AI a budúcnosť práce

• Umelá inteligencia nemení pracovný trh jedným smerom: niektoré úlohy automatizuje, iné zrýchľuje, ďalšie vytvára a zároveň mení spôsob kontroly práce.
• Odborná diskusia musí rozlišovať schopnosť modelu, expozíciu povolania, reálne nasadenie, zmenu pracovných miest a dlhodobý makroekonomický výsledok.
• Budúcnosť práce neurčí samotná technológia, ale aj rozhodnutia firiem, pracovníkov, škôl, odborov, regulátorov a sociálneho systému.

Otázka „vezme nám AI prácu?“ je zrozumiteľná, ale príliš hrubá. Pracovné miesto nie je jediná činnosť. Účtovník komunikuje s klientom, kontroluje doklady, interpretuje pravidlá, zadáva údaje, odhaľuje nezrovnalosti a preberá zodpovednosť. Model môže časť týchto úloh zvládnuť, pri iných iba pomáhať a pri ďalších byť nevhodný. Výsledkom nemusí byť zánik profesie; môže ním byť iný obsah práce, menší tím, vyšší výkon, nový dohľad alebo presun zručností.

Táto kapitola preto nepodáva jedno číslo o „počte zrušených miest“. Vysvetľuje mechanizmy a kvalitu dôkazov. Nadväzuje na rozdiel medzi schopnosťou a porozumením z kapitoly 2, mechanizmus učenia z kapitol 4 a 6, praktické možnosti generatívnych modelov z kapitoly 7 a hranice ich spoľahlivosti z kapitoly 9. V kapitole 15 sa poznatky zmenia na konkrétny plán prípravy.

Najnovšie údaje treba čítať opatrne. Index expozície meria, či by AI teoreticky mohla zasiahnuť úlohy v povolaní. Prieskum zamestnávateľov zachytáva ich očakávania. Experiment meria účinok v konkrétnom procese a období. Štatistika zamestnanosti pozoruje výsledok mnohých síl naraz. Každý druh dôkazu odpovedá na inú otázku a žiadny sám osebe neurčuje budúcnosť.

Práca sa skladá z úloh, nie z názvu povolania

• Povolanie je zväzok technických, komunikačných, organizačných, fyzických a zodpovednostných úloh.
• AI zasahuje najprv konkrétne úlohy; až ich podiel a nové usporiadanie určia vplyv na pracovné miesto.
• Rovnaký názov pozície môže v dvoch firmách znamenať inú expozíciu, mieru autonómie aj riziko automatizácie.

Analýza na úrovni celých profesií zvádza k binárnemu záveru: profesia buď zostane, alebo zanikne. Ekonomika práce však používa úlohový prístup. Hodnota pracovníka vzniká kombináciou činností a ich koordináciou. Ak technológia prevezme prepisovanie zápisnice, neprevezme tým nevyhnutne vedenie rokovania, rozpoznanie konfliktu záujmov ani zodpovednosť za rozhodnutie.

Pri každej úlohe treba posúdiť aspoň päť vlastností: či je možné vstup a požadovaný výstup digitalizovať; či existuje overiteľné kritérium správnosti; ako často nastávajú výnimky; aká je cena chyby; a či sa výsledok musí vykonať vo fyzickom alebo spoločenskom prostredí. Generatívny model ľahko vytvorí prvý návrh štandardného e-mailu, no oveľa ťažšie nesie právnu zodpovednosť, upokojí rozrušeného človeka alebo bezpečne opraví potrubie v neznámej budove.

Aj technicky automatizovateľná úloha môže zostať ľudská. Automatizácia musí byť ekonomicky výhodná, právne prípustná, organizačne integrovateľná a prijateľná pre zákazníka. Naopak, malá úloha môže zmeniť celý proces, ak bola úzkym hrdlom. Preto sa pri hodnotení konkrétnej pozície vytvorí mapa úloh, ich času, dôležitosti, rizika a vzájomnej závislosti - nie iba zoznam funkcií, ktoré model predviedol v demonštrácii.

Úlohový pohľad tiež odhaľuje vznik novej práce. Keď AI pripraví návrh, niekto musí určiť zadanie, zabezpečiť kontext, skontrolovať výsledok, rozhodnúť o výnimke a sledovať dopad. Nie každá kontrolná činnosť vytvorí nové povolanie; často sa stane súčasťou existujúcej profesie. Podstatná je čistá zmena celého pracovného toku.

Päť stupňov medzi technickou schopnosťou a zánikom miesta

• Benchmarková schopnosť modelu ešte nie je spoľahlivý výkon v reálnej organizácii.
• Expozícia neznamená adopciu, adopcia neznamená automatizáciu a automatizácia jednej úlohy neznamená prepustenie človeka.
• Výsledok ovplyvňujú náklady, dopyt, regulácia, organizačné doplnky aj spôsob rozdelenia produktivity.

Prvým stupňom je technická schopnosť: systém dokáže na teste alebo pri demonštrácii vykonať určitý typ úlohy. Druhým je expozícia: úloha v povolaní sa tejto schopnosti podobá. Tretím je adopcia: organizácia nástroj skutočne kúpi, zabezpečí, integruje a pracovníci ho používajú. Štvrtým je transformácia procesu: rozdelia sa roly, zmenia kontroly a odstráni sa starý krok. Až piatym je výsledok na trhu práce - zmena náboru, pracovného času, mzdy, počtu miest alebo vzniku novej služby.

Medzi stupňami vzniká trenie. Model môže mať vysokú presnosť, no nezvládne podnikové formáty. Firma môže kúpiť licencie, ale zamestnanci nástroj nepoužijú, pretože nemajú školenie alebo mu nedôverujú. Proces môže ušetriť čas, ktorý sa využije na viac zákazníkov namiesto zníženia tímu. Lacnejšia služba môže zvýšiť dopyt natoľko, že zamestnanosť narastie - ekonomický jav príbuzný Jevonsovmu paradoxu, hoci nie je zaručený.

Toto rozlíšenie chráni pred dvoma symetrickými omylmi. Technologický determinizmus predpokladá, že všetko možné sa okamžite zavedie. Naivný skepticizmus zas usudzuje, že dnešné integračné problémy zabránia zmene navždy. Realistická analýza skúma rýchlosť prechodu medzi stupňami a podmienky, ktoré ho podporujú alebo brzdia.

Pri čítaní titulku sa preto pýtajme: Ide o laboratórny benchmark, odhad exponovaných úloh, deklarované používanie, nameranú zmenu produktivity alebo údaje o pracovných miestach? Bez tejto informácie nemožno číslo správne interpretovať.

Čo znamená pracovná expozícia voči AI

• Exponované povolanie obsahuje úlohy, pri ktorých môže generatívna AI podstatne meniť čas alebo spôsob vykonania.
• Expozícia môže viesť k automatizácii, podpore človeka, zvýšeniu kvality aj k novým povinnostiam.
• Indexy sú scenáre založené na opise úloh; nie sú predpoveďou konkrétneho počtu prepustených ľudí.

Globálny index ILO z roku 2025 odhaduje, že približne každý štvrtý pracovník je v povolaní s aspoň určitou expozíciou voči generatívnej AI, no iba 3,3 % globálnej zamestnanosti patrí do najvyššej kategórie expozície. ILO výslovne zdôrazňuje, že pravdepodobnejšia je transformácia práce než úplná náhrada povolania. Najvyššiu expozíciu majú administratívne a kancelárske činnosti, pričom nové multimodálne schopnosti rozširujú zásah aj do niektorých odborných a technických rolí.

Index porovnáva úlohy opísané v klasifikáciách povolaní so schopnosťami nástrojov. Nevie však, či konkrétna firma disponuje kvalitnými dátami, či je použitie legálne, aká je cena chyby alebo či zákazníci trvajú na ľudskom kontakte. Nezachytáva dokonale ani neformálnu prácu a lokálne odlišnosti profesií. Je to mapa potenciálu, nie satelitná snímka zavedenia.

Expozícia môže byť pozitívna aj negatívna. Prekladateľ môže rýchlejšie pripraviť prvý návrh, no zároveň čeliť tlaku na cenu a vyššiemu tempu. Lekár môže znížiť administratívu, no dostať ďalšiu povinnosť kontrolovať výstup. Junior môže získať vysvetlenie na požiadanie, ale prísť o jednoduché úlohy, na ktorých sa učil. Rovnaká schopnosť systému teda vplýva na produktivitu, kvalitu práce, vyjednávaciu pozíciu aj rozvoj zručností.

Expozíciu treba pravidelne prepočítavať, pretože schopnosti modelov, ceny a pracovné postupy sa menia. Metodika ILO preto nie je konečný zoznam víťazov a porazených, ale opakovateľný rámec na sledovanie zmeny.

Automatizácia, augmentácia a tvorba nových úloh

• Automatizácia odovzdáva systému vykonanie úlohy; augmentácia zvyšuje schopnosť človeka, ktorý zostáva aktívnym nositeľom rozhodnutia.
• V praxi vznikajú hybridné procesy s rôznym rozdelením prípravy, rozhodovania, kontroly a vykonania.
• Nové úlohy majú hodnotu iba vtedy, ak ich prínos presiahne náklady na dohľad, opravy a koordináciu.

Pri automatizácii systém po prijatí vstupu vytvorí výsledok a proces pokračuje bez rutinného ľudského zásahu. Pri augmentácii človek používa odporúčanie, návrh alebo analýzu ako nástroj. Medzi nimi je spektrum: systém môže automaticky vybaviť jednoduché prípady, zložité eskalovať; človek môže schvaľovať každý výsledok alebo iba auditovať vzorku.

Rozdiel nie je len technický. Ak pracovník formálne klikne na „schváliť“, no nemá čas, informácie alebo právomoc výstup spochybniť, nejde o zmysluplný ľudský dohľad. Ak naopak AI odstráni vyhľadávanie a človeku poskytne zdroje, môže zvýšiť priestor na odborný úsudok. Návrh procesu musí určiť, čo človek vie, kedy môže zasiahnuť a kto nesie následky.

AI vytvára aj nové úlohy: prípravu znalostných zdrojov, evaluáciu, bezpečnostné testovanie, správu prístupov, vyšetrovanie incidentov, dokumentáciu pôvodu obsahu či školenie používateľov. Časť vykonávajú špecialisti, časť sa rozptýli medzi právnikov, odborných garantov, IT a manažérov. Automaticky ich nazývať „novými pracovnými miestami“ by bolo zavádzajúce; firma môže nové povinnosti pridať existujúcim ľuďom.

Najlepší cieľ preto nie je maximalizovať percento automatizovaných krokov. Je ním zlepšiť výsledok služby pri prijateľnom riziku a dôstojnej práci. Niekedy to znamená úplnú automatizáciu nízkorizikovej rutiny, inokedy asistenta a inokedy rozhodnutie AI vôbec nepoužiť. Hranice vhodnosti podrobnejšie rozoberá kapitola 9.

Produktivita: čo zatiaľ ukazujú merania

• AI môže skrátiť čas, zvýšiť objem alebo kvalitu, no účinok závisí od úlohy, pracovníka a návrhu procesu.
• Najpresvedčivejšie dôkazy pochádzajú z konkrétnych terénnych štúdií; nemožno ich bez ďalšieho preniesť na celú ekonomiku.
• Vyššia individuálna produktivita sa nemusí okamžite prejaviť v agregátnej produktivite, mzde ani voľnom čase.

Známa terénna štúdia Generative AI at Work sledovala 5 179 pracovníkov zákazníckej podpory. Prístup ku generatívnemu asistentovi zvýšil priemernú produktivitu približne o 14 %, pričom prínos bol výraznejší - okolo 34 % - u menej skúsených a slabšie výkonných pracovníkov a malý u najskúsenejších. Systém zrejme sprístupnil postupy, ktoré si kvalitní pracovníci osvojili praxou. Je to dôležitý kauzálny dôkaz, ale z jedného typu práce, firmy a konkrétneho nástroja.

Laboratórne a podnikové experimenty pri písaní, programovaní či konzultantských úlohách často zisťujú rýchlejšie dokončenie. Súčasne ukazujú nerovnomernú kvalitu a jav označovaný ako „zubatá technologická hranica“: model je pri niektorých zdanlivo ťažkých úlohách výborný a pri podobných neočakávane zlyhá. Používateľ, ktorý hranicu nepozná, môže stratený čas presunúť z tvorby na opravy.

Stanford AI Index 2026 sumarizuje rast podnikovej adopcie a produktivitné prínosy najmä v štruktúrovaných, opakovaných a merateľných úlohách. Zároveň upozorňuje, že autonómne agentné nasadenia zostávajú v skorom štádiu a pracovné účinky sú nerovnomerné. Ide o syntézu viacerých zdrojov, nie dôkaz univerzálneho percenta.

Na úrovni ekonomiky sa prejav oneskoruje. Firmy musia vytvoriť dáta, integrácie, pravidlá a nové organizačné postupy. Staré a nové procesy istý čas bežia súbežne. Tento produktivitný J-efekt sa vráti v kapitole 14: všeobecne použiteľná technológia prináša veľký efekt až spolu s doplnkovými inováciami.

Kedy produktivita neznamená lepšiu prácu

• Úspora času môže viesť k vyššej odmene, kratšej práci, lepšej službe, ale aj k vyššiemu tempu a zníženiu počtu ľudí.
• Meranie výkonu musí zahŕňať kvalitu, opravy, bezpečnosť a dlhodobé učenie, nielen počet výstupov.
• Rozdelenie prínosu medzi vlastníkov, pracovníkov a zákazníkov je ekonomické a inštitucionálne rozhodnutie.

Ak asistent skráti spracovanie prípadu o tretinu, firma môže vybaviť viac prípadov, znížiť cenu, venovať viac času komplikovaným klientom, skrátiť pracovný týždeň alebo redukovať tím. Technológia sama nevyberá jednu možnosť. Výsledok závisí od konkurencie, dopytu, kolektívneho vyjednávania, vlastníctva a stratégie.

Úzka metrika môže vytvoriť falošnú produktivitu. Rýchlejšie napísaný kód nie je prínos, ak obsahuje zraniteľnosti a zvyšuje budúci dlh. Viac vyriešených tiketov nie je úspech, ak zákazníci volajú opakovane. Automatický text môže presunúť čas na overovanie faktov. Preto sa meria celý cyklus vrátane chýb, reklamácií, reworku, incidentov a dopadu na príjemcu služby.

Osobitným rizikom je intenzifikácia práce. Nástroj vyplní každú časovú rezervu ďalšou úlohou, odporúčania sa zmenia na normu a zamestnanec je neustále hodnotený. Krátkodobý rast počtu výstupov môže sprevádzať stres, odchod skúsených ľudí a pokles schopnosti riešiť výnimky. Kvalita práce je preto výsledkom rovnocenným s produktivitou.

Makroekonomická otázka znie, komu pripadne vytvorená hodnota. Ak produktivita rastie rýchlejšie než mzdy a prístup ku kapitálu je koncentrovaný, AI môže prehĺbiť nerovnosť aj pri celkovom hospodárskom raste. Politika konkurencie, dane, vzdelávanie a pracovné inštitúcie preto patria k debate rovnako ako výkon modelov.

Nerovnaké účinky podľa zručností a skúseností

• AI môže znižovať rozdiely tým, že menej skúseným sprístupní návody a vzory, ale aj zvyšovať rozdiely v prospech ľudí, ktorí ju vedia lepšie riadiť.
• Výsledok závisí od toho, či technológia kodifikuje existujúcu expertízu alebo dopĺňa hlboký úsudok.
• Krátkodobé vyrovnanie výkonu nemožno zamieňať s dlhodobým rozvojom expertízy.

V zákazníckej podpore sa prejavil skill-leveling: nováčikovia získali väčší prínos než experti. V iných úlohách môže platiť opačný mechanizmus. Skúsený odborník lepšie definuje problém, rozpozná chybný predpoklad, overí zdroj a skombinuje návrh s kontextom. AI potom pôsobí ako páka, ktorá rozdiel zväčší.

Rozpor je iba zdanlivý. Ak je kvalitný postup možné zachytiť v odporúčaniach a úspech ľahko zmerať, nástroj môže šíriť expertízu. Ak úloha vyžaduje tacitné poznanie, nepravidelné výnimky alebo zodpovednosť, expert lepšie využije aj skontroluje systém. V rámci jedného povolania sa môžu oba efekty striedať.

Treba rozlišovať výkon s nástrojom a schopnosť bez neho. Študent, ktorý prijíma hotové riešenia, môže dnes dokončiť viac úloh a zajtra nevedieť odhaliť chybu. Pracovník, ktorému systém neustále odporúča ďalší krok, môže stratiť mentálny model procesu. Naopak, nástroj navrhnutý ako tútor môže vysvetľovať, klásť otázky a postupne znižovať podporu.

Organizácia by preto mala sledovať, kto získa prístup, školenie a čas na experiment. Ak kvalitný asistent dostanú iba manažéri alebo pracovníci s drahým predplatným, digitálna priepasť sa reprodukuje. Ak sa školenie sústredí len na ovládanie rozhrania, chýba kritické hodnotenie, odbornosť a bezpečné rozhodovanie.

Juniorné pozície a ohrozený rebrík učenia

• Rutinné vstupné úlohy sú zároveň ekonomickým výstupom aj tréningom budúcich odborníkov.
• Ich automatizácia môže znížiť nábor juniorov skôr, než zmiznú seniorné profesie.
• Organizácie musia vedome vytvoriť nové formy praxe, spätnej väzby a rastúcej zodpovednosti.

Mladý právnik prechádza dokumenty, analytik čistí dáta, programátor opravuje malé chyby a prekladateľ spracúva jednoduchší text. Časť tejto práce je opakovaná a vhodná pre AI. Súčasne na nej človek spoznáva štruktúru prípadov, normy kvality, typické výnimky a dôsledky rozhodnutí. Ak sa spodný stupeň rebríka odstráni, otázkou nie je iba dnešná úspora, ale pôvod budúcich seniorov.

Firma môže zareagovať obmedzením náboru a ponechaním menšieho počtu skúsených ľudí s nástrojmi. Krátkodobo ide o racionálnu úsporu. Dlhodobo vzniká nedostatok expertov schopných kontrolovať systém, obnovovať postupy a riešiť krízu. Problém sa nemusí ukázať v ročných metrikách.

Riešením nie je zachovať všetku rutinu. Učňovský model sa dá prepracovať: junior porovná vlastné riešenie s návrhom AI, vysvetľuje rozdiely, rieši reprezentatívne simulácie, rotuje medzi výnimkami a dostáva pravidelnú spätnú väzbu. Podpora sa postupne odoberá a právomoc rastie až po preukázaní kompetencie. Dôležité je, aby človek nebol iba „opravovačom textu“, ktorého pôvod nevie posúdiť.

Školy a profesijné organizácie musia zmeniť aj hodnotenie. Ak skúška meria iba produkt, nevie odlíšiť odborný výkon od nekritického použitia nástroja. Potrebné sú obhajoby postupu, práca s neúplným kontextom, overovanie, praktické pozorovanie a úlohy s povolenou aj nepovolenou AI.

Ktoré úlohy sú voči dnešnej AI citlivejšie

• Najviac sa menia digitálne, jazykové, štandardizované a často opakované úlohy s dostupným kontextom.
• Odolnejšie sú činnosti s fyzickou variabilitou, vysokou cenou chyby, komplexným vzťahom, nejasným cieľom alebo neprenosnou zodpovednosťou.
• „Odolné“ neznamená nedotknuté: AI môže meniť plánovanie, administratívu či dohľad aj vo fyzickej profesii.

Generatívna AI je prirodzene vhodná na transformáciu digitálnych symbolov: sumarizáciu, klasifikáciu, preklad, vyhľadávanie vzorov, prvý návrh textu a kódu či spracovanie formulárov. Ak je výsledok lacno overiteľný a chybu možno zvrátiť, ekonomický prah nasadenia je nízky. Preto sa jej vplyv najprv objavil v kancelárskej a znalostnej práci, nie iba v manuálnych profesiách.

Slabšia je pri otvorených situáciách, v ktorých chýba úplný digitálny obraz. Opatrovanie človeka, vyjednávanie dôvery, vedenie tímu alebo remeselná oprava v neštandardnom priestore spájajú telesnú zručnosť, kontext a sociálnu legitimitu. Ani tu však profesia nezostáva rovnaká: systém môže plánovať trasu, dokumentovať návštevu, navrhovať materiál alebo kontrolovať bezpečnosť.

Cena chyby mení prah. Marketingový návrh možno rýchlo opraviť; nesprávne dávkovanie lieku môže ublížiť. Pri vysokom riziku treba kvalitnejšie dôkazy, validáciu, ľudský dohľad, záznamy a možnosť odvolania. Náklady na tieto opatrenia môžu prevýšiť úsporu automatizácie, hoci model úlohu na benchmarku zvláda.

Citlivosť sa nedá určiť podľa prestíže ani dosiahnutého vzdelania. Niektoré úlohy vysoko kvalifikovaných profesionálov sú dobre štruktúrované a digitálne, zatiaľ čo práca bez vysokoškolského diplomu môže vyžadovať mimoriadnu situačnú adaptáciu. AI tak narúša staré delenie na „rutinnú manuálnu“ a „bezpečnú kognitívnu“ prácu.

Nové profesie a meniace sa profesijné hranice

• Väčšina AI kompetencií sa začlení do existujúcich rolí; menšia časť vytvorí samostatné špecializácie.
• Rastie potreba ľudí, ktorí prepájajú doménu, dáta, proces, bezpečnosť a zodpovednosť.
• Názov novej pozície nie je dôkazom trvalého povolania; dôležité sú stabilné úlohy a vytváraná hodnota.

Viditeľné sú roly ako ML inžinier, dátový kurátor, evaluátor modelov, AI produktový manažér, audítor algoritmov, red-teamer či špecialista na modelové riziko. S dozrievaním technológie sa však časť ich činností štandardizuje a presunie do bežného IT, compliance, interného auditu alebo odborných útvarov. Podobne ako dnes takmer každá kancelárska rola používa internet bez pozície „internetový pracovník“, AI gramotnosť sa stane prierezovou kompetenciou.

Najcennejšie bývajú hraničné roly. Človek rozumie klinickému procesu aj možnostiam modelu, výrobnému riziku aj dátam, právnej povinnosti aj návrhu rozhrania. Dokáže preložiť neurčitú potrebu na testovateľný cieľ a zároveň vysvetliť technické obmedzenie vedeniu. Takáto kombinácia sa buduje pomalšie než znalosť jedného nástroja.

Niektoré mediálne názvy, napríklad „prompt engineer“, môžu označovať reálnu dočasnú potrebu, ale nie automaticky masovú samostatnú profesiu. Písanie pokynov sa často stane jednou z úloh analytika, marketéra alebo vývojára; rozhrania a modely sa navyše zlepšujú. Trvácnejšie sú schopnosti definovať problém, vytvoriť evaluačný súbor, spravovať znalosti, navrhnúť kontrolu a niesť doménovú zodpovednosť.

Nové miesta nevznikajú iba v AI sektore. Lacnejšie preklady, dizajn či analýzy môžu umožniť nové produkty, malé firmy a lokálne služby. Čistý účinok závisí od toho, či rastúci dopyt a doplnkové činnosti prevážia nad ušetrenou prácou - a môže sa líšiť podľa regiónu i obdobia.

Nábor, hodnotenie a riadenie talentu

• AI mení obe strany náboru: kandidáti ju používajú na prihlášky a firmy na vyhľadávanie, triedenie či hodnotenie.
• Automatické skóre môže škálovať staré predsudky, vytvárať nové zástupné kritériá a skrývať dôvod rozhodnutia.
• Zodpovedný proces potrebuje validitu pre konkrétnu pozíciu, primerané údaje, ľudské preskúmanie a možnosť nápravy.

Životopis a motivačný list už menej spoľahlivo dokazujú samostatný výkon, pretože ich môže kvalitne upraviť model. Zamestnávatelia reagujú praktickými ukážkami práce, štruktúrovanými rozhovormi, portfóliom a obhajobou rozhodnutí. Úplný zákaz AI nemusí odrážať budúcu prácu; lepšie je jasne určiť, kde je nástroj povolený, a hodnotiť aj overovanie a vysvetlenie postupu.

Na strane firmy sa algoritmy používajú na odporúčanie kandidátov, analýzu videa, plánovanie pohovorov či predikciu úspechu. Historické údaje však odzrkadľujú minulé prijímanie a kariérne príležitosti. Premenné ako škola, medzera v kariére alebo lokalita môžu nepriamo niesť sociálne rozdiely. Vysoká celková presnosť nezaručuje rovnakú chybovosť medzi skupinami ani relevantnosť pre výkon práce.

Validácia musí testovať, či nástroj meria pracovnú kompetenciu, nie pohodlný korelát. Kandidát má vedieť, že AI významne vstupuje do rozhodnutia, a mať dostupný kontakt na človeka. Organizácia musí poznať obmedzenia dodávateľa, uchovávanie dát, prístupnosť pre ľudí so zdravotným znevýhodnením a postup pri spore.

Nábor je príkladom, kde je označenie „human in the loop“ nedostatočné. Recruiter môže podvedome dôverovať skóre, ktoré už zúžilo množinu kandidátov. Zmysluplný dohľad začína ešte pred nasadením: výberom cieľa, dát, metrík a bodu, v ktorom je možné rozhodnutie naozaj zmeniť.

Algoritmické riadenie pracoviska

• AI môže rozdeľovať úlohy, plánovať smeny, sledovať výkon, určovať tempo a odporúčať odmeny či sankcie.
• Optimalizácia jednej metriky môže obmedziť autonómiu, zosilniť stres a preniesť obchodné riziko na pracovníka.
• Potrebné sú transparentné pravidlá, primeranosť monitorovania, právo na vysvetlenie a reálna možnosť ľudského preskúmania.

Debata o práci sa často sústreďuje na generovanie textu, no rovnako dôležité je algoritmické riadenie. Systém prideľuje kuriérovi objednávku, operátorovi ďalší hovor, skladníkovi trasu alebo zamestnancovi smenu. Skóre môže ovplyvniť bonus, prístup k práci či ukončenie spolupráce. AI teda nemusí pracovníka nahradiť, aby zásadne zmenila jeho mocenské postavenie.

OECD vo svojej analýze algoritmického riadenia upozorňuje na kombináciu potenciálnych prínosov - konzistentnejšie plánovanie, bezpečnosť, lepšie párovanie úloh - a rizík pre autonómiu, súkromie a intenzitu práce. Prípadové štúdie ILO ukazujú, že tieto praktiky nie sú obmedzené na platformy; prenikajú do logistiky, bankovníctva a ďalších bežných pracovísk.

Problém vzniká, keď merateľné nahradí dôležité. Počet vybavených požiadaviek neobsiahne citlivosť prípadu, bezpečnostnú prestávku ani pomoc kolegovi. Pracovník sa naučí optimalizovať skóre namiesto služby. Ak nevie, prečo dostal horšie smeny alebo ako opraviť nesprávny údaj, systém vytvára prakticky neodvolateľnú moc.

Zodpovedná organizácia obmedzí zber na potrebné údaje, dokumentuje účel každej metriky, testuje nepriame diskriminačné účinky a nevyvodzuje závažné dôsledky z jediného skóre. Pracovníci a ich zástupcovia sa zapoja pred zavedením. Majú prístup k zrozumiteľným pravidlám, oprave dát, kontaktu na kompetentného človeka a ochrane pred odvetou za spochybnenie systému.

Kvalita práce, zdravie a profesionálna autonómia

• Hodnotenie AI musí zahŕňať fyzické a psychosociálne zdravie, zmysluplnosť práce, kontrolu nad tempom a možnosť uplatniť odbornosť.
• Automatizácia môže odstrániť monotónnosť, ale aj fragmentovať prácu na úzke kroky a oslabiť profesijný úsudok.
• Monitorovanie dopadov pokračuje po nasadení, pretože stres a strata zručností sa prejavujú oneskorene.

Dobrá práca nie je iba platený čas. Zahŕňa primeranú autonómiu, bezpečnosť, spravodlivé zaobchádzanie, príležitosť učiť sa a možnosť vidieť zmysel výsledku. AI môže odstrániť nebezpečnú kontrolu stroja alebo administratívu, ktorá zdravotníka odvádza od pacienta. Rovnaká technológia však môže každú sekundu predpisovať ďalší krok a redukovať profesionála na obsluhu odporúčaní.

ILO v správe o AI a psychosociálnom pracovnom prostredí spája účinky s dizajnom a implementáciou, nie s nálepkou AI. Rizikami môžu byť neustále hodnotenie, neistota, informačné preťaženie, nejasná zodpovednosť a strata kontroly. Prínosmi môže byť podpora rozhodovania, prístupnosť, odstránenie rutiny a včasná identifikácia bezpečnostného problému.

Osobitný problém je deskilling. Ak systém vždy navrhuje diagnózu, trasu alebo formuláciu, človek menej precvičuje jadrovú schopnosť. Pri bežnej prevádzke sa výkon javí stabilný, no pri výpadku alebo neobvyklom prípade chýba expertíza. Opačným cieľom je upskilling: AI vysvetľuje, dáva spätnú väzbu a uvoľňuje čas na komplexnejšiu prácu.

Pred pilotom sa preto merajú nielen minúty a náklady, ale aj pracovná záťaž, miera zásahov, chybovosť, pocit kontroly, fluktuácia a schopnosť vykonať kritickú úlohu bez nástroja. Anonymné hlásenie problémov a pravidelné rozhovory dopĺňajú telemetriu. Dáta o človeku nesmú vytvoriť ďalšiu vrstvu invazívneho monitorovania.

Zodpovednosť v odborných profesiách

• AI výstup nemení automaticky právnu ani profesijnú zodpovednosť lekára, právnika, inžiniera, učiteľa či účtovníka.
• Odborník môže zodpovedne kontrolovať len systém, ktorého účel, zdroje, neistotu a hranice dokáže pochopiť.
• Organizácia nesmie preniesť systémové riziko na jednotlivca formálnou vetou, že „človek má posledné slovo“.

V odborných službách nie je výstup iba text alebo predikcia. Je súčasťou vzťahu dôvery a konania s následkami. Lekár posudzuje pacienta, právnik chráni záujem klienta, inžinier podpisuje bezpečnosť. AI môže sumarizovať, hľadať alebo navrhovať, no nemá licenciu, majetok, svedomie ani schopnosť niesť sankciu. Ako vysvetľuje kapitola 2, plynulá odpoveď nie je inštitucionálne oprávnenie.

Formálny dohľad sa stáva pascou, keď organizácia nasadí netransparentný model, stanoví nereálny čas na kontrolu a pri chybe obviní pracovníka. Zmysluplná zodpovednosť musí byť spojená s právomocou. Odborník potrebuje kvalitné podklady, označenie neistoty, možnosť odmietnuť odporúčanie, dostupnú alternatívu a ochranu pri eskalácii.

Rozdelenie zodpovednosti sa dokumentuje: dodávateľ zodpovedá za deklarované vlastnosti a bezpečný vývoj, prevádzkovateľ za výber kontextu a integráciu, odborný garant za pravidlá použitia a používateľ za rozhodnutia v rozsahu, ktorý reálne ovláda. Incident sa nemá skončiť pri „ľudskej chybe“; skúma sa rozhranie, školenie, tlak na tempo, kvalita dát a predvídateľnosť omylu.

Profesijné komory a zamestnávatelia budú musieť aktualizovať štandard starostlivosti. Nepoužiť dostupný a overený nástroj môže byť časom rovnako otázne ako použiť nespoľahlivý. Hranica však musí vychádzať z dôkazov v konkrétnom odbore, nie z popularity produktu.

Rod, región a globálna nerovnosť

• Expozícia je vyššia v ekonomikách s väčším podielom kancelárskej a digitalizovanej práce, no tie majú aj viac zdrojov na využitie prínosov.
• Profesijná segregácia spôsobuje rozdiely medzi ženami a mužmi; nejde o biologickú vlastnosť technológie.
• Nedostatok konektivity, výpočtov, lokálnych dát a kompetencií môže zmeniť AI na ďalší zdroj globálnej produktivitnej medzery.

ILO odhaduje vyššiu expozíciu v krajinách s vysokým príjmom, pretože majú viac kancelárskych a znalostných povolaní. Zároveň disponujú kapitálom, digitálnou infraštruktúrou, sociálnou ochranou a vzdelávaním, ktoré uľahčujú transformáciu. Krajiny s nízkym príjmom môžu mať nižšiu okamžitú expozíciu, no riskujú, že ich exportné služby stratia cenovú výhodu a nový rast sa sústredí inde.

Analýza ILO z roku 2026 uvádza vyšší podiel expozície v povolaniach, kde prevažujú ženy, než v povolaniach s prevahou mužov. Dôvodom je koncentrácia žien v administratívnych a kancelárskych rolách, nie vrodená odlišnosť. Výsledok ovplyvní prístup k rekvalifikácii, rozhodovacím pozíciám, vlastníctvu technológií a ochrane príjmu počas zmeny.

World Bank vo svojom rámci AI Foundations opisuje štyri potrebné základy: connectivity, compute, context a competency - konektivitu, výpočtovú kapacitu, lokálny kontext v dátach a modeloch a ľudské kompetencie. Chýbajúci miestny jazyk či platobná infraštruktúra je rovnako reálnou bariérou ako slabý model.

Globálny pohľad preto nesmie jednoducho exportovať prognózy zo Spojených štátov. Neformálna práca, štruktúra odvetví, cena práce, pracovné právo a jazyková podpora sú odlišné. Kapitola 13 ukáže, že „preteky v AI“ sa nevedú iba o modely, ale aj o čipy, energiu, talent a schopnosť rozšíriť prínos do celej ekonomiky.

Malé firmy verzus veľké organizácie

• Generatívne služby znižujú vstupnú cenu niektorých schopností, no bezpečná integrácia a kvalitné firemné dáta zostávajú nákladné.
• Veľké firmy majú kapitál a údaje; malé firmy môžu rýchlejšie meniť proces a obslúžiť úzky trh.
• Závislosť od jedného poskytovateľa, premenlivé ceny a slabá vyjednávacia sila predstavujú osobitné riziko pre malé podniky.

Cloudové rozhranie umožní malej firme používať preklad, analýzu dokumentov či asistenta bez vlastného výskumného tímu. To demokratizuje prístup k niektorým funkciám. Nástroj však nerozumie firme automaticky: treba upraviť proces, vyčistiť dokumenty, nastaviť oprávnenia, testovať kvalitu a školiť ľudí. Tieto komplementárne náklady môžu byť väčšie než cena licencie.

Veľká organizácia má bezpečnostný tím, právnikov, viac dát a možnosť vyjednávať zmluvu. Súčasne trpí staršími systémami, zložitým schvaľovaním a rozdrobeným vlastníctvom procesu. Malý podnik môže urobiť pilot za týždeň, no horšie absorbuje incident a nevie nezávisle auditovať dodávateľa. Výhoda teda nie je daná iba veľkosťou.

Strategickým rizikom je lock-in. Ak celý pracovný tok závisí od proprietárneho modelu a jeho rozhraní, zmena ceny, podmienok, kvality alebo dostupnosti zasiahne podnik aj pracovníkov. Firma by mala poznať exportovateľnosť dát, alternatívneho poskytovateľa, postup pri výpadku a úlohy, ktoré musia zostať vykonateľné bez systému.

Verejná politika môže pomôcť zdieľanou infraštruktúrou, testovacími centrami, poradenstvom a otvorenými jazykovými zdrojmi. Dotácia samotnej licencie nestačí. Difúziu určuje manažérska schopnosť a reorganizácia, čo bude kľúčové aj pri prirovnaní AI k internetu v kapitole 14.

Prognózy pracovných miest: ako ich čítať

• Prognózy sú podmienené scenáre založené na predpokladoch o adopcii, dopyte a politike, nie pevný kalendár budúcnosti.
• Hrubý počet vytvorených a zaniknutých miest nehovorí, či ich získajú tí istí ľudia, v rovnakom regióne a za porovnateľnú mzdu.
• Presnejšie je sledovať rozsah scenárov, metodiku a aktualizáciu než citovať jeden mediálne atraktívny údaj.

Future of Jobs Report 2025 od Svetového ekonomického fóra sumarizuje očakávania opýtaných zamestnávateľov: do roku 2030 predpokladajú štrukturálnu zmenu zodpovedajúcu 22 % dnešných pracovných miest, 170 miliónov vzniknutých a 92 miliónov vytlačených miest, teda čistý nárast 78 miliónov. Tieto čísla sú užitočným obrazom plánov respondentov, nie nezávislou predikciou celej globálnej ekonomiky.

Výsledky zahŕňajú demografiu, zelenú transformáciu, geopolitiku a ekonomické zmeny, nielen AI. Výber firiem, definície rolí a horizont ovplyvňujú súčet. Zamestnávatelia môžu preceňovať rýchlosť nasadenia alebo naopak nepredvídať nový trh. Čísla sa preto majú uvádzať s názvom zdroja, rokom, horizontom a slovom „očakávania“.

Aj čistý plusový výsledok môže znamenať bolestivú transformáciu. Zaniknutá administratívna rola v menšom meste a vzniknutá pozícia dátového inžiniera v metropole sa navzájom sociálne nevyrušia. Rekvalifikácia potrebuje čas, príjem, dostupné vzdelávanie a reálny dopyt. Priemerná štatistika skrýva prechodové náklady.

Rozumný čitateľ porovnáva viac druhov dôkazov: indexy úloh ILO, firemné prieskumy, aktuálne pracovné inzeráty, terénne experimenty, administratívne dáta a makroekonomický vývoj. Keď sa rozchádzajú, nie je to automaticky chyba; často merajú inú fázu z päťstupňového reťazca.

Scenáre namiesto jednej nevyhnutnej budúcnosti

• Scenár vysokej augmentácie spája produktivitu s rastúcim dopytom, ľudskou kontrolou a investíciou do zručností.
• Scenár úzkej automatizácie koncentruje výnos, obmedzuje vstupné pozície a zvyšuje dohľad bez primeranej mobility.
• Reálny výsledok bude mozaikou odvetví a regiónov, pričom verejné a podnikové rozhodnutia menia pravdepodobnosť scenárov.

V augmentačnom scenári organizácie používajú AI na odstránenie administratívy, rozšírenie dostupnosti služby a podporu rozhodovania. Produktivita znižuje cenu, dopyt rastie a ľudia sa presúvajú ku komplexnejším úlohám. Pracovníci sa podieľajú na návrhu, získavajú školenie a časť výnosu. Nové štandardy držia chyby pod kontrolou.

V automatizačno-koncentračnom scenári firmy nasadzujú nástroje najmä na redukciu nákladov. Juniorné miesta ubúdajú, dáta a výpočty kontroluje malý počet poskytovateľov, pracovníci sú detailne monitorovaní a mzdy nerastú spolu s produktivitou. Služby môžu zlacnieť, ale klesá odolnosť, profesijný rast a vyjednávacia sila.

Tretí je scenár pomalej difúzie. Modely sa zlepšujú, no nekvalitné dáta, kybernetické incidenty, nedostatok energie, regulačná neistota a slabý manažment brzdia integráciu. Niekoľko špičkových firiem získa veľký náskok, väčšina ekonomiky používa iba povrchné asistenty. Agregátna produktivita zaostáva za očakávaniami.

Tieto scenáre nie sú vzájomne výlučné. Zdravotníctvo môže využívať augmentáciu, časť médií prejsť nákladovou automatizáciou a verejná správa postupovať pomaly. Ich účelom je odhaliť rozhodovacie páky: konkurenciu, prístup k infraštruktúre, sociálny dialóg, vzdelávanie, meranie kvality a pravidlá zodpovednosti.

Časový horizont a neistota

• Krátkodobé zmeny obmedzuje adopcia a integrácia; dlhodobé zmeny môžu byť hlbšie, no sú menej predvídateľné.
• Výkon modelu, náklady na výpočty, energia, regulácia a spoločenská dôvera sa vyvíjajú súčasne.
• Prognóza má uviesť dátum, horizont, predpoklady a signály, ktoré by ju vyvrátili.

V horizonte mesiacov vidíme nákup licencií, experimenty, zmenu jednotlivých úloh a dopyt po školení. V horizonte rokov sa prepisujú podnikové systémy, pracovné zmluvy, vzdelávacie programy a cenotvorba. V desaťročiach môžu vzniknúť nové odvetvia a inštitúcie. Čím dlhší horizont, tým viac spätných väzieb a tým menšia presnosť konkrétnych čísel.

Ani technická trajektória nie je hladká. Modely môžu dosiahnuť lepšie benchmarky, no spoľahlivá autonómna práca vyžaduje pamäť, nástroje, oprávnenia a kontrolu dlhých reťazcov. Náklady môžu klesať, kým dopyt zvýši tlak na čipy a elektrinu. Regulácia môže spomaliť rizikové použitie a zároveň zvýšiť dôveru v overené systémy.

Dobrá prognóza je falzifikovateľná. Namiesto „účtovníci zmiznú“ povie: „Ak sa presnosť pri konkrétnych dokladoch udrží nad prahom, integrácia klesne pod určitú cenu a právne pravidlá umožnia automatické podanie, do troch rokov očakávame pokles času na tieto úlohy.“ Tím potom sleduje signály a upravuje plán.

Neistota nie je dôvodom nič nerobiť. Je dôvodom investovať do prenositeľných zručností, reverzibilných pilotov a systémov, ktoré možno meniť. Rovnaký princíp sa používa pri vývoji modelov v kapitole 10: definovať hypotézu, testovať a monitorovať namiesto jednorazového veľkého sľubu.

Časový horizont má aj generačný rozmer. Dnešný pracovník potrebuje ochranu príjmu a konkrétnu možnosť prechodu, kým dnešné dieťa potrebuje vzdelanie použiteľné o desaťročie. Rovnaká politika nemôže riešiť obe potreby jedným krátkym kurzom. Krátkodobá pomoc, strednodobá tvorba kariérnych ciest a dlhodobá reforma vzdelávania sa musia koordinovať, hoci ich výsledky sa objavia v odlišnom čase.

Zručnosti, ktoré získavajú na hodnote

• Základom je doménová odbornosť, kritické hodnotenie a schopnosť prevziať zodpovednosť; ovládanie konkrétneho rozhrania je iba dočasná vrstva.
• AI gramotnosť zahŕňa formuláciu úlohy, prácu s kontextom, overovanie, ochranu dát a rozpoznanie situácie, keď nástroj nepoužiť.
• Sociálne, tvorivé a systémové zručnosti rastú na hodnote najmä v kombinácii s technickou a dátovou gramotnosťou.

Model vie vytvoriť presvedčivý priemer. Človek vytvára hodnotu tým, že určí správny problém, pozná dôsledky, rozpozná výnimku a vie výsledok obhájiť. Preto hlboká odbornosť nestráca význam; mení sa spôsob jej uplatnenia. Bez nej používateľ nevie, čo zadať ani čo skontrolovať.

AI gramotnosť nie je zoznam trikov na promptovanie. Zahŕňa pochopenie pravdepodobnostného výstupu, zdrojov a obmedzení, výber primeraného nástroja, bezpečné poskytnutie údajov, tvorbu kritérií a záznam rozhodnutia. Pri agentoch pribúda správa oprávnení a kontrola vykonaných akcií. Podrobný kompetenčný rámec prinesie kapitola 15.

Rastie význam komunikácie, vyjednávania, empatie a spolupráce, ale nemožno ich romantizovať ako úplne „neautomatizovateľné“. Model dokáže simulovať tón alebo nacvičiť rozhovor. Ľudská výhoda spočíva vo vzťahu, legitímnosti, spoločnom kontexte a zodpovednosti - a v kombinácii so schopnosťou používať dáta.

Najodolnejšie portfólio má tvar písmena T alebo hrebeňa: hlboká doména a viac priečnych schopností - práca s AI, dáta, bezpečnosť, procesné myslenie a komunikácia. Umožňuje meniť nástroj bez straty profesijnej identity.

Rekvalifikácia nie je jednorazový kurz

• Účinné vzdelávanie vychádza z konkrétnej zmeny úloh a ponúka prax, spätnú väzbu, čas a nadväzujúcu pracovnú príležitosť.
• Pracovník nemôže niesť celé náklady transformácie, ktorú riadi zamestnávateľ a z ktorej profitujú aj vlastníci.
• Výsledok sa meria uplatnením, mzdou, kvalitou práce a dlhodobou adaptabilitou, nie počtom vydaných certifikátov.

Všeobecný dvojhodinový seminár môže vysvetliť základné riziká, no nezmení pracovný tok. Rekvalifikácia začína mapou úloh: čo sa automatizuje, čo zostáva, čo pribudne a akú úroveň samostatnosti človek potrebuje. Nasleduje cvičenie na reálnych, bezpečne upravených prípadoch a hodnotenie výkonu s nástrojom aj bez neho.

Vzdelávanie potrebuje čas v pracovnom čase. Ak sa od ľudí očakáva učenie po večeroch, účasť ovplyvní starostlivosť o rodinu, príjem a zdravie. Nerovnosť v prístupe sa potom tvári ako rozdiel v motivácii. Zamestnávatelia, štát a vzdelávacie inštitúcie si musia rozdeliť financovanie a vytvoriť uznávané, prenositeľné výsledky učenia.

WEF vo svojom prieskume očakávaní zamestnávateľov uvádza rozsiahlu potrebu zmeny zručností do roku 2030. Takéto číslo je signálom plánov, nie meraním úspechu. Skutočný program sleduje, koľko účastníkov získalo novú úlohu, vyššiu samostatnosť alebo stabilný príjem a či nevznikla iba lacnejšia pracovná sila na kontrolu automatických výstupov.

Rekvalifikácia nemôže vyriešiť každú stratu miesta. Nie každý pracovník sa môže alebo chce stať vývojárom a ekonomika nepotrebuje iba digitálne profesie. Kvalitná politika spája učenie s regionálnym rozvojom, kariérnym poradenstvom, uznávaním predchádzajúcej praxe, podporou príjmu a tvorbou reálnych pracovných miest.

Úloha zamestnávateľov a sociálneho dialógu

• O nasadení by mali spolurozhodovať ľudia, ktorí poznajú prácu a ponesú jeho následky.
• Pred pilotom sa dohodnú ciele, neprípustné použitia, metriky, práva pracovníkov a rozdelenie produktivitného prínosu.
• Sociálny dialóg zvyšuje kvalitu informácií a legitimitu; nie je len prekážkou rýchlosti.

Pracovník často pozná výnimky, ktoré procesná mapa vedenia neobsahuje. Vie, prečo sa údaj ručne opravuje, ktorý klient potrebuje inú cestu a kde metrika motivuje nesprávne správanie. Ak je zapojený až do školenia hotového systému, organizácia prichádza o kritické poznanie a vytvára odpor.

Pred nasadením sa uzavrie praktická dohoda: aký problém sa rieši; ktoré údaje sa zbierajú; či sa použijú na hodnotenie zamestnanca; kto vidí výstupy; ako sa opraví chyba; čo sa stane s ušetreným časom; a aké školenie dostanú dotknutí ľudia. Pri zásadnej zmene sa zapoja odbory, zamestnanecké rady alebo iné reprezentatívne orgány podľa miestneho práva.

Sociálny dialóg môže riešiť aj rozdelenie výnosu - bonus, kratší čas, financovanie učenia, ochranu pred okamžitým prepustením alebo vnútornú mobilitu. Bez neho sa pracovníci môžu racionálne vyhýbať zdieľaniu znalostí so systémom, ktorý vnímajú iba ako nástroj redukcie.

Transparentnosť neznamená zverejniť zdrojový kód každého modelu. Znamená poskytnúť informácie primerané rozhodnutiu: účel, logiku pracovného toku, používané údaje, známe obmedzenia, zodpovednú osobu a dostupnú nápravu. Pri závažnom dopade musí byť vysvetlenie konkrétnejšie.

Úloha štátu a verejných inštitúcií

• Politika musí podporovať inovácie a zároveň chrániť ľudí počas nerovnomerného prechodu.
• Potrebná je kombinácia pracovného práva, sociálnej ochrany, hospodárskej súťaže, vzdelávania, dátovej politiky a verejnej infraštruktúry.
• Štát je regulátor, obstarávateľ, zamestnávateľ aj poskytovateľ služieb; jeho vlastné používanie AI vytvára normy pre trh.

Prvé opatrenie je kvalitné meranie. Štatistiky povolaní sa aktualizujú pomaly a nezachytávajú úlohy ani neformálnu adopciu. Štát môže spájať prieskumy firiem, pracovné inzeráty, administratívne údaje a sektorové observatóriá, pričom chráni súkromie. Bez včasných dát prichádza podpora až po regionálnom šoku.

Sociálna ochrana musí podporovať prechod bez toho, aby človek prijal prvú nekvalitnú prácu. Patrí sem dostupné vzdelávanie, poistenie v nezamestnanosti, prenositeľné nároky pri platformovej práci, služby zamestnanosti a regionálne investície. Možnosti ako skrátený pracovný čas, mzdové poistenie či základný príjem majú rôzne trade-offy a vyžadujú samostatnú ekonomickú diskusiu; AI automaticky nepredpisuje jeden model.

Politika hospodárskej súťaže rieši koncentráciu cloudu, čipov, modelov a dát. Ak niekoľko firiem vyberá rentu z celej transformačnej vrstvy, produktivita sa môže sústrediť a malé podniky stratia voľbu. Interoperabilita, prenositeľnosť a verejné výskumné kapacity zvyšujú vyjednávaciu silu.

Pri verejnom obstarávaní štát nastavuje štandard: požaduje dokumentáciu, testovanie prístupnosti, bezpečnosť, ľudský kontakt, auditovateľnosť a plán ukončenia. Verejný sektor však nemá používať experimentálne skóre na zásadné rozhodnutia o dávkach či práci bez právneho základu a účinnej nápravy.

Praktický rámec pre organizáciu

• Začnite výsledkom služby a mapou úloh, nie nákupom univerzálneho asistenta.
• Pilot porovnávajte s baseline a merajte produktivitu, kvalitu, riziko, zdravie aj distribučné účinky.
• Rozhodnutie škálovať musí obsahovať vlastníka, školenie, monitorovanie, incidentný proces a možnosť návratu.

Prvým krokom je vybrať konkrétny problém a zdokumentovať súčasný proces. Pri každej úlohe sa označí čas, variabilita, dáta, cena chyby, právne obmedzenie a funkcia pre učenie juniora. Tím vytvorí viac možností: zlepšiť proces bez AI, použiť jednoduché pravidlo, asistovať človeku alebo automatizovať nízkorizikový prípad.

Pilot má vopred stanovenú baseline a vyvážený scorecard. Sleduje čas celého cyklu, kvalitu podľa odborníka, chybovosť medzi skupinami, počet eskalácií, bezpečnostné incidenty, pracovnú záťaž, spokojnosť príjemcu a schopnosť zamestnanca zasiahnuť. Výsledok sa porovná s kontrolnou skupinou alebo aspoň s historicky porovnateľným obdobím.

Pred škálovaním sa určí RACI alebo podobné rozdelenie zodpovednosti: kto rozhoduje, kto vykonáva, kto je konzultovaný a kto informovaný. Zmluva s dodávateľom rieši dáta, zmeny modelu, dostupnosť, auditné podklady a ukončenie. Školenie je rolové a zahŕňa simuláciu zlyhania, nie iba úspešnú ukážku.

Po nasadení sa sleduje drift, zmena správania a kumulatívny dopad. Pravidlá určia, kedy sa systém pozastaví. Každý závažný incident sa analyzuje systémovo. Tento proces priamo nadväzuje na životný cyklus z kapitoly 10 a rámec riadenia rizík, ktorý rozvinie kapitola 15.

Praktický rámec pre jednotlivca

• Jednotlivec má analyzovať vlastné úlohy a budovať dôkazy o práci s AI, nie hádať osud celého názvu profesie.
• Najbezpečnejšia stratégia kombinuje doménovú hĺbku, AI gramotnosť, overovanie a schopnosť spolupracovať.
• Cieľom nie je súťažiť s modelom v produkcii priemerného výstupu, ale vlastniť problém, kontext, kritériá a zodpovednosť.

Spíšte si desať až dvadsať pravidelných úloh a pri každej odhadnite frekvenciu, čas, riziko, digitálnosť a mieru úsudku. Vyskúšajte nástroj iba na necitlivých alebo schválených dátach. Zaznamenajte, kde zrýchľuje, kde vytvára chybu a čo treba vedieť na kontrolu. Tak vznikne osobná mapa expozície založená na dôkaze.

Potom vyberte jednu opakovanú úlohu a vytvorte bezpečný pracovný postup: šablónu vstupu, povolené zdroje, kontrolný zoznam, kritérium prijatia a záznam zásahu. Portfólio by malo ukazovať nielen pekný výsledok, ale aj spôsob overenia, úsporu času a poučenie z omylu. Nezverejňujte firemné dáta ani výstupy, na ktoré nemáte právo.

Investujte do schopností, ktoré prežijú zmenu produktu. Naučte sa štatistický základ, prácu so zdrojmi, ochranu údajov a ekonomiku vlastného procesu. Rozvíjajte doménu cez reálne prípady a spätnú väzbu od expertov. Budujte sieť ľudí, pretože pracovné prechody sú sociálne aj vzdelávacie.

Napokon sledujte signály: menia sa požiadavky v pracovných inzerátoch, počet juniorných miest, cenotvorba služby, regulácia a nástroje vo vašom odbore? Raz za štvrťrok mapu aktualizujte. Detailný 30-, 90- a 365-dňový plán prináša kapitola 15.

Čo z toho vyplýva

• AI pravdepodobne zmení väčší počet pracovných miest, než úplne odstráni, no pre konkrétnych ľudí môže byť aj čiastočná zmena existenčne zásadná.
• Produktivita a kvalita práce nie sú automaticky spojené; ich vzťah vytvára dizajn procesu a rozdelenie moci.
• Najlepšou odpoveďou nie je strach ani bezvýhradné nadšenie, ale meranie, účasť pracovníkov, adaptívne vzdelávanie a zodpovedné inštitúcie.

Budúcnosť práce nie je súboj človeka proti stroju. Je to otázka, ktoré úlohy zveríme systémom, ktoré schopnosti posilníme u ľudí a podľa akých pravidiel rozdelíme prínosy a riziká. Model nevytvára pracovné miesto ani ho neruší sám. Koná organizácia v konkrétnom trhu, právnom režime a spoločnosti.

Najpevnejší záver dnešných dôkazov je transformačný: veľa povolaní má exponované úlohy, namerané produktivitné efekty môžu byť významné, no sú heterogénne a adopcia je pomalšia než schopnosť v demonštrácii. Prognózy čistého počtu miest zostávajú neisté. O to dôležitejšie je sledovať distribúciu účinkov, vstupné kariéry a kvalitu práce.

Ďalšia kapitola 12 vysvetlí, prečo dnešná vlna nevznikla z jedného objavu a ktoré technické i inštitucionálne prelomy ju umožnili. Kapitola 13 rozoberie, kto kontroluje potrebné zdroje. Kapitola 14 zasadí zmenu práce do rámca všeobecne použiteľnej technológie a kapitola 15 uzavrie sériu praktickou prípravou.

Zdroje a ďalšie čítanie

• ILO: Generative AI and Jobs - A Refined Global Index of Occupational Exposure (2025)
• ILO: Generative AI, Occupational Segregation and Gender Equality in the World of Work (2026)
• ILO: Artificial Intelligence Adoption and its Impact on Jobs
• ILO: AI Systems at Work - Changing the Psychosocial Work Environment
• ILO: Algorithmic Management Practices in Regular Workplaces
• ILO: Algorithmic Management of Work and its Implications in Different Contexts
• ILO a World Bank: Uneven Global Impact of Generative AI on Jobs
• OECD: Artificial Intelligence, Job Quality and Inclusiveness
• OECD: Algorithmic Management in the Workplace
• OECD Employment Outlook 2026
• IMF: Gen-AI - Artificial Intelligence and the Future of Work
• World Economic Forum: Future of Jobs Report 2025
• Stanford HAI: AI Index Report 2026 - Economy
• Brynjolfsson, Li a Raymond: Generative AI at Work
• NBER: Artificial Intelligence and the Modern Productivity Paradox
• NBER: Artificial Intelligence and the Skill Premium
• World Bank: Digital Progress and Trends Report 2025 - AI Foundations
• NIST: Artificial Intelligence Risk Management Framework
• NIST: Generative Artificial Intelligence Profile
• EU AI Act Service Desk: Article 4 - AI literacy
• UNESCO: AI Competency Framework for Students
• UNESCO: AI Competency Framework for Teachers