Obecné, nebo oborové školení AI: podle čeho se rozhodnout?

Jiná otázka než formát: co se ve školení učí

„Obecné, nebo oborové“ bývá jedna z prvních otázek při přípravě AI školení, ale řeší jiný problém než kanál, délku programu nebo to, kdo výuku vede. Tyto tři volby popisuje průvodce formátem a zajištěním AI školení a tato stránka je nerozšiřuje ani neopakuje. Zde jde výhradně o obsahový rozsah: má školení naučit obecnou schopnost pracovat s AI, má cílit na konkrétní pracovní obsah jednoho oddělení, nebo je vhodná kombinace obou.

Rozhodnutí se snadno zjednoduší na dojem, že oborový obsah je vždy důkladnější a obecný obsah vždy levnější a rychlejší připravit. Ani jedno tvrzení neplatí univerzálně. Odpověď závisí na sedmi konkrétních vlastnostech role a práce, které lze u konkrétního týmu ověřit.

Tři kandidátní odpovědi

Než přejdete k matici, pojmenujte tři možné odpovědi, mezi kterými se rozhoduje:

• Obecné školení. Učí sdílenou schopnost pracovat s AI napříč rolemi: co model umí a neumí, jak formulovat zadání, jak rozpoznat nejistý nebo nesprávný výstup a jak ho ověřit, než se použije. Obsah nezávisí na konkrétním oddělení.
• Oborové školení. Cílí na konkrétní pracovní obsah jedné specializace: terminologii, typické úkoly, oborový standard správnosti a kontrolní kroky, které patří jen k danému oboru.
• Kombinované jádro a nadstavba. Obecná část je společná pro všechny účastníky, oborová nadstavba se liší podle oddělení nebo role a staví na obecném jádru.

Formální kategorii obecné digitální a AI gramotnosti popisuje evropský rámec digitálních kompetencí DigComp 3.0. Sám ale neurčuje, kdy má konkrétní organizace sáhnout po oborovém obsahu navíc; to je předmět matice níže.

Rozhodovací matice: sedm kritérií obsahu

U každého kritéria matice popisuje, co daná vlastnost role nebo práce znamená pro volbu obsahu. Sloupce nejsou body k sečtení; každé kritérium může ukazovat jiným směrem a řešení konfliktu je v části za tabulkou.

Kritérium	Obecné	Oborové	Kombinované jádro a nadstavba
Specifičnost oborového slovníku týmu	Slovník práce je sdílený a běžný (e-mail, zápis, souhrn); obecné pojmy AI stačí.	Slovník je úzký a technický (právní formulace, klinická terminologie, technická specifikace); obecný obsah ho nepokryje.	Obecné jádro učí univerzální pojmy AI, nadstavba doplní slovník daného oddělení.
Existence oborového standardu správnosti výstupu	Kontrola výstupu je univerzální: dává smysl, je čitelný, odpovídá zadání.	Výstup podléhá vlastnímu oborovému standardu (právní přesnost, účetní klasifikace, technická tolerance), který obecný obsah neobsahuje.	Jádro učí obecně rozpoznat nejistotu modelu, nadstavba učí konkrétní oborová kritéria kontroly.
Podíl sdílené kancelářské práce v roli	Většinu náplně role tvoří činnosti společné napříč odděleními.	Většinu náplně role tvoří úzce oborové úkoly, sdílená složka je malá.	Rozsah nadstavby odpovídá skutečnému podílu oborové práce v dané roli.
Oborová specifičnost důsledků chybného výstupu	Chyba vede k drobné opravě bez oborového dopadu.	Chyba může založit oborově specifický důsledek (nesprávná právní kvalifikace, chybná klasifikace, bezpečnostní chyba), který obecné pravidlo „ověř před použitím“ nepokryje.	Jádro dá univerzální návyk ověření, nadstavba dá kritéria závažnosti chyby pro daný obor.
Velikost školitelné skupiny na jednu specializaci	Skupina je malá nebo se specializace často mění; dedikovaný obsah se nemusí vyplatit udržovat.	Skupina je dost velká, aby ospravedlnila přípravu a průběžnou aktualizaci vlastního obsahu.	Jádro dostanou všichni bez ohledu na velikost skupiny, nadstavba jen tam, kde je provozně udržitelná.
Legální dostupnost interních oborových příkladů pro materiál	Obecný obsah lze stavět na veřejně dostupných nebo syntetických příkladech bez zvláštního posouzení.	Reálná relevance roste s použitím skutečných interních příkladů, které vyžadují posouzení účelu, právního základu a rozsahu, než je lze do materiálu zařadit.	Jádro zůstává na obecných příkladech, nadstavba použije interní podklady jen po kladném posouzení, jinak na syntetických.
Rychlost změny oborových pravidel, nástrojů nebo postupů	Obecné principy práce s AI se mění pomalu a nezávisí na jednom nástroji.	Rychlá změna oborových pravidel nebo nástrojů vyžaduje vlastníka údržby obsahu a pravidelnou revizi.	Jádro nese málo údržby, většinu údržbové zátěže nese nadstavba; vlastníka revize je vhodné určit předem.

Čtecí pravidlo: když si kritéria odporují

Matice nedává jedno souhrnné skóre a kritéria nemají stejnou váhu. Pro čtení platí jednoduché pořadí.

Kritéria existence oborového standardu správnosti a oborová specifičnost důsledků chyby rozhodují jako první. Pokud u role platí alespoň jedno z nich, oborový obsah, samostatně nebo jako nadstavba, je namístě bez ohledu na to, co ukazují ostatní řádky: jde především o to, zda účastník vůbec dokáže chybu v daném oboru rozpoznat.

Velikost školitelné skupiny a rychlost změny pravidel jsou provozní omezení. Pokud je specializovaná skupina malá, řešením bývá odložená nebo odlehčená forma nadstavby, například individuální konzultace místo samostatného modulu, s revizí, jakmile skupina naroste nebo se pravidla ustálí.

Legální dostupnost interních příkladů určuje zdroj podkladů pro oborový obsah. Záporné posouzení znamená syntetické nebo jinak upravené podklady bez identifikovatelných osobních údajů; předchozí dvě kritéria o tom, zda má oborový obsah vůbec vzniknout, tím zůstávají v platnosti.

Empirický podklad pro rozdíl mezi obecným a oborovým pojetím nabízí studie Dell’Acqua a kol.: u 758 znalostních pracovníků použití generativní AI zlepšilo výkon na 18 úkolech uvnitř schopností modelu, ale zhoršilo přesnost na jednom úkolu mimo tuto hranici. Studie popisuje obecnou znalostní práci s generativní AI. Netýká se firemního AI školení; ukazuje, proč obecná gramotnost sama o sobě nezaručí, že člověk pozná, kdy je úkol už mimo spolehlivou oblast modelu. Přesně to má u rolí, kde na tom trvají první dvě kritéria matice, doplnit oborová nadstavba.

Obsah školení a článek 4 AI Actu

Článek 4 aktu o umělé inteligenci po novele nařízením (EU) 2026/1744 ukládá přijmout opatření na podporu rozvoje AI gramotnosti a zohlednit znalosti, zkušenosti, vzdělání, výcvik a kontext použití. Neurčuje obsahový rozsah, formát ani délku školení a nevyžaduje certifikát. Podle aktuálního Q&A Evropské komise navíc neexistuje povinnost měřit znalosti jednotlivých zaměstnanců a jednotný postup není mandátní.

Volba mezi obecným a oborovým obsahem je pedagogické a provozní rozhodnutí založené na tom, co role skutečně vyžaduje. Zákon tuto volbu nerozhoduje a zvolená varianta sama o sobě neprokazuje soulad s předpisem. Interní záznam o proškolení, pokud ho organizace vede, může existovat u obecného i oborového obsahu a sám o sobě dokládá jen to, že se školení konalo. Zda zvolený obsah skutečně odpovídal potřebě role, takový záznam neprokazuje.

Kam dál

Sedm kritérií výše se nejlépe ověřuje postupně po jednotlivých rolích. Konkrétní rozpracování obsahu pro tři časté role najdete v samostatných průvodcích pro marketingový tým, obchodní tým a provozní tým; každý ukazuje, jak vypadá oborová nadstavba v praxi pro danou náplň práce. Obecné jádro, na kterém lze nadstavbu stavět, popisuje průvodce jak proškolit zaměstnance v AI.

Stav zdrojů a omezení

Rozhodovací matice v tomto textu je redakční nástroj CIAD. Citované zdroje podporují jednotlivá dílčí tvrzení v textu; matice jako celek, pořadí kritérií i čtecí pravidlo jsou redakční syntéza CIAD, kterou žádný z citovaných zdrojů přímo nepotvrzuje. Aktuální znění článku 4 a Q&A Evropské komise byly ověřeny 5. a 6. 8. 2026. Popisují, co ustanovení ukládá a neukládá; doporučený obsahový rozsah školení z nich neplyne. Volbu obsahu popsanou v tomto textu doporučuje CIAD; zákon konkrétní obsah nepředepisuje. Citovaná studie Dell’Acqua a kol. se týká obecné znalostní práce s generativní AI; je uvedena pro zjištění o hranici spolehlivosti modelu, bez závěru o účinnosti kterékoli varianty obsahu AI školení. Posouzení, zda smí konkrétní interní příklad do školicího materiálu, patří právníkovi nebo pověřenci pro ochranu osobních údajů dané organizace.