AI lietpratība nav kurss, bet gan organizācijas muskulis

Sertifikāts var apliecināt, ka kāds apmeklēja nodarbību. Tas nevar parādīt, vai organizācija spēj atpazīt mākslīgā intelekta sistēmu, apšaubīt tās...

AI lietpratība nav kurss, bet gan organizācijas muskulis

The legal sentence that changes the meeting

On 24 July 2026, the Official Journal of the European Union published the Digital Omnibus on AI. Among its amendments was a small change to Article 4 of the Artificial Intelligence Act. The obligation remains, but the law no longer asks organisations to promise a prescribed or universal level of AI literacy for every individual. Providers and deployers are required to take measures that support the development of literacy among their staff and among other people who operate or use AI systems on their behalf. The amendment also says that the Commission and the Member States should support those efforts, and that the AI Board should work towards common objectives.

That is a legal change. It is also a management question. If there is no universal examination score, what does a serious organisation do when it brings an AI system into a real process? It cannot answer with a certificate alone. A certificate can show that somebody completed a lesson. It cannot show that the person can tell a draft from an approved policy, recognise when a model is outside its task, ask for the evidence behind a recommendation, stop a workflow, or find the owner who can change it. The interesting part of literacy begins after the slide deck has gone quiet.

The European Commission’s own questions and answers make the point with unusual plainness. There is no single format for AI literacy and no requirement for a specific certificate. The organisation should consider its role, the risk and purpose of the system, the knowledge and experience of the people involved, and the context in which the system is used. It should keep an internal record of training or other guiding initiatives, but a record of attendance is not the same thing as the capability those initiatives are meant to build.

AI literacy is therefore best understood as a working muscle. A muscle is not proved by owning a gym card. It is built through repeated, contextual effort, and it becomes visible when the situation is awkward. A literate organisation can name the system it is using, state what the system is allowed to do, notice when the evidence is weak, ask who may be affected, and route an uncertain case to a person with the authority to decide. That is less glamorous than a launch event. It is also where the law meets ordinary work.

This article is about that ordinary work. It is not a course outline and it is not legal advice. It is a way to separate three things that are often bundled together: awareness, competence and authority. It follows the questions that arise when a public body, a company, a school or a professional team tries to make AI useful without handing its judgement to a screen. The examples are drawn from European public guidance and documented institutional practice. Any invented situation is marked as a hypothetical, because a story is not evidence merely because it has a plausible office in it.

Literacy is a practice, not a badge

The word literacy arrived in the AI debate carrying too much luggage. It can sound like a basic introduction for people who have not yet learned the important vocabulary. It can also sound like a compliance label that can be attached to a person and filed. Neither interpretation is useful. Literacy is the ability to read a situation well enough to act in it. Reading a book about a language is not the same as understanding a letter addressed to you. Reading a definition of an AI system is not the same as knowing whether the tool in front of you is making a prediction, retrieving a record, generating a continuation, ranking options or controlling a step in a workflow.

Komisijas pašreizējais 4. panta skaidrojums sākas pareizajā vietā: organizācijām būtu jāveido vispārēja izpratne par to, kas ir mākslīgais intelekts, kā tas darbojas, kādas sistēmas tās izmanto un kādas iespējas un draudus šīs sistēmas rada. Tas ir sākums, nevis noslēgums. Vispārēja izpratne sniedz cilvēkam karti. Karte kļūst noderīga tikai tad, kad tā ir saistīta ar konkrētu uzdevumu, lomu, pierādījumu avotu un sekām.

Iedomāsimies hipotētisku iepirkuma komandu, kas izvērtē rīku, kurš apkopo piegādātāju iesniegumus. Izpratne ļauj komandai atpazīt, ka rīks ģenerē tekstu un var kļūdīties. Kompetence ļauj vērtētājam pārbaudīt, vai kopsavilkumā ir saglabāti izņēmumi, nosacījumi un datumi, un salīdzināt to ar pamatā esošajiem iesniegumiem. Pilnvaras nosaka, kas notiek, ja kopsavilkums ir nepilnīgs. Vai vērtētājs var to noraidīt? Vai komanda var pieprasīt, lai piegādātājs atklāj avota fragmentus? Vai kāds var apturēt vērtēšanu, kamēr problēma tiek izmeklēta? Bez pilnvarām kompetence kļūst par privātu rūpi, kuru darba process var brīvi ignorēt.

Šī atšķirība ir svarīga, jo organizācijas bieži apmāca visvieglāko līmeni. Tās izskaidro, kas ir modelis, parāda dažus piemērus un lūdz cilvēkus pieņemt lietošanas politiku. Cilvēki aiziet ar jauniem vārdiem un vecajiem stimuliem. Ja ātrums tiek atalgots un jautāšana tiek uzskatīta par šķērsli, cilvēks, kurš pamana problēmu, iemācās klusēt. Organizācija tad var ziņot par augstu izpratnes līmeni, kamēr tās lēmumi paliek nemainīgi. Žetons ir īsts. Lasītprasme ir dekoratīva.

Uz praksi balstīts skatījums uzdod citu jautājumu: kas cilvēkam būtu jāspēj pamanīt un darīt tajā brīdī, kad MI sistēma skar viņa darbu? Atbilde atšķiras atkarībā no lomas. Iedzīvotājam, kurš izmanto publisko pakalpojumu, ir jāzina, kad procesā ir iesaistīta mašīna, ko var apstrīdēt un kur vērsties, lai saņemtu cilvēka palīdzību. Lietvedim ir jāsaprot sistēmas mērķis, pierādījumi, nenoteiktība un pārņemšanas ceļš. Vadītājam ir jāizlemj, vai uzdevums ir piemērots automatizācijai un vai komandai ir laiks pārskatīt rezultātu. Izstrādātājam ir jāzina datu un modeļa robeža, atteices veidi un ieraksti, kuriem jāsaglabājas pēc izmaiņām. To visu saukt par kursu nozīmē slēpt atšķirības, kas padara darbu drošu.

Jaunais tiesību akta formulējums atstāj vietu šai dažādībai. Regula (ES) 2026/1744 nosaka, ka MI lietotprasme būtu jāveido jau izglītībā un apmācībā un jāturpina mūžizglītībā. Tā arī atzīst, ka dažādiem nodrošinātājiem un ieviesējiem ir atšķirīgi pienākumi un apstākļi. Tas nav aicinājums neko nedarīt. Tas ir aicinājums pārtraukt izlikšanos, ka viens eksāmens var izmērīt spēju rīkoties atbildīgi visās sistēmās, nozarēs un skarto cilvēku grupās.

Praksei ir vēl viena noderīga īpašība: tā atklāj nepilnības, nevainojot cilvēkus par to esamību. Cilvēks var saprast, ka valodas modelis prognozē iespējamās turpinājuma daļas, un tomēr nezināt, kā konkrēta izguves sistēma atlasa dokumentus. Datu pārvaldnieks var saprast izcelsmi un joprojām nebūt pilnvarots mainīt indeksu. Vadītājs var zināt, ka augsta riska sistēma ir jāuzrauga cilvēkam, un tomēr nebūt atvēlējis laiku jēgpilnai pārskatīšanai. Tās ir dizaina nepilnības, nevis personiskas morālas kļūmes. Lietotprasmīga organizācija padara tās redzamas, lai tās varētu novērst.

AI pratība kļūst redzama tad, kad sistēmas lietošana atstāj nākamo lietošanu labāk saprastu, nevis tikai tad, kad cilvēks pabeidz mācību kursu.

Apzinātība ir durvis, nevis telpa

Apzinātība bieži tiek noniecināta, jo tā izklausās pēc kaut kā mīksta. Tā ir kļūda. Cilvēki nevar apšaubīt sistēmu, kuru nespēj nosaukt, un viņi nevar nosaukt sistēmu, ja katra programmatūra tiek raksturota kā inteliģenta. Apzinātība organizācijai dod kopīgu vārdu krājumu, lai atšķirtu modeli no saskarnes, prognozi no lēmuma, avotu no kopsavilkuma, instrukciju no izgūta satura un ticamības rādītāju no pareizības pierādījuma.

Šim vārdu krājumam nav jābūt vērienīgam. Tam jābūt pietiekami precīzam, lai novērstu kategoriju kļūdu. Meklētājprogramma, uz noteikumiem balstīta atbilstības pārbaude, klasifikators, ģeneratīvs palīgs un darbplūsmas aģents var parādīties vienā un tajā pašā produktu katalogā. To mehānismi un riski atšķiras. Ja darbinieki tos visus sauc par AI un pie tā apstājas, viņi zaudē jautājumus, kuriem būtu jāseko. Kādus datus sistēma redz? Kāds ir tās paredzētais mērķis? Ko tā atgriež? Kurš rīkojas pēc rezultāta? Kuras kļūdas ir svarīgas? Ko var atsaukt? Kurus cilvēkus tas skar, pat ja viņi nekad nepieskaras saskarnei?

Apzinātība ietver arī sociālo kontekstu. UNESCO vadlīnijas par ģeneratīvo AI izglītībā un pētniecībā cilvēka spējas raksturo kā daļu no uz cilvēku vērstas pieejas. Tās tehnisko izpratni novieto blakus privātumam, vienlīdzībai, iekļaušanai, valodu un kultūras daudzveidībai un jēgpilnai lietošanai. Būtība nav tā, ka katram darbiniekam jākļūst par politikas pētnieku. Būtība ir tā, ka sistēma nekļūst neitrāla, kad tā tiek ievietota pazīstamā lietotnē. Viens un tas pats ģenerēts fragments var būt nekaitīgs palīglīdzeklis melnraksta veidošanā vienā vidē un nepārskatīts lēmums citā.

Cilvēks, kurš apzinās kontekstu, var sadzirdēt atšķirību starp lūgumu pēc palīdzības un pilnvaru deleģēšanu. Ja sistēmai lūdz ieteikt jautājumus sapulcei, lietotājs paliek sapulces autors. Ja sistēmai lūdz izlemt, kurš iedzīvotājs saņem ierobežotu pakalpojumu, sistēma ir iegājusi citā morālā un juridiskā teritorijā. Vārdi uz ekrāna var izskatīties līdzīgi. Uzdevuma robeža nav. Apzinātība ir ieradums pamanīt, ka robeža ir pārvietojusies.

Publiskajām iestādēm šī apzinātība ir vajadzīga īpaši disciplinētā formā. To sistēmas var ietekmēt cilvēkus, kuri nevar atteikties, kuri nezina, kādi automatizēti rīki ir iesaistīti, vai kuri nevar atļauties mēģināt vēlreiz pēc kļūdas. Tāpēc pakalpojumu komandai ir vajadzīgs vairāk nekā vispārīgs apgalvojums, ka AI var būt neprecīzs. Tai ir vajadzīgs vārdu krājums, lai izskaidrotu ceļu, ko cilvēks var izmantot, kad sistēma kļūdās, kad datu trūkst vai kad atbilde nekad nedrīkstēja būt automatizēta.

Uzņēmumiem ir vajadzīga viena un tā pati vārdnīca arī mazāk acīmredzamu iemeslu dēļ. Piegādātājs var raksturot ranžēšanas sistēmu kā lēmumu atbalstu, savukārt klienta process šo ranžēšanu uztver kā lēmumu, jo nevienam nav laika to pārskatīt. Mārketinga komanda var izmantot tulkošanas rīku iekšējām melnrakstiem un pēc tam iekopēt rezultātu publiskā paziņojumā bez otrreizējas pārbaudes. Personāla atlases komanda var nosaukt atlases rādītāju par ērtību un klusībā to izmantot, lai noraidītu pretendentus. Apzinātība atklāj šīs pārmaiņas, pirms tās tiek apraktas procesa diagrammā.

Tāpēc apzinātība būtu jāpārbauda ar valodu, kas pieder organizācijai. Lūdziet komandai aprakstīt vienu sistēmu, neizmantojot vārdus vieds, automatizēts vai inteliģents. Jautājiet, kādu informāciju tā saņem, ko tā rada un kurš var mainīt rezultātu. Ja skaidrojums kļūst neskaidrs, organizācija ir atradusi noderīgu apmācības vajadzību. Vingrinājums ir vienkāršs, bet vienkāršībai ir sena vēsture, ka to nenovērtē cilvēki, kam patīk sarežģīts informācijas panelis.

Kompetencei ir piesaistīts uzdevums

Kompetence ir prasīgāka nekā atpazīšana, jo tā ir konkrēta. Cilvēks nav vienkārši kompetents mākslīgā intelekta jomā. Viņš ir kompetents veikt noteiktu uzdevumu ar noteiktu sistēmu noteiktos apstākļos. Komisijas jautājumi un atbildes atkārtoti saista lasītprasmi ar sistēmas kontekstu un mērķi, iesaistīto cilvēku zināšanām un lietojuma risku. Tas ir labāks kompetences apraksts nekā vispārīgu uzvedņu triku saraksts.

Parastam lietotājam kompetence var nozīmēt zināšanas par to, kādu informāciju var ievadīt, kura izvade ir jāpārbauda, kā saglabāt avota materiālu un kad apstāties. Tā var ietvert spēju atšķirt ģenerētu atbildi no iegūtas rindkopas, pārbaudīt saiti aiz apgalvojuma, pamanīt trūkstošu ierobežojumu un ziņot par kļūmi tā, lai cits cilvēks to varētu atkārtot. Tās ir praktiskas prasmes. Tās neprasa, lai lietotājs ieviestu transformatoru, bet prasa vairāk nekā ticību, ka sistēma ir izlasījusi organizācijas politiku.

Pārskatītājam kompetence ietver spēju apstrīdēt izvadi. Pārskatītājam ir vajadzīga testa kopa, kas līdzinās darbam, veids, kā redzēt, kādus pierādījumus sistēma izmantoja, un skaidrs paziņojums par to, kas tiek uzskatīts par pieņemamu rezultātu. Ja uzdevums skar publiskas tiesības vai cilvēka iztikas līdzekļus, pārskatītājam ir vajadzīgas arī pietiekamas nozares zināšanas, lai atpazītu atbildi, kas ir gramatiski tīra, bet saturiski nepareiza. Raits izklāsts ir saskarnes īpašība. Kompetence ir spriedums par uzdevumu.

Vadītājam kompetence ietver lēmumu par to, vai uzdevums vispār būtu jāautomatizē. Šis lēmums prasa izpratni par darbu, kas slēpjas aiz etiķetes. Uzdevums var būt atkārtots un tomēr saturēt būtisku izņēmumu. Lēmums var būt ikdienišķs pieredzējušam profesionālim un tomēr pārāk nozīmīgs, lai to deleģētu bez redzama pārsūdzības ceļa. Process var būt tehniski izmērāms un sociāli nepiemērots optimizēšanai. Vadītāji, kuri nevar uzdot šos jautājumus, atstāj dizainu piegādātāja un noklusējuma iestatījumu ziņā.

Inženierim kompetence ietver sistēmas robežu padarīšanu pārbaudāmu. Kura modeļa versija tika izmantota? Kuri dati bija pieejami? Kuri rīku izsaukumi bija atļauti? Kura politika vai uzvedne tika piemērota? Kurš nenoteiktības vai atteikuma nosacījums tika sasniegts? Kas notiek, ja avots ir novecojis, pretrunīgs vai trūkst? Tehniskajam personālam nav jāatrisina visi pārvaldības jautājumi, bet tam ir jānovērš, ka sistēma izdzēš informāciju, kas pārvaldībai būs nepieciešama vēlāk.

Augsta riska noteikumi, kas paredzēti Mākslīgā intelekta aktā, šo padara konkrētu. Komisijas jautājumu un atbilžu sadaļā norādīts, ka augsta riska sistēmu ieviesējiem jānodrošina, lai darbinieki, kas praksē strādā ar šīm sistēmām, būtu apmācīti tās lietot un nodrošinātu cilvēka uzraudzību. Vienkārši novietot instrukcijas blakus rīkam nav pietiekami. Cilvēkiem, kas veic darbu, ir vajadzīgas prasmes un praktiski apstākļi, lai izmantotu uzraudzības mehānismu. Ja operators nevar saprast izvadi vai nevar pārtraukt procesu, vārds cilvēks frāzē cilvēka uzraudzība ir kļuvis par dekoratīvu lietvārdu.

Kompetence aug, kad organizācija ļauj cilvēkiem praktizēties ar reāliem ierobežojumiem. Privātuma komanda var izstrādāt hipotētisku pieprasījumu, kas satur personas datus, un izlemt, ko drīkst ievadīt sistēmā. Sabiedrisko pakalpojumu komanda var atkārtot atteikuma un eskalācijas scenāriju, neizmantojot reāla iedzīvotāja lietu. Produkta komanda var atkārtoti palaist izmainītu modeli pret fiksētu vērtēšanas kopu un apspriest, kuras atšķirības ir būtiskas. Šie vingrinājumi nav pierādījums tam, ka turpmākā ieviešana būs droša. Tie ir mēģinājums lēmumiem, ko drošība prasa.

Ir svarīgs ierobežojums. Kompetence nevar kompensēt trūkstošus pierādījumus. Ļoti prasmīgs recenzents nevar pārbaudīt apgalvojumu, ja avots ir pazudis, un labi apmācīts operators nevar ignorēt sistēmu, ja saskarne nepiedāvā ignorēšanas iespēju. Apmācība var atklāt trūkumu, bet tā to nevar aizpildīt ar entuziasma spēku. Organizācijas dažkārt reaģē uz trūkstošu kontroli, ieplānojot vēl vienu kursu. Grafiks kļūst par pieminekli kontrolei, kas nekad netika izveidota.

Autoritāte ir trūkstošā puse

Autoritāte ir tā mākslīgā intelekta pratības daļa, ko organizācijas labprātāk atstāj netiešu. Tā attiecas uz to, kurš drīkst izlemt, kurš drīkst atteikt, kurš drīkst apturēt procesu, kurš drīkst mainīt noteikumu un kurš uzņemas sekas, kad sistēma kļūdās. Autoritāte nav tas pats, kas vecāka amata pakāpe. Augstāka amata persona var apstiprināt sistēmu un joprojām nespēt pārbaudīt tās pierādījumus. Pirmās līnijas darbinieks var pirmais pamanīt problēmu un joprojām dzirdēt, ka tikai piegādātājs to var mainīt.

Cilvēka uzraudzība bieži tiek aprakstīta tā, it kā pietiktu ar cilvēku, kas stāv blakus vadības panelim. Tā nav. Uzraudzībai ir vajadzīgs cilvēks ar laiku, zināšanām un autoritāti, lai saprastu izvadi, atpazītu, kad tā ir ārpus darbības jomas, un iejauktos. Mākslīgā intelekta akta augsta riska prasības skaidri nosaka apmācības punktu, bet pamatprincips attiecas plašāk. Cilvēks nevar īstenot uzraudzību pār procesu, kas iejaukšanos uzskata par efektivitātes neveiksmi.

Apsveriet hipotētisku mājokļu pakalpojumu, kas izmanto rīku, lai šķirotu ienākošos pieteikumus izskatīšanai. Sistēmai var atļaut ieteikt secību, bet organizācijai joprojām ir jāizlemj, kas notiek, ja avota ieraksts ir nepilnīgs, ja iedzīvotāja apstākļi neatbilst kategorijām vai ja šķirošanas noteikums ir pretrunā ar likumā noteikto pienākumu. Prasmīga komanda ne tikai zina, ka modelis var kļūdīties. Tā zina, kurš var apturēt rindu, kurš var izdarīt izņēmumu, kāds ieraksts tiek glabāts un kā iedzīvotājam tiek paziņots, kas noticis. Piemērs ir apzināti hipotētisks. Tā mērķis ir parādīt, ka autoritāte ir darbplūsmas īpašība, nevis personības iezīme.

Autoritātei ir arī pretējs virziens. Cilvēkiem, kurus skar sistēma, ir vajadzīgs ceļš, kā to apstrīdēt, pat ja viņi nekad nav izvēlējušies sistēmu. Klientam, studentam, pacientam, pretendentam vai iedzīvotājam var nebūt jāsaprot modeļa iekšējā matemātika. Viņiem ir jāzina, vai procesā bija iesaistīta mašīna, kāda veida lēmumu tā ietekmēja, kura cilvēku iestāde var pārskatīt rezultātu un kāda informācija palīdzētu šajā pārskatīšanā. Pratība pieder gan cilvēkam, kas saņem pakalpojumu, gan cilvēkam, kas strādā ar rīku.

Tāpēc eskalācija nav sods. Tā ir informācijas plūsma gadījumiem, kurus automatizētais ceļš nevar droši apstrādāt. Noderīgs eskalācijas ieraksts norāda, ko sistēmai tika lūgts izdarīt, kādus pierādījumus tā redzēja, ko tā atgrieza, kāpēc rezultāts tika apšaubīts un kurš izlēma, kas notiks tālāk. Tam nav jāpārvērš katra ikdienišķa mijiedarbība par juridisku dokumentu. Tam ir jāsaglabā pietiekami daudz konteksta, lai atkārtota kļūme kļūtu redzama, nevis tiktu noraidīta kā izolēta lietotāja sūdzība.

Pilnvaras būtu jāizspēlē pirms ieviešanas. Kurš nospiež stop? Kurš var apstiprināt jaunu modeli? Kurš var mainīt slieksni? Kam pieder apstrīdēts datu avots? Kurš var pateikt piegādātājam, ka rezultāts nav pieņemams? Kurš informē skartos cilvēkus? Kurš izlemj, vai sistēma atgriežas pēc incidenta? Ja atbildes ir vārdi, nevis lomas, šāda kārtība ir trausla. Cilvēki aiziet, maina darbu vai dodas uz sapulci. Lomas var pārdzīvot kalendāru.

Humānākā atbilde ne vienmēr ir uzvelt vairāk lēmumu jau tā noslogotam speciālistam. Pilnvarām ir cena. Tām ir vajadzīgs laiks, piekļuve pierādījumiem, vadības atbalsts un process, kas nesoda apdomīgu atteikšanos. Ja organizācija piešķir nominālas pilvaras bez šiem nosacījumiem, tā rada grēkāzi, nevis uzraudzību. Cilvēks kļūst atbildīgs par iznākumu, kuru viņš nebija spējīgs ietekmēt. Tas ir pazīstams vadības modelis ar jaunu saskarni.

Avotu disciplīna, kas ir pamatā katrai atbildei

Mākslīgā intelekta pratība bieži tiek skatīta caur rezultātiem, jo rezultāti ir tas, ko cilvēki redz. Grūtākā daļa ir iemācīties jautāt, kas tika ievadīts sistēmā. Ģenerēta atbilde var būt raita, kamēr avotu kopa ir novecojusi, nepilnīga, neautorizēta vai sajaukta ar materiālu, kas nekad nebija paredzēts uzdevuma vadīšanai. Izguves sistēma var atgriezt atbilstošu rindkopu no nepareizas politikas versijas. Kopsavilkums var izlaist teikumu, kurā ir izņēmums. Uzvedne var saturēt instrukciju, kas maskēta kā dokuments. Avotu disciplīna ir ieradums izturēties pret ievaddatiem kā reglamentētu materiālu, nevis kā ērtu kontekstu.

Cilvēkiem nav jāzina katra ieviešanas detaļa, lai praktizētu avotu disciplīnu. Viņiem ir jāuzdod īss jautājumu kopums. Kāds ir avots? Kam tas pieder? Kad tas bija derīgs? Vai tas ir autoritatīvs šim uzdevumam? Vai tas tika pārveidots? Vai sistēma var parādīt fragmentu vai ierakstu, kas veidoja atbildi? Kuri dati tika izslēgti un kāpēc? Kam jānotiek, ja divi avoti ir pretrunā? Šie jautājumi ir noderīgi politikas asistentam, klīniskās meklēšanas rīkam, koda palīgam un sabiedriskās informācijas dienestam vienlīdz.

Avots nav autoritatīvs tikai tāpēc, ka to ir viegli izgūt. Koplietotās mapēs ir melnraksti. Datubāzēs ir dublikāti. Modela ģenerēts kopsavilkums var būt indeksēts tā, it kā tas būtu primārais ieraksts. Tulkojumā var būt zudusi juridiska atruna. Dokuments var būt aktuāls un tomēr ārpus mērķa, kuram sistēmai ir atļauts to izmantot. Pratība padara šīs atšķirības par parastu darba daļu, nevis speciālistu jautājumu, kas parādās tikai pēc sūdzības.

Avotu disciplīna maina arī to, kā cilvēki runā par pārliecību. Augstas pārliecības rezultāts nav spēcīgs pierādījums, ja attiecīgais avots nav pieejams. Piesardzīgs rezultāts var būt atbildīga izvēle, ja avotu kopa ir nepilnīga. Organizācijai nevajadzētu mācīt lietotājiem atalgot raitu noteiktību un sodīt noderīgu atteikšanos. Ja sistēma nevar atbildēt atļauto pierādījumu ietvaros, nākamais solis var būt atrast avota īpašnieku, lūgt cilvēka vērtējumu vai sašaurināt jautājumu.

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.

Pārsūtīšana jāiekļauj arī apmācībā. Ja tā pati neskaidrība atkārtojas, tā vairs nav atsevišķa zināšanu roba problēma. Tas var nozīmēt, ka saskarne ir maldinoša, politika ir neskaidra, pierādījumi nav pieejami vai lomu robežas ir nepareizas. Organizācija tad var atjaunināt attiecīgo slāni. Apmācība ir viens risinājums. Labāks apzīmējums, drošāks noklusējums, papildu ieraksts vai mainīts apstiprināšanas ceļš var dot lielāku labumu.

Šī atgriezeniskā saite ir iemesls, kāpēc muskuļu metafora ir svarīga. Muskulis aug pretestības apstākļos. Pārsūtīšana ir pretestība mākslīgā intelekta darbplūsmā. Ja tās tiek noņemtas, lai informācijas panelis izskatītos mierīgs, organizācija zaudē signālus, kas to būtu padarījuši stiprāku. Klusa sistēma var būt veselīga. Tā var būt arī sistēma, kuras lietotāji ir pārtraukuši ziņot par to, ko redz.

Ieradumi ir svarīgāki par notikumiem

Kurss ir notikums. Lietotprasme ir mazu uzvedības modeļu kopums, kas tiek atkārtots pirms sistēmas lietošanas, tās laikā un pēc tās. Pirms lietošanas cilvēki nosaka uzdevumu, mērķi, atļautos datus, skartos cilvēkus un to, kura autoritāte paliek cilvēka ziņā. Lietošanas laikā viņi pārbauda pierādījumus, pamana nenoteiktību, fiksē svarīgus lēmumus un pārsūta gadījumus, kad sistēma atstāj savu darbības jomu. Pēc lietošanas viņi izvērtē rezultātus, saglabā attiecīgos ierakstus un novērš problēmas avotā, politikā, apmācībā vai sistēmā, ja tā pati problēma atkārtojas.

Šie ieradumi ir jāieplāno darbā. Uzvedne, kas prasa atbildes avotu, ir noderīgāka par plakātu, kas aicina būt kritiskam. Obligāts lauks lēmuma īpašniekam ir noderīgāks par apmācības slaidu par atbildību. Redzama apturēšanas poga ir noderīgāka par rindkopu, kas darbiniekiem atgādina, ka viņi saglabā atbildību. Vadības elementi neaizstāj spriestspēju, taču tie var atvieglot labu lēmumu pieņemšanu otrdienas pēcpusdienā.

Ieradumiem jāatbilst arī darba tempam. Publiskās informācijas dienests nevar veikt pilnu auditu par katru maznozīmīgu melnrakstu. Drošībai kritiskā darbplūsmā nevar uzskatīt ātru vizuālu pārbaudi par jēgpilnu uzraudzību. Organizācijai jānosaka pierādījumu un pārskatīšanas līmeņi, kas atbilst uzdevumam un tā iespējamajām sekām. Būtība ir proporcionalitāte, nevis minimālisms. Mazs uzdevums ar lielu ietekmi uz citu cilvēku ir pelnījis lielāku rūpību nekā liels uzdevums bez jēgpilnām sekām.

Pastāv noderīga atšķirība starp noteikumu un ieradumu. Noteikums saka: neievadiet konfidenciālus datus neapstiprinātā rīkā. Ieradums jautā: pirms rīka atvēršanas, kuri dati patiešām ir nepieciešami un vai mērķis atļauj to izmantošanu. Noteikums saka: cilvēkam jāpārskata ieteikums. Ieradums jautā, vai pārskatītājam ir pierādījumi, laiks un pilnvaras, lai šo pārskatīšanu veiktu patiesi. Noteikums saka: ziņojiet par incidentiem. Ieradums pamana gandrīz notikušas kļūmes, pirms tās kļūst par ziņojamiem incidentiem, un izturas pret tām kā pret mācību materiālu.

Ieradumus var novērot, nepārvēršot cilvēkus par uzraudzības subjektiem. Organizācija var pārbaudīt, vai darbplūsma atklāj savu avotu, vai pārsūtīšanas ceļš tiek izmantots, vai modeļa izmaiņas izraisa pārskatīšanu un vai ierakstus var atkārtoti atskaņot. Tai nevajadzētu jaukt lielu klikšķu skaitu ar augstu lietotprasmes līmeni. Cilvēks var atzīmēt visas izvēles rūtiņas un joprojām neizprast lēmumu. Novērojamība ir noderīga, ja tā mēra spriestspējas apstākļus, nevis tad, ja tā atalgo atbilstības izskatu.

MI biroja lietotprasmes prakšu krātuve atbilst šai praktiskajai loģikai. Komisija apraksta vairāk nekā četrdesmit iniciatīvas no uzņēmumiem un publiskā sektora, tostarp e-apmācību, klātienes apmācību, bootcamps un sadarbību starp nozari un akadēmiskajām aprindām. Tajā arī norādīts, ka prakses kopēšana no krātuves automātiski nerada atbilstības prezumpciju. Šis atrunājums ir svarīgs. Prakse var būt noderīga ideja, nebūdama pierādījums tam, ka cita organizācija ir tikusi galā ar savu kontekstu.

To, ko var aizgūt, ir ieradums jautāt, kā prakse ir saistīta ar darbu. Vai tā sasniedz cilvēkus, kuri vada sistēmu? Vai tā aptver uzdevuma riskus? Vai tā dod cilvēkiem iespēju apšaubīt un labot? Vai tā mainās, kad mainās sistēma vai konteksts? Vai tā rada ierakstu, kas palīdz organizācijai mācīties? Formāts var atšķirties. Jautājumiem vajadzētu palikt.

Cilvēki, uz kuriem sistēma tiek attiecināta

Mākslīgā intelekta pratība bieži tiek adresēta darbiniekiem, jo darbinieki ir vieglākā auditorija, ko sapulcināt vienā telpā. Likums un sabiedrības intereses ir plašākas. Komisijas skaidrojums aicina organizācijas ņemt vērā cilvēkus vai grupas, uz kurām tiek attiecinātas to sistēmas. Šī frāze notur skarto personu dizaina sarunā pat tad, ja tā nekad neredz modeli, nekad nav devusi piekrišanu tā ieviešanai un nekad nav saņēmusi apmācības uzaicinājumu.

Skartajām personām pratība nozīmē cita veida piekļuvi. Viņiem var būt nepieciešams zināt, ka automatizēta sistēma ir ietekmējusi pakalpojumu, kāda veida ietekme tā bija, kāda informācija tika ņemta vērā un kā lūgt pārskatīšanu. Precīzas tiesības un paziņojumi ir atkarīgi no sistēmas un piemērojamā likuma. Vispārējais princips ir stabils: cilvēkam nevajadzētu saprast mašīnmācīšanos, pirms viņš var apstrīdēt lēmumu, kas viņam ir svarīgs.

Komunikācija ir daļa no kontroles. Paziņojums, kas pilns ar tehniskiem terminiem, var būt formāli caurskatāms un praktiski nederīgs. Īss skaidrojums, kas nosauc mērķi, cilvēka ceļu un ierobežojumu, var dot vairāk rīcībspējas. Organizācijai vajadzētu pārbaudīt skaidrojumu ar cilvēkiem, kuriem tas ir vajadzīgs, ne tikai ar inženieriem, kuri izveidoja sistēmu. Skaidrība nav dekoratīva īpašība. Tā izšķir, vai apstrīdēšana var sākties.

Valoda šeit arī ir svarīga. UNESCO vadlīnijas iekļauj lingvistisko un kultūras daudzveidību savā uz cilvēku vērstajā pieejā ģeneratīvajam mākslīgajam intelektam. Tulkots paziņojums joprojām var neizdoties, ja tas zaudē atšķirību starp uzaicinājumu un pienākumu, vai ja tas lieto terminu, ko cilvēki neatpazīst pakalpojumā, kuram viņi cenšas piekļūt. Pratība tāpēc ietver spēju jautāt, vai vēstījums ir izdzīvojis tulkošanu un vai cilvēks to var izmantot, lai rīkotos.

Publiskajām iestādēm īpaši uzmanīgi jābūt ar informētas lietošanas ideju. Cilvēki nekļūst informēti tāpēc, ka tīmekļa lapā ir paziņojums. Viņi kļūst informēti, kad skaidrojums nonāk vietā, kur tas ietekmē viņu izvēli, kad cilvēka ceļš ir reāls un kad iestāde var parādīt, ko tā darīja ar saņemto informāciju. Slodze ir lielāka, ja iestādei ir vara un cilvēkam nav praktiskas alternatīvas.

Uzņēmumi saskaras ar to pašu problēmu klientu un nodarbinātības pakalpojumos. Uzņēmums var rūpīgi apmācīt savus darbiniekus un tomēr atstāt klientus nespējīgus saprast, kāpēc rezultāts ietekmēja viņu pieteikumu. Darbavieta var apmācīt vadītājus un tomēr atstāt darbiniekus pakļautus plānošanas sistēmai, kuru viņi nevar apšaubīt. Pratība ir nepilnīga, ja organizācija saprot savu rīku, bet cilvēks, kurš nes tā sekas, paliek ar melno kasti un vispārīgu kontaktformu.

Dizains, kas paredzēts skartajām personām, arī uzlabo sistēmu. Iedzīvotāju, pacientu, pretendentu un darbinieku jautājumi bieži atklāj pieņēmumus, kurus iekšējā testēšana palaida garām. Jautājums nav par to, vai katra sūdzība ir pareiza. Jautājums ir par to, vai organizācija var atšķirt individuālu domstarpību no modeļa, kas norāda uz kļūdainu datu avotu, netaisnīgu slieksni vai maldinošu skaidrojumu. Apstrīdēšanas ceļš ir arī pierādījumu ceļš.

Publiskai iestādei jāmāca savas robežas

Publiskajām iestādēm ir izglītojoša loma pat tad, ja tās pašas neuzskata sevi par pedagogiem. Katrs automatizēts pakalpojums māca cilvēkiem, ko iestāde uzskata par normālu, pierādāmu un apstrīdamu. Sistēma, kas pieņem tikai strukturētus pierādījumus, māca iedzīvotājiem, ka viņu dzīvei jāiekļaujas veidlapā. Sistēma, kas sniedz ģenerētu skaidrojumu bez iespējas sazināties ar cilvēku, māca, ka iestāde ir deleģējusi atbildību. Sistēma, kas skaidri norāda savus ierobežojumus, māca citu mācību: tehnoloģija var atbalstīt publisku pienākumu, bet tā to neaizstāj.

Eiropas Komisijas atjauninātās ētikas pamatnostādnes par mākslīgā intelekta un datu izmantošanu mācībās sniedz konkrētu publisku piemēru šim izglītojošajam darbam. Pamatnostādnes galvenokārt paredzētas skolotājiem un izglītības darbiniekiem, tostarp cilvēkiem ar nelielu vai nekādu iepriekšēju pieredzi, kā arī tiem, kam ir padziļinātas digitālās prasmes. 2026. gada atjauninājums pievieno praktiskus scenārijus, atjauninātu glosāriju un juridisko kontekstu, kas aptver MI aktu un VDAR. Forma ir izglītojoša, bet princips labi pārnēsājams: cilvēkiem ir vajadzīgas definīcijas, jautājumi un piemēri, kas palīdz pieņemt uz kontekstu balstītu lēmumu.

Pamatnostādnes nepārvērš skolotājus par atbilstības uzraudzītājiem. Tās palīdz pedagogiem izprast iespējamos ieguvumus, slēptos riskus un atbildību, kas saistīta ar MI un datu izmantošanu izglītojamo vidē. Šī atšķirība ir svarīga. Laba izpratne nepadara speciālistu aizdomīgu pret katru rīku. Tā sniedz pietiekamu sapratni, lai izvēlētos, kur rīks palīdz, kur tam vajadzīgi ierobežojumi un kur cilvēku attiecībām jāpaliek pirmajā vietā.

Hipotētiska skolas valde ilustrē atšķirību. Ja tā iegādājas rakstīšanas palīgu un piedāvā vispārīgu demonstrāciju, skolotāji var iemācīties ātri sagatavot materiālus. Ja tā arī jautā, kādi skolēnu dati nonāk sistēmā, kā tiek pārbaudīts ģenerētais materiāls, kā skolēns var apstrīdēt automātisku atzīmi un kurš var apturēt rīku, valde veido iestādes kompetenci. Otrā saruna var būt lēnāka. Tā ir arī saruna, kas padara pirmo atbildīgu.

Publiskajām iestādēm būtu jāpublicē sava mācīšanās, ciktāl to atļauj konfidencialitāte un drošība. Īss sistēmas mērķa, pierādījumu robežu, pārskatīšanas ceļa un zināmo ierobežojumu apraksts var palīdzēt iedzīvotājiem, darbiniekiem un piegādātājiem runāt par vienu un to pašu objektu. Publiska dokumentācija arī dod pilsoniskajai sabiedrībai un uzraudzības iestādēm ko konkrētu apšaubīt. Neskaidrs solījums par atbildīgu inovāciju atstāj visus strīdamies par toni.

Tam ir demokrātiska dimensija. MI pratība dažkārt tiek aprakstīta kā darbaspēka programma, it kā pilsoņi būtu tikai nākotnes darbinieki. Pilsoņi ir arī vēlētāji, pacienti, īrnieki, vecāki, pretendenti, kaimiņi un cilvēki, kuru dati parādās cita cilvēka darba plūsmā. Viņu spēja saprast un apstrīdēt automatizētas sistēmas ir daļa no publiskās kapacitātes, kas nepieciešama demokrātiskai kontrolei. Sabiedrība, kas par MI spēj runāt tikai ar piegādātāju demonstrāciju starpniecību, ir nodevusi savu vārdu krājumu.

Izglītība ir organizatorisks mēģinājums

Skolas un universitātes ir dabiska vieta MI pratības apspriešanai, bet mācībai nevajadzētu apstāties pie klases durvīm. UNESCO vadlīnijas norāda, ka ģeneratīvais MI mainās ātrāk nekā daudzi valstu regulējumi, un aicina cilvēku kapacitāti turēt līdzi. Tas nav iemesls steigšus ieviest katru rīku mācībās. Tas ir iemesls mācīt cilvēkiem izvērtēt rīkus, aizsargāt datus, atpazīt ierobežojumus un jautāt, kurš gūst labumu no konkrēta lietojuma.

Eiropas Komisija un ESAO 2026. gada jūnijā iepazīstināja ar mākslīgā intelekta lietotprasmes satvaru pamatizglītībai un vidējai izglītībai. Satvars tiek raksturots kā kopīgs atskaites punkts skolām, pedagogiem, vadītājiem, politikas veidotājiem un mācību satura veidotājiem, atstājot vietu pielāgošanai vietējiem apstākļiem. Kopīgs atskaites punkts ir noderīgs, jo tas mazina kārdinājumu definēt lietotprasmi kā to funkciju, ko konkrētais piegādātājs gadījumā pārdod. Pielāgošana ir tikpat svarīga, jo skolai, pētniecības institūtam un publiskajam dienestam nav vienādi uzdevumi vai vienāda ietekme uz cilvēkiem.

Izglītība var iedzīvināt paradumus, kas organizācijām vēlāk nepieciešami. Skolēni var salīdzināt ģenerētu skaidrojumu ar avotu, fiksēt izmaiņas, apšaubīt pārliecinošu atbildi un pārrunāt, kad atbildīgs jāpaliek cilvēkam. Skolotāji var padarīt nenoteiktību redzamu, nevis uzskatīt to par stundas neveiksmi. Skolu vadītāji var iekļaut iepirkuma un datu jautājumus lēmumu pieņemšanā, nevis atstāt tos entuziasma pilnam cilvēkam ar bezmaksas kontu.

Šī prakse nav par to, lai padarītu bērnus atbildīgus par komerciālu sistēmu pārvaldību. Tā ir par to, lai cilvēkiem sniegtu noturīgu vārdu krājumu, pirms viņi nonāk darbavietās un publiskajās institūcijās, kur likmes var būt augstākas. Pieaugušajiem ir vajadzīga tāda pati iespēja. Vadītājs, kurš skolā iemācījies apšaubīt avotus, var izmantot šo paradumu iepirkuma sanāksmē. Iedzīvotājs, kurš zina, ka modelis var kļūdīties, bet joprojām ietekmēt, var pieprasīt pareizo ceļu caur publisko dienestu.

Izglītība arī parāda, kāpēc lietotprasmi nevar reducēt līdz tehniskai kompetencei. Skolotājs var apgūt, kā modelis ģenerē tekstu, un joprojām viņam jāizlemj, vai tā izmantošana maina attiecības ar skolēnu. Pētnieks var saprast modeļa apmācības procesu un joprojām viņam jāpārbauda tiesības un piekrišana datos. Skolēns var iespaidīgi vadīt sistēmu un joprojām viņam jāapzinās, kad sistēma nav piemērots avots. Cilvēka spriestspēja ir prasme, nevis palieka pēc tehniskās nodarbības.

Universitātes un profesionālās organizācijas var palīdzēt, savienojot disciplīnas. MI lietotprasme pieder tiesību zinātnei, datu pārvaldībai, dizainam, ētikai, darba tiesībām, publiskajai pārvaldei, veselībai un inženierzinātnēm, nevis telpai, kur viena specialitāte skaidro nākotni visiem pārējiem. Mērķis nav padarīt ikvienu par ekspertu visās jomās. Mērķis ir ļaut ekspertiem atpazīt, kur beidzas viņu pašu joma un kur jāaicina cita joma.

Ko Komisija dara pati ar sevi

Pastāv noderīga atšķirība starp politiku, kas nosaka, ko darīt citiem, un institūciju, kas apraksta, ko tā dara iekšēji. Komisijas 4. panta jautājumi un atbildes ietver pēdējo. Tie apraksta iekšējo politiku MI pratīgam darbaspēkam, pamata MI lietotprasmes kompetenču satvaru, mācību materiālus vispārējā virziena speciālistiem, vadītājiem un izstrādātājiem, rīkiem specifiskus resursus, jautājumu un atbilžu sesijas, prakses kopienu, ikmēneša biļetenu un MI čempionu tīklu.

Nevienu no tā nevajadzētu uzskatīt par burvju veidni. Pati Komisija saka, ka iekšējais satvars var mainīties, ņemot vērā turpmākos ieteikumus. Prakse ir piemērs tam, kā institūcija uztver lietotprasmi kā atbalsta sistēmu, nevis vienu notikumu. Satvars sniedz valodu. Dažādi mācību materiāli atzīst dažādas lomas. Rīkiem specifiski norādījumi savieno mācīšanos ar darbu. Kopiena dod iespēju jautājumiem rast atbildi. Čempioni veido ceļu caur organizāciju, nepadarot viņus par vienīgajiem zināšanu īpašniekiem.

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.

Spēju karte uztur redzamus cilvēkus, pierādījumus un pilnvaras ap mākslīgā intelekta sistēmu. Tā ir darba karte, nevis dalībnieku reģistrs.

Kā panākt, lai cikls izdzīvotu saspringtā ceturksnī

Lielākā daļa lasītprasmes programmu cieš neveiksmi visparastākajā veidā. Atklāšana ir labi apmeklēta, materiāli ir pulēti, un tad atgriežas steidzami darbi. Jauni rīki ienāk caur piegādātāju, komanda nokopē uzvedni no citas komandas, mainās politika vai izlaiduma piezīmē parādās modeļa atjauninājums. Organizācija turpina runāt par lasītprasmi tā, it kā sākotnējais kurss joprojām būtu klāt. Tā nav. Sistēma ir virzījusies uz priekšu, kamēr mācīšanās palika uz vietas.

Pirmā aizsardzība ir skaidrs pārskatīšanas signāls. Izmaiņas modelī, datu avotā, mērķī, skartajā populācijā, piegādātājā, slieksnī vai cilvēka ceļā liek kādam jautāt, vai esošā prakse joprojām atbilst. Signālam nav jārada komiteja par katrām sīkām izmaiņām. Tam ir jānovērš, ka būtiskas izmaiņas tiek traktētas kā uzturēšana, ja tās maina pilnvaras vai risku.

Otrā aizsardzība ir vietējā atbildība. Centrālais mākslīgā intelekta birojs var sniegt norādījumus, bet cilvēks, kurš ir vistuvāk uzdevumam, parasti pirmais pamana neatbilstību starp sistēmu un darbu. Šim cilvēkam ir nepieciešams noteikts ceļš, lai uzdotu jautājumus, ziņotu par problēmu un saņemtu atbildi. Vietējā atbildība arī neļauj programmai pārvērsties par abstraktu principu kopumu, ko neviens nevar pārnest uz rītdienas gadījumu.

Trešā aizsardzība ir neliels atkārtoti lietojamu jautājumu kopums. Ko sistēma dara? Kādus pierādījumus tā izmanto? Ko tā var mainīt? Uz ko tā ietekmē? Kas liktu mums apstāties? Kurš to var mainīt? Kurš ieraksts ļaus mums vēlāk saprast rezultātu? Šie jautājumi var parādīties iepirkumā, dizaina pārskatā, darbinieku norādījumos, publiskā paziņojumā, incidenta veidlapā un apmācību vingrinājumā. Atkārtošanās nav trūkums, ja jautājums ir kontrole.

Ceturtā aizsardzība ir laiks. Organizācijas bieži lūdz cilvēkus izmantot spriedumu spraugās starp citiem uzdevumiem. Tas liek pareizai rīcībai izskatīties neefektīvai. Ja recenzentam ir jāpārbauda ģenerēts ieteikums, darba slodzē ir jāiekļauj šī pārbaude. Ja darbiniekam ir jāpaziņo par bažām, grafikam tas ir jāatļauj. Ja vadītājam ir jāpārskata jauns modelis, lomai ir jāietver šī pārskatīšana. Pretējā gadījumā organizācija ir padarījusi lasītprasmi par brīvprātīgu darbību un būs pārsteigta, kad brīvprātīgo būs maz.

Piektā aizsardzība ir redzams cilpas gals. Eskalācija nedrīkst pazust iesūtnē. Personai, kas to iesniegusi, būtu jāzina, vai lieta tika pieņemta, kas mainījās un kam pieder nākamais solis, ievērojot privātuma un drošības ierobežojumus. Neliels apstiprinājums var būt spēcīgāks par vēl vienu politiku, jo tas parāda, ka organizācija uzskata spriedumu par darba daļu, nevis par traucēkli tam.

Rādītāji var palīdzēt, taču tie jāizvēlas rūpīgi. Saskaitiet, cik sistēmām ir īpašnieks, cik uzdevumiem ir noteikta pierādījumu robeža, cik izmaiņu izraisīja pārskatīšanu, cik eskalāciju saņēma atbildi un cik bieži avots vai politika tika labota. Neizmantojiet izpildes procentus kā izpratnes aizstājēju. Simtprocentīga izpilde var pastāvēt līdzās nulles autoritātei. Zemāks izpildes rādītājs var liecināt, ka organizācija beidzot ir pārstājusi izlikties, ka viena mācība der visiem.

Labākais mērījums nav skaitlis. Tas ir nākamā jautājuma kvalitāte. Pēc programmas vai komanda var apstrīdēt pārliecinošu rezultātu, netiekot norādīts, ka modelis ir tikai rīks? Vai tā var identificēt avotu un trūkstošos pierādījumus? Vai tā var pateikt, kas liktu darbplūsmai apstāties? Vai skartā persona var sasniegt cilvēka veiktu pārskatīšanu? Vai organizācija var mainīt sistēmu, nezaudējot notikušā vēsturi? Ja atbilde uzlabojas, muskulis tiek izmantots.

Ko sertifikāts nevar jums pateikt

Sertifikāts var pateikt, ka persona ir pabeigusi noteiktu darbību. Tas var noderēt ievirzei, reģistru kārtošanai vai profesionālajai attīstībai. Tas nevar pateikt, vai darbība atbilda sistēmai, ar kuru persona saskārās, vai personai bija iespēja praktizēties, vai organizācija atklāja savus pierādījumus, vai autoritāte bija reāla un vai sistēma pēc tam mainījās. Šie jautājumi pieder organizācijai un darbam.

Šī atšķirība nav arguments pret kursiem. Kursi var nodrošināt kopīgu sākumpunktu, īpaši tad, ja ātri nepieciešams jauns vārdu krājums. Tie var izskaidrot mehānismus, juridisko kontekstu un atkārtotus riskus. Tie var palīdzēt cilvēkiem, kuri ir bijuši izslēgti no tehniskām sarunām, tajās iesaistīties, neizliekoties, ka viņi jau zina atbildes. Problēma sākas tad, kad kurss tiek uzskatīts par rezultātu, nevis par vienu instrumentu plašākā praksē.

Labam kursam būtu jāpadara nākamā izmantošana prasīgāka. Tam būtu jāatstāj cilvēkiem jautājumi, ko viņi var uzdot, pierādījumi, ko viņi var pārbaudīt, ierobežojumi, ko viņi var formulēt, un ceļi, ko viņi var izmantot, kad sistēma nav pietiekama. Tam būtu jāpadara vadītājs mazāk apmierināts ar neskaidru apgalvojumu un darbinieks pārliecinātāks par apdomīgu atteikumu. Tam būtu jāpadara organizācijas pašas trūkumi vieglāk saskatāmi. Mācīšanās, kas rada tikai pārliecību, ne vienmēr ir radījusi lasītprasmi.

Pašreizējais likuma formulējums palīdz, jo tas atsakās noteikt vienu finiša līniju katram cilvēkam. 4. pants tagad lūdz sniedzējiem un izvietotājiem veikt pasākumus, kas atbalsta attīstību. Grozījuma apsvērumā teikts, ka lasītprasmei būtu jābūt stratēģiskai prioritātei neatkarīgi no regulatīvajām saistībām un iespējamām sankcijām. Tas ir spēcīgāks pamats nekā sacensība uz universālu rezultātu. Tas liek organizācijām veidot spējas, jo to prasa viņu darbs, nevis tāpēc, ka sertifikāts varētu apklusināt kontrolsarakstu.

Mūsu mazā piezīme

At Dweve, our small contribution is Ground truth, a free browser-based citizen guide to AI. It is not a certificate and it cannot make an organisation literate by itself. It is one place to practise the shared vocabulary described here: what a system does, what evidence it uses, which limits matter and where human judgement stays. We mention it as an example of the material we make, not as proof of an organisational outcome. The proof has to appear in the work, in the questions people ask and in the decisions they are allowed to change.

The lesson

AI literacy is not the moment a person finishes a course. It is the moment an organisation can see what its systems are doing and can still act when the answer is uncertain. Awareness names the system and its setting. Competence connects knowledge to a task and its evidence. Authority makes judgement and intervention possible. Habits keep those capabilities alive when the tool, policy, data or people change.

The European position is becoming clearer. The AI Act’s Article 4 remains an organisational responsibility, but the current law does not prescribe a single individual level or certificate. The Commission’s guidance points to context, risk, role and affected people. Its own internal programme combines frameworks, role-specific learning, tool guidance, a community and a route for questions. The education guidelines and UNESCO’s guidance place human capacity, rights and meaningful use beside technical understanding. None of these sources promises a shortcut. That is precisely their value.

For a public body, the work is to make the human route visible and usable. For a company, it is to connect training to evidence, ownership and the ability to refuse a bad workflow. For a school, it is to teach people how to question a system before the system asks them to trust it. For a person affected by a decision, it is to have a way to understand what happened and ask for review without learning the vendor’s vocabulary first.

The muscle grows when the organisation practises before the consequence arrives: recognise, question, check, decide, escalate and repair. There will be no final certificate that says the work is done. That is not a gap in the programme. It is the point. A living system needs living judgement, and living judgement is something an organisation has to keep exercising.

Sources