktoré „investujú veľa“

Mnohé firmy dnes deklarujú vysoké ambície v AI, no reálne výsledky sú slabé. Dôvod nebýva v tom, že by technológia nefungovala. Najčastejšie zlyháva preklad technológie do organizácie.

Vedenie si často predstavuje, že AI je hlavne otázka nástroja: kúpiť licencie, spraviť pilot, dať tímu školenie. V skutočnosti ide najmä o zmenu správania, rolí, procesov a motivácií. Zamestnanci môžu byť pripravení experimentovať, ale ak nemajú jasné pravidlá, povolenie a podporu, zostanú v opatrnom režime.

Typické signály, že firma je len v „AI PR móde“:

• hovorí sa o AI, ale neexistujú jasné interné pravidlá,
• ľudia nevedia, ktoré nástroje môžu používať,
• neexistujú vybrané procesy s konkrétnym ownerom,
• úspech sa nemeria cez výsledok, ale cez počet pilotov,
• manažéri AI sami nepoužívajú, no očakávajú adopciu od tímov.

AI transformácia nie je len o technickej implementácii. Je to manažérska disciplína. Ak vedenie neurčí priority a pravidlá, technológia sa rozleje do firmy nekoordinovane a neprinesie očakávanú návratnosť.

Pravidlo 10-20-70: prečo je najťažšia časť AI ľudská

Veľmi užitočný pohľad na AI transformáciu hovorí, že úspech netvorí primárne samotný model. Zjednodušene:

• technológia a model sú len časť problému,
• dáta a infraštruktúra sú druhá časť,
• najväčšiu časť tvorí práca s ľuďmi a procesmi.

Inými slovami, firma môže mať kvalitný nástroj aj dobré dáta, a aj tak neuspieť, ak nezmení pracovné návyky, zodpovednosti a spôsob rozhodovania.

Prakticky to znamená, že pri každom AI projekte treba riešiť:

• kto je vlastník procesu,
• čo sa mení v každodennej práci tímu,
• čo sa bude merať,
• aké sú pravidlá kontroly,
• ako sa riešia chyby a výnimky,
• ako sa nová prax dostane do štandardu.

Bez toho AI zostane len vrstva „navyše“, ktorú ľudia používajú podľa nálady.

Vzdelávanie, ktoré funguje: od teórie k návyku

Jednorazové školenie o AI zvyčajne nestačí. Ľudia sa síce dozvedia základné pojmy, ale po pár dňoch sa vrátia k pôvodným návykom. Ak chce firma skutočne posunúť zamestnancov z úrovne experimentovania na úroveň integrácie, potrebuje vzdelávanie postaviť ako zmenu správania, nie ako prezentáciu.

Funguje najmä trojstupňový model:

1. Foundational – základné porozumenie

V tejto fáze si ľudia vytvoria spoločný jazyk. Učia sa, čo AI vie a nevie, aké sú limity modelov, ako funguje kontrola výstupov a aké sú bezpečnostné pravidlá.

Cieľom nie je „technická dokonalosť“, ale zníženie neistoty a vytvorenie bezpečného rámca.

2. Applied – práca na reálnych úlohách

Tu sa rozhoduje o úspechu. Zamestnanci musia AI použiť na úlohách, ktoré reálne robia vo svojej práci. Nie na generických cvičeniach.

Napríklad:

• marketér pracuje na skutočnej kampani,
• HR špecialista pripravuje reálny popis pozície,
• PM sumarizuje skutočný meeting,
• analytik skúma reálne KPI odchýlky.

Práve v tejto fáze sa buduje dôvera, pracovný návyk a schopnosť kritickej kontroly.

3. Embedded – ukotvenie do systému

Ak má zmena vydržať, musí sa dostať do procesov. To znamená, že firma potrebuje AI zahrnúť do:

• popisov rolí,
• spôsobu onboardingu,
• interných štandardov práce,
• IT podpory a schvaľovania nástrojov,
• hodnotenia výkonu tam, kde to dáva zmysel.

Bez tejto tretej fázy sa AI používanie rozpadne na individuálne iniciatívy a po čase vyprchá.

Tichá kríza juniorov: čo sa mení v učení sa prácou

Jedna z menej viditeľných, ale veľmi dôležitých zmien je dopad AI na juniorské pozície. V minulosti sa ľudia v kancelárskych a znalostných profesiách učili cez opakujúce sa úlohy: sumarizácie, rešerš, kontrolu dokumentov, čistenie dát, prípravu podkladov.

Dnes práve tieto úlohy AI výrazne zrýchľuje alebo čiastočne preberá. To je výborné pre efektivitu, ale vytvára nový problém: kde a ako sa junior naučí remeslo, ak preskočí fázu, v ktorej si budoval základné mapy práce?

Firmy budú musieť zmeniť onboarding aj rozvoj juniorov. Namiesto čisto manuálnej repetície budú juniori skôr:

• kontrolovať AI výstupy,
• porovnávať kvalitu rôznych návrhov,
• učiť sa formulovať lepšie zadania,
• robiť interpretáciu a argumentáciu,
• získavať kontext od seniorov rýchlejšie a cielenejšie.

To je dobrá správa, ale len vtedy, ak firma túto zmenu navrhne vedome. Ak nie, môže si nechtiac oslabiť budúcu generáciu seniorov tým, že im nedá priestor získať hlbší profesionálny úsudok.

Governance, etika a bezpečnosť: najpodceňovanejšia AI zručnosť

Keď sa povie „AI skills“, väčšina ľudí si predstaví promptovanie, nástroje alebo automatizácie. V reálnych firmách sa však čoraz viac ukazuje, že kritickou zručnosťou je aj zodpovedné používanie AI. Bez tejto vrstvy vie organizácia síce zrýchliť prácu, ale zároveň si vyrobiť reputačný, právny alebo bezpečnostný problém.

Najcitlivejšie oblasti sú najmä:

• osobné a interné údaje – čo smie ísť do externého nástroja a čo nie,
• bias a diskriminácia – obzvlášť v HR, hodnotení ľudí a komunikácii,
• autorské práva a licencie – pri generovaní obsahu, vizuálov a textov,
• auditovateľnosť – kto vytvoril výstup, z akých vstupov a ako bol kontrolovaný.

V praxi to znamená, že AI gramotnosť musí byť spojená s firemnými pravidlami. Zamestnanec by nemal hádať, čo je dovolené. Potrebuje jednoduché a zrozumiteľné mantinely.

Dobre nastavená minimálna AI politika nemusí byť komplikovaný dokument. Mala by jasne povedať:

• ktoré nástroje sú povolené,
• aké dáta sú zakázané,
• pri akých typoch výstupov je povinná ľudská kontrola,
• kto schvaľuje automatizácie a experimenty,
• ako sa hlási incident alebo chyba.

To nie je byrokracia navyše. To je základ dôvery, bez ktorej sa AI v organizácii neukotví.

Čo z toho vyplýva pre firmy na Slovensku a v Česku

Aj v stredoeurópskom priestore je už zjavné, že AI zručnosti sa neobmedzujú len na programátorov. Na trhu pribúdajú roly, ktoré spájajú technológiu, procesy a komunikáciu. Firmy čoraz viac hľadajú ľudí, ktorí vedia preložiť možnosti AI do biznisovej reality – či už ide o konzultačné, analytické, procesné alebo transformačné pozície.

Zároveň platí, že lokálne firmy nemusia čakať na „dokonalú“ AI stratégiu. Veľmi dobrý výsledok vie priniesť aj menšia organizácia, ak spraví tri veci správne:

• vyberie si niekoľko konkrétnych procesov s jasným dopadom,
• nastaví pravidlá a zodpovednosti,
• investuje do praktického tréningu ľudí podľa rolí.

Práve tu môže vzniknúť konkurenčná výhoda. Nie v tom, kto má viac AI nástrojov, ale v tom, kto ich vie rozumne zabudovať do práce.

Záver: „AI skills“ treba preložiť do konkrétnych kompetencií

Najväčšia chyba v roku 2026 nie je to, že firma AI ešte nevyužíva dokonale. Najväčšia chyba je, keď o nej hovorí príliš všeobecne. Pojem „AI skills“ znie moderne, ale bez spresnenia je v praxi takmer nepoužiteľný.

Ak chce organizácia z AI získať výkon a nie len interný hype, potrebuje urobiť tri kroky.

1. Rozdeliť AI zručnosti podľa reálneho použitia

Každú rolu treba zaradiť podľa toho, či primárne potrebuje:

• AI ako nástroj pre osobnú produktivitu,
• AI pre dáta a rozhodovanie,
• AI pre automatizáciu a redesign procesov.

Až potom má zmysel riešiť konkrétny tréning alebo nábor.

2. Prestať merať „aktivitu“ a začať merať dopad

Počet používateľov nástroja ešte neznamená výsledok. Dôležité sú metriky ako:

• úspora času na opakovaných úlohách,
• kvalita a rýchlosť výstupov,
• skrátenie cyklu rozhodovania,
• zníženie chybovosti,
• výkon zmeneného procesu po automatizácii.

3. Zmeniť AI z IT témy na manažérsku tému

AI transformácia nie je len o softvéri. Je o tom, ako firma premýšľa o práci. Kto rozhoduje, kto kontroluje, čo sa mení v rolách a ako sa ľudia učia nový spôsob práce.

Firmy, ktoré toto pochopia skôr, nebudú len „používať AI“. Budú mať lepšie procesy, rýchlejšie rozhodovanie a odolnejšie tímy. A práve to bude v najbližších rokoch rozhodovať o konkurencieschopnosti viac než samotný výber nástroja.

Praktický mini-playbook na najbližších 30 dní

Aby AI gramotnosť nezostala len pri diskusii, oplatí sa začať malými, ale konkrétnymi krokmi.

Pre HR a vedenie

• Prejdite si 5 najčastejšie obsadzovaných rolí a prepíšte neurčité „AI skills“ na konkrétne kompetencie.
• Rozdeľte roly podľa troch kategórií: nástroj, dáta, automatizácia.
• Vyberte 2–3 interné procesy, kde chcete pilotovať AI s merateľným cieľom.
• Vydajte stručné interné pravidlá používania AI nástrojov.

Pre manažérov tímov

• Zvoľte jeden proces, kde tím trávi veľa času rutinnou prácou.
• Popíšte workflow od začiatku do konca a označte kroky, ktoré možno zrýchliť.
• Nastavte human-in-the-loop kontrolu pre citlivé alebo rizikové výstupy.
• Dohodnite si jednoduchú metriku úspechu (čas, kvalita, chybovosť).

Pre jednotlivcov

• Vyberte si 10 opakovaných úloh, ktoré robíte každý týždeň.
• Pri každej otestujte, či AI pomôže s prípravou, sumarizáciou alebo štruktúrou.
• Zapisujte si, čo fungovalo a čo nie – vznikne vám vlastná pracovná knižnica promptov a postupov.
• Naučte sa pri každom AI výstupe položiť otázku: „Môžem tomu veriť, a ak nie, čo musím overiť?“

AI gramotnosť v praxi nevzniká jedným školením ani jedným nástrojom. Vzniká tým, že sa nové technológie premenia na lepší spôsob práce. A práve tam sa dnes láme rozdiel medzi firmami, ktoré AI len testujú, a firmami, ktoré z nej budujú reálnu konkurenčnú výhodu.