Když už člověk nemusí umět začátek

Představme si člověka, který zadá několik vět a dostane návrh smlouvy, programový kód, shrnutí porady nebo výpočet. Výsledek může být lepší, než jaký by v danou chvíli dokázal vytvořit sám. Práce je hotová rychleji a možná i přesněji. Jenže co se vlastně zlepšilo: schopnost člověka, nebo výkon dvojice, v níž podstatnou část práce odvádí nástroj? A co z tohoto zlepšení zůstane, když nástroj nebude dostupný?

Lidé odjakživa svěřují paměť zápisům, počítání pomůckám a orientaci mapám. Díky tomu nemusíme nosit všechno v hlavě. Co se však stane, když nástroji přenecháme nejen jednotlivý výpočet nebo připomínku, ale také první návrh, postup, vysvětlení a kontrolní otázku? Které dovednosti můžeme přestat procvičovat a které nám mohou chybět právě ve chvíli, kdy bude automatizace potřebovat člověka?

Duševní práci si ulehčujeme mnohem déle, než existují počítače

Poznámka na papíře je vnější paměť. Nákupní seznam umožní myslet na něco jiného. Pravítko, počítadlo, slovník, kalendář, mapa i knihovna mění, kolik informací musí člověk držet v hlavě a jaké kroky musí provést sám. Výzkum pro takové přesouvání části duševní práce do těla nebo okolního světa používá pojem kognitivní odlehčení.

Naše pozornost a pracovní paměť jsou omezené. Když si mezivýsledek zapíšeme, můžeme řešit složitější problém. Připomínka v telefonu pomůže pohlídat termín schůzky. Když tabulkový procesor přepočítá stovky řádků, pracovník může hledat nesrovnalosti místo opisování čísel.

Současně se mění to, co si člověk ukládá sám. Může si méně pamatovat samotný obsah a spíše místo, kde jej najde. Může se spolehnout na navigaci a méně sledovat okolní orientační body. Vedle slábnutí jedné dovednosti se může rozvíjet jiná: místo zapamatování každého údaje se učíme vyhledávat, třídit a spojovat. Potřebujeme ovšem rozlišovat, co umíme my a co za příznivých podmínek umí celá soustava kolem nás.

Výkon s nástrojem není totéž jako dovednost bez něj

Člověk s navigací může dorazit rychleji než místní, který cestu zná. To neznamená, že má lepší prostorovou paměť. Student s kalkulačkou může správně spočítat příklad, aniž by rozuměl řádu výsledku. Pracovník s generativní AI může odevzdat přesvědčivý text, a přesto neumět vysvětlit, proč jeden argument platí a druhý ne.

V běžném provozu nás přirozeně zajímá výsledek. Firma potřebuje včas a správně odpovědět zákazníkovi. Při vzdělávání, odborném výcviku a práci s vážnými důsledky chyby však záleží také na tom, zda výkon zůstane, když se podmínky změní, a zda člověk dokáže odhalit chybu, kterou mu nástroj podá v hladké a věrohodné podobě.

Rozdíl lze shrnout jednoduše:

Zaměnit okamžitý výkon za všechny ostatní schopnosti je lákavé. Výsledek je vidět ihned, zatímco oslabená dovednost se může projevit až za měsíce nebo při vzácné výjimce. Právě proto může organizace dlouho vypadat výkonnější a teprve při změně systému zjistit, že neví, co z její odbornosti zůstalo uvnitř lidí.

Dovednost může zmizet, ale také se může proměnit

Kalkulačka převezme výpočet, zatímco člověk volí vhodnou metodu a odhaduje, zda výsledek dává smysl. Textový editor podtrhne překlepy, ale autor stále potřebuje poznat větu, kterou automatická oprava významově pokazila. Fotografický přístroj změří expozici a fotograf se může více soustředit na kompozici, světlo a zachycení okamžiku.

Některé dílčí schopnosti můžeme bez velké lítosti používat méně. Málokdo potřebuje zpaměti znát desítky telefonních čísel nebo ručně kreslit technický výkres jen proto, aby dokázal, že by to zvládl bez softwaru. Společnost by se nikam neposunula, kdyby každá generace musela ovládat celý řetězec starých postupů stejnou měrou jako generace předchozí.

Nebezpečnější je, když člověk přestane rozumět vztahům, které nástroj zakryl. Tím ztrácí schopnost posoudit současnou práci. O tom, co dál procvičovat, proto rozhoduje účel dovednosti: některý postup už nepotřebujeme, jiný tvoří základ, bez něhož neumíme zkontrolovat ani nejmodernější výsledek.

Paradox automatizace: člověk zůstává pro nejtěžší chvíli

Už v roce 1983 popsala psycholožka Lisanne Bainbridge „ironie automatizace“. Čím více běžného provozu systém zvládne sám, tím méně má člověk příležitostí procvičovat řízení. Jenže když automat selže, člověk se má během krátké chvíle zorientovat a převzít právě tu neobvyklou situaci, na kterou běžná pravidla nestačila.

Automatizace mu tedy může odebrat snadné a časté případy a ponechat vzácné, složité a naléhavé. Operátor má poznat, že se něco děje, obnovit přehled, porozumět posledním krokům systému a zasáhnout. Přitom mohl předchozí hodiny, dny nebo měsíce hlavně sledovat, že všechno funguje.

V letectví má udržování této schopnosti místo ve výcviku. Americký úřad FAA v doporučeních pro všeobecné letectví radí občas řídit ručně, aktivně kontrolovat postup letu a porovnávat údaje z více systémů. Selhání automatizace se má nacvičovat s kvalifikovaným instruktorem a bezpečnou simulací, která nevyřadí potřebné vybavení. Jestli člověk zůstává poslední pojistkou, potřebuje příležitost svou záložní schopnost udržovat.

„Člověk to přece zkontroluje“ není úplný plán

U generativní AI se často říká, že model vytvoří návrh a člověk jej zkontroluje. Zní to jako čisté rozdělení práce: stroj dodá rychlost, člověk úsudek. Kontrola však není automaticky jednodušší než tvorba.

Viditelný překlep pozná téměř každý. Mnohem těžší je zachytit smlouvu, která používá správné pojmy, ale přehlédne výjimku; program, který funguje v běžném testu, ale selže na hranici; shrnutí, které věrně opakuje většinu podkladu, avšak obrátí jednu podmínku; nebo radu, jež zní odborně, protože kombinuje několik pravdivých vět do chybného závěru.

Kontrolující musí vědět, co hledat, kde bývají slabá místa a jak výsledek ověřit jinou cestou. Potřebuje oborovou znalost, přístup ke zdrojům, čas a právo výstup odmítnout. U generativní AI je navíc chyba často proměnlivá: stejný systém může několikrát odpovědět dobře a příště vytvořit věrohodnou nepřesnost. Pokud firma zároveň zvýší tempo a počítá s tím, že jeden člověk jen rychle schválí mnohonásobně více návrhů, může z lidského dohledu zůstat spíše podpis než skutečná kontrola.

Průzkum 319 znalostních pracovníků zveřejněný na konferenci CHI 2025 našel souvislost mezi vyšší důvěrou v generativní AI a menším uváděným úsilím při kritickém posuzování její práce. Účastníci sami popisovali své zkušenosti; studie jejich schopnosti přímo netestovala ani nesledovala dlouhodobou změnu. V odpovědích se objevoval také přesun kritického myšlení k ověřování informací, začleňování odpovědi do vlastní práce a řízení úkolu. Takové činnosti vyžadují čas a znalosti i tehdy, když první návrh vznikne za několik sekund.

Dvě různé ztráty: odvykání a základ, který nikdy nevznikl

Zkušený účetní může po letech automatizace zapomenout část postupu, který dříve ovládal. Začátečník se jej nemusí naučit nikdy. Výsledek navenek vypadá podobně: oba závisejí na systému. Cesta i možnosti nápravy jsou však jiné.

První situace je odvykání. Člověk má v paměti starší mentální model, zkušenost s chybami a představu o tom, co se děje pod povrchem. Schopnost může zeslábnout, ale často ji lze cíleným tréninkem obnovit. V druhém případě se základ vůbec nevytvořil. Nováček vidí hotové výstupy, ale neprošel dostatečným počtem rozhodnutí, omylů a oprav, na nichž se učí rozlišovat dobrý výsledek od pouze uhlazeného.

Tato rovina navazuje na otázku, kam zmizí první pracovní schod. Pokud automatizujeme úkoly, na nichž se lidé učili, nestačí říct, že budoucí pracovníci budou dělat „rovnou tu zajímavější práci“. Zajímavější práce často vyžaduje zkušenost vzniklou právě v méně prestižních krocích. Ty nemusíme zachovat ve staré podobě, ale jejich funkci při učení musíme něčím skutečným nahradit.

Eroze dovednosti může zůstat dlouho neviditelná

Případová studie účetní firmy publikovaná v roce 2023 zpětně rekonstruovala, co následovalo po sedmi letech používání systému pro evidenci a odpisování dlouhodobého majetku. Firma jej nahradila softwarem, který tyto úkony neautomatizoval. Část pracovníků pak nezvládala potřebné postupy a do výkazů se dostaly chyby. Z rozhovorů vyplynulo, že spolehlivý systém postupně oslabil jejich motivaci rozumět výpočtům, dál se vzdělávat a výstupy důkladně kontrolovat. Šlo o rekonstrukci zkušeností v jedné firmě, nikoli o průběžné měření dovedností jejích zaměstnanců.

To je důležitý rozdíl mezi poruchou stroje a erozí lidské schopnosti. Poruchu lze někdy zaznamenat okamžitě. Slábnutí odbornosti nemusí mít žádnou červenou kontrolku. Výstupy dál přicházejí, termíny se plní a zaměstnanec může mít pocit, že práci zvládá stejně dobře jako dřív. Měří se totiž výkon systému, nikoli samostatná připravenost člověka.

Autoři na tomto případu popsali možný bludný kruh: větší spoléhání na automatizaci snižuje pozornost věnovanou samotnému procesu; menší pozornost oslabuje schopnost posuzovat výsledek; zdánlivě bezproblémový provoz pak podporuje ještě větší spoléhání. Kruh se může uzavírat, aniž si toho organizace všimne.

Dorazit do cíle a naučit se cestu jsou dva různé úkoly

Navigace dovede člověka do neznámého místa a podle aktuálních dopravních dat může reagovat na uzavírky. Když potřebujeme včas dorazit, má tato pomoc zřejmou hodnotu.

Současně může navigace převzít právě ty činnosti, jimiž si člověk vytváří mentální mapu: volbu směru, sledování orientačních bodů, opravování vlastní chyby a spojování jednotlivých cest. Studie 50 mladých dospělých řidičů v časopise Scientific Reports spojila údaje o používání GPS s úlohami ve virtuálním bludišti. Větší dosavadní využívání navigace souviselo se slabšími prostorovými strategiemi; u 13 lidí, kteří se vrátili přibližně po třech letech, také s větším poklesem prostorové paměti. Používání GPS účastníci sami odhadovali a malá následně sledovaná skupina omezuje spolehlivost výsledku. Studie ukazuje souvislost, z níž nelze bezpečně určit, nakolik změnu způsobila právě navigace.

Příklad přesto přesně pojmenovává rozdíl: cílem jedné cesty může být prostě dorazit. Cílem opakované cesty může být také naučit se okolí. Stejný nástroj je pro první cíl výbornou pomocí a pro druhý může část potřebného procvičení přeskočit. Nejde jen o to, co nástroj umí, ale co se v danou chvíli má naučit člověk.

Lepší výsledky s AI ještě neukazují, co se student naučil

Terénní experiment s téměř tisícem středoškoláků na jedné turecké škole porovnal během čtyř lekcí matematiky dvě podoby AI asistenta s výukou bez něj. Obě zlepšily výsledky při procvičování. V následném testu bez asistence, který probíhal ještě v téže lekci, však skupina s běžnějším chatovým rozhraním dosáhla přibližně o 17 % nižšího skóre než kontrolní skupina. U výukového tutora se statisticky průkazný rozdíl proti kontrole neprojevil. Tento tutor dostal od učitelů správná řešení i pokyny, aby studenty vedl nápovědou a nesděloval jim rovnou odpověď.

V jiném randomizovaném experimentu dokončilo 1174 dospělých v Argentině úlohu podobnou pracovnímu zadání. AI pomohla s výkonem a část přínosu se projevila i v bezprostředních otázkách po jejím odebrání. Ty však zjišťovaly porozumění stejným podkladům, nikoli dlouhodobé učení nebo řešení nového problému. Lepší následné výsledky souvisely s kombinací intenzivní asistence a delšího času věnovaného úloze. Čas tu sloužil jako nepřímý ukazatel vlastního úsilí; výzkumníci tuto míru úsilí účastníkům náhodně nepřidělovali.

Oba experimenty pracovaly s jinými lidmi, úkoly i následným ověřením. Společně vybízejí k tomu, abychom sledovali konkrétní způsob práce s nástrojem. AI může dodat hotovou odpověď před vlastním pokusem, nebo nápovědu po něm. Může člověka ujistit, že má vše hotové, nebo jej vyzvat, aby odhalil chybu, porovnal dvě řešení a vysvětlil volbu. Z údaje „použil AI“ se proto o učení mnoho nedozvíme. Potřebujeme vědět, kdy, proč a co s ní dělal a co potom zvládl samostatně.

Které úsilí pomáhá učit se a které jen unavuje

Opisování stovek údajů, slepé opakování stejného formátu nebo hledání chyby, kterou software umí spolehlivě zachytit, může člověka hlavně unavit. Samotná námaha nezaručuje, že se při ní naučí něco potřebného.

Smysluplné úsilí má vazbu na dovednost, kterou chceme vytvořit. Student potřebuje odhadovat, vysvětlovat a rozhodovat. Junior se učí rozpoznat výjimku a chápat důsledek. Autor si osvojuje stavbu argumentu a posuzování zdrojů. Automatizace pomocných výpočtů, přepisování formulářů nebo kontroly překlepů jim na tyto činnosti může uvolnit čas.

Dobře navržený nástroj může odstranit vedlejší zátěž a ponechat podstatné rozhodnutí člověku. Špatně navržený nástroj může naopak vyrobit plynulý výsledek dříve, než uživatel vůbec zjistí, jaká otázka se řeší. Hranice tedy neleží mezi snadným a těžkým. Leží mezi úsilím, které buduje potřebný mentální model, a úsilím, které pouze spotřebovává čas.

Co by měl člověk dál umět bez plné asistence

Neexistuje univerzální seznam základních dovedností pro všechny obory. Lékař, účetní, řidič, překladatel, učitel a grafik nesou jiná rizika. Lze však položit několik společných otázek:

• Umím přibližně odhadnout, zda výsledek dává řádově smysl?
• Rozumím hlavním krokům natolik, abych poznal, kde může vzniknout chyba?
• Dokážu uvést zdroj nebo důvod rozhodnutí jinak než odkazem na nástroj?
• Poznám situaci, která přesahuje běžný případ a vyžaduje jiného člověka?
• Umím bezpečně pokračovat nebo práci zastavit při výpadku?
• Dokážu svůj postup vysvětlit kolegovi, zákazníkovi, žákovi nebo kontrolnímu orgánu?

Čím vážnější je důsledek chyby a čím větší odpovědnost člověk nese, tím silnější má být požadavek na vlastní porozumění a záložní postup. U doporučení filmu stačí jiná pojistka než u dávky léku nebo konstrukčního výpočtu. Proto nedává smysl prohlašovat, že každý musí bez pomoci umět všechno, ani že stačí umět „správně se zeptat“.

Co můžeme klidně pustit

Udržování každé staré dovednosti něco stojí. Čas věnovaný ručnímu postupu chybí jinde. Škola nemůže do výuky přidávat nové znalosti a zároveň navždy zachovat stejný rozsah všech minulých technik. Firma nemůže po zaměstnancích chtít maximální rychlost s automatizací a současně očekávat, že si ve volnu udrží celý paralelní ruční postup.

Smysl může ztratit postup, který už nepotřebujeme k pochopení práce, kontrole výsledku, řešení nových situací ani zvládnutí výpadku. Může jít o mechanickou část výpočtu, přesné pamatování snadno dostupného údaje, ruční formátování nebo práci, jejíž chyby nástroj spolehlivě zachytí a u níž selhání nemá vážný důsledek. I zde je však dobré rozlišit dovednost od znalosti principu. Člověk nemusí provádět každý mezikrok, ale může potřebovat vědět, co tento krok zajišťoval.

Uvolněný čas můžeme věnovat tomu, abychom lépe vykládali výsledky, srozumitelně komunikovali, hledali nová řešení, zvládali výjimky nebo si prohloubili znalost oboru. Pokud po odstranění staré rutiny vznikne jen vyšší norma počtu výstupů, k žádnému vzestupu dovedností dojít nemusí. O využití času získaného technologií rozhoduje také organizace práce.

Firmy a školy rozhodují, zda nástroj učí, nebo uspává

Jednotlivec může udělat vlastní první pokus a požádat AI až potom. Pokud však zaměstnavatel měří jen počet dokončených výstupů, odměňuje okamžitou rychlost a nedává čas na ověření, vysílá jinou zprávu: přemýšlení navíc je náklad. Jestli škola hodnotí hlavně uhlazený domácí produkt a nevidí postup, může nevědomky odměňovat přenesení celé práce mimo žáka.

Organizace rozhoduje, zda existují případy bez plné asistence, rozbor chyb, práce po boku zkušenějšího člověka, simulace výpadku a možnost přiznat nejistotu. Rozhoduje také, zda kontrolující pracovník smí výstup vrátit, nebo jej má pouze formálně potvrdit. Bez těchto podmínek je výzva „myslete kriticky“ podobná požadavku na pilota, aby si udržel ruční řízení, ale nikdy nedostal čas ani bezpečný prostor řídit.

Debata o tom, komu může AI vzít práci, proto není oddělená od debaty o dovednostech. Když firma odstraní část úkolů, mění zároveň příležitosti učit se, procvičovat a poznávat provoz. Úspora může být skutečná a žádoucí. Musí však zahrnovat i otázku, kdo bude za několik let schopen automatizaci smysluplně kontrolovat.

Jak střídat vlastní pokus a pomoc nástroje

Při procvičování důležité dovednosti můžeme zkusit rozdělit práci do čtyř kroků:

1. Vlastní orientace: člověk nejprve pojmenuje problém, odhadne výsledek nebo navrhne postup.
2. Asistence: nástroj nabídne nápovědu, alternativu, výpočet či návrh.
3. Porovnání: uživatel prozkoumá rozdíly, hledá chybu a ověřuje klíčové body nezávislou cestou.
4. Samostatné ověření: nový obdobný případ vyřeší s menší pomocí a vysvětlí rozhodnutí. Tam, kde je podstatné zvládnout výpadek, lze zvlášť bezpečně nacvičit náhradní postup.

Takové střídání má smysl tam, kde se člověk něco učí, kde má chyba vážné důsledky nebo kde musí být připraven převzít práci po nástroji. U běžného úkolu s malým rizikem může dobře posloužit plná automatizace. Při výcviku a složitých rozhodnutích potřebujeme také prostor, v němž si nejprve sami ujasníme problém.

Rozhraní může uživateli tento prostor ponechat: nabídnout dvě varianty, požádat o zdůvodnění, upozornit na podmínku, kterou zadání neřeší, nebo poskytnout jen část nápovědy. Člověk pak musí udělat rozhodnutí, jehož procvičení je cílem úlohy.

Jak poznat, kolik toho opravdu umíme

Při používání nástroje je snadné splést si plynulost s porozuměním. Když odpověď rychle čteme a všechno zní známě, vzniká pocit, že bychom ji dokázali vytvořit nebo obhájit sami. Teprve pokus vysvětlit postup bez předlohy ukáže, co skutečně držíme v hlavě.

Pomoci mohou malé návyky: před zadáním si napsat vlastní odhad, výsledek shrnout vlastními slovy, označit nejisté místo, zkontrolovat původní zdroj a občas podobnou úlohu vyřešit bez asistence. Získáme tím zpětnou vazbu, která odděluje „poznávám tuto odpověď“ od „rozumím, proč platí“.

To souvisí i s tím, jak zacházíme s vlastní sebejistotou. Jak ukazuje článek o tom, když jistota předběhne znalosti, nepřesnost se netýká jen lidí, kteří vědí málo. Také zkušený člověk může přecenit schopnost kontrolovat proces, který už dlouho sám neprovádí. Kalibrace proto není jednorázová vlastnost osobnosti, ale průběžné porovnávání odhadu se skutečným výkonem.

Odpovědnost vyžaduje příležitost práci rozumět

Každá profese stojí na předchozí práci, institucích, jazyce, knihách, standardech, kolezích a technice. Přístup k těmto oporám patří k odborné práci. Vlastní znalosti však potřebujeme k tomu, abychom jejich pomoc dokázali posoudit. Kdo odpovídá za výsledek, musí mít také možnost porozumět tomu, jak vznikl.

Tam, kde nástroj převezme tvorbu první verze, může získat na významu práce se zadáním, srovnávání, ověřování a rozhodování. Ani tyto schopnosti však nevzniknou pouhým klikáním na „přijmout“. Potřebují znalost oboru, zkušenost s chybou a příležitost nést postupně skutečnou odpovědnost.

Potřebujeme proto vědět, kde práce začíná, co se v ní rozhoduje a jak se k těmto rozhodnutím vrátit, když automatická cesta skončí. Nástroj může nést velkou část práce. Neměl by však odnést i mapu toho, co práce znamená.