AI gramotnost není kurz, je to organizační sval

Osvědčení může dokázat, že se někdo zúčastnil lekce. Nemůže však prokázat, zda organizace dokáže rozpoznat systém umělé inteligence, zpochybnit jeho důkazy,...

AI gramotnost není kurz, je to organizační sval

Právní věta, která mění průběh jednání

Dne 24. července 2026 zveřejnil Úřední věstník Evropské unie dokument Digital Omnibus o umělé inteligenci. Mezi jeho změnami byla i drobná úprava článku 4 aktu o umělé inteligenci. Povinnost zůstává, ale zákon již od organizací nepožaduje, aby slibovaly předepsanou nebo univerzální úroveň AI gramotnosti pro každého jednotlivce. Poskytovatelé a nasazující subjekty musí přijmout opatření, která podporují rozvoj gramotnosti jejich zaměstnanců a dalších osob, které provozují systémy AI nebo je používají jejich jménem. Změna rovněž uvádí, že Komise a členské státy by měly tyto snahy podporovat a že Rada pro AI by měla pracovat na společných cílech.

To je právní změna. Je to také otázka řízení. Pokud neexistuje univerzální výsledek zkoušky, co udělá seriózní organizace, když zavede systém AI do reálného procesu? Nemůže odpovědět pouze certifikátem. Certifikát může prokázat, že někdo dokončil lekci. Nemůže prokázat, že daná osoba rozliší návrh od schválené politiky, pozná, kdy model překračuje svůj úkol, vyžádá si důkazy za doporučením, zastaví pracovní postup nebo najde odpovědného vlastníka, který jej může změnit. Zajímavá část gramotnosti začíná až poté, co prezentace utichne.

Vlastní otázky a odpovědi Evropské komise to vysvětlují s neobvyklou přímočarostí. Neexistuje jednotný formát AI gramotnosti ani požadavek na konkrétní certifikát. Organizace by měla zvážit svou roli, riziko a účel systému, znalosti a zkušenosti zúčastněných osob a kontext, v němž se systém používá. Měla by vést interní záznamy o školení nebo jiných řídících iniciativách, ale záznam o účasti není totéž co schopnost, kterou mají tyto iniciativy budovat.

AI gramotnost je proto nejlépe chápat jako sval, který se trénuje. Sval se neprokazuje tím, že vlastníte permanentku do posilovny. Buduje se opakovaným úsilím v reálných situacích a projeví se, když je situace nepříjemná. Gramotná organizace umí pojmenovat systém, který používá, uvést, co systém smí dělat, všimnout si, když jsou důkazy slabé, zeptat se, koho se to může týkat, a předat nejistý případ osobě s pravomocí rozhodnout. To je méně efektní než slavnostní spuštění. Je to ale také místo, kde se právo setkává s běžnou prací.

Tento článek se věnuje právě této běžné práci. Není to osnova kurzu ani právní poradenství. Je to způsob, jak oddělit tři věci, které se často spojují dohromady: povědomí, kompetenci a autoritu. Sleduje otázky, které vyvstávají, když se veřejný orgán, firma, škola nebo profesní tým snaží využít AI užitečně, aniž by přenechal své úsudky obrazovce. Příklady vycházejí z evropských veřejných pokynů a zdokumentované institucionální praxe. Jakákoli vymyšlená situace je označena jako hypotetická, protože příběh není důkazem jen proto, že se v něm objevuje věrohodná kancelář.

Gramotnost je praxe, ne odznak

Slovo gramotnost vstoupilo do debaty o AI s příliš velkým zavazadlem. Může znít jako základní úvod pro lidi, kteří se ještě nenaučili důležitou slovní zásobu. Může také znít jako štítek pro splnění předpisů, který lze přidělit člověku a založit do spisu. Ani jeden výklad není užitečný. Gramotnost je schopnost přečíst situaci dostatečně dobře na to, abyste v ní jednali. Čtení knihy o jazyce není totéž jako porozumět dopisu adresovanému vám. Přečíst si definici systému AI není totéž jako vědět, zda nástroj před vámi vytváří předpověď, vyhledává záznam, generuje pokračování, řadí možnosti nebo řídí krok v pracovním postupu.

Komise svůj současný výklad článku 4 začíná na správném místě: organizace by si měly vytvořit obecnou představu o tom, co je umělá inteligence, jak funguje, které systémy používají a jaké příležitosti a rizika tyto systémy přinášejí. To je začátek, ne konec. Obecná představa dá člověku mapu. Mapa se stane užitečnou teprve tehdy, když je spojena s úkolem, rolí, zdrojem důkazů a důsledkem.

Představme si nákupní tým, který posuzuje nástroj shrnující dodavatelské nabídky. Povědomí umožní týmu rozpoznat, že nástroj vytváří generovaný text a může se mýlit. Kompetence umožní posuzovateli ověřit, zda shrnutí zachovává vyloučení, podmínky a data, a porovnat je s původními nabídkami. Pravomoc určuje, co se stane, když je shrnutí neúplné. Může je posuzovatel odmítnout? Může tým požadovat, aby dodavatel zpřístupnil zdrojové pasáže? Může někdo pozastavit hodnocení, dokud se problém neprošetří? Bez pravomoci se kompetence stane soukromou záležitostí, kterou může pracovní postup ignorovat.

Tento rozdíl je důležitý, protože organizace často školí tu nejsnazší vrstvu. Vysvětlí, co je model, ukážou pár příkladů a požádají lidi, aby přijali zásady používání. Lidé si odnesou nová slova a staré pobídky. Pokud je rychlost odměňována a dotazování je považováno za obstrukci, člověk, který si problému všimne, se naučí mlčet. Organizace pak může vykazovat vysoké povědomí, zatímco její rozhodování zůstává beze změny. Odznak je skutečný. Gramotnost je dekorativní.

Přístup založený na praxi klade jinou otázku: co by měl člověk umět postřehnout a udělat v okamžiku, kdy se systém umělé inteligence dotkne jeho práce? Odpověď se liší podle role. Občan, který využívá veřejnou službu, potřebuje vědět, kdy je do věci zapojen stroj, co lze napadnout a kde požádat o lidskou cestu. Pracovník případů potřebuje pochopit účel systému, důkazy, nejistotu a cestu přepsání. Manažer se musí rozhodnout, zda je úkol vhodný pro automatizaci a zda má tým čas výsledek zkontrolovat. Vývojář potřebuje znát hranici dat a modelu, způsoby selhání a záznamy, které musí přežít změnu. Nazývat to vše kurzem skrývá rozdíly, díky nimž je práce bezpečná.

Nové znění právního předpisu dává tomuto rozmanitému prostor. Nařízení (EU) 2026/1744 uvádí, že gramotnost v oblasti umělé inteligence by měla začínat ve vzdělávání a odborné přípravě a pokračovat celoživotním učením. Zároveň uznává, že různí poskytovatelé a nasazovatelé čelí různým zátěžím a souvislostem. Toto není pozvání k nečinnosti. Je to pozvání přestat předstírat, že jedna zkouška může změřit schopnost jednat odpovědně napříč všemi systémy, odvětvími a skupinami dotčených lidí.

Praxe má ještě jednu užitečnou vlastnost: odhaluje mezery, aniž by za ně lidi hanila. Člověk může chápat, že jazykový model předpovídá pravděpodobná pokračování, a přesto nevědět, jak konkrétní systém vyhledávání vybírá dokumenty. Správce dat může rozumět původu dat, a přesto nemít oprávnění změnit index. Manažer může vědět, že vysoce rizikový systém musí dohlížet člověk, a přesto nemít vyhrazený čas na smysluplnou kontrolu. To jsou mezery v návrhu, ne osobní morální selhání. Gramotná organizace je zviditelní, aby je mohla napravit.

AI gramotnost se stává viditelnou, když použití systému zanechá další použití lépe pochopené, ne teprve když člověk dokončí lekci.

Povědomí jsou dveře, ne místnost

Povědomí se často odmítá, protože zní měkce. To je chyba. Lidé nemohou zpochybňovat systém, který nedokážou pojmenovat, a nedokážou pojmenovat systém, pokud je každý software popisován jako inteligentní. Povědomí dává organizaci společný slovník pro oddělení modelu od rozhraní, předpovědi od rozhodnutí, zdroje od shrnutí, instrukce od získaného obsahu a zobrazení spolehlivosti od důkazu správnosti.

Slovník nemusí být velkolepý. Musí být dostatečně přesný, aby zastavil kategoriální chybu. Vyhledávač, pravidly řízená kontrola způsobilosti, klasifikátor, generativní asistent a pracovní agent se mohou objevit ve stejném produktovém katalogu. Jejich mechanismy a rizika jsou různé. Pokud je zaměstnanci nazvou všemi AI a tím skončí, ztratí otázky, které by měly následovat. Jaká data systém vidí? Jaký je jeho zamýšlený účel? Co vrací? Kdo podle výsledku jedná? Které chyby jsou důležité? Co lze vrátit zpět? Kteří lidé jsou ovlivněni, i když se rozhraní nikdy nedotknou?

Povědomí zahrnuje také společenské prostředí. Pokyny UNESCO pro generativní AI ve vzdělávání a výzkumu popisují lidskou kapacitu jako součást přístupu zaměřeného na člověka. Kladou technické porozumění vedle soukromí, rovnosti, začlenění, jazykové a kulturní rozmanitosti a smysluplného použití. Nejde o to, aby se každý zaměstnanec stal výzkumníkem politik. Jde o to, že systém se nestane neutrálním, když je umístěn do známé aplikace. Stejný vygenerovaný odstavec může být v jednom prostředí neškodnou pomůckou pro návrh a v jiném nerecenzovaným rozhodnutím.

Člověk, který si je vědom kontextu, slyší rozdíl mezi žádostí o pomoc a delegováním pravomoci. Požádejte systém, aby navrhl otázky pro schůzi, a uživatel zůstává autorem schůze. Požádejte jej, aby rozhodl, který obyvatel získá vzácnou službu, a systém vstoupil na jiné morální a právní území. Slova na obrazovce mohou vypadat podobně. Hranice úkolu nikoli. Povědomí je zvyk všímat si, že se hranice posunula.

Veřejné instituce potřebují toto povědomí v obzvláště disciplinované podobě. Jejich systémy mohou ovlivnit lidi, kteří se nemohou odhlásit, kteří nevědí, které automatizované nástroje jsou zapojeny, nebo kteří si nemohou dovolit druhý pokus po chybě. Servisní tým proto potřebuje víc než obecné prohlášení, že AI může být nepřesná. Potřebuje slovník pro vysvětlení cesty, kterou může člověk podniknout, když je systém v chybě, když data chybí nebo když odpověď nikdy neměla být automatizována.

Podniky potřebují stejnou slovní zásobu i z méně nápadných důvodů. Dodavatel může popsat systém hodnocení jako podporu rozhodování, zatímco proces zákazníka s hodnocením zachází jako s rozhodnutím, protože nikdo nemá čas ho přezkoumávat. Marketingový tým může používat překladový nástroj pro interní návrhy a poté výstup zkopírovat do veřejného oznámení bez druhé kontroly. Náborový tým může označit screeningové skóre za pouhou pomůcku a tiše ho používat k vyřazování uchazečů. Povědomí tyto posuny odhalí dřív, než se pohřbí do diagramu pracovního postupu.

Povědomí by se proto mělo testovat jazykem, který organizaci patří. Požádejte tým, aby popsal jeden systém bez použití slov chytrý, automatizovaný nebo inteligentní. Zeptejte se, jaké informace systém přijímá, co vytváří a kdo může změnit výsledek. Pokud se vysvětlení stane vágním, organizace našla užitečnou vzdělávací potřebu. Cvičení je jednoduché, ale jednoduchost má dlouhou historii podceňování ze strany lidí, kteří si užívají složitý dashboard.

Kompetence má přiřazený úkol

Kompetence je náročnější než rozpoznání, protože je konkrétní. Člověk není prostě kompetentní s AI. Je kompetentní k provedení definovaného úkolu s definovaným systémem za definovaných podmínek. Otázky a odpovědi Komise opakovaně připojují gramotnost ke kontextu a účelu systému, znalostem zúčastněných lidí a riziku použití. To je lepší popis kompetence než seznam obecných triků pro zadávání promptů.

Pro běžného uživatele může kompetence znamenat vědět, které informace lze zadat, který výstup je třeba zkontrolovat, jak zachovat zdrojový materiál a kdy přestat. Může zahrnovat schopnost rozlišit vygenerovanou odpověď od převzaté pasáže, zkontrolovat odkaz za tvrzením, odhalit chybějící kvalifikátor a nahlásit selhání způsobem, který dokáže reprodukovat jiná osoba. To jsou praktické dovednosti. Nevyžadují, aby uživatel implementoval transformer, ale vyžadují víc než víru, že systém přečetl politiku organizace.

Pro recenzenta kompetence zahrnuje schopnost zpochybnit výstup. Recenzent potřebuje testovací sadu, která odpovídá práci, způsob, jak vidět, jaké důkazy systém použil, a jasné prohlášení o tom, co se považuje za přijatelný výsledek. Pokud se úkol týká veřejného práva nebo živobytí člověka, recenzent také potřebuje dostatek odborných znalostí, aby rozpoznal odpověď, která je gramaticky čistá, ale věcně chybná. Plynulost je vlastnost rozhraní. Kompetence je úsudek o úkolu.

Pro manažera kompetence zahrnuje rozhodnutí, zda by měl být úkol vůbec automatizován. Toto rozhodnutí vyžaduje pochopení práce pod označením. Úkol může být opakující se a přesto nést zásadní výjimku. Rozhodnutí může být pro zkušeného profesionála rutinní a přesto příliš závažné na to, aby bylo delegováno bez viditelné cesty odvolání. Proces může být technicky měřitelný a společensky nevhodný k optimalizaci. Manažeři, kteří si tyto otázky neumí položit, přenechávají návrh dodavateli a výchozímu nastavení.

Pro inženýra kompetence zahrnuje zajištění toho, aby hranice systému byla kontrolovatelná. Která verze modelu běžela? Která data byla k dispozici? Která volání nástrojů byla povolena? Která politika nebo prompt byl použit? Která podmínka nejistoty nebo odmítnutí byla dosažena? Co se stane, když je zdroj zastaralý, konfliktní nebo chybějící? Techničtí pracovníci nemusí vyřešit každou otázku správy, ale musí zabránit tomu, aby systém vymazal informace, které správa bude později vyžadovat.

Vysokorizikové povinnosti podle aktu o umělé inteligenci to činí konkrétním. V odpovědích Komise na časté dotazy se uvádí, že nasazující subjekty systémů s vysokým rizikem musí zajistit, aby pracovníci, kteří se systémy v praxi pracují, byli proškoleni k jejich ovládání a k zajištění lidského dohledu. Pouhé umístění pokynů vedle nástroje nestačí. Lidé, kteří práci vykonávají, potřebují dovednosti a praktické podmínky k použití mechanismu dohledu. Pokud operátor nerozumí výstupu nebo nemůže přerušit proces, slovo lidský ve slovním spojení lidský dohled se stává pouhou ozdobou.

Kompetence roste, když organizace umožní lidem procvičovat si práci s reálnými omezeními. Tým pro ochranu soukromí může projít hypotetickou žádostí obsahující osobní údaje a rozhodnout, co smí do systému vstoupit. Tým veřejné služby si může nacvičit odmítnutí a eskalaci bez použití případu skutečného obyvatele. Produktový tým může přehrát změněný model proti pevně stanovené vyhodnocovací sadě a diskutovat o tom, které rozdíly jsou podstatné. Tato cvičení nejsou důkazem, že budoucí nasazení bude bezpečné. Jsou nácvikem rozhodnutí, která bezpečnost vyžaduje.

Existuje důležitá hranice. Kompetence nemůže nahradit chybějící důkazy. Vysoce kvalifikovaný posuzovatel nemůže ověřit tvrzení, když zdroj zmizel, a dobře proškolený operátor nemůže přepsat systém, pokud rozhraní žádné přepsání nenabízí. Školení může nepřítomnost odhalit, ale nemůže ji zaplnit silou nadšení. Organizace někdy reagují na chybějící kontrolu naplánováním dalšího kurzu. Rozvrh se stává pomníkem kontroly, která nikdy nebyla vytvořena.

Autorita je chybějící polovina

Autorita je součástí AI gramotnosti, kterou organizace raději nechávají implicitní. Týká se toho, kdo smí rozhodovat, kdo smí odmítnout, kdo smí pozastavit proces, kdo smí změnit pravidlo a kdo nese následky, když systém selže. Autorita není totéž co seniorita. Vysoce postavený pracovník může systém schválit a přesto nebýt schopen prozkoumat jeho důkazy. Pracovník v první linii může problém spatřit jako první a přesto mu být řečeno, že jej může změnit pouze dodavatel.

Lidský dohled je často popisován, jako by stačilo, aby u obrazovky stál člověk. Nestačí. Dohled vyžaduje člověka, který má čas, znalosti a autoritu porozumět výstupu, rozpoznat, kdy je mimo rozsah, a zasáhnout. Požadavky aktu o umělé inteligenci pro vysoké riziko činí požadavek na školení explicitním, ale základní princip platí šířeji. Člověk nemůže vykonávat dohled nad procesem, který zachází se zásahem jako se selháním efektivity.

Představme si hypotetickou bytovou službu, která používá nástroj k třídění příchozích žádostí k posouzení. Systému může být povoleno navrhnout pořadí, ale organizace stále musí rozhodnout, co se stane, když je zdrojový záznam neúplný, když okolnosti obyvatele nezapadají do kategorií nebo když pravidlo řazení koliduje se zákonnou povinností. Gramotný tým nejen ví, že model se může mýlit. Ví, kdo může zastavit frontu, kdo může udělat výjimku, jaký záznam se vede a jak je obyvatel informován o tom, co se stalo. Příklad je záměrně hypotetický. Jeho účelem je ukázat, že autorita je vlastností pracovního postupu, nikoli povahovým rysem.

Autorita má také opačný směr. Lidé, kterých se systém týká, potřebují možnost jej zpochybnit, i když si systém sami nevybrali. Zákazník, student, pacient, žadatel nebo obyvatel nemusí rozumět vnitřní matematice modelu. Potřebují vědět, zda byl zapojen stroj, jaký druh rozhodnutí ovlivnil, který lidský úřad může výsledek přezkoumat a jaké informace by tomuto přezkumu pomohly. Gramotnost patří osobě na přijímací straně stejně jako osobě obsluhující nástroj.

Proto není eskalace trestem. Je to informační cesta pro případy, které automatizovaná cesta nedokáže bezpečně vstřebat. Užitečný záznam o eskalaci říká, co bylo po systému požadováno, jaké důkazy viděl, co vrátil, proč byl výsledek zpochybněn a kdo rozhodl, co se stane dál. Nemusí z každé běžné interakce dělat právní spis. Musí ale zachovat dostatek kontextu, aby se opakované selhání stalo viditelným, místo aby bylo odmítnuto jako ojedinělá stížnost uživatele.

Pravomoci by se měly nacvičit před nasazením. Kdo zastaví provoz? Kdo může schválit nový model? Kdo může změnit práh? Kdo vlastní sporný zdroj dat? Kdo může dodateli říci, že výstup není přijatelný? Kdo informuje dotčené osoby? Kdo rozhoduje, zda se systém po incidentu vrátí do provozu? Pokud jsou odpovědí jména místo rolí, je uspořádání křehké. Lidé odcházejí, mění práci nebo jdou na poradu. Role přežijí kalendář.

Nejlidštější odpovědí není vždy přesunout více rozhodnutí na už tak vytíženého profesionála. Pravomoc má svou cenu. Vyžaduje čas, přístup k důkazům, podporu vedení a proces, který netrestá obezřetné odmítnutí. Pokud organizace udělí nominální pravomoc bez těchto podmínek, vytváří spíše obětního beránka než dohled. Dotyčný se stává odpovědným za výsledek, který neměl možnost ovlivnit. To je známý manažerský vzorec s novým rozhraním.

Kázeň zdrojů pod každou odpovědí

AI gramotnost se často soustředí na výstupy, protože výstupy jsou to, co lidé vidí. Těžší částí je naučit se ptát, co do systému vstoupilo. Vygenerovaná odpověď může být plynulá, zatímco sada zdrojů je zastaralá, neúplná, neoprávněná nebo smíšená s materiálem, který nikdy neměl úkol řídit. Vyhledávací systém může vrátit relevantní odstavec ze špatné verze politiky. Shrnutí může vynechat větu, která obsahuje výjimku. Prompt může obsahovat instrukci maskovanou jako dokument. Kázeň zdrojů je zvyk zacházet se vstupy jako se spravovaným materiálem, ne jako s pohodlným kontextem.

Lidé nemusí znát každý detail implementace, aby mohli kázeň zdrojů praktikovat. Musí si ale položit krátkou sadu otázek. Jaký je zdroj? Kdo ho vlastní? Kdy byl platný? Je pro tento úkol směrodatný? Byl transformován? Dokáže systém ukázat pasáž nebo záznam, který odpověď utvářel? Která data byla vyloučena a z jakého důvodu? Co se má stát, když si dva zdroje odporují? Tyto otázky jsou užitečné stejně pro asistenta pro politiky, klinický vyhledávací nástroj, programátorského pomocníka i veřejnou informační službu.

Zdroj není směrodatný jen proto, že je snadno dostupný. Sdílené složky obsahují návrhy. Databáze obsahují duplicity. Shrnutí vytvořené modelem mohlo být zaindexováno, jako by šlo o primární záznam. Překlad mohl ztratit právní kvalifikaci. Dokument může být aktuální a přesto mimo účel, pro který ho systém smí používat. Gramotnost dělá z těchto rozdílů běžnou součást práce, ne specializovanou záležitost, která se objeví až po stížnosti.

Kázeň zdrojů také mění to, jak lidé mluví o jistotě. Výstup s vysokou jistotou není silným důkazem, pokud příslušný zdroj chybí. Opatrný výstup může být odpovědným výsledkem, když je sada zdrojů neúplná. Organizace by neměla uživatele učit odměňovat plynulou jistotu a trestat užitečné odmítnutí. Pokud systém nedokáže odpovědět v rámci povolených důkazů, dalším krokem může být najít vlastníka zdroje, požádat o lidský úsudek nebo zúžit otázku.

The source path should be visible at the right level. A user may need a link to the policy passage. A reviewer may need the version and transformation history. An auditor may need the complete input lineage. The information can be layered without being hidden. A tool that shows only a green confidence badge asks the user to trust an abstraction. A tool that shows the evidence and its limits lets the user exercise judgement.

This is also a literacy issue for procurement. A buyer should ask whether the supplier can describe the data boundary, export records, preserve version history, and explain what happens when a source is withdrawn. These are not only technical requirements. They determine whether the organisation can learn from an error. If the contract gives the buyer an answer but not the evidence behind it, the buyer has purchased prose and retained the risk.

Escalation is a form of knowledge

Organisations often treat escalation as a sign that the system has failed to deliver efficiency. A better view is that escalation is how the organisation learns where automation stops being trustworthy. Every escalation contains information about the boundary between the task and the world. The case may be unusual, the source may be defective, the policy may be ambiguous, the interface may have hidden a condition, or the workflow may have assigned authority to the wrong person.

A good escalation route is specific. It tells the user what to record, who receives the case and what response to expect. It distinguishes a missing source from a suspected harmful output, and a technical outage from a policy conflict. The distinction is not paperwork for its own sake. It allows the organisation to repair the correct layer. Re-training a model cannot fix a missing legal source. Updating a policy cannot fix an interface that gives nobody the ability to stop.

Escalation must be safe for the person who uses it. If a worker is measured only on speed, every escalation looks like a personal cost. If a public-service employee risks criticism for delaying a case, the system will accumulate silent overrides rather than visible records. Management has to make the prudent route legitimate. The alternative is a culture in which people are literate enough to see the problem and disciplined enough to hide it.

The European Commission’s own internal measures, described in its Article 4 questions and answers, are instructive because they extend beyond a single course. The Commission says it has developed an internal competency framework for basic AI literacy, learning packages for different groups including generalists, managers and developers, a portal with tool-specific resources, question-and-answer sessions, a community of practice, a monthly newsletter and an AI Champions network. These are not presented as a universal template, and the Commission notes that its internal framework may change as common objectives evolve. The important idea is the network: knowledge has a route through the organisation.

A community of practice is useful because it turns isolated questions into shared memory. A person can ask why a system behaved oddly, compare the answer with another team’s experience, and find someone who understands the domain. That does not replace formal ownership. It makes ownership easier to locate. A newsletter can point to a new risk, but it cannot decide whether a local workflow should change. An AI champion can help a team learn, but should not become the only person who knows how the system works.

Eskalace by se měla také promítnout zpět do školení. Pokud se stejný zmatek opakuje, nejde už o individuální mezeru ve znalostech. Může to znamenat, že rozhraní je zavádějící, politika nejasná, důkazy nejsou zveřejněné nebo hranice rolí je špatně nastavená. Organizace pak může aktualizovat příslušnou vrstvu. Školení je jedna možnost. Lepší popisek, bezpečnější výchozí nastavení, další záznam nebo změněná cesta schvalování může udělat víc.

Právě tato zpětná vazba je důvodem, proč má metafora svalu smysl. Sval roste odporem. Eskalace jsou odporem v pracovním postupu umělé inteligence. Odstraňte je, aby dashboard vypadal klidně, a organizace ztratí signály, které by ji posílily. Klidný systém může být zdravý. Může to být ale také systém, jehož uživatelé přestali hlásit, co vidí.

Návyky jsou důležitější než události

Kurz je událost. Gramotnost je vzorec drobných chování opakovaných před použitím systému, během něj i po něm. Před použitím lidé identifikují úkol, účel, povolená data, dotčené osoby a pravomoc, která zůstává lidská. Během použití kontrolují důkazy, všímají si nejistoty, zaznamenávají důležitá rozhodnutí a eskalují, když systém opustí své hranice. Po použití přezkoumávají výsledky, uchovávají relevantní záznamy a opravují zdroj, politiku, školení nebo systém, když se stejný problém vrátí.

Tyto návyky je třeba navrhnout přímo do práce. Výzva k uvedení zdroje za odpovědí je užitečnější než plakát s výzvou k kritickému myšlení. Povinné pole pro vlastníka rozhodnutí je užitečnější než školící snímek o odpovědnosti. Viditelný ovládací prvek pro zastavení je užitečnější než odstavec připomínající zaměstnancům, že nesou odpovědnost. Ovládací prvky nenahrazují úsudek, ale mohou usnadnit dobrý úsudek v úterý odpoledne.

Návyky musí také odpovídat tempu práce. Veřejná informační přepážka nemůže u každého návrhu s nízkými důsledky provádět dlouhý audit. Pracovní postup kritický z hlediska bezpečnosti nemůže považovat rychlou vizuální kontrolu za smysluplný dohled. Organizace by měla definovat úrovně důkazů a přezkumu, které odpovídají úkolu a jeho možným důsledkům. Jde o proporcionalitu, ne minimalismus. Malý úkol s velkým dopadem na druhého člověka si zaslouží více péče než velký úkol bez smysluplných důsledků.

Mezi pravidlem a návykem je užitečný rozdíl. Pravidlo říká nezadávejte důvěrná data do neschváleného nástroje. Návyk se ptá, která data jsou před otevřením nástroje skutečně nezbytná a zda účel jejich použití umožňuje. Pravidlo říká, že doporučení musí přezkoumat člověk. Návyk se ptá, zda má přezkoumávající osoba důkazy, čas a pravomoc, aby byl přezkum skutečný. Pravidlo říká nahlaste incidenty. Návyk si všímá téměř kolizí dřív, než se stanou hlášenými incidenty, a zachází s nimi jako s materiálem k učení.

Návyky lze pozorovat, aniž by se z lidí staly objekty sledování. Organizace může zkontrolovat, zda pracovní postup odhaluje svůj zdroj, zda se cesta eskalace používá, zda změny modelu spouštějí přezkum a zda lze záznamy přehrát. Neměla by si plést vysoký počet kliknutí s vysokou úrovní gramotnosti. Člověk může zaškrtnout každé pole a přesto rozhodnutí nepochopit. Pozorovatelnost je užitečná, když měří podmínky pro úsudek, ne když odměňuje zdání souladu.

Úložiště postupů pro gramotnost Úřadu pro umělou inteligenci se řídí touto praktickou logikou. Komise popisuje více než čtyřicet iniciativ od společností a veřejného sektoru, včetně e-learningu, prezenčního školení, bootcampů a spolupráce mezi průmyslem a akademickou sférou. Zároveň uvádí, že převzetí postupu z úložiště automaticky nevytváří domněnku souladu. Toto prohlášení je důležité. Postup může být užitečný nápad, aniž by byl důkazem, že jiná organizace zvládla svůj vlastní kontext.

Co si lze osvojit, je zvyk ptát se, jak je určitá praxe propojena s prací. Oslovuje lidi, kteří systém provozují? Pokrývá rizika daného úkolu? Dává lidem cestu, jak se ptát a jak věci napravit? Mění se, když se změní systém nebo kontext? Vytváří záznam, který organizaci pomáhá se učit? Forma se může lišit. Otázky by měly zůstat.

Lidé, na kterých je systém používán

AI gramotnost je často směřována na zaměstnance, protože zaměstnance je nejsnadnější shromáždit v jedné místnosti. Zákon a veřejný zájem jsou širší. Vysvětlení Komise žádá organizace, aby zvážily lidi nebo skupiny, na kterých jsou jejich systémy používány. Tato formulace udržuje dotčenou osobu v centru návrhu konverzace, i když model nikdy nevidí, s nasazením nikdy nesouhlasila a pozvánku na školení nikdy nedostala.

Pro dotčené lidi znamená gramotnost jiný druh přístupu. Možná potřebují vědět, že automatizovaný systém ovlivnil určitou službu, jaký druh vlivu to byl, jaké informace byly zohledněny a jak požádat o přezkum. Přesná práva a oznámení závisí na systému a platném právu. Obecný princip je stabilní: člověk by nemusel rozumět strojovému učení, aby mohl napadnout rozhodnutí, které je pro něj důležité.

Komunikace je součástí kontroly. Oznámení plné odborných termínů může být formálně transparentní a prakticky nepoužitelné. Krátké vysvětlení, které pojmenuje účel, lidskou cestu a omezení, může pro posílení autonomie udělat více. Organizace by měla vysvětlení testovat s lidmi, kteří ho potřebují, nejen s inženýry, kteří systém postavili. Jasnost není dekorativní vlastnost. Rozhoduje o tom, zda může být výzva zahájena.

Jazyk zde hraje roli také. Pokyny UNESCO řadí jazykovou a kulturní rozmanitost do svého přístupu zaměřeného na člověka u generativní AI. Přeložené oznámení může stále selhat, pokud ztratí rozdíl mezi pozváním a povinností, nebo pokud používá termín, který lidé v dané službě nepoznají. Gramotnost proto zahrnuje schopnost ptát se, zda sdělení přežilo překlad a zda ho člověk může použít k jednání.

Veřejné instituce by měly být obzvláště opatrné s myšlenkou informovaného používání. Lidé se nestanou informovanými jen proto, že webová stránka obsahuje zveřejnění. Stanou se informovanými, když vysvětlení dorazí v okamžiku, kdy ovlivňuje jejich volbu, když je lidská cesta skutečná a když instituce může ukázat, co udělala s informacemi, které obdržela. Zátěž je vyšší, když instituce drží moc a člověk nemá praktickou alternativu.

Podniky čelí stejnému problému v zákaznických a zaměstnaneckých službách. Společnost může své zaměstnance důkladně proškolit a přesto nechat zákazníky, aby nechápali, proč skóre ovlivnilo jejich žádost. Pracoviště může proškolit manažery a přesto nechat pracovníky podřízené systému plánování, který nemohou zpochybnit. Gramotnost je neúplná, když organizace rozumí svému nástroji, ale člověk, který nese jeho důsledky, zůstává s černou skříňkou a generickým kontaktním formulářem.

Navrhování pro dotčené lidi také zlepšuje systém. Otázky obyvatel, pacientů, žadatelů a pracovníků často odhalují předpoklady, které interní testování přehlédlo. Otázkou není, zda je každá stížnost oprávněná. Otázkou je, zda organizace dokáže rozlišit individuální neshodu od vzorce, který signalizuje vadný zdroj dat, nespravedlivou hranici nebo zavádějící vysvětlení. Cesta pro výzvu je také cestou pro důkazy.

Veřejná instituce musí učit své vlastní limity

Veřejné instituce plní výchovnou roli, i když se samy za pedagogy nepovažují. Každá automatizovaná služba učí lidi, co instituce považuje za běžné, prokazatelné a zpochybnitelné. Systém, který přijímá pouze strukturované důkazy, učí obyvatele, že jejich životy se musí vejít do formuláře. Systém, který vrací vygenerované vysvětlení bez možnosti obrátit se na člověka, je učí, že instituce přenesla odpovědnost jinam. Systém, který jasně uvádí své meze, učí jinou lekci: technologie může pomáhat při plnění veřejné povinnosti, ale nenahrazuje ji.

Aktualizované etické pokyny Evropské komise pro využívání umělé inteligence a dat ve výuce a učení nabízejí konkrétní veřejný příklad této výchovné práce. Pokyny jsou určeny především učitelům a pedagogickým pracovníkům, včetně lidí s malými nebo žádnými předchozími zkušenostmi i těch s pokročilými digitálními dovednostmi. Aktualizace z roku 2026 doplňuje praktické scénáře, aktualizovaný slovník a právní kontext zahrnující nařízení o umělé inteligenci a GDPR. Forma je vzdělávací, ale princip se dobře přenáší: lidé potřebují definice, otázky a příklady, které jim pomohou rozhodnout se podle kontextu.

Pokyny nedělají z učitelů pracovníky pro dodržování předpisů. Pomáhají pedagogům pochopit možné přínosy, skrytá rizika a odpovědnosti spojené s využíváním umělé inteligence a dat v práci se studenty. Tento rozdíl je důležitý. Dobrá digitální gramotnost nedělá z profesionála někoho, kdo nedůvěřuje každému nástroji. Dává mu dostatek porozumění, aby se rozhodl, kde nástroj pomáhá, kde potřebuje omezení a kde musí zůstat na prvním místě lidský vztah.

Hypotetická školní rada ilustruje tento rozdíl. Pokud koupí asistenta pro psaní a nabídne obecnou ukázku, učitelé se mohou naučit, jak rychle vytvářet materiály. Pokud se také zeptá, jaká data studentů do systému vstupují, jak se vygenerované materiály kontrolují, jak může žák napadnout automatické označení a kdo může nástroj zastavit, buduje rada institucionální kompetenci. Druhý rozhovor může být pomalejší. Je to také rozhovor, který dělá ten první odpovědným.

Veřejné instituce by měly zveřejňovat své vlastní poznatky v rozsahu, který umožňuje důvěrnost a bezpečnost. Krátký popis účelu systému, hranic důkazů, způsobu přezkumu a známých omezení může obyvatelům, zaměstnancům a dodavatelům pomoci mluvit o stejném objektu. Veřejná dokumentace také dává občanské společnosti a dozorovým orgánům něco konkrétního, na co se mohou ptát. Vágní slib odpovědné inovace nechává všechny hádat se o tónu.

Je v tom i demokratický rozměr. Digitální gramotnost v oblasti umělé inteligence je někdy popisována jako program pro pracovní sílu, jako by občané byli pouze budoucí zaměstnanci. Občané jsou také voliči, pacienti, nájemníci, rodiče, žadatelé, sousedé a lidé, jejichž údaje se objevují v pracovním postupu někoho jiného. Jejich schopnost porozumět automatizovaným systémům a zpochybňovat je je součástí veřejné kapacity potřebné pro demokratickou kontrolu. Společnost, která o umělé inteligenci umí mluvit pouze prostřednictvím dodavatelských ukázek, outsourcovala svůj slovník.

Vzdělávání je organizační zkouška

Školy a univerzity jsou přirozeným místem pro diskusi o digitální gramotnosti v oblasti umělé inteligence, ale poučení by nemělo skončit ve třídě. Doporučení UNESCO uvádí, že generativní umělá inteligence se mění rychleji než mnohé národní regulační rámce, a vyzývá k tomu, aby lidské schopnosti držely krok. To není důvod k uspěchanému zavádění každého nástroje do výuky. Je to důvod učit lidi, jak nástroje hodnotit, chránit data, rozpoznávat omezení a ptát se, kdo z konkrétního použití těží.

Evropská komise a OECD představily v červnu 2026 rámec pro AI gramotnost pro základní a střední vzdělávání. Rámec je popsán jako společný referenční bod pro školy, pedagogy, vedoucí pracovníky, tvůrce politik a designéry vzdělávání, s prostorem pro přizpůsobení místním podmínkám. Společný referenční bod je užitečný, protože snižuje pokušení definovat gramotnost jako cokoli, co se náhodou rozhodne prodávat některý dodavatel. Přizpůsobení je stejně důležité, protože škola, výzkumný ústav a veřejná služba nečelí stejným úkolům ani se netýkají stejných lidí.

Vzdělávání může vytvářet návyky, které organizace později potřebují. Studenti mohou porovnat vygenerované vysvětlení se zdrojem, zaznamenat, co se změnilo, zpochybnit sebejistou odpověď a diskutovat o tom, kdy by měl zůstat odpovědný člověk. Učitelé mohou zviditelnit nejistotu, místo aby ji považovali za selhání hodiny. Vedoucí škol mohou učinit otázky zadávání zakázek a nakládání s daty součástí rozhodování, místo aby je přenechali nadšenému jednotlivci s bezplatným účtem.

Tyto postupy nemají za cíl činit děti odpovědnými za správu komerčních systémů. Jde o to dát lidem trvalou slovní zásobu dříve, než vstoupí na pracoviště a do veřejných institucí, kde mohou být sázky vyšší. Dospělí potřebují stejnou příležitost. Manažer, který se ve škole naučil zpochybňovat zdroje, může tento návyk využít při jednání o zakázce. Obyvatel, který ví, že model se může mýlit, ale přesto může být vlivný, se může zeptat na správnou cestu veřejnou službou.

Vzdělávání také ukazuje, proč nelze gramotnost zredukovat na technickou kompetenci. Učitel se může naučit, jak model generuje text, a přesto musí rozhodnout, zda jeho použití změní vztah se žákem. Výzkumník může rozumět procesu trénování modelu a přesto musí ověřit práva a souhlas v datech. Student může umět působivě zadávat příkazy systému a přesto musí rozpoznat, kdy systém není vhodným zdrojem. Lidský úsudek je dovednost, nikoli zbytek, který zůstane po technické lekci.

Univerzity a profesní organizace mohou pomoci propojováním oborů. AI gramotnost patří k právu, správě dat, designu, etice, práci, veřejné správě, zdravotnictví a inženýrství, nikoli do místnosti, kde jedna specializace vysvětluje budoucnost všem ostatním. Cílem není udělat z každého člověka odborníka ve všech oblastech. Cílem je umožnit odborníkům rozpoznat, kde jejich vlastní obor končí a kde je třeba přizvat obor jiný.

Co Komise dělá sama se sebou

Existuje užitečný rozdíl mezi politikou, která říká ostatním, co mají dělat, a institucí, která popisuje, co dělá interně. Odpovědi Komise na otázky k článku 4 zahrnují to druhé. Popisují interní politiku pro pracovní sílu s dovednostmi v oblasti AI, základní rámec kompetencí pro AI gramotnost, vzdělávací balíčky pro pracovníky bez specializace, manažery a vývojáře, zdroje specifické pro jednotlivé nástroje, setkání s otázkami a odpověďmi, komunitu praxe, měsíční zpravodaj a síť šampionů AI.

Žádný z těchto prvků by neměl být považován za kouzelnou šablonu. Komise sama uvádí, že se interní rámec může změnit na základě budoucích doporučení. Tyto postupy jsou příkladem instituce, která zachází s gramotností jako se systémem podpory, nikoli jako s jednorázovou událostí. Rámec dává jazyk. Různé vzdělávací balíčky zohledňují různé role. Pokyny specifické pro nástroje propojují učení s prací. Komunita dává otázkám místo, kam směřovat. Šampioni vytvářejí cestu organizací, aniž by se stali jedinými vlastníky znalostí.

The example also contains a quiet warning. The programme is described in terms of encouraged learning and practical resources, not as proof that every employee can perform every AI task safely. That is the honest boundary. An organisation can build capacity and still have gaps. It can offer training and still discover that a workflow lacks an override. It can publish guidance and still need to revise it when a tool, law or task changes.

The Commission’s public repository makes the same boundary explicit. It collects examples to support learning and exchange, but reproducing a practice does not automatically create a presumption of compliance. That sentence deserves to be repeated because organisations often copy a visible format and leave the invisible reasoning behind. A bootcamp may be useful in one place and irrelevant in another. An e-learning module may reach everyone and change nobody. A community of practice may flourish in a research setting and need a different shape in a public call centre.

The practical question for any organisation is not whether its programme resembles the Commission’s. It is whether people can use what they learned at the moment the system asks them to make a judgement. If they can, the programme is connected to work. If they cannot, the organisation has built a library without a doorway.

A capability map for an ordinary organisation

It helps to map literacy by capability rather than by attendance. The map should show what the organisation needs to do, who performs each part, which evidence supports it and what authority remains human. A small organisation can draw this on one page. A larger one may need a register connected to systems, roles and review cycles. The form matters less than keeping the relationships visible.

The first capability is recognition. The organisation can list the AI systems it provides, deploys or uses on someone else’s behalf, and describe their purpose in ordinary language. It knows which tools are experimental, which are approved, which are embedded in a supplier service and which entered through an individual account. Recognition is not surveillance of every employee’s curiosity. It is a way to stop consequential use from hiding behind a procurement category or an enthusiastic workaround.

The second is evidence. For each task, the organisation knows what data the system receives, what sources are authoritative, how freshness and permission are checked, and what records survive transformation. It can distinguish a generated suggestion from a source record and an evaluation result from a production outcome. Evidence is the part of literacy that turns a claim into something a second person can inspect.

The third is judgement. The organisation can state which actions the system may take, which it may suggest and which remain human decisions. It defines the conditions that require a refusal, an escalation or a review. It makes the trade-off visible when a faster path gives less evidence or less opportunity to contest. Judgement is not an argument against automation. It is the part of the design that says what automation is for.

The fourth is authority. Roles are assigned for approval, oversight, data ownership, incident handling, communication with affected people, supplier challenge and withdrawal. The roles have access and time. A person with a title but no route to stop or change the system is not an oversight mechanism. An escalation mailbox with no owner is a suggestion box in formal clothing.

The fifth is learning. The organisation records what people asked, where the system failed, which assumptions changed and what was repaired. It updates training when the task changes, but it also changes the interface, evidence path, policy or contract when that is the better fix. Learning is not a retrospective report that sits beside the system. It is the system becoming more honest about its limits.

Mapa schopností udržuje na očích lidi, důkazy a pravomoci kolem systému AI. Je to mapa práce, ne seznam účastníků.

Jak zajistit, aby smyčka přežila hektické čtvrtletí

Většina programů digitální gramotnosti selhává běžným způsobem. Zahájení je hojně navštívené, materiály jsou vyleštěné, a pak se vrátí naléhavá práce. Nové nástroje dorazí od dodavatele, tým si zkopíruje prompt od jiného týmu, změní se politika nebo se v poznámkách k vydání objeví aktualizace modelu. Organizace dál mluví o gramotnosti, jako by původní kurz stále existoval. Není tomu tak. Systém se posunul, zatímco učení zůstalo stát.

První ochranou je jasný spouštěč revize. Změna modelu, zdroje dat, účelu, dotčené populace, dodavatele, prahu nebo lidské cesty by měla někoho přimět k otázce, zda stávající praxe stále vyhovuje. Spouštěč nemusí kvůli každé drobné změně vytvářet výbor. Musí zabránit tomu, aby se podstatná změna považovala za běžnou údržbu, když mění pravomoci nebo riziko.

Druhou ochranou je místní vlastnictví. Centrální kancelář pro AI může nabízet pokyny, ale první nesoulad mezi systémem a prací obvykle vidí člověk nejblíže danému úkolu. Tento člověk potřebuje pojmenovanou cestu, jak klást otázky, nahlásit problém a dostat odpověď. Místní vlastnictví také brání tomu, aby se program stal souborem abstraktních zásad, které nikdo nedokáže převést na zítřejší případ.

Třetí ochranou je malá sada opakovaně použitelných otázek. Co systém dělá? Jaké důkazy používá? Co může změnit? Koho se to týká? Co by nás přimělo přestat? Kdo to může změnit? Který záznam nám později umožní pochopit výsledek? Tyto otázky se mohou objevit v zadávací dokumentaci, při přezkumu návrhu, v pokynech pro zaměstnance, ve veřejném oznámení, ve formuláři pro incidenty a ve školícím cvičení. Opakování není chybou, když je otázka kontrolním prvkem.

Čtvrtou ochranou je čas. Organizace často žádají lidi, aby uplatňovali úsudek v mezerách mezi jinými úkoly. To činí správné jednání neefektivním. Pokud má recenzent kontrolovat vygenerované doporučení, musí pracovní zátěž tuto kontrolu zahrnovat. Pokud má pracovník eskalovat obavy, musí to rozvrh umožnit. Pokud má manažer přezkoumávat nový model, musí role zahrnovat přezkum. Jinak organizace udělala z gramotnosti dobrovolnickou činnost a bude překvapená, když dobrovolníků bude málo.

Pátou ochranou je viditelný konec smyčky. Eskalace by neměla zmizet v e-mailové schránce. Ten, kdo ji vznesl, by měl vědět, zda byl případ přijat, co se změnilo a kdo je vlastníkem dalšího kroku, s ohledem na limity ochrany soukromí a bezpečnosti. Malé potvrzení může být účinnější než další politika, protože ukazuje, že organizace považuje úsudek za součást práce, nikoli za přerušení práce.

Metriky mohou pomoci, ale musí být voleny pečlivě. Počítejte, kolik systémů má vlastníka, kolik úkolů má deklarovanou hranici důkazů, kolik změn spustilo přezkum, kolik eskalací obdrželo odpověď a jak často byl zdroj nebo politika opraven. Nepoužívejte procenta dokončení jako náhradu za porozumění. Stoprocentní dokončení může koexistovat s nulovou autoritou. Nižší číslo dokončení může odhalit, že organizace konečně přestala předstírat, že jedno poučení vyhovuje všem.

Nejlepším měřítkem není číslo. Je jím kvalita další otázky. Dokáže po programu tým zpochybnit sebevědomý výstup, aniž by mu bylo řečeno, že model je pouze nástroj? Dokáže identifikovat zdroj a chybějící důkazy? Dokáže říci, co by způsobilo zastavení pracovního postupu? Může se postižená osoba dostat k lidskému přezkumu? Může organizace změnit systém, aniž by ztratila historii toho, co se stalo? Pokud se odpověď zlepší, sval se používá.

Co vám certifikát neřekne

Certifikát vám může říci, že osoba dokončila identifikovanou činnost. To může být užitečné pro orientaci, vedení záznamů nebo profesní rozvoj. Nemůže vám říci, zda činnost odpovídala systému před osobou, zda měla osoba možnost procvičit si ji, zda organizace odhalila své důkazy, zda byla autorita skutečná, nebo zda se systém poté změnil. Tyto otázky patří organizaci a práci.

Toto rozlišení není argumentem proti kurzům. Kurzy mohou poskytnout společný výchozí bod, zejména když je rychle potřeba nová slovní zásoba. Mohou vysvětlit mechanismy, právní kontext a opakující se rizika. Mohou pomoci lidem, kteří byli vyloučeni z technických rozhovorů, vstoupit do nich, aniž by museli předstírat, že už znají odpovědi. Problém začíná, když je kurz považován za výsledek, nikoli za jeden nástroj v širší praxi.

Dobrý kurz by měl učinit další použití náročnějším. Měl by lidem zanechat otázky, které mohou klást, důkazy, které mohou zkoumat, limity, které mohou uvést, a cesty, které mohou použít, když systém nestačí. Měl by manažerovi ztížit spokojenost s vágním tvrzením a pracovníkovi dodat větší jistotu v obezřetném odmítnutí. Měl by usnadnit viditelnost vlastních mezer organizace. Učení, které produkuje pouze sebevědomí, nemusí nutně produkovat gramotnost.

Současné znění zákona pomáhá, protože odmítá definovat jednu cílovou čáru pro každého. Článek 4 nyní žádá poskytovatele a nasazující subjekty, aby přijali opatření podporující rozvoj. Odůvodnění pozměňovacího návrhu říká, že gramotnost by měla být strategickou prioritou bez ohledu na regulační povinnosti a možné sankce. To je silnější základ než závod o univerzální skóre. Říká organizacím, aby budovaly schopnosti, protože to jejich práce vyžaduje, ne proto, že by certifikát mohl ztišit kontrolní seznam.

Naše malá poznámka

V Dweve je naším malým příspěvkem Ground truth, bezplatný průvodce umělou inteligencí pro občany, který funguje v prohlížeči. Není to certifikát a sám o sobě nedokáže organizaci učinit gramotnou. Je to jedno z míst, kde lze procvičovat společnou slovní zásobu popsanou zde: co systém dělá, jaké důkazy používá, které limity jsou podstatné a kde zůstává lidský úsudek. Zmiňujeme ho jako příklad materiálů, které vytváříme, ne jako důkaz organizačního výsledku. Důkaz se musí objevit v práci samotné, v otázkách, které si lidé kladou, a v rozhodnutích, která mohou měnit.

Ponaučení

AI gramotnost není okamžik, kdy člověk dokončí kurz. Je to okamžik, kdy organizace vidí, co její systémy dělají, a přesto dokáže jednat, když je odpověď nejistá. Povědomí pojmenovává systém a jeho prostředí. Kompetence propojuje znalosti s úkolem a jeho důkazy. Autorita umožňuje úsudek a zásah. Návyky udržují tyto schopnosti naživu, když se změní nástroj, politika, data nebo lidé.

Evropská pozice se stává jasnější. Článek 4 aktu o AI zůstává odpovědností organizace, ale současný zákon nepředepisuje jednotnou úroveň pro jednotlivce ani certifikát. Pokyny Komise poukazují na kontext, riziko, roli a dotčené osoby. Její vlastní interní program kombinuje rámce, učení specifické pro danou roli, pokyny k nástrojům, komunitu a cestu pro dotazy. Vzdělávací pokyny a pokyny UNESCO staví lidské kapacity, práva a smysluplné využití vedle technického porozumění. Žádný z těchto zdrojů neslibuje zkratku. Právě v tom spočívá jejich hodnota.

Pro veřejný orgán je úkolem učinit lidskou cestu viditelnou a použitelnou. Pro společnost je úkolem propojit školení s důkazy, odpovědností a schopností odmítnout špatný pracovní postup. Pro školu je úkolem naučit lidi klást otázky systému dříve, než je systém požádá, aby mu důvěřovali. Pro člověka dotčeného rozhodnutím je úkolem mít způsob, jak pochopit, co se stalo, a požádat o přezkum, aniž by se nejprve musel naučit slovní zásobu dodavatele.

Sval roste, když organizace cvičí dříve, než nastanou následky: rozpoznat, ptát se, ověřit, rozhodnout, eskalovat a napravit. Žádný závěrečný certifikát, který by potvrdil, že je práce hotová, nebude. To není mezera v programu. To je smysl. Živý systém potřebuje živý úsudek a živý úsudek je něco, co musí organizace neustále procvičovat.

Zdroje