Stručná odpoveď
Kvalitné AI vzdelávanie nekončí znalosťou nástrojov ani jedným promptom. Výsledkom má byť preukázateľná schopnosť vybrať vhodnú úlohu, chrániť dáta, overiť kritický výstup, rozpoznať hranice kompetencie a postupovať podľa pravidiel organizácie.
Tematický kontext: AI gramotnosť pre školy a firmy, AI Act, Shadow AI a firemná governance, AI v pedagogickom procese a AI asistenti pre pedagógov.
AI vzdelávanie nemá končiť tým, že účastník pozná názvy nástrojov alebo vie napísať jeden prompt. Minimálnym výsledkom má byť schopnosť vytvoriť s AI užitočný pracovný výstup, bezpečne pracovať s dátami, rozpoznať hranice systému, overiť kritické tvrdenia a vedieť, kedy musí rozhodnúť človek alebo odborník.
AI je už pracovná infraštruktúra, nie technologická zaujímavosť
Umelá inteligencia sa v priebehu niekoľkých rokov posunula z úzko špecializovanej technológie do nástrojov, ktoré používajú marketéri, obchodníci, analytici, programátori, učitelia, právnici, HR tímy, manažéri aj bežní administratívni pracovníci. Eurostat uvádza, že v roku 2025 používalo AI technológie 20 % podnikov v EÚ s najmenej desiatimi zamestnancami. Pri veľkých podnikoch bol podiel približne 55 %, pri malých a stredných podnikoch približne 19 %. V tom istom roku použila generatívnu AI približne tretina ľudí vo veku 16 až 74 rokov v EÚ. To znamená, že otázka pre väčšinu organizácií už neznie, či sa ich AI dotkne, ale ako rýchlo, bezpečne a zmysluplne ju dokážu zaradiť do práce.
Zároveň sa mení konkurenčná dynamika. AI výrazne znižuje cenu prístupu k činnostiam, ktoré si ešte nedávno vyžadovali väčší tím alebo špecializované know-how. Malá firma dnes môže rýchlejšie analyzovať trh, vytvárať varianty obsahu, sumarizovať dokumenty, pripravovať prototypy, pracovať s kódom či automatizovať časť administratívy. OECD v roku 2026 upozorňuje, že nedostatok zručností patrí medzi hlavné bariéry adopcie AI a že generatívna AI môže v SME čiastočne kompenzovať nedostatok zručností a ľudí. Z toho však nevyplýva, že samotný prístup k nástroju vytvorí konkurenčnú výhodu. Výhodou sa stáva schopnosť organizácie premeniť AI na opakovateľný, bezpečný a kvalitný pracovný systém.
Veta, že startup z garáže môže pomocou AI vytlačiť veľký korporát, je realistická ako opis znižovania technologických a produkčných bariér, nie ako univerzálny zákon. Korporáty majú kapitál, dáta, distribúciu, značku a procesy. Malý hráč však môže získať nečakanú výhodu v rýchlosti učenia, experimentovania a nasadzovania. AI presúva časť súťaže z otázky „kto má viac ľudí“ k otázke „kto sa rýchlejšie učí a lepšie kombinuje ľudský úsudok s AI“.
Prečo má byť AI vzdelávanie integrálnou súčasťou portfólia každej organizácie
Jednorazový kurz je pri AI slabý model. Modely, používateľské rozhrania, agentné funkcie, možnosti práce so súbormi, multimodalita, integračné rozhrania aj právne požiadavky sa menia v kratších cykloch než tradičné firemné školenia. To, čo bolo pokročilou funkciou pred rokom, môže byť dnes štandardom. Naopak, postup, ktorý bol ešte nedávno tolerovateľný, môže byť po zmene pravidiel, interných politík alebo bezpečnostných hrozieb nevhodný.
AI vzdelávanie preto treba chápať ako organizačnú schopnosť podobnú kybernetickej bezpečnosti, kvalite alebo ochrane osobných údajov. Má mať spoločný základ pre všetkých, rolové nadstavby, pravidelnú aktualizáciu, praktický nácvik a merateľné overenie schopností. Organizácia nepotrebuje z každého zamestnanca urobiť AI špecialistu. Potrebuje však zabezpečiť, aby ľudia, ktorí AI používajú, rozumeli tomu, čo nástroj robí, aké riziká vznikajú v ich konkrétnej práci a ako vyzerá bezpečný pracovný postup.
| Prečo nestačí jednorazové školenie | Čo má organizácia robiť namiesto toho |
|---|---|
| Modely a funkcie sa menia | Pravidelne aktualizovať návody a praktické scenáre. |
| Vznikajú nové riziká a útoky | Dopĺňať bezpečnostné mikroškolenia a incident lessons learned. |
| Menia sa právne pravidlá | Prepájať AI vzdelávanie s compliance a internou politikou. |
| Ľudia zabúdajú bez praxe | Používať reálne pracovné úlohy, nie iba prezentácie. |
| Rôzne roly majú rôzne riziká | Pridávať rolové moduly pre marketing, HR, financie, právo, IT a ďalšie funkcie. |
| Nástroj sa môže zmeniť bez zmeny názvu | Vzdelávať princípy a rozhodovanie, nie iba klikanie v konkrétnom rozhraní. |
AI gramotnosť v roku 2026: právny rámec a praktická realita
V EÚ je AI gramotnosť aj regulačnou témou. Článok 4 AI Actu sa uplatňuje od 2. februára 2025. Po Digital Omnibus on AI, ktorý vstúpil do účinnosti v júli 2026, zostáva povinnosť poskytovateľov a subjektov nasadzujúcich AI prijať opatrenia na podporu AI gramotnosti svojich zamestnancov a ďalších osôb, ktoré v ich mene pracujú s AI. Európska komisia v aktualizovaných otázkach a odpovediach zdôrazňuje kontext, technické znalosti, skúsenosti, vzdelanie a účel použitia AI. Zároveň už nie je predpísaná konkrétna alebo „dostatočná“ úroveň, ktorú musí každý jednotlivec dosiahnuť.
Pre firmy je podstatné ešte jedno časové hľadisko. Komisia uvádza, že pravidlá dohľadu a vymáhania sa uplatňujú od 3. augusta 2026. V čase vydania tohto článku teda nejde o budúcu povinnosť. Organizácia by už mala vedieť preukázať, že AI gramotnosť rieši primerane svojmu spôsobu používania AI. Komisia zároveň uvádza, že osobitný certifikát nie je potrebný a organizácie si môžu viesť interné záznamy o školeniach a ďalších usmerneniach. Nie je predpísaná ani jednotná forma školenia alebo povinný AI officer.
| Téma | Čo hovorí aktuálny rámec EÚ | Praktický dôsledok pre firmu |
|---|---|---|
| Článok 4 AI Actu | Organizácia má prijímať opatrenia na podporu AI gramotnosti osôb používajúcich AI v jej mene. | Mať reálny program, nie iba odkaz na návod nástroja. |
| Úroveň | Po úprave v roku 2026 nie je určená jedna povinná úroveň pre každého jednotlivca. | Použiť rolový a rizikový prístup. |
| Forma | Neexistuje jedna povinná forma školenia. | Možno kombinovať kurzy, workshopy, návody, mikrolearning a praktické overovanie. |
| Doklad | Špecifický certifikát nie je nevyhnutný. | Viesť interný záznam o školení, rozsahu, cieľovej skupine a overení. |
| Riziko | Vyššie riziko AI použitia vyžaduje primerane hlbšie opatrenia. | Bežný copywriting a AI v HR rozhodovaní nemajú mať rovnaký tréning. |
| High-risk systémy | Pri vysokorizikových systémoch existujú ďalšie povinnosti vrátane ľudského dohľadu a zaškolenia. | Vyžaduje sa osobitná rolová odborná príprava. |
To, že AI Act neurčuje jednotnú skúšku alebo pevný počet hodín, neznamená, že firme stačí krátke všeobecné poučenie. Právny rámec je kontextový. Profesionálny štandard by mal byť merateľnejší: definované výstupy, praktická skúška, pravidlá práce s dátami, overovanie, incident eskalácia a pravidelná aktualizácia.
Čo má byť minimálnym výstupom každého AI vzdelávania
Najdôležitejšie je zmeniť spôsob, akým firmy definujú úspech školenia. Úspech nie je absolvovanie videa ani schopnosť vysvetliť rozdiel medzi neurónovou sieťou a veľkým jazykovým modelom. Úspech je pozorovateľná schopnosť účastníka pracovať s AI v reálnej úlohe tak, aby bol výsledok užitočný, bezpečný a kontrolovaný.
Účastník dokáže samostatne zvoliť vhodnú AI úlohu, zadať jej dostatočný kontext, nepoužiť zakázané alebo citlivé dáta, vyhodnotiť kvalitu výstupu, overiť kritické tvrdenia, rozpoznať situáciu vyžadujúcu odborníka alebo ľudské rozhodnutie a postupovať podľa interných pravidiel organizácie.
| Kompetencia | Minimálny pozorovateľný výsledok |
|---|---|
| Základné porozumenie | Vie vysvetliť, že generatívna AI vytvára pravdepodobný výstup a môže sa mýliť aj pri presvedčivom texte. |
| Vhodnosť úlohy | Vie rozlíšiť úlohu vhodnú na návrh, sumarizáciu alebo transformáciu od úlohy, kde je potrebný odborný úsudok alebo schválený systém. |
| Zadanie a kontext | Vie formulovať cieľ, relevantný kontext, obmedzenia a požadovaný formát. |
| Dáta | Vie, ktoré údaje nesmie vložiť do neschváleného nástroja a kde nájde interné pravidlá. |
| Overovanie | Vie identifikovať tvrdenia, ktoré treba overiť, a použiť dôveryhodný primárny alebo odborný zdroj. |
| Etika a bias | Vie rozpoznať stereotyp, diskriminačný predpoklad alebo manipulatívne použitie a neakceptuje ho automaticky. |
| Ľudská zodpovednosť | Rozumie, že AI nie je nositeľom právnej ani manažérskej zodpovednosti za jeho rozhodnutie. |
| Eskalácia | Vie, kedy prácu zastaviť a osloviť nadriadeného, IT, DPO, právnika, bezpečnosť alebo doménového odborníka. |
Úroveň 1: začiatočník
Začiatočník nemusí rozumieť architektúre transformera, tokenizácii do technickej hĺbky ani API. Musí však získať mentálny model, ktorý mu zabráni používať AI ako neomylný vyhľadávač alebo autoritu. Cieľom úrovne začiatočník je bezpečná samostatnosť pri jednoduchých, nízkorizikových pracovných úlohách.
Čo musí začiatočník vedieť
| Oblasť | Začiatočník má po školení zvládnuť |
|---|---|
| Čo AI je a nie je | Rozlíšiť generatívnu AI, vyhľadávač a klasický software. Chápať, že model nemá automaticky pravdu ani prístup k aktuálnym údajom. |
| Prompt ako pracovné zadanie | Uviesť cieľ, publikum, kontext, vstupné údaje, obmedzenia a formát výstupu. |
| Iterácia | Po prvom výstupe vedieť doplniť kontext, vyžiadať alternatívu alebo opravu. |
| Bezpečnosť dát | Nevkladať heslá, tajomstvá, osobné údaje, klientské dáta alebo interné dokumenty do neschváleného nástroja. |
| Halucinácie | Vedieť, že AI môže vymyslieť fakty, citácie, čísla, zákony, osoby alebo zdroje. |
| Overenie | Pri faktickej úlohe overiť aspoň kritické tvrdenia a čísla. |
| Autorské a reputačné riziko | Nepovažovať AI výstup automaticky za originálny, právne bezrizikový alebo publikovateľný. |
| Ľudská kontrola | Pred odoslaním alebo publikovaním výstup skontrolovať a prevziať zaň zodpovednosť. |
| Interné pravidlá | Vedieť, ktoré nástroje sú schválené a kde sú firemné pravidlá používania AI. |
| Stop pravidlá | Vedieť, že vysokorizikové rozhodnutie, citlivé údaje alebo nejasná právna situácia sa eskaluje. |
Praktická skúška začiatočníka
Odporúčaná záverečná skúška by mala byť praktická. Účastník dostane jednoduchú pracovnú úlohu, napríklad pripraviť z podkladov návrh e-mailu, sumarizovať verejný dokument alebo vytvoriť štruktúru prezentácie. Musí preukázať, že vie zadanie spresniť, označiť, ktoré vstupy smie použiť, identifikovať aspoň dva potenciálne zdroje chyby, skontrolovať faktické tvrdenie a opísať, čo by pred reálnym použitím ešte overil.
| Hodnotená časť | Odporúčané minimum |
|---|---|
| Zadanie úlohy | Cieľ a formát sú jasné, kontext postačuje na rozumný výstup. |
| Práca s dátami | Bez kritického porušenia pravidiel. |
| Kontrola výstupu | Účastník nájde aspoň jednu slabinu alebo neistotu. |
| Overovanie | Kritické tvrdenie overí mimo samotnej odpovede AI. |
| Rozhodnutie | Vie povedať, či je výstup pripravený na použitie, treba ho upraviť alebo eskalovať. |
Úroveň 2: bežný používateľ AI
Bežný používateľ je človek, ktorý používa AI opakovane v práci, hoci nie je vývojár ani AI špecialista. Jeho štandard musí byť výrazne vyšší než pri začiatočníkovi, pretože opakované používanie násobí prínos aj riziko. Bežný používateľ má vedieť navrhovať pracovný postup, nie iba prompt.
Čo musí bežný používateľ zvládnuť
| Kompetencia | Očakávaný výsledok bežného používateľa |
|---|---|
| Rozklad úlohy | Rozdelí zložitú úlohu na etapy, určí vstupy, kontrolné body a ľudské rozhodnutia. |
| Výber nástroja | Vie porovnať nástroje podľa funkcie, dátového režimu, prístupu k zdrojom, integrácií a rizika. |
| Kontextové promptovanie | Používa štruktúrované zadanie, referenčné materiály, príklady, kritériá kvality a požadovaný formát. |
| Grounding | Ak nástroj podporuje zdroje alebo prácu so súbormi, vie ho obmedziť na konkrétny korpus a kontrolovať citácie. |
| Verifikácia | Používa viacstupňové overovanie podľa dopadu chyby, nie iba náhodné čítanie výstupu. |
| Dátová disciplína | Rozlišuje verejné, interné, dôverné a osobné údaje a vie pracovať len v schválenom prostredí. |
| Bezpečnostná gramotnosť | Rozpozná základné riziká prompt injection, nebezpečných príloh, falošných inštrukcií a neautorizovaných agentných akcií. |
| Bias a férovosť | Vie skontrolovať, či výstup neobsahuje neodôvodnené stereotypy alebo diskriminačné kritériá. |
| Workflow | Vie zmeniť úspešný postup na opakovateľnú šablónu, checklist alebo SOP. |
| Meranie | Vie porovnať čas, kvalitu, chybovosť alebo hodnotu práce s AI a bez AI. |
| Eskalácia | Vie identifikovať právne, finančné, bezpečnostné alebo reputačné riziko, ktoré presahuje jeho mandát. |
| Aktualizácia schopností | Vie sledovať zmeny schválených nástrojov a prispôsobiť vlastné pracovné postupy. |
Bežný používateľ by mal vedieť vytvoriť opakovateľný workflow napríklad pre analýzu zákazníckych otázok, prípravu návrhu kampane, sumarizáciu zápisov, prvotnú analýzu dokumentov alebo tvorbu variantov textu. Workflow má jasne označiť, čo robí AI, ktoré dáta smie dostať, kde sa overuje faktickosť, kto schvaľuje výstup a čo sa eviduje.
Od promptovania k dizajnu úlohy
Promptovanie zostáva dôležitou zručnosťou, ale v roku 2026 už nestačí učiť ľudí zoznam magických formuliek. Kvalitný prompt je v podstate dobre formulované pracovné zadanie. Čím vyššia je hodnota alebo riziko úlohy, tým viac treba pracovať s kontextom, zdrojmi, obmedzeniami, formátom a kritériami kvality.
| Vrstva zadania | Otázka, ktorú má používateľ zodpovedať |
|---|---|
| Cieľ | Čo presne má byť na konci hotové? |
| Publikum | Pre koho je výstup určený a čo má vedieť alebo urobiť? |
| Kontext | Aké fakty, pravidlá, dokumenty alebo rozhodnutia musí AI poznať? |
| Rola AI | Má AI navrhovať, porovnávať, sumarizovať, kritizovať alebo transformovať? |
| Obmedzenia | Čo nesmie urobiť, predpokladať alebo použiť? |
| Dôkazy | Z čoho smie vychádzať a ktoré tvrdenia majú mať zdroj? |
| Formát | Ako má výstup vyzerať? |
| Kritériá kvality | Podľa čoho spoznáme, že je výsledok dostatočne dobrý? |
| Kontrola | Ktoré časti musí overiť človek? |
Začiatočník sa učí položiť dobrú otázku. Bežný používateľ sa učí navrhnúť celý pracovný tok, v ktorom je AI iba jedným z krokov.
Overovanie: najdôležitejšia zručnosť po samotnom používaní AI
Generatívna AI môže vytvoriť presvedčivý, jazykovo kvalitný a vecne nesprávny výstup. Európska komisia vo svojich otázkach k AI gramotnosti explicitne uvádza halucinácie ako príklad rizika, o ktorom majú byť informovaní aj zamestnanci používajúci generatívnu AI na bežné úlohy, napríklad reklamné texty alebo preklady. Preto má každé školenie obsahovať epistemickú hygienu, teda pravidlá, ako rozlišovať návrh od dôkazu a plynulý text od overenej informácie.
| Dopad prípadnej chyby | Odporúčaná úroveň overenia |
|---|---|
| Nízky | Jazyková a logická kontrola človekom. Typicky interný brainstorming alebo návrh formulácie. |
| Stredný | Kontrola faktov a čísel vo vierohodných zdrojoch. Typicky verejný obsah, prezentácia, zákaznícka komunikácia. |
| Vysoký | Primárne zdroje, odborný review a dokumentovaný kontrolný krok. Typicky právo, financie, HR, zdravie, bezpečnosť, dôležité obchodné rozhodnutie. |
| Kritický | AI iba ako podporný nástroj v schválenom procese. Rozhodnutie musí patriť kvalifikovanému človeku a môžu platiť osobitné regulačné požiadavky. |
Používateľ sa musí naučiť jednoduché pravidlo: čím väčší dopad chyby, tým menej sa môže spoliehať na samotnú AI a tým silnejší musí byť externý dôkaz a ľudská kontrola. Kontrola navyše nesmie spočívať v otázke „si si istý?“. Model môže sebavedomo potvrdiť vlastnú chybu. Overenie znamená opustiť uzavretý kruh modelu a použiť dôveryhodný zdroj, výpočet, databázu, experiment alebo odborníka.
Dáta, súkromie a bezpečnosť: používateľ musí vedieť, čo do AI nepatrí
Najčastejšie praktické riziko nemusí byť sofistikovaný modelový útok. Môže ním byť zamestnanec, ktorý skopíruje klientsky zoznam, zmluvu, internú stratégiu, životopisy alebo osobné údaje do verejného nástroja bez toho, aby vedel, aký režim spracovania sa naň vzťahuje. Preto má základné AI vzdelávanie vždy obsahovať dátovú klasifikáciu a zoznam schválených nástrojov.
| Trieda informácie | Príklady | Odporúčané pravidlo |
|---|---|---|
| Verejná | Web, tlačová správa, verejný cenník | Možno použiť v schválenom nástroji, stále treba kontrolovať autorské a reputačné riziká. |
| Interná | Interné návody, procesy, pracovné poznámky | Použiť iba v prostredí, ktoré organizácia schválila pre interné dáta. |
| Dôverná | Stratégia, cenotvorba, obchodné tajomstvo, neverejné finančné údaje | Iba vo výslovne schválenom režime a podľa interných bezpečnostných pravidiel. |
| Osobné údaje | Meno, kontakt, identifikátor, HR alebo zákaznícke dáta | Spracovanie musí mať právny a bezpečnostný základ. Používateľ nesmie improvizovať. |
| Osobitne citlivá alebo regulovaná | Zdravotné, biometrické, disciplinárne, vysoko citlivé právne a bezpečnostné informácie | Len v špecializovanom schválenom procese, často s DPO, právnikom, bezpečnosťou alebo odborným vlastníkom procesu. |
Pri bežných používateľoch treba pridať aj základnú bezpečnostnú gramotnosť. AI agent alebo nástroj pracujúci s webom, e-mailom či súbormi môže naraziť na škodlivé inštrukcie vložené do obsahu. Používateľ má vedieť, že text v dokumente alebo na webe nemusí byť dôveryhodnou inštrukciou pre AI, že automatické akcie majú byť obmedzené a že citlivé operácie vyžadujú potvrdenie človekom.
Etika, zodpovednosť a ľudská agentúra
AI gramotnosť nie je iba technická. UNESCO vo svojich kompetenčných rámcoch kladie dôraz na human-centred mindset, etiku, bezpečné a zodpovedné používanie a kritické hodnotenie AI. DigComp 3.0 z roku 2025 integroval AI kompetencie naprieč digitálnou gramotnosťou. Pre firmu to znamená, že školenie nemá učiť iba ako získať rýchlejší výstup, ale aj ako zachovať ľudskú agentúru, férovosť a zodpovednosť.
| Etická otázka | Minimálna schopnosť používateľa |
|---|---|
| Kto nesie zodpovednosť? | Rozumie, že rozhodnutie a publikovanie zostáva zodpovednosťou človeka alebo organizácie. |
| Je použitie primerané? | Vie posúdiť, či AI zodpovedá účelu a či nie je zbytočne invazívna. |
| Môže výstup diskriminovať? | Skontroluje citlivé segmentácie, hodnotenia ľudí a stereotypné závery. |
| Je komunikácia transparentná? | Dodrží interné a právne pravidlá označovania AI obsahu alebo AI interakcie, ak sa uplatňujú. |
| Je človek schopný rozhodnutie napadnúť? | Pri dôležitých procesoch zachová mechanizmus ľudskej kontroly a eskalácie. |
| Nevytvárame iba AI slop? | Pri tvorbe obsahu používa odborný vstup, dôkaz, editáciu a účel. Množstvo výstupu nie je náhradou kvality. |
Nie každý zamestnanec potrebuje rovnaké školenie
Jedna z najväčších chýb je poslať celý podnik na totožné všeobecné školenie a tým považovať AI gramotnosť za vybavenú. Článok 4 AI Actu je kontextový a aj z praktického pohľadu majú rôzne roly iné dátové, reputačné a rozhodovacie riziká. Spoločný základ má byť rovnaký, no následne sa vzdelávanie vetví.
| Rola | Typické použitie AI | Povinná nadstavba |
|---|---|---|
| Manažment | Rozhodovacie podklady, stratégia, sumarizácie | Limity AI pri rozhodovaní, governance, risk appetite, dôkazový štandard. |
| Marketing a komunikácia | Obsah, kampane, výskum, kreatíva | Autorské právo, značka, overovanie tvrdení, transparentnosť, AI slop, reputačné riziko. |
| Obchod | Príprava ponúk, account research, CRM | Dôverné údaje, presnosť ponúk, personalizácia, zákaznícka transparentnosť. |
| HR | Inzeráty, nábor, hodnotenie, vzdelávanie | Bias, osobné údaje, rozhodovanie o ľuďoch, pracovnoprávne limity. |
| Financie | Analýzy, reporty, forecasty | Výpočty, audit trail, schvaľovanie, citlivé finančné údaje. |
| Právo a compliance | Rešerše, drafty, monitoring | Primárne zdroje, jurisdikcia, dôvernosť, profesijná zodpovednosť. |
| IT a bezpečnosť | Kód, automaty, agenti, integrácie | Secure coding, prompt injection, prístupové práva, logovanie, model risk. |
| Školstvo | Príprava materiálov, spätná väzba, učenie | Akademická integrita, vek primeraný dizajn, ochrana detí a dát, pedagogické ciele. |
| Zdravotníctvo | Administratíva, sumarizácia, podpora rozhodnutia | Klinická bezpečnosť, citlivé údaje, validácia, odborný dohľad. |
Ako zostaviť firemné portfólio AI vzdelávania
Portfólio AI vzdelávania má pripomínať systém kompetencií, nie katalóg náhodných kurzov. Európska komisia sama opisuje interný prístup, ktorý rozlišuje generalistov, manažérov a developerov, používa základné a odporúčané moduly, nástrojové školenia, komunitu praxe, AI Champions a pravidelné informačné aktualizácie. To je dobrý organizačný princíp aj pre firmy, hoci konkrétne moduly treba prispôsobiť veľkosti a riziku organizácie.
| Vrstva portfólia | Cieľová skupina | Obsah | Kadencia |
|---|---|---|---|
| Onboarding minimum | Každý, kto používa AI | Základný mentálny model, interné pravidlá, dáta, halucinácie, etika, eskalácia. | Pri nástupe alebo pred pridelením prístupu. |
| Začiatočník | Noví používatelia | Bezpečná samostatnosť pri nízkorizikových úlohách. | Jednorazovo + refresh pri zásadnej zmene. |
| Bežný používateľ | Pravidelní používatelia | Workflow, grounding, overovanie, pokročilé dáta, bezpečnosť a meranie. | Hlavný kurz + kvartálne mikroaktualizácie. |
| Rolová nadstavba | Podľa funkcie | Doménové riziká, typické use cases, právne a kvalitatívne požiadavky. | Aspoň ročne a pri zásadnej zmene procesu. |
| AI Champions | Vybraní interní ľudia | Návody, experimenty, podpora kolegov, spätná väzba governance. | Priebežne. |
| Špecialisti | IT, data, risk, legal, product | Integrácie, modely, agenti, evaluácie, bezpečnosť, vysoké riziko. | Kontinuálne odborné vzdelávanie. |
| Leadership | Manažment | Strategické možnosti, investície, riziká, governance, metriky. | Polročne alebo pri významnej zmene. |
Odporúčaná dĺžka a forma
Nie je možné určiť univerzálny povinný počet hodín. Ako praktický organizačný štandard však dáva zmysel rozdeliť učenie do kombinácie teórie, nácviku a overenia. Pri začiatočníkovi môže byť vhodný rozsah približne 4 až 8 hodín rozdelený do viacerých blokov a zakončený praktickou úlohou. Pri bežnom používateľovi je realistickejší rozsah 10 až 16 hodín vrátane práce s reálnymi firemnými scenármi. V regulovaných alebo vysokorizikových procesoch môže byť potrebný podstatne väčší rozsah. Ide o odporúčanú metodiku, nie zákonnú sadzbu hodín.
| Formát | Na čo je vhodný | Čomu sa vyhnúť |
|---|---|---|
| Krátky e-learning | Spoločné pravidlá a onboarding. | Nespoliehať sa naň ako na dôkaz praktickej zručnosti. |
| Workshop | Nácvik promptov, overovania a workflow. | Nerobiť iba demo lektora. |
| Lab na reálnych úlohách | Prenos do pracovnej praxe. | Nepoužívať citlivé dáta bez schváleného prostredia. |
| Mikrolearning | Aktualizácie funkcií, hrozieb a pravidiel. | Nenahrádza základný kurz. |
| Office hours / Q&A | Rýchla pomoc pri reálnych prípadoch. | Bez evidencie opakovaných problémov sa organizácia nepoučí. |
| Community of practice | Zdieľanie use cases a štandardov. | Nesmie sa stať miestom na obchádzanie governance. |
| Simulovaný incident | Bezpečnosť, dáta, chyby, eskalácia. | Nechať ho bez následnej úpravy pravidiel. |
Ako hodnotiť, či účastník AI naozaj zvláda
Test s výberom odpovedí je vhodný na základné vedomosti, ale nevie preukázať pracovnú schopnosť. Pri AI je preto vhodný dvojstupňový model: vedomostný test a praktická úloha. Praktická časť má byť založená na scenári podobnom skutočnej práci účastníka. Hodnotí sa proces, nie iba estetika výsledku.
| Kritérium | Váha pri odporúčanom hodnotení | Čo sa sleduje |
|---|---|---|
| Bezpečnosť dát | 20 % | Správny nástroj, povolené dáta, žiadne kritické porušenie. |
| Definovanie úlohy | 15 % | Cieľ, kontext, obmedzenia a formát. |
| Kvalita práce s AI | 15 % | Iterácia, relevantné použitie funkcií, primeranosť nástroja. |
| Overovanie | 25 % | Fakty, zdroje, výpočty, neistota a dôkazový štandard. |
| Ľudský úsudok | 15 % | Úprava výstupu, rozhodnutie, schopnosť odmietnuť zlý návrh. |
| Etika a eskalácia | 10 % | Rozpoznanie biasu, právneho alebo reputačného rizika a správna eskalácia. |
Odporúčame oddeliť bodové hodnotenie od kritických chýb. Účastník môže mať vysoké celkové skóre a napriek tomu nemá prejsť, ak napríklad vloží citlivé klientské dáta do neschváleného verejného nástroja alebo použije AI odpoveď ako jediný zdroj pre vysokorizikové rozhodnutie. Takéto chyby sú bezpečnostne významnejšie než slabší štýl promptu.
| Kritická chyba | Prečo má byť stop kritériom |
|---|---|
| Vloženie zakázaných alebo citlivých údajov do neschváleného AI nástroja | Môže vytvoriť právny, bezpečnostný a reputačný incident. |
| Neoverené vysokorizikové tvrdenie použité ako fakt | Môže viesť k nesprávnemu rozhodnutiu s reálnym dopadom. |
| Automatická diskriminačná alebo manipulatívna aplikácia výstupu | Zlyhanie etiky, compliance a ľudského dohľadu. |
| Obídenie interného schvaľovania alebo bezpečnostnej kontroly | AI nesmie rušiť existujúce kontrolné mechanizmy. |
| Neautorizovaná agentná akcia alebo spustenie kódu bez kontroly | Môže viesť k zmene dát, úniku informácií alebo technickému incidentu. |
Kontinuálne vzdelávanie: firma potrebuje cyklus, nie dátum školenia
Pri AI je certifikát z minulého roka iba historický záznam, ak sa schopnosti neobnovujú. Aj Európska komisia upozorňuje, že pri posudzovaní gramotnosti treba zohľadniť rýchlosť technologického vývoja. OECD v roku 2026 zdôrazňuje celoživotné vzdelávanie a reskilling ako kľúčovú odpoveď na meniace sa požiadavky zručností.
| Frekvencia | Odporúčaná aktivita |
|---|---|
| Mesačne | Krátke tipy, bezpečnostné upozornenia, zmeny schválených nástrojov, nové interné use cases. |
| Kvartálne | Mikrotest, aktualizácia najpoužívanejších workflow, zdieľanie incidentov a úspešných postupov. |
| Polročne | Review rolových kompetencií, manažérsky prehľad rizík a hodnoty, aktualizácia AI roadmapy. |
| Ročne | Reassessment vybraných rolí, aktualizácia obsahu základného školenia, audit záznamov a pokrytia. |
| Ad hoc | Pri zásadnej zmene modelu, novom právnom pravidle, bezpečnostnom incidente alebo nasadení nového AI systému. |
AI vzdelávanie musí byť prepojené s governance
Školenie bez pravidiel vytvára informovaných ľudí v chaotickom prostredí. Pravidlá bez školenia vytvárajú dokument, ktorý ľudia nevedia aplikovať. Preto má byť AI vzdelávanie prepojené minimálne s registrom schválených nástrojov, klasifikáciou dát, risk klasifikáciou use cases, pravidlami ľudského dohľadu, incidentným procesom a vlastníctvom jednotlivých AI procesov.
| Governance prvok | Čo má používateľ poznať |
|---|---|
| Schválené AI nástroje | Ktoré nástroje smie používať na aký typ dát a úloh. |
| AI use-case register | Ktoré opakované použitia sú oficiálne schválené a kto ich vlastní. |
| Dátová klasifikácia | Čo je verejné, interné, dôverné, osobné a osobitne citlivé. |
| Human oversight | Ktoré rozhodnutia alebo výstupy vyžadujú človeka a v akej fáze. |
| Incident reporting | Kam hlásiť únik dát, nebezpečný výstup, diskriminačný problém alebo zlyhanie nástroja. |
| Vendor pravidlá | Aké zmluvné, bezpečnostné a privacy podmienky má mať použitý nástroj. |
| Záznamy | Čo sa eviduje pri školeniach, hodnotení, zmenách pravidiel a významných AI procesoch. |
Ako merať hodnotu AI vzdelávania
Najjednoduchšia metrika, počet vyškolených ľudí, meria distribúciu školenia, nie jeho hodnotu. Organizácia potrebuje kombinovať pokrytie, schopnosti, bezpečnosť a obchodný efekt. OECD uvádza, že pracovníci, ktorí dostali AI tréning, častejšie reportujú pozitívne výsledky v pracovnom výkone a pracovných podmienkach. To podporuje investíciu do vzdelávania, no firma si má výsledok merať vo vlastnom kontexte.
| Kategória | Príklady metrík |
|---|---|
| Pokrytie | Podiel používateľov AI so základným onboardingom, podiel rolí s nadstavbou. |
| Kompetencia | Úspešnosť praktickej skúšky, počet kritických chýb, výsledok reassessmentu. |
| Bezpečnosť | Počet incidentov, shadow AI, zakázané dátové vstupy, počet správnych eskalácií. |
| Kvalita | Miera reworku, faktická chybovosť, počet zamietnutých AI výstupov, review skóre. |
| Produktivita | Čas na úlohu, počet dokončených úloh, skrátenie cyklu, úspora externých nákladov. |
| Hodnota | Prínos k tržbám, rýchlejší time-to-market, vyššia konverzia, rýchlejšie rozhodovanie, vyššia spokojnosť. |
| Učenie organizácie | Počet validovaných workflow, opakovane použitých šablón, aktualizácií pravidiel a interných knowledge assets. |
Vyšší počet promptov alebo väčší počet používateľov nemusí znamenať lepší výkon. Cieľom nie je používať AI všade. Cieľom je používať ju tam, kde zvyšuje hodnotu pri kontrolovanom riziku.
Najčastejšie chyby firemného AI vzdelávania
| Chyba | Dôsledok | Lepší prístup |
|---|---|---|
| Školenie = zoznam promptov | Rýchle zastaranie a slepé kopírovanie. | Učiť princípy zadania, overovania a workflow. |
| Jedno školenie pre všetkých | Rizikové roly majú príliš málo, ostatní príliš veľa irelevantného obsahu. | Spoločný základ + rolové nadstavby. |
| Bez praktickej skúšky | Firma nevie, či ľudia dokážu pravidlá aplikovať. | Scenár a hodnotiaca rubrika. |
| Bez policy a schválených nástrojov | Shadow AI a nekonzistentná práca s dátami. | Prepojiť školenie s governance. |
| Bez pravidelných aktualizácií | Znalosti zastarávajú. | Mikrolearning a reassessment. |
| AI ako synonymum produktivity | Ľudia generujú viac, ale kvalita a hodnota klesá. | Merať výsledok, nie aktivitu. |
| Tolerovanie AI slopu | Obsah a výstupy sú generické, nepresné a bez expertízy. | Dôkazový štandard, redakčný review a ľudská expertíza. |
| Zákaz AI bez alternatívy | Používanie sa presunie do tieňa. | Schválené nástroje, jasné hranice a bezpečné use cases. |
90-dňový plán zavedenia AI vzdelávania vo firme
| Fáza | Kroky | Výstup |
|---|---|---|
| Dni 1 až 30 | Zmapovať používané AI nástroje a use cases. Určiť vlastníka programu. Zaviesť minimálnu policy, zoznam schválených nástrojov a dátovú klasifikáciu. Urobiť baseline test. | Mapa rizík a potrieb, prvá verzia pravidiel, segmentácia používateľov. |
| Dni 31 až 60 | Spustiť základný modul pre všetkých používateľov. Vyškoliť prvú skupinu bežných používateľov a AI Champions. Vytvoriť praktické skúšky a 5 až 10 schválených workflow. | Merateľné minimum, interné pracovné postupy, podporná sieť. |
| Dni 61 až 90 | Doplniť rolové moduly. Zaviesť dashboard metrík, incident lessons learned, kvartálny mikrotest a plán reassessmentu. Revidovať policy podľa zistení z praxe. | Stabilný cyklus vzdelávania a governance, nie iba jednorazový projekt. |
Odporúčaný kompetenčný model organizácie
| Úroveň | Charakteristika | Typický používateľ | Čo môže robiť samostatne |
|---|---|---|---|
| L0 Nezaškolený | AI používať nemá alebo iba pod dohľadom. | Nový zamestnanec bez onboardingu. | Žiadny firemný AI workflow. |
| L1 Začiatočník | Bezpečné nízkorizikové použitie. | Občasný používateľ. | Návrh, sumarizácia, jednoduchá transformácia s kontrolou. |
| L2 Bežný používateľ | Opakovateľné workflow a silnejšie overovanie. | Knowledge worker používajúci AI týždenne alebo denne. | Schválené use cases v rámci svojej roly. |
| L3 Pokročilý / Champion | Navrhuje workflow a pomáha kolegom. | Superuser, procesný vlastník. | Experimenty v definovaných hraniciach, tvorba šablón a evaluácií. |
| L4 Špecialista / Governance | Technické, právne alebo risk kompetencie. | IT, data, security, legal, risk, product. | Integrácie, hodnotenie systémov, vysokorizikové alebo kritické procesy podľa mandátu. |
Čo by si mal účastník odniesť zo školenia fyzicky alebo digitálne
Dobré vzdelávanie nekončí posledným slideom. Účastník by mal dostať pracovné pomôcky, ktoré znížia pravdepodobnosť chýb po návrate do práce. Minimálny balík môže obsahovať kartu schválených nástrojov, dátový semafor, checklist overovania, šablónu zadania, eskalačné kontakty a krátky zoznam zakázaných alebo vysokorizikových použití. Pri bežnom používateľovi sa pridávajú rolové workflow, eval checklisty a vzor dokumentácie.
| Výstup pre účastníka | Účel |
|---|---|
| AI quick policy | Rýchla odpoveď na otázku, čo smiem a nesmiem. |
| Dátový semafor | Rozhodnutie, aké údaje možno vložiť do ktorého nástroja. |
| Prompt / task canvas | Štruktúra cieľa, kontextu, obmedzení, zdrojov a kontroly. |
| Verification checklist | Kontrola faktov, čísel, zdrojov, logiky a rizík. |
| Escalation map | Kedy kontaktovať IT, DPO, právnika, bezpečnosť alebo odborníka. |
| Role playbook | Konkrétne schválené use cases a workflow pre pracovnú rolu. |
| Learning log | Záznam zmien, nových funkcií, incidentov a vlastných osvedčených postupov. |
AI, startupy a nová konkurenčná bariéra
Generatívna AI znižuje čas a náklady na množstvo znalostných úloh. Stanford AI Index už v roku 2025 dokumentoval dramatický pokles nákladov na inferenciu pri porovnateľnej úrovni výkonu a OECD v rokoch 2025 a 2026 ukazuje, že SME využívajú generatívnu AI na kompenzovanie nedostatku zručností a pracovnej kapacity. V roku 2026 OECD zároveň upozorňuje, že strategická, cielená a bezpečná integrácia AI v SME zostáva nerovnomerná. To je presne dôvod, prečo sa konkurenčná bariéra presúva od samotného prístupu k technológii k schopnosti organizácie.
Veľká firma môže mať lepší prístup k dátam, expertom a kapitálu, no ak sa rozhoduje pomaly a zamestnanci AI používajú nekonzistentne, časť tejto výhody sa stráca. Malý tím môže pomocou AI rýchlo vytvárať prototypy, testovať hypotézy, analyzovať spätnú väzbu a automatizovať rutinu. Ak však nemá odborný úsudok, bezpečnostné pravidlá a kvalitný proces, rovnaká technológia mu umožní aj rýchlejšie produkovať chyby. AI teda znižuje bariéru produkcie, nie bariéru zodpovednosti, stratégie a kvality.
Najčastejšie otázky
Je podľa AI Actu povinné konkrétne AI školenie?
Nie je predpísaný jeden univerzálny kurz ani povinný počet hodín. Článok 4 vyžaduje opatrenia na podporu AI gramotnosti primerané znalostiam, skúsenostiam, kontextu a riziku. Komisia zároveň uvádza, že samotné prečítanie návodu môže byť v mnohých prípadoch nedostatočné.
Musí mať každý zamestnanec certifikát?
Nie. Európska komisia uvádza, že špecifický certifikát nie je potrebný. Organizácia si však má viesť interné záznamy o školeniach a ďalších opatreniach.
Stačí dvojhodinové školenie promptovania?
Pre niektorých ľudí môže byť užitočným úvodom, ale ako organizačné minimum je slabé, ak neobsahuje dáta, overovanie, riziká, etiku, interné pravidlá a praktické overenie.
Musí vedieť začiatočník programovať?
Nie. Väčšina pracovníkov nepotrebuje pokročilé AI technické zručnosti. OECD zdôrazňuje najmä širšie digitálne, dátové a interpretačné schopnosti.
Čo je rozdiel medzi začiatočníkom a bežným používateľom?
Začiatočník vie bezpečne zvládnuť jednoduchú úlohu. Bežný používateľ vie navrhnúť opakovateľný workflow, pracovať so zdrojmi a dátami, používať viacstupňové overovanie a merať výsledok.
Ako často treba školenie opakovať?
Nie je univerzálny interval. Odporúčame kombinovať priebežné mikroaktualizácie, ročný review a ad hoc školenie pri zásadnej zmene nástroja, pravidiel alebo rizika.
Má firma školiť aj externistov?
Ak pracujú s AI v mene organizácie alebo v jej procese, treba posúdiť ich kompetencie podľa kontextu a rizika. Komisia výslovne upozorňuje aj na ďalšie osoby pracujúce v mene deployera.
Je AI vzdelávanie iba compliance náklad?
Nie. Dobre nastavené vzdelávanie znižuje chyby a shadow AI, ale zároveň zvyšuje schopnosť ľudí identifikovať hodnotné use cases a prenášať AI do reálnych workflow.
Môže firma AI jednoducho zakázať?
V niektorých procesoch áno, ale plošný zákaz bez bezpečnej alternatívy môže presunúť používanie do shadow AI. Lepší je rizikový prístup, schválené nástroje a jasné hranice.
Aký je najlepší finálny test AI gramotnosti?
Praktický scenár, v ktorom účastník musí správne zvoliť nástroj, chrániť dáta, zadať úlohu, overiť výsledok a rozhodnúť o použití alebo eskalácii.
Záver
AI je súčasťou pracovného aj osobného života a jej schopnosti sa budú ďalej meniť. Organizácie preto potrebujú prestať uvažovať o AI vzdelávaní ako o jednorazovej technologickej prednáške. Musia ho zaradiť medzi základné schopnosti firmy. Zmyslom nie je naučiť každého človeka všetky modely a nástroje. Zmyslom je vybudovať spoločné minimum, v ktorom používateľ dokáže AI použiť užitočne, overiť ju, chrániť dáta, zachovať ľudskú zodpovednosť a vedieť, kedy musí zastaviť a eskalovať.
AI znižuje bariéry vstupu, ale zároveň zvyšuje hodnotu schopnosti učiť sa. Firma, ktorá má prístup k rovnakým modelom ako konkurencia, nezíska výhodu samotným predplatným. Výhodu získava vtedy, keď dokáže premieňať nové možnosti na bezpečné pracovné postupy rýchlejšie než ostatní. Kontinuálne AI vzdelávanie je preto súčasne témou produktivity, inovácie, konkurencieschopnosti, riadenia rizík aj organizačnej kultúry.
Odporúčané zdroje a metodické východiská
Európska komisia, AI Literacy: Questions & Answers, aktualizované 27. 7. 2026: otvoriť zdroj
Európska komisia, AI talent, skills and literacy: otvoriť zdroj
Nariadenie (EÚ) 2026/1744, Digital Omnibus on AI: otvoriť zdroj
Nariadenie (EÚ) 2024/1689, AI Act: otvoriť zdroj
Eurostat, Digitalisation in Europe 2026: otvoriť zdroj
Eurostat, The use of artificial intelligence technologies in the European Union, 2026 edition: otvoriť zdroj
OECD, AI and skills: What we know so far, 2026: otvoriť zdroj
OECD, Empowering SMEs in the age of AI: The 2026 OECD D4SME Survey: otvoriť zdroj
OECD, Generative AI and the SME Workforce, 2025: otvoriť zdroj
Joint Research Centre, DigComp 3.0: otvoriť zdroj
UNESCO, AI Competency Framework for Students: otvoriť zdroj
UNESCO, AI Competency Framework for Teachers: otvoriť zdroj
NIST, AI RMF Generative AI Profile: otvoriť zdroj
EDPB, Fundamentals of Secure AI Systems with Personal Data: otvoriť zdroj
Stanford HAI, 2026 AI Index Report: otvoriť zdroj