Školení a podpora

Představ si, že firma koupí všem nový účetní program, rozešle přihlašovací údaje a čeká. Za tři měsíce zjistí, že polovina lidí si ho otevřela jednou, čtvrtina v něm dělá totéž co dřív, jen pomaleji, a zbytek si vede vlastní tabulky „pro jistotu“. Nikoho to nepřekvapí: nástroj se nezavádí rozesláním hesel. U AI je to stejné, jen ostřejší. Nástroj je obecný, neříká sám, k čemu ho použít, a výsledek silně závisí na tom, jak se s ním člověk naučí pracovat.

V předchozích lekcích kurzu jsi prošel cestu od cílů firmy k případům použití přes roadmapu až po vyhodnocení pilotu. Tahle lekce je o tom, co rozhoduje, jestli z dobrého pilotu bude každodenní práce: o lidech. Projdeme, jak na změnu nahlížejí osvědčené modely, jak mluvit o obavách, jak postavit školení a podporu a jak měřit, že se něco opravdu změnilo.

Proč nástroje samy adopci nevytvoří

Adopce(adoption)

Stav, kdy lidé nový nástroj nebo způsob práce skutečně a pravidelně používají ve své běžné práci a přináší jim to užitek. Nejde o to, kolik lidí má licenci, ale kolik jich změnilo, jak pracují.

U AI se k obvyklému odporu vůči změně přidávají tři věci navíc:

1. Prázdná obrazovka. Účetní program ti nabídne formulář faktury. Chatové okno nenabídne nic. Kdo neví, s čím začít, zkusí jednu obecnou otázku, dostane obecnou odpověď a uzavře, že „to k ničemu není“.
2. Nerovnoměrné výsledky. Jak víš z lekce Jak výstupy ověřovat, AI některé úlohy zvládá výborně a jiné na první pohled stejně těžké pokazí. Člověk potřebuje čas, aby si vytvořil cit, kde se na ni dá spolehnout.
3. Osobní obavy. Mnohem silnější než u účetního programu: o práci, o to, jak mě uvidí ostatní, o to, jestli „se to smí“.

Data to potvrzují. Průzkum Microsoftu a LinkedInu z roku 2024 (asi 31 000 lidí z 31 zemí) uvádí, že generativní AI v práci používá 75 % znalostních pracovníků, ale 78 % z nich si přináší vlastní nástroje, protože jim je firma nedala. Více než polovina se zdráhá přiznat, že AI používá u nejdůležitějších úkolů. A firemní školení dostalo jen 39 % uživatelů. Lidé tedy AI často používají, ale potají, bez pravidel a bez podpory. To je pro firmu ta nejhorší kombinace.

Změna jako řemeslo: dva osvědčené modely

Řízení změny (change management) je obor starší než AI a nemusíš ho vymýšlet znovu. Dva modely jsou tak rozšířené, že se ti vyplatí je znát aspoň v hrubých rysech.

ADKAR od firmy Prosci se dívá na změnu očima jednotlivce. Každý člověk musí projít pěti kroky, v tomhle pořadí:

Krok	Co znamená	Otázka pro AI
Awareness (povědomí)	Chápu, proč se to mění a co se stane, když ne.	Proč to firma dělá?
Desire (ochota)	Chci se změny účastnit.	Co z toho mám já? Neublíží mi to?
Knowledge (znalost)	Vím, jak se to dělá.	Jak napsat dobré zadání, co smím vložit?
Ability (schopnost)	Umím to opravdu udělat ve své práci.	Zvládnu to na své faktuře, ne na ukázce?
Reinforcement (upevnění)	Neupadnu zpátky do starých zvyků.	Všimne si někdo, že to dělám dobře?

Nejcennější na ADKARu je diagnostika. Když se AI v týmu neujímá, zeptej se, na kterém kroku se lidé zasekli. Typická firemní chyba je skočit rovnou na „K“: uspořádat školení promptování lidem, kteří ještě nevědí proč (A) a mají strach (D). Školení pak nefunguje a firma usoudí, že „lidé nechtějí“.

Osm kroků Johna Kottera (poprvé popsané v jeho knize Leading Change z 90. let) se dívá na změnu očima organizace: vytvořit pocit naléhavosti, sestavit vůdčí skupinu, formulovat vizi, získat dobrovolníky, odstraňovat překážky, ukázat rychlé úspěchy, udržet tempo a ukotvit změnu ve fungování firmy. Pro AI jsou nejužitečnější kroky 4–6: dobrovolníci (o nich za chvíli jako o ambasadorech), odstraňování překážek (schválené nástroje, jasná pravidla, čas na učení) a rychlé, viditelné úspěchy.

Obavy: co říct a co neslibovat

Obavy jsou tři a každá potřebuje jinou odpověď.

„Přijdu o práci“

Je to legitimní otázka a lidé poznají, když se jí vyhýbáš. Nejhorší odpověď je „AI nikoho nenahradí“. Nevíš to, a pokud za rok zrušíš jedno místo, ztratíš důvěru navždy. Upřímná odpověď má tři části: co víš, co nevíš a k čemu se zavazuješ.

„AI zavádíme proto, abychom zvládli růst zakázek bez přesčasů a abychom méně času trávili přepisováním a hledáním v dokumentech. Plán, který máme, nepočítá s propouštěním kvůli AI. Nebudu vám slibovat, jak bude naše práce vypadat za pět let, protože to nikdo neví. Slíbit můžu tohle: když se kvůli AI bude některá role výrazně měnit, dozvíte se to od nás včas a dostanete možnost se přeučit dřív, než se rozhodne o čemkoli dalším.“

Všimni si, co v tom chybí: žádné „nikdy“, žádné „garantujeme“. Slibuj jen to, co můžeš dodržet, a pak to dodrž.

„Budou mě soudit“

Tahle obava má oporu ve výzkumu. Studie Reifové, Larricka a Solla z Duke University (časopis PNAS, 2025, čtyři experimenty s 4 439 účastníky) ukázala, že lidé, kteří v práci používají AI, jsou ostatními hodnoceni jako méně schopní a méně snaživí, a lidé to předem tuší. Proto AI používají potají.

Proti tomu nepomůže proklamace, pomůže příklad. Když vedoucí na poradě řekne „tenhle návrh jsem si nechal připravit od AI, pak jsem ho prošel a upravil tady a tady“, mění tím normu rychleji než jakákoli směrnice. Ještě silnější je ocenit někoho za dobré použití AI veřejně.

„Je to podvádění“

Někteří lidé, často ti nejsvědomitější, cítí, že práce udělaná s AI „není jejich“. Pomáhá jasně říct, co firma považuje za férové: AI je nástroj jako kalkulačka nebo šablona, odpovědnost za výsledek zůstává na člověku (to je princip z lekce Odpovědné používání AI) a vědomě se rozhoduje, kde se to má přiznat zákazníkovi. Jasné pravidlo uleví víc než ujišťování.

Školení podle rolí

Firma má ze zákona povinnost přijímat opatření na podporu AI gramotnosti lidí, kteří s AI pracují. Co přesně AI Act požaduje, najdeš v lekci Povinnost AI gramotnosti. Tady jde o to, jak školení postavit, aby nebylo jen splněnou povinností, ale opravdu měnilo práci.

Jedno školení pro všechny nefunguje. Různé role potřebují různé věci:

Role	Co potřebuje umět	Forma
Všichni	Co AI je a není, kam smí jaká data, jak ověřovat výstupy, kdo pomůže	1–2 hodiny, společně, s ukázkami z firmy
Běžní uživatelé podle oddělení	3–5 konkrétních úloh z jejich práce, hotové šablony, chyby, na které si dát pozor	Workshop 2–3 hodiny po týmech, na vlastních úkolech
Vedoucí týmů	Jak poznat dobré použití, jak mluvit o obavách, jak upravit procesy a cíle	Krátký workshop + pravidelné sdílení
Ambasadoři	Hlubší práce s nástroji, jak pomáhat ostatním, jak sbírat a předávat zkušenosti	Delší program, ideálně postupně
Ti, kdo stavějí řešení	Evaluace, bezpečnost, provoz (kurzy 4 a 5 téhle akademie)	Samostudium + praxe na pilotu

Učit se na vlastní práci

Nejdůležitější pravidlo designu školení: účastníci pracují na svých skutečných úkolech, ne na ukázkových. Obecná ukázka („napiš báseň o kávě“) nikoho nepřesvědčí, že mu to pomůže s reklamacemi. Požádej lidi, ať si na workshop přinesou dva tři opakující se úkoly z posledního týdne (bez citlivých dat, nebo v nástroji schváleném pro taková data). Polovina času je pak praxe: zkusit, porovnat s tím, jak to dělají dnes, a zapsat, co fungovalo.

Na konci workshopu by měl mít každý jednu úlohu, kterou zítra udělá s AI. Ne „budu zkoušet“, ale konkrétně „zápis z porady s dodavatelem budu dělat takhle“.

Knihovna promptů a šablon

Prázdná obrazovka je největší brzda, takže ji zaplň. Sdílená knihovna ověřených zadání pro opakované úlohy (jak je stavět, víš z lekce Anatomie promptu) má nejlepší poměr ceny a užitku ze všeho v téhle lekci. Stačí sdílený dokument nebo wiki. Ke každé položce patří:

• k čemu je a pro koho (oddělení, úloha),
• samotné zadání s vyznačenými místy k doplnění,
• ukázka dobrého výstupu,
• na co si dát pozor a jak výsledek ověřit (úroveň rizika),
• kdo je autor a kdy byla šablona naposledy vyzkoušena.

Poslední bod je důležitý: modely se mění a šablona, která fungovala před rokem, může dnes dávat jiné výsledky. Knihovna potřebuje správce, jinak za půl roku zarůste.

Podpora po školení

Většina toho, co se lidé na školení naučí, se do týdne vytratí, pokud to hned nepoužijí a nemají se koho zeptat. Proto je podpora po školení důležitější než školení samo.

Síť ambasadorů(champions network)

Skupina dobrovolníků z různých týmů, kteří se s AI naučí pracovat o něco hlouběji, pomáhají kolegům ve svém okolí a předávají zpětnou vazbu těm, kdo zavádění řídí. Nejsou to IT specialisté, ale lidé z oboru, kteří rozumějí práci svého týmu.

Ambasadoři fungují, protože kolega od vedlejšího stolu je dostupnější a důvěryhodnější než školitel nebo IT. Pár zásad:

• Dobrovolníci, ne jmenovaní. Hledej lidi, kteří už AI zkoušejí a baví je to.
• Čas, ne jen čest. Ambasador potřebuje vyhrazený čas (třeba pár hodin měsíčně) a uznání od vedení. Jinak to dělá „navíc“ a po třech měsících přestane.
• Jeden na tým, ideálně na každých 10–20 lidí.
• Pravidelné setkání ambasadorů (třeba jednou za dva týdny na půl hodiny): co v týmech funguje, co ne, jaké otázky se opakují.

Dál se osvědčuje:

• Konzultační hodiny (office hours): pravidelný čas, kdy může kdokoli přijít s konkrétním problémem. Hodina týdně stačí.
• Komunita praxe (community of practice): kanál v chatu, kde lidé sdílejí, co se jim povedlo i nepovedlo, a jednou za měsíc krátké sdílení „ukaž, jak to děláš“. Nejlépe fungují pětiminutové ukázky skutečné práce.
• Jasný kontakt na otázky typu „smím?“. Kam s otázkou, jestli do nástroje smím vložit smlouvu zákazníka? Pokud odpověď trvá týden, člověk to buď neudělá, nebo to udělá bez ptaní.

Jak měřit adopci (víc než přihlášení)

Počet přihlášení ukazuje, kdo si nástroj otevřel, ne kdo s ním změnil práci. Měř ve vrstvách:

Vrstva	Co měřit	Odkud
Používání	Podíl aktivních uživatelů týdně (ne jednou za měsíc), podle týmů	Administrace nástroje
Hloubka	Kolik lidí používá AI pravidelně u konkrétní úlohy z knihovny, používání šablon	Krátký průzkum, statistiky knihovny
Dopad	Změna času, kvality nebo chybovosti u vybraných procesů (stejné metriky jako u vyhodnocení pilotu)	Data procesu, vzorky
Důvěra	Cítí se lidé bezpečně, když přiznají použití AI? Vědí, co smějí?	Anonymní průzkum, 3–5 otázek čtvrtletně

Pozor na dvě pasti. Zaprvé, metrika se snadno stane cílem: když budeš odměňovat počet dotazů do AI, dostaneš hodně dotazů, ne lepší práci. Zadruhé, nízké používání v jednom týmu není selhání lidí, ale informace. Zjisti, na kterém kroku ADKARu se zasekli.

Do hloubkyProč je těžké změřit přínos pro jednotlivce+

Ušetřený čas u jedné úlohy se dá změřit poměrně dobře (porovnáš, jak dlouho trvala dřív a teď). Těžší je zjistit, co se s ušetřeným časem stalo. Mohl se proměnit v práci navíc, v kvalitnější výstup, v kratší čekání zákazníka, nebo se rozpustil v e-mailech. Pro firmu má hodnotu jen to první až třetí.

Proto se vyplatí měřit přínos na úrovni procesu (kolik reklamací tým vyřídí za týden, jak dlouho trvá příprava nabídky), ne jen na úrovni pocitů jednotlivců („ušetřím asi hodinu denně“). Odhady lidí jsou užitečné jako signál, ale bývají nepřesné oběma směry. Podrobněji o metrikách a výchozím stavu je lekce Náklady, přínosy a rizika.

Česká realita: firma s 20–50 lidmi

Většina českých firem nemá oddělení pro řízení změny ani rozpočet na externí program. Podle dat Eurostatu za rok 2025, která rozebírá Česká národní banka, AI v Evropě používá přes polovinu velkých firem, ale méně než pětina malých. Malá firma má ale výhody: všichni se znají, rozhoduje se rychle a ukázka na poradě dosáhne na celou firmu najednou.

Realistický plán na první čtvrtletí pro firmu s 20–50 lidmi může vypadat takto:

Týden 1–2: základ

• Jeden schválený nástroj s firemním plánem (proč ne osobní účty, viz Kam putují tvoje data).
• Jednostránkové pravidlo: co smím vložit, jak ověřovat, koho se zeptat.
• Majitel nebo ředitel na společné poradě vysvětlí proč a co slibuje (viz vzor výše).

Týden 3–4: školení

• Dvouhodinové setkání pro všechny (základy, data, ověřování) – zároveň pokryje základ AI gramotnosti.
• Workshop po týmech na vlastních úkolech; každý odchází s jednou úlohou.

Měsíc 2: podpora

• 2–3 ambasadoři s vyhrazenými dvěma hodinami měsíčně.
• Sdílený dokument se šablonami, začít s 10 položkami.
• Hodina konzultací týdně, kanál v chatu.

Měsíc 3: první měření a úprava

• Krátký anonymní průzkum, data o používání, dva tři konkrétní příběhy „co se změnilo“.
• Úprava pravidla a knihovny podle toho, co se ukázalo.

Náklady jsou hlavně licence a čas lidí, ne externí služby. Kde chybí znalosti, existují v Česku i dotované cesty: Evropská centra digitálních inovací (EDIH) nabízejí malým a středním firmám konzultace, školení a možnost „vyzkoušet před investicí“. Podmínky a ceny se liší podle centra, takže si je ověř v katalogu Evropské komise.

Co si odnést

• Licence nejsou adopce. AI má navíc „prázdnou obrazovku“, nerovnoměrné výsledky a silné osobní obavy, takže potřebuje víc podpory než běžný nástroj.
• Model ADKAR (povědomí, ochota, znalost, schopnost, upevnění) pomáhá zjistit, kde se lidé zasekli. Nejčastější chyba je začít školením dřív, než lidé vědí proč a přestanou se bát.
• O obavách mluv upřímně: řekni, co víš, co nevíš a k čemu se zavazuješ. Neslibuj „nikdy“. Strach z odsouzení zmenšuje hlavně vedení, které samo ukazuje, jak AI používá.
• Školení stav podle rolí a na vlastních úkolech lidí; každý má odejít s jednou konkrétní úlohou.
• Podpora po školení (ambasadoři s vyhrazeným časem, knihovna šablon se správcem, konzultace, komunita) rozhoduje víc než školení samo.
• Adopci měř ve vrstvách: používání, hloubka, dopad na procesy a důvěra. Přihlášení nestačí.

Zdroje a další čtení

• Prosci: The ADKAR Model – popis modelu od jeho autorů.
• Microsoft a LinkedIn: 2024 Work Trend Index – průzkum o používání AI v práci, vlastních nástrojích a školení.
• Reif, Larrick, Soll: Evidence of a social evaluation penalty for using AI (PNAS, 2025) – studie o tom, jak jsou uživatelé AI hodnoceni kolegy.
• ČNB: AI v evropských firmách – kde se používá a jak mění firemní procesy – data o používání AI podle velikosti firem, včetně Česka.
• Evropská komise: European Digital Innovation Hubs – co centra nabízejí a jak najít to nejbližší.