Tiché poznání podle CCR

Po 10 letech se vracíme k problematice tzv. tichého poznání. Nejprve si připomeňme, jak jsme si ho definovali: „Tiché poznání (tacit knowledge) je individuální součást schopností člověka, jejíž podobu nelze jednoznačně vyjádřit, pro její vytvoření nelze použít jednoduché postupy a nelze ji ověřovat tradičními testy. Patří sem dovednosti, zkušenosti, vcítění, intuice, úsudek, odbornost apod.“ (Tiché poznání v online světě).

Jsme si vědomi toho, že vzdělávání musí hledat mezi explicitním (tvrdým, definovatelným) a tichým (tacitním, měkkým, nedefinovatelným) poznáním rovnováhu. Rozvoj technologií přináší změny, které vyvolávají potřebu tuto problematiku revidovat. Konstatovali jsme již před 10 lety, že právě tiché poznání se získává nesnadněji a že by bylo dobré, kdyby se mu věnovalo více výzkumné pozornosti. Bostonské Centrum pro rekonstrukci kurikula (Center for Curriculum Redesign) se zjevně snaží tento deficit snížit. Vydalo studii svého vědeckého pracovníka, bývalého šéfa Centra pro pedagogický výzkum OECD Dirka Van Dammeho s názvem Tacit Knowledge, Human Cognition and Artificial Intelligence [1]. Navazuje tím na dřívější práci, která se zabývala změnami vzdělávání vyvolanými nástupem AI obecněji (Vliv AI na kognitivní schopnosti lidí).

Nejnovější studie se věnuje specificky významu a proměně tichých znalostí v éře digitálních technologií a umělé inteligence. Změnu přístupu k tichým znalostem ve vzdělávání naznačuje následující tabulka.

	Tradiční formy	Technologicky orientované	Hybridní integrované formy
Znalost	Internalizace obsahu	Externí přístup	Internalizace, strukturace a aplikace znalostí
Postup	Memorování a opakování	Použití nástrojů, řešení úkolů	Transformace znalostí do expertizy
Role AI	Vnější	Náhrada myšlení	Partner vyžadující ověření
Cíl	Získávání znalostí	Efektivita	Rozvoj odbornosti
Tiché poznání	Skryté a nedefinované	Není řešeno	Zásadní význam pro interpretaci, transfer a odpovědnost

Postavení tichého poznání v různých formách vzdělávání

Studie vysvětluje, jak důležité jsou pro lidskou odbornost takové schopnosti, jako je intuice, zkušenost a úsudek, které nelze snadno přenést do kódu a automatizovat (viz Polanyiho paradox). Nástup moderní AI, zejména hlubokého učení a velkých jazykových modelů (LLM), toto tradiční pojetí zásadně rekonfiguruje. Stroj sice postrádá skutečné porozumění, tělesnou zkušenost a etickou odpovědnost, stále více však dokáže díky AI tiché poznání efektivně napodobovat.

Základní znalosti jsou stále důležité. Patří k nim ty, které lze formulovat, formalizovat, měřit a zpracovávat stroji. Jejich externalizace, automatizace a standardizace však mění podmínky, za nichž je získáván a udržován tichý úsudek. AI se stále více přibližuje vybraným dimenzím tichých znalostí prostřednictvím statistického učení, latentních reprezentací a interakce s lidmi. Takto vygenerovaná aproximace však není ekvivalentní lidskému tichému porozumění, které zůstává založeno na zkušenosti, významu a odpovědnosti. Díky AI však dochází k jeho proměně.

Tiché poznání je zakotveno ve zkušenosti, formováno kontextem, uplatňováno v praxi a udržováno prostřednictvím účasti v komunitách. Umožňuje lidem rozpoznávat vzorce, interpretovat situace, přizpůsobovat pravidla okolnostem, spolupracovat s ostatními a jednat v nejistotě. Tiché poznatky proto nejsou jen nějakým vedlejším produktem znalostně orientovaného učení, jsou jednou z podmínek, které činí získané znalosti použitelnými.

AI se učí prostřednictvím vzorů z rozsáhlých dat, nikoli z formálních pravidel. Může generovat výstupy, které se zdají být závislé na formách úsudku, interpretace a kontextové citlivosti tradičně spojované s tichými znalostmi. Velké jazykové modely zpochybňují předpoklad, že znalosti musí být nejprve explicitně kodifikovány, než je mohou operacionalizovat stroje.

Technologická inovace však neovlivňuje tiché znalosti jednotně. Její účinky jsou ambivalentní. Některé technologie mohou tiché znalosti externalizovat, uchovávat nebo redistribuovat, jiné oslabují zkušenostní, ztělesněné, sociální a mezigenerační vztahy, jimiž se tiché znalosti získávají a udržují.

To znamená, že je třeba zkoumat vnitřní diferenciaci tichých znalostí. Některé jejich dimenze zanechávají stopy v jazyce, chování, rutinách, profesních postupech nebo senzomotorických vzorcích, a proto je lze částečně externalizovat, modelovat nebo statisticky aproximovat. Jiné dimenze zůstávají hluboce spjaty s provedením, prožitou zkušeností, sociální účastí, identitou, etickou odpovědností a zodpovědným úsudkem. Ústřední otázkou tedy není, zda tiché znalosti lze či nelze kodifikovat, ale které dimenze tichých znalostí lze zachytit za jakých podmínek a co se v tomto procesu transformuje nebo ztrácí.

Oblast	Přenositelnost na AI	Důvod	Příklady
Definovatelnost	Částečná	Některé implicitní znalosti lze vyjádřit jako pravidla, kontrolní seznamy, příklady nebo protokoly.	Kontrolní seznamy, právní směrnice, profesní pravidla.
Ztělesnění	Nízká až střední	Omezená možnost vyjádření textem; robotika a senzory dokážou aproximovat některé procedurální a percepční prvky.	Robotická manipulace, fyzické vyšetření, řemeslné dovednosti, řízení vozidel.
Kognitivní	Střední	LLM dokáže odvodit vzorce uvažování z textů a případů, ale postrádá plné kontextové ukotvení.	Diagnóza nemoci, právní argumentace, odborná zpětná vazba.
Sociální	Střední	Organizační rutiny a normy lze částečně odvodit z komunikačních a pracovních dat, ale skutečné zapojení je stále obtížné napodobit.	Koordinace týmu, pracovní rutiny, profesní kultura.
Mechanická	Střední	Přístroje, pracovní postupy a prostředí lze modelovat pomocí dat, senzorů a digitálních dvojčat.	Laboratorní systémy, průmyslové procesy, klinické pracovní postupy.
Vyjádřitelnost	Vysoká	LLM jsou obzvláště silné tam, kde je implicitní znalost vyjádřena prostřednictvím příběhů, případů, dialogu a písemné komunikace.	Mentorování prostřednictvím vyprávění, kazuistik, obchodních rozhovorů, anamnéz pacientů.
Osobnostní	Nízká až střední	Normy lze popsat nebo simulovat, ale povinnosti, identita a odpovědnost zůstávají lidské a institucionální.	Právní odpovědnost, lékařská etika, autorita učitele, profesní identita.

Přenositelnost různých složek tichého poznání na AI

Tradiční pojetí předpokládalo, že pro automatizaci jakékoli znalosti je nutné ji nejprve explicitně reprezentovat a popsat. Generativní AI a strojové učení však přesouvají základy automatizace od kodifikace ke statistickému učení. Tyto systémy již nevyžadují, aby jim lidé předepisovali pravidla, místo toho se učí rozpoznávat vzorce a pravidelnosti přímo z obrovských souborů lidských dat, textů, obrázků a interakcí.

I když lidé nedokážou své tiché poznání přímo popsat a vtělit do příruček či standardů, toto poznání zanechává husté „stopy“ v jejich pozorovatelném chování a komunikaci. Tyto stopy se projevují například v zápisech lékařských diagnóz, právních argumentech, vědeckých diskusích nebo mentorských dialozích. AI systémy se z takových stop dokážou učit a následně generovat kontextově citlivé odpovědi nebo řešit komplexní úkoly bez explicitních instrukcí, čímž funkčně obcházejí nutnost přímé kodifikace.

Hranice automatizace se již neodvíjí od toho, zda je úkol „rutinní“, či zda ho lze explicitně popsat slovy. Novým měřítkem pro to, jak úspěšně dokáže AI aproximovat lidské tiché poznání, se stávají dva rozměry:

• Hustota vzorců (pattern density): Míra, do jaké jsou vztahy mezi vstupy a výstupy úkolu bohatě reprezentovány v tréninkových datech.

• Ověřitelnost výstupů (verifiability): Rozsah, v jakém lze vygenerované výsledky snadno hodnotit, korigovat a vylepšovat.

Pokud má úkol vysokou hustotu vzorců a jeho výstupy jsou dobře ověřitelné, AI v něm dokáže vysoce efektivně napodobit expertní úsudek. To znamená, že je třeba změnit (rekonfigurovat) pohled na tiché poznání. Důsledky pro vzdělávání jsou značné. Ve věku AI se vzdělávání nesmí vzdát získávání znalostí, ale musí posílit rozvoj integrované odbornosti – schopnost kombinovat explicitní znalosti, tichý úsudek, externí kognitivní nástroje a odpovědné lidské konání (hybridní forma).

Studie se v závěrečné části zabývá důsledky pro vzdělávání blíže. Navrhuje v reakci na nástup AI zásadní transformaci celého vzdělávacího systému. Návrh má několik pilířů.

• Rozvoj „integrované expertízy“
  Tradiční vzdělávání často staví do protikladu získávání teoretických znalostí a rozvoj měkkých dovedností (kompetencí). Novým cílem má být rozvoj integrované expertízy, tj. propojení znalostí, tichého úsudku, externích kognitivních nástrojů (včetně AI) a odpovědného lidského jednání.

• Zachování kurikula bohatého na znalosti
  Nástup AI nesnižuje význam lidských znalostí, naopak jej zvyšuje. Školy nesmí rezignovat na výuku faktů a konceptů v jazycích, matematice, vědách, historii či umění. Pokud žáci nemají v dlouhodobé paměti bohaté, strukturované znalosti, nedokážou formulovat smysluplné otázky pro AI, rozpoznat relevanci a správnost jejích odpovědí, ani odhalit její zkreslení, halucinace či opomenutí. Znalosti se musí do mysli žáka hluboce internalizovat (vstřebat), aby se mohly proměnit v intuitivní, tichý úsudek použitelný v praxi.

• Záměrné budování tichého poznání
  Vzhledem k tomu, že se tiché poznání rozvíjí pouze přímou praxí, musí výuka poskytovat strukturované příležitosti pro jeho vznik. To vyžaduje zařazení metod, jako je řešení komplexních problémů, diskuse nad případovými studiemi, experimentování, interpretace nejednoznačných důkazů a týmová spolupráce, kde mechanická aplikace pravidel selhává.

• Reforma způsobu hodnocení
  Pokud má výuka rozvíjet lidský úsudek a tiché poznání, musí se změnit i způsob ověřování výsledků. Hodnocení se již nemůže soustředit pouze na konečné produkty či správné odpovědi (které žáci snadno získají od AI). Musí se hodnotit samotný proces uvažování, obhajoba rozhodnutí, interpretace, vyhodnocování zdrojů, spolupráce a způsob, jakým žáci korigují a využívají výstupy AI.

• Pětivrstvý model kognitivní kompetence pro revizi kurikula
  Studie navrhuje strukturovat školní kurikulum podle pěti úrovní kognitivních kompetencí, které zohledňují, jak AI ovlivňuje různé lidské schopnosti. Přehledně je tento model popsán prostřednictvím následující infografiky generované s pomocí Gemini Notebooku. Povšimněte si menšího posunu od původního návrhu CCR, který v eoce 2015 mluvil o převráceném kurikulu (Převrácené čtyřrozměrné kurikulum). Dnes se již nejedná přímo o převracení, ale o „rekonfiguraci“. Na vrcholu zůstává meta-kompetence.

Infografika na základě studie vytvořená Gemini Notebookem

Hlavním závěrem je, že moderní vzdělávání musí posilovat schopnost kritického úsudku, aby lidé dokázali inteligentní systémy zodpovědně ovládat, nikoli jimi být nahrazeni. Tato analýza tak redefinuje vztah mezi lidskou kognicí a stroji v kontextu budoucího rozvoje expertních dovedností.

Ukazuje se, že nástup AI vytváří nové formy tichých znalostí. Některé z nich mohou být převzaty stroji, jiné nikoli. Statistické učení, latentní reprezentace, modely světa a ztělesněné systémy umělé inteligence mění vztah mezi tichou znalostí a strojovým poznáváním. Dochází k prudkému vývoji této problematiky, to znamená, že bude nezbytné ji nadále blíže zkoumat.

Zdroje:
Dirk Van Damme et al. (2026). Tacit Knowledge, Human Cognition and Artificial Intelligence. Center for Curriculum Redesign.
https://curriculumredesign.org/wp-content/uploads/Tacit-Knowledge-CCR.pdf

Zuckerbergova budoucnost pro všechny

Mark Zuckerberg nám všem poslal 10. srpna dopis [1], který stojí za přečtení. Vyberu to nejdůležitější.

---

Máme štěstí, že žijeme v neuvěřitelném historickém okamžiku. V příštích několika letech budou lidé schopni využívat superinteligenci nad rámec lidských schopností k vytváření a objevování mimořádných nových věcí, budování nových podniků, vyjadřování nových myšlenek, učení se novým konceptům a zlepšování našeho zdraví a kvality života. Jak se k tomuto okamžiku blížíme, je důležité rozvíjet to, jak můžeme superinteligenci nejlépe využít ke zlepšení našich životů, práce, komunit, svobody a bezpečnosti.

Rozhodující otázkou naší doby je, kdo bude mít přístup k superinteligenci a na co ji použijeme. Bude centralizovaná a omezená na několik institucí, nebo bude nástrojem, který umocní každého?

Navrhujeme (Meta) filozofii založenou na posílení postavení jednotlivce jako zdroje prosperity, na vynálezech jako primárním účelu superinteligence a na rovnováze sil jako základu bezpečnosti. Všechny nové technologie vytvářejí příležitosti i výzvy. Superinteligence bude patřit mezi nejdůležitější technologie v historii, takže její příležitosti a výzvy budou pravděpodobně větší než jakékoli, které jsme dosud viděli. Měli bychom to brát velmi vážně.

Lidstvo zažilo mnoho převratných technických změn. Pokaždé existuje strach, že lidé zůstanou pozadu. Ale pokaždé to většině lidí přineslo větší prosperitu, zdraví a svobodu. Věříme, že to tak bude i s umělou inteligencí a že přínos bude v budoucnosti moci sdílet každý. Také věříme, že hodnoty, které nás dovedly až sem – jako je svoboda, otevřené bádání, svobodné podnikání a rovné příležitosti – jsou zároveň správnými hodnotami pro budování pozitivní budoucnosti.

Největšího pokroku lidstvo dosáhlo tím, že do rukou lidí vložilo moc, aby mohli naplňovat své vlastní aspirace. Jakmile všichni získají výkonnější nástroje, každý člověk se stane schopnějším utvářet budoucnost. Největším přínosem superinteligence nebude automatizace, ale objevování nového.

S tím, jak se inteligence rozšíří, nejdůležitější otázkou bude, jak ji budeme řídit. Někteří tvrdí, že samotná superinteligence nebo malá skupina expertů, kteří ji ovládají, by měla rozhodovat o tom, co je pro lidstvo nejlepší. My s tím nesouhlasíme. Historie demokracie a ekonomie ukázala, že neexistuje jediná objektivní odpověď na to, jak si lidé definují nejlepší život, a proto je nejlepším přístupem nechat lidi rozhodovat o tom, na čem v jejich vlastních životech záleží.

Věříme, že zpřístupnění superinteligence všem je způsob, jak na tuto otázku odpovědět. To navazuje na tradici všudypřítomných digitálních technologií. Teď může každý schopnosti superpočítačů a internetu dostat do kapsy. Spíše než centralizovat superinteligenci, měli bychom ji široce distribuovat a dát každému člověku možnost ji ovládat. Tak se otevírá potenciál nové éry osobního umocnění, kde jednotlivci mohou tento nový mocný nástroj využít k dosažení svého plného potenciálu, k naplňování svých zájmů a ke zlepšení svých životů a světa více než kdykoli předtím.

Meta se snaží budovat naznačený cíl několika konkrétními způsoby:

• Mimořádně schopný osobní agent, který uživatelům rozumí.
  Tento agent bude pracovat 24 hodin denně, 7 dní v týdnu jejich jménem, ​​aby zlepšil jejich vztahy, zdraví, kariéru, finance, správu domácnosti, koníčky a další. Uvolní čas na věci, které je baví, a pomůže jim dosáhnout dále, než by jinak dokázali. Bude mít silné možnosti ochrany soukromí a zabezpečení, takže mu lze důvěřovat, že se postará o veškerý osobní obsah s vědomím, že k citlivým informacím nemá přístup nikdo jiný. Bude možné s ním komunikovat prostřednictvím jakéhokoli zařízení.

• Nástroje pro tvorbu
  To, co dříve trvalo měsíce nebo to bylo nemožné, dnes lze s umělou inteligencí vygenerovat za chvíli (programování, videa ad.). Každý může vyjádřit své nápady.

• Nástroje pro objevování
  Brzy budou všichni mít vynálezecké superschopnosti. Výzkum ve všech oblastech bude schopen aplikovat vědecké metody a po dobu týdnů nebo měsíců pracovat na testování a zdokonalování hypotéz. Vědecké objevy budou pravděpodobně jednou z nejcennějších forem vynálezů pro společnost.

• Budování nových firem
  Lidé začínají být schopni sami realizovat nápady, aniž by museli shánět peníze nebo budovat velké týmy. Mnoho nápadů, jejichž vyzkoušení by dříve bylo příliš obtížné nebo drahé, bude nyní možných. To znamená, že bude vznikat více podnikatelských záměrů. To povede nejen k mnohem většímu ekonomickému růstu, ale také k větší zaměstnanosti v průběhu času, spíše než k jejímu snížení.

• Osobní lektor
  Každý bude mít k dispozici kouče s doktorátem ze všech oborů a neomezenou trpělivostí, který mu pomůže naučit se cokoli, co chce. Studenti dostanou takovou dodatečnou pomoc, jakou si v současné době mají pouze ti, jejichž rodiče si mohou dovolit. Dospělí budou mít k dispozici superinteligentního asistenta pro učení, který přesně ví, jak vás naučit novým pracovním dovednostem, novým jazykům, novým koníčkům nebo čemukoli jinému, co vás zajímá.

Meta prosazuje hodnoty osobního posílení a přispívá k budoucnosti, kde každý bude mít větší roli při utváření světa než dnes. Pokud tyto snahy uspějí, pak budoucnost přinese hojnost osobního vyjádření, vyjadřování myšlenek, prohloubení vztahů, ekonomickou a finanční prosperitu, zlepšení zdraví a vynálezy, které si dnes nedokážeme představit. Ale co je nejdůležitější, budoucnost si vytvoříme my všichni a bude odrazem všech našich hodnot a perspektiv.

---

Je to jen výňatek, ale čte se to rozhodně dobře, že ano! Mark Zuckerberg se ve svém dopise zmiňuje i o rizicích a o potřebě spolupracovat s vládou. Navrhuje budovat koncept vývoje AI na principu rovnováhy budované rekurzivním sebezdokonalováním různých vzájemně si konkurujících a kontrolujících se modelů, které přispívají k pozitivnímu vývoji celé společnosti. Optimismus rozhodně převládá. Od majitele jedné z největších technologických společností asi nic jiného nelze čekat.

Otázkou však je, jak moc se mu dá věřit. Když dopis psal, už věděl, že Meta zaplatí 17 miliard dolarů mimosoudního vyrovnání těm americkým státům, které na ní podaly žalobu kvůli záměrnému ovlivňování dětí na jejích sociálních sítích. Kromě peněz Meta slíbila zavádět změny ve prospěch dětí – dvouhodinové denní limity, noční blokování, omezení oznámení během školních hodin ad. [2]

Co na to říci? Pozdě ale přece. Možná by pak situace se zákazy mobilů ve školách mohla vypadat docela jinak.

Mark Zuckerberg's vision of superintelligent AI for everyone

Zdroje:

[1] Mark Zuckerberg - The Future is for Everyone. 2026
https://www.meta.com/thefutureisforeveryone/

[2] Queenie Wong, Nilesh Christopher - Meta’s ‘Big Tobacco moment’ leaves parents asking if social media is too dangerous for kids, 2026
https://www.latimes.com/business/story/2026-08-28/metas-massive-settlement-may-not-be-enough-to-improve-child-safety-experts-say

AI gramotnost podle Julianiho

Ten, kdo sleduje Spomocníka dlouhodobě, má celkem jasnou představu o tom, jaký vliv má AI na učení. Kdybych to měl shrnout, řeknu jednoduše, že není dobré nechat AI myslet za nás a jen slepě přebírat, co od ní dostaneme. Možná ale nebude na škodu, když si spolu s Julianim podstatu této problematiky zopakujeme [1].

AI se v posledních letech vyvíjí převážně tak, že se vývojáři snaží vytvořit model, který umí něco, co ty ostatní dosud neumí. Postupně tak můžeme očekávat, že prostor pro čistě lidské schopnosti se bude stále zmenšovat. To má zásadní vliv na vzdělávání. Orientovat výuku na ty kompetence, které AI sice zatím nemá, ale do budoucna si je asi osvojí, je přinejmenším krátkozraké. Mnohem rozumnějším cílem je to, co AI za člověka nikdy nebude schopná dělat.

Na první pohled je to možná docela jednoduché. Jde v zásadě o to, mít kontrolu nad tím, k čemu AI používáme. Člověk by měl vědět, co chce, a rozhodovat o tom, kterou část práce stroji přenechá (Nový výzkum vlivu AI na kognitivní odlehčení).

Zase tak moc jednoduché to ale ve skutečnosti není. Na začátku musí být schopnost identifikovat problém a najít postup, jak ho (třeba s pomocí AI) vyřešit. Tu bohužel školy většinou u žáků nerozvíjejí. Zadání dostávají často hotové a postup mají předem daný. Pak ale stačí, když žák řešení přenechá stroji, a má hotovo. Obzvlášť v případě, kdy je po něm vyžadováno jen odevzdání výsledku.

Schopnost identifikovat problém však není snadno získatelná. Je celkem zřejmé, že žák, který ji nemá, není schopen ho řešit a porozumět souvislostem. A navíc ani nedokáže posoudit, zda je to, co mu vytvořila AI, bez chyb. Vypadá to jako začarovaný kruh. Tu schopnost totiž lze získat pouze prostřednictvím dostatečných znalostí. Snad ani ne přímo fakt, která jsou snadno okamžitě dostupná, ale existencí kognitivních struktur neboli shluků (Kurz Learning How to Learn: Naučte se učit se), do nichž nové informace zapadají (nebo nezapadají). Ty však lze budovat jedině pomocí dlouhodobého získávání faktických znalostí (Paradox paměti podle Barbary Oakley).

AI v tomto ohledu rizika jen zvyšuje. Model AI může žákovi předložit plynulý, sebevědomý, krásně uspořádaný, a přitom zcela chybný text, který vhodné kognitivní struktury nevytváří. Jedinou obranou je dostatek znalostí o dané problematice. Žák, který nic neví, rozdíl nepozná, a co je horší, nemá důvod se domnívat, že nějaký existuje.

Někdo si možná myslí, že schopnost správně rozhodovat (kritické myšlení) je přenosná – tj. lze ji získat v jednom oboru, a pak použít jinde. Dnes však již např. díky Danielu Willinghamovi víme, že je tato možnost dost omezená (Základem kritického myšlení jsou fakta). Ve skutečnosti je poznání pro každou oblast specifické.

Tak třeba o příčinách bolševické revoluce v Rusku během 1.sv.v. (která nás dodnes ovlivňuje) nemůžete dobře uvažovat, aniž byste znali souvislosti. Myšlení se odvíjí od obsahu a kontextu. I když je konkrétní obsah zapomenut (třeba datum či jméno), kognitivní struktura zůstane a šance na odhalení případných chyb či nepřesností se zvyšuje. Totéž platí o všech možných na internetu kolujících dezinformacích.

V dnešním světě zní divně říkat, že děti stále potřebují mít znalosti. Ale, jak se zdá, je to základ pro všechny ostatní žádané kompetence. Jenže něco se přece jen změnilo. Náklady na výrobu obsahu klesly téměř na nulu, což znamená, že výukové cíle jsou někde jinde. Posouvají se směrem k rozhodování, co tvořit a schopnosti posoudit použitelnost výsledku. To není jen otázkou preference výběru z většího množství generovaných výstupů. Uplatní se přitom právě ony potřebné znalosti.

Z toho vyplývá potřeba orientovat výuku na znalosti v souvislosti s rozpoznáváním problémů, na hodnocení výstupů generovaných AI a na schopnost výsledek obhájit. Žák, který si nikdy nevybral problém a neobhájil svůj výběr, nemá žádnou praxi v jediné fázi práce, která mu i v přítomnosti AI stále patří.

Cestu k potřebné kompetenci doprovází nutnost akceptovat to, co Robert Björk nazývá „žádoucími obtížemi“ (desirable difficulties), a ty se neobejdou bez toho, o čem opakovaně referujeme jako o kognitivním tření, které je protiváhou ke kognitivnímu odlehčení (viz Je digitální klam skutečný?).

Podstatou vytváření efektivních učebních zkušeností je ochota zůstat v obtížích, což může být v prostředí, v němž se nám technologie snaží práci usnadňovat, docela nesnadné. AI je nejúčinnějším nástrojem pro odstraňování třecích momentů, jaký kdy byl vytvořen. Jsou situace, v nichž má usnadnění (odstranění tření) své místo (např. formátování citací nebo čištění datové sady). Pozor však na to, aby nedošlo k odstranění skutečného učení, které se bez žádoucího tření neobejde.

K důležitým lidským dovednostem dnes patří schopnost rozpoznat, která obtíž je jen nuda a která představuje učení, a tu je třeba schválně chránit. To je rozhodování, které musí žáci nyní dělat mnohokrát denně, obvykle sami, často pozdě večer při práci na domácím úkolu. Téměř nikdo je neučí, jaké důsledky může případné usnadnění mít. Většinou jen sledujeme, zda nepodvádějí.

Musíme změnit to, čemu přikládáme hodnotu. Pořád sice záměrně budujeme znalosti, jejich hodnota je ale jinde. Obsah a kontext jsou palivem pro učení, které by mělo vypadat jinak.

Je třeba dát žákům volnou ruku v rané fázi procesu. Nechat je vybrat si problém, ne jen vyřešit zadaný, a nutit je výběr obhájit a vysvětlit, proč to udělali. Žáci musí umět vyhodnotit výstupy umělé inteligence v oblasti, kterou skutečně znají. Toto je v současnosti nejvhodnější dostupná forma hodnocení dosažených výukových výsledků, protože je velmi těžké předstírat pochopení, když něco kritizujete.

Realita je taková, že člověk, který se vyzná ve věcech, který dokáže říct, co se vyplatí dělat, a který se dokáže zabývat složitým problémem, aniž by ho okamžitě outsourcoval, bude mít vliv bez ohledu na to, jak se AI v příštím roce změní nebo vylepší. Technologie se neustále rychle vyvíjejí, lidské kompetence jen pomalu.

Měli bychom věnovat více času tomu, jaké dovednosti a znalosti budou i nadále důležité, místo abychom se neustále snažili držet krok s tím, co se mění.

Desirable difficulties for learning with Elizabeth Bjork and Robert Bjork

Jak postupuje vlna zákazů ve školství

Denně jsme bombardováni zprávami o tom, kdo další zakazuje využívání technologií ve školách. Už se to netýká jen osobních mobilů žáků o přestávkách, ale často veškerých digitálních zařízení. Nově se objevují zákazy týkající se specificky AI (Norsko, New York City, Los Angeles) [1]. Kalifornie již přijala zákon nutící provozovatele soc. sítí omezovat závislost dětí do 16 let [2]. Jen málokdy se ve spojení se zákazy řeší možnost smysluplného užití ve prospěch učení, což je skutečnost, která tuto kampaň zavádí na slepou kolej.

Podívejme se například na jedno z typických opatření, které přijal školský obvod v Los Angeles (LAUSD). Stanovuje maximální časové limity pro práci žáků u obrazovky v jeho školách, a to takto [3]:

MŠ - 1. třída	0 minut
2. - 3. třída	1:40 týdně (max. 20 min./den)
4. - 5. třída	2:30 týdně (max. 30 min./den)
2. st. ZŠ	6 hod. týdně (max. 60 min./předmět)
SŠ	10 hod. týdně (max. 90 min./předmět)

LAUSD dále zakázal používání mobilů během oběda a přestávek, zablokoval přístup žáků k YouTube i k herním a sociálním sítím a zrušil dříve praktikovanou možnost brát si školní zařízení domů (pozor, znamená to, že vybavenost tamních žáků školními přístroji je 1:1). Výjimky platí jen pro specializované kurzy, jako je grafický design nebo informatika. Cílem tohoto opatření je podpořit výuku vedenou učitelem a praktické učení. Jak vidno, ani v LA se nejedná o zákaz úplný. Potíž je v tom, že vyhláška LAUSD se vůbec nezabývá tím, co se s technologiemi ve výuce dělá.

Zábrany ze strany škol dávají smysl jen tehdy, jsou-li dělány ve prospěch dětí. Lze pochopit, mají-li za cíl omezit nevhodné využití bránící osobnímu kontaktu se spolužáky, riziko zneužití a závislostí, nesoustředění na výuku apod. Problém ovšem vzniká, jestliže se škola dostane do situace jakéhosi skanzenu od světa venku neprodyšně odděleného a žáky na něj nepřipravujícího. Je třeba se zamyslet nad tím, co se myslí pojmem „praktické učení“. Možná to mají být mechanické dílny či pěstování rostlin, jenže naprostá většina praxe se dnes bez digitálních technologií neobejde.

K opatření LAUSD jsou pro nás relevantní například kritické připomínky Johna Spencera [4]:

• Zachází s časem s obrazovkou jako s jedinou proměnnou
  Nabízí se otázka, co přesně se tím časem myslí. Je to jednoduché, když někdo pracuje samostatně s počítačem a nějakou výukovou aplikací, ale co když třeba přístroj používají 2 žáci společně, co když slouží jen jako prostředek pro vyhledávání informací při řešení na technologiích jinak nezávislého problému (třeba diskuze nad ve třídě probíraným tématem), co když je to nástroj pro zaznamenávání zvuku či videa v rámci vlastní tvorby. Je zřejmé, že bude minimálně velice obtížné v takových případech definovat, kolik minut kdo obrazovku sleduje.

• Nerozlišuje mezi aktivním a pasivním učením
  Problém není v tom, že LAUSD chce méně času stráveného u obrazovky. V mnoha případech se jedná o moudrý instinkt (viz digitální minimalismus). Otázka času stráveného u obrazovky však není jen otázkou kvantity, ale též kvality. Musíme věnovat pozornost také tomu, jak žáci technologie používají. Pomáhají jim technologie hlouběji myslet, smysluplněji tvořit, efektivněji spolupracovat nebo řešit autentičtější problémy? Jinými slovy, rozlišujeme mezi pasivním a aktivním učením? Dáváme jim příležitost používat ověřené nástroje umělé inteligence pro hlubší učení, aby mohli klást otázky a dostávat okamžitou zpětnou vazbu? Rozvíjí to hlubší studijní kompetence, které žáci potřebují k tomu, aby se jim v nepředvídatelném světě dařilo?

• Neučí etickému používání
  Pokud je namísto „lepší integrace“ cílem jen „méně technologií“, vede to k jejich používání, jen když je to nezbytně nutné. Pak se žáci nikdy nenaučí orientovat v technologiemi naplněném prostředí, které existuje mimo zdi školy. Stačí se podívat na klíčové dovednosti, které jsou cílem výuky (u nás DigComp), a je jasné, že jsou v ostrém kontrastu k povrchnímu přístupu zaměřenému na uživatele. Ve světě deepfakes a dezinformací potřebujeme, aby byli žáci zvídaví, ale také analytičtí. Pokud nastavíme příliš mnoho zábran (například budeme mít omezený přístup do internetu, místo abychom umožnili otevřený online výzkum), žáci si nerozvinou hlubší informační gramotnost. Škola musí být místem pro učení etického používání technologií k řešení problémů a využití kreativity, která jde nad rámec sociálních médií, videoher a prohlížení videí.

• Politika týdenních kvót je příliš rigidní
  Existuje mnoho situací, kdy nemá smysl týdenní kvóty dodržovat. Někdy může být několik týdnů probíráno téma, které využití technologií vůbec nevyžaduje. Pak ale žáci pracují na projektu, v jehož rámci tvoří podcast nebo dokumentární video, a najednou potřebují strávit na svých zařízeních delší dobu. I když omezení celkového množství času stráveného u obrazovky dává smysl, existují situace, kdy s limity nevystačíme.

John je zastáncem tzv. Vintage Innovation, tedy kombinace tradičních a inovativních výukových postupů s cílem maximalizovat lidský prvek a zároveň využít některé ze skutečných výhod technologií [5]. Bude mimořádně nesnadné u tohoto postupu definovat, jak měřit čas strávený na obrazovce.

What is vintage innovation?

Připomeňme si na závěr tři zásadní doporučení, která pro zavádění technologií školám dává nám dobře známé americké sdružení Consortium for School Networking [6]:

1. Zaměření na učení
   Vzdělávací technologie by měly být používány pouze tehdy, když posilují, rozšiřují, personalizují nebo zpřístupňují učení.

2. Ochrana žáků online
   Školní zařízení by měla fungovat v rámci systémů spravovaných školou, které zahrnují kybernetickou bezpečnost, filtrování obsahu, ochranu soukromí a další ochranná opatření. (viz ekosystém)

3. Místní řízení
   Rozhodnutí o vzdělávacích technologiích by měla odrážet jedinečné potřeby, priority a okolnosti jednotlivých komunit.

Zdroje:

[1] Indrabati Lahiri - Before New York City, Norway had already banned AI in schools, 2026
https://www.euronews.com/next/2026/09/03/before-new-york-city-norway-had-already-banned-ai-in-schools

[2] Stronger protections for kids, 2026
https://www.commonsensemedia.org/california-kids-online-safety-laws

[3] Tony Kurzweil - LAUSD bans classroom screen time before 2nd grade, caps use elsewhere. 2026
https://ktla.com/news/local-news/lausd-screen-time-limits-students/

[4] John Spencer - Beyond Screen Time: What LAUSD’s New Policy Gets Right and Wrong, 2026
https://spencereducation.com/lausd-low-tech/

[5] John Spencer - Beyond Screen Time: What LAUSD’s New Policy Gets Right and Wrong, 2026
https://spencereducation.com/lausd-low-tech/

[6] From Screen Time Mandates to Purposeful Technology Policies and Guidance
https://www.cosn.org/from-screen-time-mandates-to-purposeful-technology-policies-and-guidance/

PISA 2025 a technologie

 

Asi nejsem sám, kdo se po 8. září 2026 zajímal o nově publikované výsledky [1] [2] mezinárodního šetření OECD PISA 2025, které ve 4letých intervalech zkoumá schopnost 15letých žáků aplikovat znalosti v reálných životních situacích. Hlavní zprávou je, že se spolu s celým světem naši žáci zhoršují. A co je pro nás mimořádně důležité – tento fakt je dáván do souvislosti s technologiemi.

Nejčastěji se mluví o času stráveném s obrazovkou, jen někdo (celkem správně) zmiňuje souvislost se sociálními sítěmi. Logickým důsledkem je snaha tento vliv omezit, což je nepochybně záměr velmi rozumný. Je tady však jedno „ale“. Dospěli-li jsme k pochopení, že svět bez digitálních technologií již fungovat nebude, musíme kromě zákazů řešit i to, jak na život s technologiemi naše děti připravit. Podívejme se, co nám o tom říká PISA.
V tomto posledním běhu bylo zařazeno tzv. „computational problem solving“ (naše zpráva v názvu kategorie vynechává „počítačové“ a mluví jen o „řešení problémů“). Výsledky vůbec nejsou špatné. Jsme nadprůměrní (9. místo mezi zeměmi OECD). Překvapivé by to být nemělo, když si vzpomeneme na neuvěřitelné výsledky minulých šetření ICILS, kde jsme opakovaně patřili k nejlepším. Jak se zdá, programování a modelování nám jde. Jenže pak se podívám na titulní stranu výsledků OECD a najdu tam toto:

Více než polovina žáků může být zranitelná vůči dezinformacím a nepravdivým informacím.

Žáci žijí v prostředí, kde je mnoho informací nespolehlivých a je často obtížné je odlišit od důvěryhodných zdrojů. V této souvislosti nestačí, aby žáci pouze věděli, že je třeba fakta ověřovat. Musí se také naučit, kdy a jak zvažovat důkazy, zpochybňovat intuitivní tvrzení a posuzovat spolehlivost různých typů informací. V průměru v zemích OECD méně než polovina žáků (46 %) uvedla, že ověřuje důvěryhodnost informačních zdrojů a zároveň více důvěřuje vědeckým důkazům než zdravému rozumu. 37 % uvedlo, že ověřuje zdroje, ale spoléhá se na zdravý rozum, zatímco 11 % uvedlo, že důvěřuje vědeckým důkazům bez ověřování zdrojů. Dalších 5 % uvedlo, že ani nekontroluje zdroje, ani neupřednostňuje vědecké důkazy. To naznačuje, že velká část patnáctiletých může být zranitelná vůči dezinformacím a nepravdivým informacím.

Jsme 4. od konce (37.2, 46.9, 9.9, 5.9). Jistě by to stálo za bližší analýzu. Je ale zřejmé, že s digitální kompetencí (informační gramotností) na tom zas až tak skvěle ve skutečnosti nejsme. To je problém, který řešíme již od roku 2014, kdy jsme ve Strategii digitálního vzdělávání vytyčili dva hlavní směry rozvoje kompetencí – informatické myšlení (které slaví úspěchy) a digitální gramotnost (jejíž význam se nám nedaří mezi ostatními klíčovými kompetencemi a gramotnostmi dostatečně zviditelnit).

Když se podíváme na země, které se v celkovém skóre umístily nejlépe, zjistíme zajímavou věc. Jsou tam takové, které teď technologie ve školách omezují (např. Finsko), i takové, které je naopak používají ve velkém a stále více (např. Estonsko, Singapur). Statisticky se opakovaně ukazuje, že správná míra nasazení technologií je přínosem, a tudíž vlastně ve skutečnosti nezbytná. OECD to zjišťuje opakovaně již od PISA 2012 (OECD: Žáci, počítače a učení). Tentokrát je výsledek opět velmi podobný.

Z toho lze udělat jednoduchý závěr, který pro nás také není nový. Technologie nelze jednoduše označit za příčinu úpadku důležitých schopností žáků. Jsou za určitých okolností přínosem. Jen je třeba umět tyto okolnosti vyvolat. To je ten problém, který Spomocník řeší dlouhodobě.

Připomeňme si to nejdůležitější, co nakonec odhalují i všechny výzkumy nejen OECD. Technologie (dnes s AI) napomáhají učení, když jsou používány aktivně, ne pasivně a vždy jen tehdy, když se tak děje v situaci, kterou inicioval někdo schopný žáka do aktivního stavu dostat. Všimněte si toho, že právě to se třeba sociálním sítím daří velmi dobře, jen cíl je dost odlišný.

Z výsledků PISA 2025 můžeme pro výuku s využitím technologií odvodit určitá doporučení:

• Zajistit, aby prostřednictvím digitálních zařízení nedocházelo k rozptylování během výuky.

• Zabránit dalšímu růstu nerovností v důsledku socio-ekonomických rozdílů, které mají technologie tendenci zvyšovat.

• Věnovat zvýšenou pozornost výuce smysluplného využívání AI (v terminologii PISA modrý sloupec – „pomáhá učit se“).

A. J. Juliani dává na základě výsledků PISA 2025 školám tyto konkrétní rady [3]:

• Nastavte jasnou politiku používání telefonů a vynucujte ji, protože data OECD o rozptylování jsou jednoznačná.

• Oddělte používání technologií pro učení od jejich používání ve volném čase během výukového dne.

• Naučte žáky hodnotit výstup AI jako explicitní, hodnocenou dovednost.

• Chraňte potřebu aktivního zapojení u každého úkolu. Pokud lze myšlení, které je v jeho rámci generováno, svěřit stroji, přepracujte úkol tak, aby to nebylo možné.

Singapur a Estonsko nejsou nejlepší proto, že by technologie vynechaly. Je to proto, že odmítají nechat technologie rozhodovat o tom, co žáci dělají se svou myslí.

Připomeňme si na závěr, že OECD vydalo letos také specializovanou zprávu zabývající se AI (Digital Education Outlook 2026 on GenAI) a že příští PISA 2029 bude primárně technologicky orientovaná (PISA 2029 Media and Artificial Intelligence Literacy)

Zdroje:

[1] PISA 2025 Results (Volume I), 2026
https://www.oecd.org/en/publications/pisa-2025-results-volume-i_73451bc5-en.html

[2] Národní zpráva PISA 2025, 2026
https://www.csicr.cz/cz/Aktuality/Narodni-zprava-PISA-2025

[3] A. J.Juliani - What The PISA Results Really Show Us About Technology And Curriculum, 2026
https://www.ajjuliani.com/blog/the-pisa-story-everyone-is-getting-wrong

Jak používat AI tutory

Nejprve si musíme ujasnit, co si pod pojmem AI tutor máme představit. Jedná se o software v podobě chatbota, který uživateli asistuje při dosažení určitého výukového cíle. Jejich množství stále narůstá. Hodně oblíbení jsou např. specializovaní asistenti pro výuku jazyků (např Speak, Loora, Duolingo), existují však i aplikace pokrývající širší oblast školní výuky (např. Khanmigo, Synthesis Tutor, Tutor AI). U nás se můžete setkat se Sciobotem. Komplexní podporu pro tuto problematiku najdete na webu Chatveskole od AI dětem.

Možná může být zajímavé, seznámit se s poznatky Nicka Potkalitskyho, amerického experta specializujícího se na AI s více než 20 letou učitelskou praxí, který působí v Educational Service Center v Ohiu.

Nickovo Centrum poskytuje služby školským obvodům, a proto se zabývá hlavně tím, jak uplatnit AI přímo ve třídách s větším množstvím žáků najednou. Pokouší se ověřit taková tvrzení poskytovatelů těchto služeb, podle nichž samotné umístění žáků do prostředí využívajícího AI má zásadní pozitivní vliv na jejich výukové výsledky.

Interaktivní prostor s AI, oddělený od otevřeného internetu a vyladěný na praxi, údajně dokáže to, co učitel s třiceti studenty nedokáže: věnuje se každému žákovi na jeho vlastní úrovni, reaguje okamžitě a nikdy se neunaví. Připomeňme si hned, že to samé se říká o personalizovaných adaptivních (tzv. inteligentních) systémech již dobře 30 let.

Nick proto začal hledat důkazy, které by taková tvrzení mohly podpořit. Nalezl dva výzkumy, které naznačují značně pozitivní výsledky.

Na podzim roku 2023 provedl Gregory Kestin, přednášející fyziky na Harvardu, randomizovanou kontrolovanou studii porovnávající výsledky učení se specializovaným na fyziku orientovaným AI tutorem s klasickou prezenční výukou v učebně, při níž byl aktivní učební program veden učitelem. Téměř 200 studentů se střídavě učilo jedno téma ve třídě a další samostatně s AI tutorem. Porovnání výsledků ukázalo, že výuka s AI tutorem zdvojnásobila studijní výsledky a navíc zkrátila dobu studia, uvádí studie publikovaná ve Scientific Reports [2].

Druhý podobně silný výsledek pochází z Nigérie, kde Světová banka v roce 2024 hodnotila nasazení Microsoft Copilot běžící na GPT-4 jako tutora angličtiny u žáků prvního ročníku střední školy. Tento systém používali žáci devíti veřejných škol celkem šest týdnů. Zaznamenané celkové zlepšení bylo 0,31 směrodatné odchylky (porovnej s Rozbor 2 sigma problému podle Paula Hippela). Kombinované měření zahrnovalo nejen angličtinu, ale též digitální dovednosti. Autoři popisují intervenci jako vysoce efektivní a naznačují, že pokud by se účinky rozšířily na celý školní rok, mohly by se zisky rovnat jednomu a půl až dvěma letům běžné školní docházky [3].

Nick zprávy o obou výzkumech pečlivě prostudoval a přiměly ho k zamyšlení. Harvardská studie testovala AI tutora, kterého profesor Kestin a jeho tým vytvořili na základě konkrétních vzdělávacích cílů, problémů a struktury zpětné vazby daného kurzu. Nigerijská studie testovala doplňkové používání nástroje Copilot pod dohledem učitele v prostředí s nedostatečnými jinými vzdělávacími zdroji. V obou případech byla umělá inteligence zakotvena v pedagogickém přístupu, který ovlivňoval, co nástroj dělá a jak s ním studenti interagují.

Podobné důkazy ukazují, že AI dokáže za určitých podmínek zvýšit studijní výsledky, někdy i působivě. Jenže to jde jen se zapojením schopných lektorů, kteří dokážou vliv AI vhodně nasměrovat k umocnění žáků. Žádné studie neprokazují, že interaktivní prostředí s AI funguje samo o sobě.

Kestinův tutor nebyl chatbotem pro všeobecné použití, který by se používal v kurzu fyziky. Měl předem připravená správná řešení odpovídající obsahu kurzu, krok za krokem uvolňoval nápovědu, vyžadoval od studentů, aby se pokusili o práci, než dostanou vysvětlení, a zaměřoval se na obsah měřený výzkumem v rámci pre- a post-testů. Studie Světové banky má podobné vyznění. Žáci se v rámci systému neučili samostatně. Učitelé realizovali specializované lekce a provázeli žáky jejich interakcemi se systémem. Největší zlepšení se projevilo u žáků s vyšší základní úrovní znalostí, což komplikuje často používanou argumentaci, že AI tutoři zachrání ty nejslabší studenty (Matoušův efekt). Dokonce i Sal Khan uznal, že jeho asi nejznámější chatbot Khanmigo neměl na učení takový vliv, jaký mnoho odborníků očekávalo [4].

Tato zjištění jsou významná, protože školy si jen zřídka pořizují specializovaného umělého lektora fyziky nebo implementační model Světové banky i s lektory. Kupují si obecné platformy, přístup, dashboardy a uzavřená prostředí. Důkazy podporují výuková opatření, která činí AI užitečnou. Nedokládají však, že samotné prostředí má potřebný výukový efekt. To znamená, že musíme korigovat takové myšlenky, jako že bezpečný, konverzační a vždy dostupný AI tutor automaticky vyvolá hluboké učení.

Přitom je nezbytné zkoumat, jakým způsobem je možné se k pozitivním dopadům využití AI ve výuce dopracovat. Škola by se neměla ptát, zda je interaktivní prostředí s umělou inteligencí obecně efektivní. Měla by se ptát, jakou výukovou metodu prostředí podporuje, jaké důkazy pro zlepšení existují, kteří studenti profitují více, kteří zaostávají a zda se naměřené zisky přenášejí i mimo vlastní praktické úkoly v rámci platformy realizované. Musí si ujasnit, co je cílem výuky. Zda je třeba zachovat též schopnost žáků fungovat bez přítomnosti AI (Jak používat AI ve vzdělávání)?

Nick podstatu vysvětluje pomocí přirovnání k dodávce s nákladem. Instituce, které si pořizují prostředí vybavené systémem s AI, získávají náklaďák, do něhož lze obsah naložit. Jakkoli jsou vlastnosti vozidla (systému) důležité, vybrat obsah a dovést ke správnému cíli musí sami. I za změněných podmínek je to stále hlavně práce pro učitele.

Thinking with AI: AI Literacy, Critical Thinking & the Future of Education | Nick Potkalitsky

Zdroje:

[1] Nick Potkalitsky - What Are We Buying When We Buy an AI Tutor?, 2026
https://nickpotkalitsky.substack.com/p/what-are-we-buying-when-we-buy-an

[2] Greg Kestin at al. - AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting, 2025
https://www.nature.com/articles/s41598-025-97652-6

[3] Martin De Simone at al - From Chalkboards to Chatbots: Evaluating the Impact of Generative AI on Learning Outcomes in Nigeria. 2025
http://hdl.handle.net/10986/43212

[4] Sal Khan - Khanmigo’s First Chapter Changed How I Think About AI: A note from Sal Khan, 2026
https://blog.khanacademy.org/khanmigos-first-chapter-changed-how-i-think-about-ai-a-note-from-sal-khan/