Kam zmizí první pracovní schod?

Představme si kancelář, v níž zkušený pracovník dostane nového asistenta. Je to program: připraví návrh smlouvy, základní rešerši, jednoduchý kus kódu nebo odpověď na běžný dotaz. Manažer si může říct, že dalšího člověka už nepotřebuje. Jenže právě na těchto úkolech se dříve začínalo. Někdo je udělal pomaleji, dostal je zpátky s poznámkami, pochopil souvislosti a po několika letech uměl rozhodovat i tam, kde šablona nestačila.

Automatizace tak neotevírá pouze otázku, kolik pracovních míst zmizí. Otevírá také méně nápadnou otázku: kde se vezmou budoucí zkušení lidé, pokud přestaneme přijímat začátečníky. První pracovní schod byl často nepohodlný, někdy nudný a rozhodně ne vždy spravedlivě placený. Přesto spojoval školu s praxí. Jestli jej technologie odstraní, možná se nám uleví od zbytečné rutiny. Možná ale současně zjistíme, že jsme odstranili i cestu nahoru.

Junior není jen člověk pod určitým věkem

Slovo junior svádí k představě čerstvého dvacetiletého absolventa. Ve skutečnosti může označovat člověka po střední škole, po vysoké škole, po rekvalifikaci, po rodičovské pauze i zkušeného pracovníka, který mění obor. Věk, délka praxe a náročnost pozice se překrývají, ale nejsou totéž.

Ani „nástupní pozice“ nemá jednotný význam. Někde jde o bezpečně omezenou práci pod dohledem. Jinde firma pouze přidá k plnohodnotné odpovědnosti nižší plat a nálepku juniora. Některé inzeráty požadují několik let praxe, ačkoli se tváří jako první příležitost. Když proto statistika ukáže méně zaměstnaných lidí ve věku 22-25 let, neříká automaticky, kolik zmizelo skutečných juniorských míst. A když ubude inzerátů se slovem „junior“, nemusí to být totéž jako úbytek všech cest k první pracovní zkušenosti.

Při čtení údajů o AI proto potřebujeme vědět, zda zachycují věk zaměstnanců, délku jejich praxe, nebo názvy nabízených pozic. Každý z těchto ukazatelů popisuje jinou část vstupu do práce.

Kdo dnes věnuje čas budoucím odborníkům

Firma zaměstnává člověka především proto, že potřebuje odvést práci. U začátečníka však počítá i s tím, že mu zkušenější kolega musí věnovat část svého času a že se zpočátku objeví více chyb. Mzda a náklady na dohled mohou po určitou dobu převyšovat hodnotu práce, kterou nováček zvládne samostatně. Firma tím investuje do schopností, které bude potřebovat později.

Junior připraví první verzi a senior odhalí, že sice odpovídá zadání, ale přehlíží důležitou výjimku. Začátečník zapíše údaje, účastní se hovoru, porovná dokumenty nebo opraví drobnou chybu. Postupně nezískává jen rychlost. Učí se, která informace je podezřelá, kdy se zeptat, komu případ předat, jak vypadá dobrý výsledek a co se ve skutečné práci nedá vyčíst z návodu.

Ekonomové někdy mluví o tiché neboli obtížně kodifikovatelné znalosti. Jde o zkušenost, kterou člověk neumí vždy převést do několika vět: pozná neobvyklý požadavek, odhadne riziko, všimne si rozporu mezi dvěma správně vypadajícími dokumenty nebo ví, že konkrétní zákazník potřebuje jiný postup. Taková znalost obvykle vzniká účastí na skutečné práci, ne samotným přečtením příručky.

AI míří právě na úkoly, kterými se často začínalo

Generativní AI dokáže převzít část přípravy e-mailů, shrnování podkladů, tvorby prezentací, překladů běžných textů nebo psaní základního programového kódu. U digitálního zadání a opakujících se případů může rychle nabídnout první verzi, kterou člověk zkontroluje a upraví.

Právě takové úkoly dostával začátečník také proto, že jejich případnou chybu šlo zachytit dříve, než způsobila velkou škodu. Senior je mohl zkontrolovat, vysvětlit změny a postupně omezovat dohled. To, co je pro automatizaci vhodné svou opakovatelností a kontrolovatelností, může být současně vhodné pro učení člověka.

Vstup do profese se může zúžit i tehdy, když samotné povolání zůstane. Představme si, že nástroj zmenší objem základních úkolů natolik, že jeden zkušený člověk s AI zvládne práci, na niž dříve potřeboval pomoc dvou začátečníků. Firma pak může další nástupy omezit. Rozdíl mezi automatizací úkolů a zánikem celého místa podrobněji rozebírá článek Komu může AI vzít práci?.

Americký signál: méně nástupů do práce

Výzkumníci Stanford Digital Economy Lab porovnali mzdová data společnosti ADP do června 2026. U lidí ve věku 22-25 let v profesích silně vystavených AI byla zaměstnanost o 19 procent níže, než kdyby držela krok s méně vystavenými profesemi. U starších pracovníků se srovnatelný rozdíl neobjevil. Jde o popis vývoje, z něhož nelze přímo určit příčinný účinek AI.

Rozdíl vznikal především slabším náborem mladých lidí, nikoli častějšími odchody ze zaměstnání. Pokles se soustředil do profesí, kde používané ukazatele zachycují spíše nahrazování lidských úkolů než pomoc pracovníkovi. To odpovídá obavě ze zužování vstupu do práce.

Výsledek však po zohlednění vzdělanostního složení profesí zeslábne. Část rozdílných trendů navíc předchází rozšíření generativní AI a v souboru ADP je propad výraznější než v celostátních výběrových šetřeních. Těchto 19 procent tedy nelze číst jako počet míst, která mladým lidem prokazatelně vzala AI.

Širší obraz zatím jednoznačný není

OECD ve výhledu zaměstnanosti pro rok 2026 shrnuje studie s rozdílnými výsledky. Některé nacházejí nepoměrný dopad na lidi na začátku kariéry, jiné významný zaměstnanostní efekt generativní AI zatím nepotvrzují. V datech Austrálie, Kanady, Evropské unie a Spojených států OECD hodnotí roli jazykových modelů při vysvětlování problémů mladých jako dosud omezenou.

Stanford a OECD si přitom nemusejí přímo odporovat. Stanfordská studie sleduje vývoj zaměstnanosti konkrétních věkových skupin v jednom americkém souboru mzdových dat. OECD skládá širší obraz z více zemí a studií a u amerických inzerátů se ptá, zda byl po nástupu jazykových modelů vidět zřetelný zlom v poptávce po juniorech. Jiná země, jiné období, jiný ukazatel i jiná otázka mohou přinést jiný výsledek, aniž by jeden z nich musel být chybný.

Zvlášť podstatné je načasování. Nezaměstnanost čerstvých vysokoškoláků se vůči ostatním zhoršovala už před intenzivním firemním používáním jazykových modelů. V amerických online inzerátech navíc OECD nenašla na konci roku 2023 zlom ani trvalé zrychlení poklesu juniorských pozic v profesích silně vystavených LLM oproti méně vystaveným povoláním.

Do stejné doby spadá zdražení kapitálu, celkové ochlazení náboru, propouštění po rychlém růstu technologických firem během pandemie i nejistota v informačních, finančních a odborných službách. Právě tyto obory jsou zároveň silně vystavené generativní AI. Pokud se v nich nábor zhorší, je obtížné oddělit účinek technologie od účinku hospodářského cyklu.

České údaje ukazují i rozdíly mezi absolventy

Také v Česku se AI rychle rozšiřuje. Podle Českého statistického úřadu používalo v roce 2025 alespoň jednu technologii AI 17,6 procenta podniků s deseti a více zaměstnanci ve sledovaných odvětvích. U velkých firem šlo o 54,1 procenta. Tento údaj však neříká, zda nástroj vytvořil pracovní místo, změnil úkoly stávajících lidí, nebo někoho nahradil. Do jediné skupiny spojuje různé technologie a způsoby použití.

Eurostat uvádí za rok 2025 v Evropské unii zaměstnanost nedávných absolventů ve věku 20-34 let na úrovni 83 procent. Sleduje lidi, kteří dokončili střední nebo vyšší vzdělání před jedním až třemi lety a v době šetření se dále nevzdělávali. Česko mělo mezi zeměmi EU nejvyšší zaměstnanost mužů v této skupině, 92,4 procenta. Zároveň u nás muži převyšovali ženy o 12,2 procentního bodu, což byl největší rozdíl v Unii.

Celkové údaje mohou zakrývat potíže konkrétních profesí, regionů a lidí bez finanční rezervy. Program Úřadu práce Záruky pro mladé proto nabízí lidem ve věku 15-29 let ohroženým dlouhodobou nezaměstnaností odbornou praxi, poradenství i rekvalifikace. Zaměstnavatelům může přispět také na mentora. Podpora přechodu do práce tak může zahrnovat i člověka, který začátečníka učí.

Proč může firma omezit právě nástupy

Když organizace zjistí, že část práce zvládne rychleji, nemusí ihned propouštět. Může pouze neobsadit uvolněné místo nebo neotevřít nábor, který původně plánovala. Taková změna je méně konfliktní, levnější a v běžné statistice firmy méně nápadná. Pro člověka stojícího venku je však výsledek stejný: dveře se neotevřely.

Zkušený zaměstnanec navíc zná klienty, interní výjimky, rozdělení odpovědnosti i nepsaná pravidla. Když dostane nástroj schopný připravit první verzi, může krátkodobě skutečně zvládnout větší objem bez asistenta. Rozhodnutí dává z pohledu čtvrtletního rozpočtu smysl. Náklady na jeho budoucího nástupce se ukážou až později a možná už jinému manažerovi.

Zde se otázka juniorů spojuje s tím, kdo dostane čas, který AI ušetří. Jestli se úspora promění pouze ve vyšší počet výstupů na jednoho zkušeného pracovníka, firma může přijmout méně začátečníků. Jestli část času ponechá na výuku, kontrolu a předávání zkušenosti, může nástroj změnit obsah juniorské role, aniž ji odstraní.

Paradox zkušenosti: kdo bude jednou kontrolovat stroj

Když AI převezme běžné případy, na člověka mohou zbýt především výjimky, odhalování nenápadných chyb a rozhodování v nejasných situacích. K tomu dál nese profesní odpovědnost. To zní jako práce pro seniora. Senior se však nenarodí se sedmi lety praxe.

Pokud firma několik let nenabírá začátečníky, nezjistí problém okamžitě. Zkušený tým může s nástroji fungovat výborně. Později část lidí odejde, změní práci nebo zestárne a organizace začne hledat odborníky, které sama nepomáhala vychovat. Může je přetáhnout od konkurence, zaplatit externistu nebo zjistit, že stejný nedostatek řeší celé odvětví.

Takový dlouhodobý následek omezeného náboru zatím u generativní AI nemáme změřený. Pro firmu je však už dnes praktické ptát se, kdo převezme odpovědnost po odchodu zkušených lidí a kde její budoucí nástupci získávají praxi.

Stejná AI může první schod také snížit

V terénní studii 5 172 pracovníků zákaznické podpory zvýšil generativní asistent počet vyřešených požadavků za hodinu v průměru o 15 procent. Největší přínos měli nováčci a lidé s nižším předchozím výkonem. U nejvýkonnějších a nejzkušenějších pracovníků se naopak objevilo malé zhoršení některých ukazatelů kvality. Asistent vycházel z firemních konverzací a nabízel postupy, které pracovníci mohli přijmout, upravit nebo odmítnout.

S dobrou oporou tedy může být junior užitečný dříve. Firma může přijmout člověka, který by bez nástroje potřeboval delší zaškolení. O tom, zda tuto možnost využije k rozšíření týmu, však samotné zrychlení práce nerozhodne.

Autoři našli i náznak učení: po delší zkušenosti s asistentem pracovníci vyřizovali konverzace rychleji také během jeho technických výpadků. Odhady však byly méně přesné a v této části výzkumu zachycovaly délku konverzace, nikoli spolehlivost vyřešení požadavku. Výsledek proto podporuje možnost předávání zkušeností v daném provozu; sám nezaručuje kvalitnější zaškolení v jiné profesi.

Rychlejší výstup ještě nemusí znamenat hlubší učení

Nástroj může člověku pomoci dokončit úkol, aniž se naučí důvod postupu. Začátečník odevzdá dobře znějící text, ale nepozná, proč je jedna věta právně riskantní. Kód projde základním testem, ale autor neumí vysvětlit jeho chování při výjimce. Shrnutí působí uceleně, přesto v něm chybí jediný údaj, který zkušený čtenář považuje za rozhodující.

V online experimentu v Argentině řešilo 1 174 dospělých ve věku 25-45 let modelový firemní problém. Přístup k AI zlepšil výkon v obou sledovaných vzdělanostních skupinách. Lidé s nižším vzděláním si vedli lépe také v otázkách položených bez asistenta bezprostředně po úkolu. Studie zveřejněná u NBER v roce 2026 tím zachytila krátkodobé porozumění obsahu, ne dlouhodobé osvojení dovednosti ani její přenos na nový problém.

Lepší následné odpovědi přitom souvisely s intenzivním používáním AI spojeným s delším časem věnovaným úkolu. Tato souvislost sama nedokazuje účinek konkrétního způsobu práce, protože účastníci si míru zapojení volili sami. Při zaškolování má proto smysl sledovat i to, zda junior umí volbu vysvětlit, porovnat návrhy, najít chybu a později část postupu zvládnout samostatně.

Nemá smysl zachraňovat každou starou rutinu

Část nástupní práce nebyla vzdělávací metodou, ale historickou nutností. Ruční přepisování stejných údajů, mechanická úprava formátu nebo hledání dokumentu v pěti systémech může člověka naučit prostředí, ale také mu měsíce brát čas bez přiměřeného růstu. Není důvod udržovat zbytečnou dřinu jen proto, že ji předchozí generace musely snášet.

Dobrá otázka proto nezní: „Které juniorské úkoly musíme uchránit před strojem?“ Spíše: „Co se na tomto úkolu člověk učil a jak mu stejnou zkušenost zajistíme po automatizaci?“ Pokud přepis faktur učil jen přepisovat faktury, může zmizet. Pokud při něm junior poznával typické nesrovnalosti a účetní rizika, musí se k těmto případům dostat jinou cestou.

Také není nutné, aby junior vytvořil dvacet špatných prvních verzí, než smí vidět dobrou. Může porovnávat více návrhů, vysvětlovat rozdíly, opravovat záměrně vložené chyby nebo sledovat zkušenějšího člověka při rozhodování. Automatizace může z pracovní náplně odstranit velkou část rutiny, ale organizace musí vědomě zachovat zpětnou vazbu, pestrost případů a postupné přebírání odpovědnosti.

Jak uspořádat práci, při které se junior učí

Nestačí přidat juniorovi přístup k chatbotu a nazvat to moderním zaškolením. Role, v níž se má člověk skutečně učit, potřebuje strukturu, kterou nástroj sám nevytvoří.

Takové zaškolování stojí čas zkušených lidí. Organizace ho musí zahrnout do pracovní náplně i do plánovaného objemu práce. Když díky AI zrychlí provoz a veškerou úsporu okamžitě zaplní dalšími úkoly, na vysvětlování a společnou kontrolu snadno přestane zbývat čas.

Kdo si zkušenost koupí sám a kdo zůstane venku

Když placených vstupních míst ubude, možnost získat zkušenost se nezúží všem stejně. Člověk s finanční rezervou může absolvovat neplacenou stáž, vytvořit rozsáhlé portfolio, několik měsíců se učit nový nástroj nebo přijmout špatně placenou zakázku. Rodinné kontakty mu mohou vysvětlit, co zaměstnavatel očekává, a doporučit ho na pohovor.

Jiný člověk potřebuje od prvního měsíce platit nájem a nemůže rok dokazovat potenciál prací zdarma. Může mít stejné schopnosti, ale méně příležitostí proměnit je v položku „praxe“. Jestli se první placený schod nahradí požadavkem na hotové portfolio, osobní značku a dva roky zkušeností získaných neznámo kde, dopad automatizace se spojí s nerovností výchozích podmínek.

Samotné doporučení naučit se používat AI tuto překážku neodstraní. V českém šetření z druhého čtvrtletí 2025 uvedlo použití generativní AI 79 procent lidí ve věku 16 až 24 let. Zkušenost s nástrojem však sama nevytvoří pracovní situaci, v níž člověk přebírá odpovědnost, dostává zpětnou vazbu a získává důvěru. Chatbot je mnoha mladým lidem dostupný. Dobrý mentor, skutečný případ a placený čas na učení být nemusí.

Co může udělat člověk, který právě začíná

Jednotlivec nemůže sám opravit náborový model celého odvětví. Může však lépe ukázat, že není pouze obsluhou generátoru. U portfolia je cennější popsat rozhodnutí, zdroje, ověřování a vlastní opravy než předložit dokonale uhlazený výsledek bez viditelného procesu. Na pohovoru může vysvětlit, co nástroj navrhl, co odmítl a podle čeho poznal chybu.

Má smysl pěstovat i dovednosti, které nejsou totožné s rychlostí první verze: formulaci problému, rozhovor se zákazníkem, kontrolu zdroje, pochopení oboru, práci s nejistotou, dokumentaci rozhodnutí a schopnost přiznat, kdy je nutná pomoc. Bez nich člověk obtížně posoudí, co nástroj skutečně udělal.

Současně není ostuda hledat místo, které výslovně nabízí dohled, plán učení a rostoucí odpovědnost. V prostředí, kde se juniorní označení používá i pro levnou samostatnou práci, je otázka „Kdo a jak bude mou práci kontrolovat první půlrok?“ praktičtější než obecný slib dynamického týmu.

O čem rozhodují firmy, školy a veřejné instituce

Firma se musí rozhodnout, zda považuje přípravu budoucích odborníků za vlastní investici, nebo čeká, že jí je vychová někdo jiný. Pokud v odvětví převládne druhá možnost, může se zúžit okruh zkušených lidí, z něhož budou zaměstnavatelé vybírat. Vhodnou odpovědí mohou být placené stáže, učňovské a absolventské programy, společné vzdělávání více menších firem nebo čas výslovně vyhrazený mentorům v pracovní náplni.

Školy mohou do výuky zařadit skutečné podklady s chybami a nejasnostmi, týmovou kontrolu, ústní obhajobu postupu, praxi a střídání práce s nástrojem a bez něj. Student potřebuje poznat nejen správný výstup, ale také hranici, za níž už bez oborové znalosti nedokáže posoudit jeho spolehlivost.

Veřejná podpora může hlídat, aby se zkušenost nestala výsadou lidí, kteří si mohou dovolit pracovat zdarma. Praxe, rekvalifikace a podpora prvního zaměstnání mají smysl tehdy, když vedou ke skutečným dovednostem a placené práci, ne když pouze dotují nekonečný koloběh krátkých stáží bez dalšího schodu.

Kdo vychová člověka, kterému svěříme kontrolu

Generativní AI může odstranit část nudné práce a začátečníkovi nabídnout dobrý postup dříve, než by na něj přišel sám. Zkušenému člověku může zároveň umožnit zvládnout větší objem bez pomocníka. Pro budoucnost juniorů bude rozhodující, zda firmy část úspory věnují placenému učení a začátečníky přizvou ke skutečným rozhodnutím.

Za nástrojem stojí lidé, kteří vytvářejí zdroje, hodnotí odpovědi a udržují provoz, jak ukazuje článek Kdo naučil stroj naši práci?. Jejich zkušenost umožnila vznik dnešních systémů. Aby se dál rozvíjela, musí ji mít kde získávat i jejich nástupci.

První pracovní schod může změnit podobu. Pokud bude vstup snazší, bezpečnější a doprovázený dobrým vedením, může být cesta vzhůru dostupnější než dříve. Pokud po něm zůstane jen cedule „hledáme člověka se zkušeností“, jednou může chybět právě ten, komu bychom chtěli svěřit kontrolu.