Vzdělávání v době AI

Stav / aktualizace poznatků: 27. září 2026

Lepší výkon ještě nemusí znamenat lepší učení

Tady výzkum přináší důležitou korekci počátečního nadšení i počátečních obav.

AI může vzdělávání skutečně pomáhat.

Klasické inteligentní tutoringové systémy mají delší evidenční historii a metaanalýzy ukazují v průměru pozitivní vliv na výsledky učení. U novějších GenAI tutorů už také existují experimentální studie s pozitivními výsledky, zejména pokud je AI pedagogicky navržena, zasazena do kurikula a nefunguje pouze jako generátor hotových odpovědí.

Současně ale přibývá evidence upozorňující na rozdíl, který bude pro vzdělávání zásadní: člověk může s AI podat lepší výkon, aniž by se ve stejné míře zlepšila jeho schopnost zvládnout úlohu později, v jiném kontextu nebo bez podpory AI.

Proto je potřeba rozlišovat několik věcí, které snadno splývají.

Člověk může právě teď podat dobrý výkon. Může se při práci něco naučit. Může si získanou znalost udržet. Může ji použít v nové situaci. A může být schopen stejný typ problému zvládnout bez AI.

To všechno jsou legitimní výsledky.

Nejsou ale totožné.

Co dokážu sám — a co dokážu s AI

Student odevzdá kvalitní esej vytvořenou s AI.

Co z toho můžeme usoudit?

Možná dokázal dobře formulovat zadání, rozpoznat slabý argument, vybrat lepší variantu, ověřit fakta a výsledný text zásadně přepracovat. To je reálná práce a mohou v ní být reálné schopnosti.

Možná ale také přijal první návrh, který systém vytvořil.

Výsledek může vypadat podobně. To, co za ním člověk skutečně umí, podobné být nemusí.

Právě proto GenAI komplikuje tradiční vztah mezi výsledkem práce a schopností jeho autora. Přibývá evidence problému validity hodnocení — tedy otázky, zda opravdu měříme to, co měřit chceme. Procesní, ústní a vícestupňové formy hodnocení se objevují jako možné odpovědi, ale pro jejich optimální podobu ve velkém měřítku máme zatím pouze časné signály.

Škola tak bude stále častěji potřebovat rozlišovat nejméně dvě legitimní schopnosti:

Co dokáže člověk sám?

Co dokáže člověk ve spolupráci s AI?

Jedna nemusí rušit druhou.

V některých situacích potřebujeme vědět, zda člověk sám rozumí principu, dokáže argumentovat, počítat nebo rozhodnout. V jiných může být podstatnou schopností právě to, že umí AI vhodně zapojit, posoudit její výstup a společně s ní dosáhnout výsledku, který by sám nevytvořil.

Proto už otázka kompetence není jen „Co umím já?“

Patří k ní i:

„Co umím s AI? A kdy je důležité znát rozdíl?“

Nejde o slovní hříčku. Je to problém, který zasahuje výuku, hodnocení i přípravu člověka na prostředí, ve kterém bude s AI pravděpodobně pracovat.

Co má AI převzít — a co potřebujeme ještě dělat sami

Pokud může AI část práce spojené s přemýšlením převzít, neznamená to, že bychom ji měli nutit dělat ručně jen proto, že to tak dělaly předchozí generace.

Vzdělávání obsahuje spoustu překážek a rutiny, které samy o sobě nikoho nerozvíjejí. Jejich odstranění může uvolnit čas a pozornost pro hodnotnější práci.

Jenže některé obtíže nejsou poruchou procesu.

Jsou jeho součástí.

Formulovat vlastní otázku. Vybavit si znalost. Zkusit řešení. Udělat chybu. Porovnat dvě možnosti. Vysvětlit vlastní úvahu. Ověřit tvrzení. Rozhodnout se bez jistoty, že existuje jediná správná odpověď.

Právě v těchto místech se může rozdíl mezi pomocí a nahrazením práce stát pro učení důležitým.

Rostoucí evidence o riziku ukazuje, že při některých způsobech práce s GenAI můžeme stále větší část přemýšlení přenechávat nástroji. Výzkum tento jev popisuje jako kognitivní offloading; souvisejícím rizikem je přílišné spoléhání na AI.

Neznamená to, že AI automaticky oslabuje kritické myšlení. Výsledek závisí na způsobu použití a konstrukci úlohy. Existují časné signály, že systémy navržené tak, aby vyžadovaly vlastní analýzu, vysvětlení, ověřování nebo rozhodování, mohou část těchto rizik omezovat.

Tady se také mění význam kritického myšlení.

Nestačí pouze poznat, zda AI udělala chybu. Důležitá je schopnost položit otázku, pochybovat, ověřovat, vytvořit úsudek, rozhodnout se a vědět, kterou část procesu jsme nástroji svěřili.

V jazyce Homo Sapiens AI jde o vlastnictví myšlenkového procesu.

Neznamená dělat všechno sám.

Znamená neztratit přehled o tom, co už sám nedělám — a co tím získávám nebo ztrácím.

Personalizace: velká možnost, ne automatický výsledek

Právě zde dostává realističtější podobu i jeden z největších příslibů AI ve vzdělávání: personalizace.

Možnost nabídnout studentům rozdílné tempo, obtížnost, nápovědu nebo zpětnou vazbu je významná. Klasické inteligentní tutoringové systémy mají v průměru pozitivní výsledky a u GenAI tutorů se objevují slibné experimentální výsledky.

Výzkum ale nepodporuje jednoduchou rovnici:

více personalizace = lepší vzdělávání

Výsledek závisí na tom, jak je výuka navržena, jak kvalitní zpětnou vazbu student dostává, co už předem ví, jak aktivně musí sám pracovat i na tom, co studie považuje za úspěch. Výzkum GenAI je navíc stále mladší, výsledky různorodější a často založené na krátkodobém sledování.

Je také užitečné rozlišovat personalizaci obsahu a tempa od pedagogického vztahu.

Systém může velmi přesně měnit obtížnost úlohy. Z toho ještě neplyne, že nahrazuje všechny funkce člověka, který zná kontext studenta, skupinu, jeho motivaci nebo okamžik, kdy je lepší pomoci — a kdy nechat problém chvíli nedořešený.

Personalizace proto není cíl sám o sobě.

Je jedním z nástrojů, který může být velmi účinný, pokud víme, co jím chceme zlepšit.

Když se mění učení, začíná se měnit i hodnocení

Jestliže stejný výsledek může vzniknout různými kombinacemi lidské a strojové práce, musí škola přesněji rozhodovat, co chce v daném okamžiku hodnotit.

Někdy bude legitimní použití AI součástí úkolu.

Jindy by AI odstranila právě tu schopnost, kterou potřebujeme ověřit.

A někdy bude důležitější sledovat proces než pouze výsledný dokument.

Nejde jen o obranu proti podvádění. Jde o hlubší problém:

Odpovídá to, co hodnotíme, skutečně schopnosti, kterou chceme znát?

Pro tento problém přibývá evidence. Nejlepší způsob, jak hodnocení v době AI změnit, ale zatím neznáme.

AI tak nevytváří pouze nový způsob, jak splnit starý úkol.

V některých případech zpochybňuje, zda starý úkol ještě měří to, co jsme si mysleli.

A tím se dostáváme k učiteli

Také tady je lákavé vyprávět velký příběh.

AI převezme informace a rutinu. Učitel se stane koučem, mentorem nebo průvodcem.

Možná.

Ale výzkum zatím takto obecný závěr nepodporuje.

Máme konkrétní důkazy, že AI může v některých úlohách práci učitele zefektivnit. Randomizovaný Teacher Choices trial s 259 učiteli v 68 školách například zjistil při přípravě materiálů pro výuku přírodních věd na úrovni KS3 přibližně 31% úsporu času bez zjevného snížení kvality v omezeném expertním hodnocení.

Pro tuto konkrétní úsporu času máme silnou evidenci v úzkém typu úkolu.

To není důkaz, že AI zlepšila učení žáků.

A už vůbec ne, že známe budoucí podobu učitelské profese.

Strukturální proměna role učitele proto zůstává otevřenou hypotézou.

Přesto se prostředí mění.

Pokud je vysvětlení, příklad nebo návrh odpovědi dostupný kdykoli, hodnota učitele se nemusí zmenšovat. Může se ale měnit místo, kde ji hledáme.

Odborná znalost nezmizí. Bez ní je obtížné diagnostikovat chybu, poznat nekvalitní vysvětlení nebo navrhnout dobrou cestu učením.

Vedle ní ale může být stále viditelnější jiná část učitelské práce: rozhodnout, kdy student potřebuje vysvětlení, kdy zpětnou vazbu, kdy spolužáka, kdy AI — a kdy potřebuje ještě chvíli pracovat sám.

To už není empirická předpověď.

Je to důsledek prostředí, v němž je odpověď stále častěji okamžitě po ruce.

Škola ale nikdy nebyla jen místem, kde dostáváme odpovědi

Právě zde se technologická změna dotýká školy jako celku.

Čím více lze některé části učení přizpůsobovat jednotlivci a poskytovat na požádání, tím přesněji potřebujeme vědět, které části vzdělávání individualizovat nechceme — nebo ani nemůžeme.

Ne proto, že všechno společné je dobré.

Není.

Ale část lidských schopností vzniká právě v kontaktu s druhými: při spolupráci, vysvětlování, nesouhlasu, vyjednávání, konfrontaci různých perspektiv nebo nesení společného výsledku.

Druhý člověk zde není jen pomůckou k tomu, abych se já efektivněji naučil látku.

Je součástí toho, co se učím.

Zatím nemáme dost evidence pro tvrzení, že GenAI dlouhodobě sociální funkci školy posílí nebo oslabí. Specifické dlouhodobé sociální dopady GenAI proto zůstávají otevřenou hypotézou. AI může podporovat komunikaci a spolupráci mezi lidmi, ale může také přesouvat část času směrem k individuální interakci se systémem.

To je jedna z oblastí, kde seriózní odpověď zatím zní:

nevíme.

Neznamená to ale, že škola může otázku společného učení odložit.

Naopak. Čím technicky snazší bude vytvářet individuální vzdělávací cestu, tím důležitější může být vědět, co se potřebujeme učit společně.

Odpovědnosti se také učíme

S tím souvisí ještě jeden posun.

Můžeme vytvořit pravidla používání AI. Školy je potřebují a v některých situacích budou hranice nezbytné.

Dlouhodobě ale nestačí, aby student pouze věděl, co smí.

Potřebuje postupně rozumět také tomu, proč v jedné situaci dává delegace smysl a v jiné mu bere právě tu zkušenost, kterou potřebuje získat.

To je širší než znalost práce s AI.

Je v tom kritické myšlení, schopnost řídit vlastní učení, úsudek i odpovědnost.

V pojetí Homo Sapiens AI proto není osobní odpovědnost hotovou vlastností, kterou škola jednoduše vyžaduje. Je také něčím, co se člověk postupně učí přebírat.

Zpočátku část rozhodnutí vytváří prostředí: učitel, škola, rodiče, pravidla.

Postupně by měl být člověk schopnější rozhodovat sám.

Ne pouze:

„Je tady AI povolená?“

ale:

„Co se právě potřebuji naučit, co mohu delegovat a za kterou část výsledku stále nesu odpovědnost já?“

To je hodnotová pozice Homo Sapiens AI, nikoli výsledek jedné studie. S dnešní evidencí je však slučitelná právě proto, že výzkum neukazuje jednu univerzální hranici správné delegace.

Čtyři pilíře pořád drží překvapivě dobře

Technologie se od roku 1996 změnila téměř k nepoznání.

Čtyři pilíře formulované komisí Jacquesa Delorse pro UNESCO přesto nezní zastarale:

učit se poznávat,
učit se jednat,
učit se žít spolu,
učit se být.

Neříkají nám, jak používat generativní AI. Ani nebyly vytvořeny jako empirický model technologických dopadů. Jsou hodnotovým rámcem vzdělávání.

Jejich hodnota je dnes možná právě v tom.

V době, kdy dokážeme stále přesněji optimalizovat jednotlivé části vzdělávacího procesu, připomínají, co všechno vzdělávání vlastně znamená.

Poznávat není pouze získat odpověď.

Jednat není pouze vytvořit výsledek.

Žít spolu není pouze pracovat vedle ostatních.

A být nelze redukovat na součet měřitelných výkonů.

Nepotřebujeme do těchto čtyř přihrádek vměstnat každou novou technologii. Poskytují ale užitečnou kontrolu, zda při optimalizaci jedné části vzdělávání neztrácíme jinou.

A adaptace?

Původní Horizont nabídl myšlenku pátého pilíře: učit se adaptovat.

Výzkum ji nepotvrzuje jako nový etablovaný Delorsův pilíř. Zároveň ale přináší rostoucí nepřímou evidenci významu adaptability, odolnosti, schopnosti řídit vlastní učení, celoživotního učení a vlastní aktivní role člověka při rozhodování o směru. OECD Learning Compass pracuje s pojmem agency a se schopností orientovat se v neznámých situacích.

Možná tedy není nejdůležitější rozhodnout, zda má mít mapa čtyři, nebo pět pilířů.

Podstatnější je, co adaptací myslíme.

Pokud znamená pouze rychle se přizpůsobit tomu, co přichází, je to málo.

Schopnost orientovat se ve změně zahrnuje také poznat, co se potřebuji doučit, kdy změnit strategii, kdy přijmout nový nástroj — ale někdy i kdy jej nepoužít, kdy se nepřizpůsobit nebo kdy se pokusit změnit samotné prostředí.

Dostupnější pomoc ještě neznamená rovnější šance

Proměna školy má ještě jednu vrstvu, kterou by bylo snadné přehlédnout.

AI může zpřístupnit vysvětlení, tutoring nebo jazykovou podporu lidem, kteří k nim dříve měli horší přístup.

To je skutečná možnost.

Není ale automatickým výsledkem.

Přibývá evidence, že skutečný přínos AI ovlivňuje přístup k technologiím a připojení, schopnost s AI pracovat, předchozí znalosti, ekonomická dostupnost i kvalita školního prostředí a podpory. Není doloženo, že samotné rozšíření GenAI automaticky uzavírá rozdíly ve vzdělávacích výsledcích.

Technologie tedy může snížit některé bariéry a současně vytvořit jiné.

Dostupnější pomoc není automaticky rovnější výsledek.

Co z toho dnes můžeme říct

Výzkum nám zatím nedává hotový model školy v době AI.

Dává ale dost podkladů k několika střízlivým závěrům.

• AI může vzdělávání zlepšovat. Pozitivní výsledky tutoringu nejsou pouze technologickým příslibem.
• Samotná přítomnost AI lepší učení nezaručuje. Podstatný je způsob, jakým je výuka a úloha navržena, aktivita studenta a to, co považujeme za výsledek.
• Lepší výkon s AI není automaticky důkazem hlubšího učení. Je potřeba rozlišovat výkon s podporou, to, co si člověk skutečně osvojí a udrží, schopnost použít znalost v nové situaci i schopnost zvládnout úkol bez podpory.
• To, co člověk dokáže s AI, může být skutečnou novou kompetencí. Nesmíme ji ale zaměnit za samostatnou schopnost člověka tam, kde potřebujeme znát právě tu.
• Hodnocení bude muset přesněji odpovídat tomu, co chce škola zjistit.
• AI už může měnit některé konkrétní části práce učitele. Z toho zatím nelze odvodit jednu budoucí podobu učitelské profese.
• Personalizace je možnost, ne automatický pedagogický úspěch.
• O dlouhodobých sociálních a vývojových dopadech GenAI stále víme málo.

A především:

AI vytváří tlak na proměnu školy jako celku právě proto, že zasahuje několik jejích funkcí současně.

Katalyzátor, ne cíl

Mnoho otázek, které dnes spojujeme s AI, je ve skutečnosti starších.

Co má člověk opravdu umět? Jak poznáme, že se něco naučil? Jaký je rozdíl mezi pomocí a závislostí? Jakou roli má učitel? Co se učíme sami a co ve vztahu k druhým? Jak se člověk učí rozhodovat a nést odpovědnost?

AI tyto otázky nevytvořila.

Zostřuje je. Urychluje je. A nutí nás odpovídat na ně v nových podmínkách.

V tom je její role katalyzátoru.

Možná právě proto není hlavním úkolem školy v době AI rozhodnout, kolik technologie do sebe pustí.

Mnohem důležitější bude přesněji vědět, jakého člověka chce vzdělávání rozvíjet ve světě, kde už člověk nemusí všechno dělat sám.

Člověka, který umí nástroje využít, aniž by přestal rozumět tomu, co jim svěřil.

Který dokáže pracovat samostatně i spolupracovat — s lidmi i s AI.

Který umí využít dostupnou odpověď, ale stále dokáže vytvořit vlastní otázku.

Který se umí přizpůsobit změně, aniž by každou změnu automaticky přijal jako směr.

A který postupně přebírá odpovědnost nejen za výsledek, ale také za cestu, kterou k němu došel.

Pod povrchem: co víme, co nevíme a jak silná je evidence

Pro čtenáře, který chce jít pod hlavní argument, následuje podrobnější vrstva. Rozlišuje oblasti, kde už máme poměrně pevné poznatky, od časných signálů a otázek, které výzkum zatím neumí uzavřít.

Jak číst sílu evidence

Oblast	Co dnes můžeme říct	Stav evidence
AI a práce učitele	V konkrétním učitelském workflow může GenAI významně šetřit čas. Nelze z toho odvodit proměnu celé profese ani lepší učení žáků.	Silná evidence pro úzký typ úkolu
Výkon s AI a skutečné učení	Lepší asistovaný výkon není automaticky totéž jako retence, transfer nebo schopnost zvládnout úlohu bez nástroje.	Rostoucí evidence
Přenechávání přemýšlení AI	Některé způsoby práce s GenAI mohou podporovat kognitivní offloading a přílišné spoléhání na nástroj.	Rostoucí evidence o riziku
Procesní ochrany při práci s AI	Požadavek na vlastní analýzu, ověřování, vysvětlení či rozhodování může některá rizika omezovat.	Časný signál
Hodnocení	GenAI oslabuje jednoduchou vazbu mezi kvalitou odevzdaného produktu a samostatnou schopností studenta.	Rostoucí evidence
Změna způsobu hodnocení	Procesní, ústní a vícestupňové formy jsou slibné směry, ale zatím nevíme, která kombinace nejlépe funguje ve velkém měřítku.	Časný signál
Budoucí role učitele	AI může měnit některé dílčí činnosti učitele; jednu výslednou podobu profese zatím z evidence odvodit nelze.	Otevřená hypotéza
Dlouhodobé sociální dopady	Nevíme, zda pravidelné používání GenAI dlouhodobě posílí, oslabí nebo jinak promění sociální funkce školy.	Otevřená hypotéza
Rovnost vzdělávacích výsledků	Přínosy ovlivňuje přístup, schopnost s AI pracovat, předchozí znalosti a prostředí. Dostupnější pomoc sama nezaručuje rovnější výsledky.	Rostoucí evidence
Čtyři Delorsovy pilíře	Jsou hodnotovým rámcem širších cílů vzdělávání, nikoli empirickým důkazem účinků AI.	Normativní rámec
Adaptace jako vzdělávací kompetence	Adaptabilita, odolnost, sebeřízení a agency mají příbuznou oporu ve výzkumu. „Učit se adaptovat“ však není empiricky ustavený pátý Delorsův pilíř.	Rostoucí nepřímá evidence

Co zatím nevíme

Dlouhodobé důsledky používání GenAI od dětství jsou stále nedostatečně prozkoumané. Chybí zejména robustnější evidence o tom, co si člověk po práci s AI dlouhodobě zapamatuje, co dokáže přenést do nové situace po odebrání nástroje, jak se vyvíjí jeho samostatnost, zvídavost a schopnost spontánně formulovat vlastní otázky.

Otevřená zůstává také dlouhodobá proměna vztahu učitel–žák, vrstevnických vztahů, pocitu sounáležitosti a dalších sociálních funkcí školy. Neznáme optimální poměr učení s AI a bez AI ani věkově vhodnou míru ochranných pravidel a omezení.

Stejně tak zatím není rozhodnuto, jaká změna hodnocení nejlépe spojí skutečnou vypovídací hodnotu, podporu učení, praktičnost a férovost ve velkém měřítku. A nemáme podklad pro tvrzení, jak přesně bude čas ušetřený učitelům díky AI využit.

Klíčové zdroje

Následující výběr tvoří zdroje, o které se opírají hlavní linie této aktualizace.

Učení, tutoring a schopnost bez AI

Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. Proceedings of the National Academy of Sciences, 122(26), e2422633122.
DOI: 10.1073/pnas.2422633122

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports.
DOI: 10.1038/s41598-025-97652-6

Han, X., Peng, H., & Liu, M. (2025). The impact of GenAI on learning outcomes: A systematic review and meta-analysis of experimental studies. Educational Research Review, 48, 100714.
DOI: 10.1016/j.edurev.2025.100714

Chen, S., & Cheung, A. C. K. (2025). Effect of generative artificial intelligence on university students learning outcomes: A systematic review and meta-analysis. Educational Research Review, 100737.
DOI: 10.1016/j.edurev.2025.100737

Létourneau, A., Deslandes Martineau, M., Charland, P., Karran, J. A., Boasen, J., & Léger, P. M. (2025). A systematic review of AI-driven intelligent tutoring systems (ITS) in K-12 education. npj Science of Learning, 10, 29.
DOI: 10.1038/s41539-025-00320-7

Ma, W., Adesope, O. O., Nesbit, J. C., & Liu, Q. (2014). Intelligent tutoring systems and learning outcomes: A meta-analysis. Journal of Educational Psychology, 106(4), 901–918.
DOI: 10.1037/a0037123

Kulik, J. A., & Fletcher, J. D. (2016). Effectiveness of Intelligent Tutoring Systems: A Meta-Analytic Review. Review of Educational Research, 86(1).
DOI: 10.3102/0034654315581420

Barcaui, A. (2025). ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention. Social Sciences & Humanities Open, 12, 102287.
DOI: 10.1016/j.ssaho.2025.102287

Práce učitele a hodnocení

Education Endowment Foundation. ChatGPT in lesson preparation – Teacher Choices trial. 259 učitelů, 68 škol.
Education Endowment Foundation

Kofinas, A. K., Tsay, C. H.-H., & Pike, D. (2025). The impact of generative AI on academic integrity of authentic assessments within a higher education context. British Journal of Educational Technology, 56, 2522–2549.
DOI: 10.1111/bjet.13585

Ncube, P. D. N., Dzvapatsva, G. P., Matobobo, C., et al. (2026). Redefining student assessment in AI-infused learning environments: a systematic review of challenges and strategies for academic integrity. AI and Ethics, 6, 68.
DOI: 10.1007/s43681-025-00871-w

Farah, M., Sabani, A., Dewi, D., & Catyanadika, P. (2025). AI meets AI: A systematic review of assessment innovation and academic integrity in the age of artificial intelligence. ASCILITE Publications.
DOI: 10.65106/apubs.2025.2708

Přístup, širší cíle vzdělávání a adaptace

Jamal Eddine, R., Gide, E., & Al-Sabbagh, A. (2026). Systematised evidence mapping of generative artificial intelligence (GenAI) and digital divide phenomena in higher education. Discover Computing, 29, 157.
DOI: 10.1007/s10791-026-10044-w

UNESCO (2023; updated 2026). Guidance for generative AI in education and research.
UNESCO

Delors, J. et al. (1996). Learning: The Treasure Within. Report to UNESCO of the International Commission on Education for the Twenty-first Century.
UNESCO publication record

Van den Broeck, L., De Laet, T., Dujardin, R., Tuyaerts, S., & Langie, G. (2024). Unveiling the competencies at the core of lifelong learning: A systematic literature review. Educational Research Review, 45, 100646.
DOI: 10.1016/j.edurev.2024.100646

OECD. The OECD Learning Compass 2030.
OECD Learning Compass 2030

Jak tato aktualizace vznikla

Tato stránka aktualizuje Horizont Vzdělávání v době AI z knihy Homo Sapiens AI. Jejím smyslem je zpřesnit původní obraz podle současného výzkumného podkladu — ne zpětně vytvářet dojem, že jsme při psaní knihy věděli to, co víme dnes.

Výzkumná rešerše

Výzkumné podklady a jejich zpracování vznikaly s využitím AI. Rešerše prověřovala účinky GenAI, AI tutoringu a inteligentních či adaptivních tutoringových systémů na výkon, učení, zapamatování, schopnost přenést poznatek do nové situace, kritické myšlení, práci s vlastním učením, motivaci, personalizaci, hodnocení, práci učitele, sociální funkce školy a nerovnosti.

Výzkumný podklad zachycuje stav poznatků k 26. září 2026. Přesné datum uzavření vyhledávání zdrojů není v podkladu uvedeno, proto je zde nedoplňujeme odhadem.

Jaké má výzkum hranice

Řada studií sleduje krátké intervence a často chybí dlouhodobé sledování. Jednotlivé způsoby využití GenAI se výrazně liší, modely se rychle mění a vysokoškolské prostředí je ve výzkumu zastoupeno více než jiné stupně vzdělávání.

Stále je také málo studií, které po období používání AI nástroj odeberou a následně zjišťují, co člověku skutečně zůstalo a co dokáže použít dál.

Proto v této aktualizaci důsledně rozlišujeme mezi výkonem s AI, učením, dlouhodobým zapamatováním, přenosem znalosti do nové situace a schopností pracovat bez nástroje. Stejně tak nerozšiřujeme výsledky pedagogicky navržených tutorů automaticky na běžné chatboty nebo obecné používání AI.

Co rozhodoval člověk

Po výzkumné rešerši následovala samostatná lidská kurátorská kontrola autora. Ta určila, že výsledný Horizont nebude stavět AI ani do role automatického řešení vzdělávání, ani do role jeho automatické hrozby.

Těžištěm je místo toho otázka, jak AI mění podmínky, ve kterých škola plní své základní funkce — a jak při tom rozlišovat technologickou možnost od skutečného pedagogického výsledku.

Čtyři Delorsovy pilíře zde proto zůstávají hodnotovou mapou, nikoli vědeckým modelem účinků AI. Adaptace zůstává otevřenou autorskou otázkou, nikoli nově objeveným pátým pilířem.

Jak vznikl tento text

AI jsme využili také při redakčním zpracování výzkumného podkladu a při převodu schváleného textu do této webové podoby. V této fázi nebyl přidán nový výzkum ani nové faktické závěry.

Původní myšlenky knihy, jejich interpretace, lidská kurace a konečné rozhodnutí o tom, co bude publikováno, zůstávají na autorovi.

Proto zde rozlišujeme mezi tím, co dnes dovoluje říci evidence, tím, co zatím nevíme, a tím, jaký význam z těchto poznatků vyvozujeme pro Homo Sapiens AI.