Karaoke bez originálu: čo firmy strácajú s ľuďmi

Predstavme si firmu, ktorá nasadí AI do zákazníckej podpory a počet ľudí v nej postupne zníži. Nie prepúšťaním, ale tým, že prestane prijímať nových. Čo sa môže stať o niekoľko rokov? Žiadna štúdia nemá úplnú odpoveď, no viaceré zistenia ukazujú, kde sa môže skrývať zdroj kvality.

Pesnička, ktorú nikto nezložil

Predstavme si firmu. Nie skutočnú, ale zjednodušenú ilustráciu situácie, ktorá sa dnes rieši v mnohých podnikoch. Firma nasadí AI asistenta do zákazníckej podpory. Asistent zvláda veľkú časť rozhovorov, náklady klesajú a vedenie sa pýta, či vôbec treba prijímať nových ľudí. Nikoho nemusí prepúšťať. Stačí, aby odchádzajúci kolegovia nemali nástupcov.

Prvé mesiace vyzerajú ako jasná výhra. Otázky prichádzajú neskôr. Odkiaľ sa asistent učí? Kto bude o päť rokov vedieť, čo robiť v situácii, ktorá v žiadnom postupe nie je? A kto bude vytvárať nové vzory, z ktorých sa učí ďalšia generácia ľudí aj nástrojov?

Je to len ilustrácia, nie dôkaz. Dobrá otázka to však je. Čo o nej vieme z výskumu?

A prečo o tom hovoriť práve teraz? Pretože 12. augusta 2026 zverejnil Stanford Digital Economy Lab aktualizovanú verziu pracovného dokumentu, ktorý prináša nové údaje o zamestnanosti mladých ľudí v povolaniach vystavených AI. Dokument priamo nemeria stratu firemnej odbornosti, ale otvára otázku, ktorá s ňou môže súvisieť: nie či AI berie ľuďom prácu, ale komu sa jej prestáva dávať ako prvému. Hlavná správa nie je dramatická: autori zatiaľ nenachádzajú dôkaz o celoekonomickom vytláčaní ľudí z práce. Detail je ale zaujímavý a vrátime sa k nemu.

Odkiaľ má karaoke repertoár

Karaoke spevák dokáže podať presvedčivý výkon bez toho, aby zložil jedinú pieseň. Jazykový model tiež vytvára nové výstupy, no na základe vzorcov, ktoré sa naučil z existujúcich dát. Metafora nie je doslovný opis, len ilustrácia závislosti od vzorov.

Najlepšie to ukazuje štúdia Erika Brynjolfssona (Stanford) a Danielle Li s Lindsey Raymondovou (obe MIT) v Quarterly Journal of Economics v roku 2025. Autori sledovali 5 172 agentov zákazníckej podpory, ktorým firma postupne sprístupnila AI asistenta. Produktivita, meraná počtom vyriešených prípadov za hodinu, vzrástla v priemere o 15 %. U menej skúsených a menej zručných pracovníkov bol prínos výrazne vyšší, približne 30 %. Najskúsenejší a najzručnejší zaznamenali len malé zvýšenie rýchlosti a podľa autorov možno aj mierny pokles kvality.

Autori výsledky interpretujú tak, že AI sprístupňuje menej skúseným pracovníkom vzorce práce, ktoré sa naučila z interakcií skúsenejších kolegov. Nováčik si tak požičiava skúsenosti veteránov. Veterán má menší priestor na zlepšenie, pretože mnohé z týchto vzorcov už sám používa. Štúdia ukázala aj ďalšie veci: zákazníci boli zdvorilejší a menej často žiadali manažéra a časť zisku podľa autorov odráža skutočné učenie pracovníkov. AI teda nemusí len nahrádzať schopnosti, môže ich aj rozvíjať.

Treba si dať pozor na rozdiel. Štúdia poskytuje dôkazy o učení, nepreukazuje však, že model prenáša celú tichú znalosť skúsených ľudí. Ide o jednu firmu a jeden druh práce.

Karaoke funguje najlepšie tam, kde má dobrý originál.

Čo nie je zapísané, nie je v repertoári

Veľa z toho, čo firma vie, nikde nie je. Ako upokojiť nahnevaného zákazníka, keď postup nepomáha. Ktorému dodávateľovi sa dá zavolať v piatok večer. Čo znamená, keď šéf povie „pozrime sa na to“. Filozof Michael Polanyi tomu hovoril tichá znalosť: vieme viac, než dokážeme povedať.

Časť takej znalosti sa do modelu dostane nepriamo, napríklad cez zaznamenané interakcie alebo spätnú väzbu. Čo sa nezaznamenáva a neprenáša ani cez interakcie, to má model k dispozícii len vtedy, ak sa to dá odvodiť z iných dostupných vzorov. Niektoré poznatky však zostávajú úzko späté s konkrétnymi ľuďmi a situáciami.

Poctivo: žiadna štúdia, ktorú tu citujem, nemeria, čo firma stratí po prepustení ľudí s tichou znalosťou. To je úvaha, nie výsledok.

Keď všetci spievajú tú istú pieseň

Anil Doshi (UCL) a Oliver Hauser (Exeter) požiadali v online experimente približne 300 ľudí o krátke poviedky. Jedna skupina písala bez AI, ďalšie dostávali od jazykového modelu jeden až päť nápadov. Nezávislí hodnotitelia označili poviedky s AI za kreatívnejšie, lepšie napísané a príjemnejšie, najmä u menej kreatívnych autorov. Práve u menej kreatívnych autorov, ktorí dostali päť AI nápadov, hodnotitelia ocenili novosť poviedok o 10,7 % a ich užitočnosť o 11,5 % vyššie (ide o skóre v hodnotení, nie o praktický úžitok textu). Nejde teda o všeobecný nárast kreativity ľudí, ale o hodnotenie hotových textov.

Dôležité je rozlíšiť dve úrovne. Jednotlivý text sa zlepšil. Texty ako celok však boli menej rozmanité: poviedky s AI si boli navzájom podobnejšie než poviedky samotných ľudí. Autori to opisujú ako sociálnu dilemu: každý jednotlivec si polepší, ale spolu vzniká užšia škála nápadov (Science Advances, júl 2024).

Prenos na firmy je moja extrapolácia, štúdia skúmala krátke poviedky. Naznačuje však otázku: ak konkurenti riešia tú istú úlohu tým istým nástrojom, nestrácajú to, čím sa odlišovali?

Keď karaoke prestane mať nové piesne

Tím vedený Iliom Shumailovom z Oxfordu ukázal v časopise Nature v júli 2024, že opakovaný tréning modelov na výstupoch iných modelov môže za určitých podmienok vytláčať z nich vzácne vzory. V jednom experimente sa po opakovanom tréningu pôvodný text o stredovekej architektúre postupne zmenil na text o zajacoch. Výsledok závisí od podmienok tréningu a spôsobu výberu dát a autori nehovoria, že je nevyhnutný. Zároveň upozorňujú na význam zachovania prístupu k pôvodným dátam. Ide o modely, nie o firmy, takže ďalej slúži len ako obraz: kopírovanie kópie potrebuje stály prísun originálov.

Štyri riziká, jeden menovateľ

Tieto príklady opisujú štyri súvisiace, ale odlišné riziká: stratu skúseností a úsudku, stratu rozmanitosti, stratu kvality tréningových dát a oslabenie cesty, ktorou sa z nováčikov stávajú experti. Jedno automaticky nedokazuje druhé. Firma môže prepustiť ľudí a zachovať dáta. Iná môže mať skvelých expertov a stále používať nástroj, ktorý dáva podobné odpovede. Model collapse môže nastať bez toho, aby ktokoľvek prišiel o prácu. A cesta nováčikov sa môže zúžiť aj tam, kde nikoho neprepustili, jednoducho tým, že sa prestane prijímať.

Spoločný menovateľ je jeden: závislosť od kvalitných zdrojov informácií, ľudského úsudku a rozmanitosti skúseností. Prvé tri riziká sa týkajú toho, čo AI dokáže vytvárať a čo sa z jej výstupov možno naučiť. Štvrté sa týka toho, či budú firmy naďalej vytvárať podmienky, v ktorých vznikajú ľudia schopní prinášať nové skúsenosti. Je najmenej viditeľné, a preto si zaslúži bližší pohľad.

Rebrík, ktorý sa láme

Teraz sa stretávajú dve zistenia: v štúdii zákazníckej podpory AI najviac pomáhala menej skúseným pracovníkom, no v niektorých povolaniach sa zároveň zhoršuje postavenie mladých ľudí na trhu práce. To druhé prišlo z USA. Erik Brynjolfsson, Bharat Chandar a Ruyu Chen sledujú na mzdových dátach amerického poskytovateľa ADP (v ich vzorke je mesačne 3,5 až 5 milióna zamestnancov), ako sa po uvedení ChatGPT mení zamestnanosť podľa veku a miery vystavenia AI. Podľa ich revízie z augusta 2026, ktorá pokrýva dáta do júna 2026, bola zamestnanosť 22- až 25-ročných vo vysoko AI-exponovaných povolaniach približne o 19 % nižšia, než by bola pri vývoji zodpovedajúcom trendu u rovesníkov v menej exponovaných povolaniach. Nejde teda o to, že 19 % mladých prišlo o prácu, ale o relatívne zaostávanie. Podľa tejto opisnej metriky bolo zaostávanie pri dátach z júla 2025 približne 15 %, kým v aktualizovanej verzii s dátami do júna 2026 dosiahlo približne 19 %. Staršie verzie dokumentu uvádzali aj odlišné odhady z regresných modelov (13 % a 16 %); tie však merajú niečo iné a nemožno ich priamo porovnávať s uvedenými hodnotami. V absolútnych číslach: v dvoch najviac exponovaných pätinách povolaní zamestnanosť mladých od novembra 2022 do júna 2026 klesla asi o 11 %, kým v troch najmenej exponovaných pätinách vzrástla asi o 10 %. Skúsenejší pracovníci porovnateľné zaostávanie nemajú.

Dôležité je, čo autori zdôrazňujú sami. Nenachádzajú dôkaz o celoekonomickom vytláčaní ľudí z práce. Podľa ich analýzy prebieha prispôsobenie primárne cez menšie prijímanie mladých, nie cez zvýšené prepúšťanie. Pokles je sústredený v povolaniach, kde AI podľa dát o jej skutočnom používaní prácu skôr nahrádza, než dopĺňa.

Autori pridávajú ešte jednu vec, ktorá súvisí s naším príbehom, aj keď len ako naznačený mechanizmus: v povolaniach, ktoré sa opierajú o kodifikované znalosti, teda o to, čo sa dá naučiť v škole a z písaných postupov, rástla zamestnanosť mladých pomalšie. V povolaniach, kde sa viac cení tichá znalosť nadobudnutá praxou, rástla rýchlejšie zamestnanosť skúsených pracovníkov. Autori to opisujú ako jednoduchý deskriptívny test, nie ako kauzálny odhad, a obe znalosti merajú nepriamo (požadovaným vzdelaním, resp. praxou). Súvislosť s kodifikovanou znalosťou nie je štatisticky významná, ak sa zohľadní podiel vysokoškolákov v povolaní. Súvislosť s tichou znalosťou u skúsených pracovníkov tento test ustála. Výsledok je v súlade s hypotézou, že AI ľahšie automatizuje úlohy založené na kodifikovaných znalostiach, zatiaľ čo pri práci závislej od skúseností zostáva úloha ľudí odlišná. Samotný test však túto interpretáciu nedokazuje.

Dokopy vzniká paradox. AI môže sprístupniť skúsenosť expertov nováčikom, no ak firmy začnú dlhodobo obmedzovať prijímanie nováčikov, môžu oslabiť jednu z ciest, ktorou vznikajú budúci experti. Nováčik môže byť s pomocou AI produktívnejší už od začiatku. Ak však dostane priestor rásť, môže byť o niekoľko rokov expertom, ktorého skúsenosti budú využívať ďalší kolegovia aj budúce systémy AI. Samotné prijatie nováčika nezaručuje, že z neho vznikne expert. Budúci experti môžu prísť aj z iných firiem či vzdelávacích ciest. Firma, ktorá dlhodobo nevytvára príležitosti pre začiatočníkov, sa však nemôže spoliehať, že jej ich dodá niekto iný. Stanfordskí autori sami hovoria o včasných náznakoch, že generatívna AI môže ovplyvňovať kariérny rebrík, a odvolávajú sa na ekonomické teórie učňovstva a medzigeneračného prenosu znalostí (Ide 2025; Garicano a Rayo 2025). Myšlienka teda nie je len naša. Nové je jej spojenie s karaoke a so zisteniami o tom, komu AI pomáha.

Na túto situáciu by sa dal použiť pracovný pojem „repertoárový dlh“, podobne ako pri technickom dlhu: firma spotrebúva schopnosti, ktoré si predtým vytvorila zamestnávaním a zaučaním ľudí, a v krátkodobých výsledkoch to nemusí byť viditeľné. Je to náš pojem, nie ustálený odborný termín.

Treba byť opatrný. Žiadna štúdia nemeria celú slučku od nižšieho prijímania nováčikov po ochudobnený repertoár. Stanfordský text je pracovný dokument, nie recenzovaná štúdia, a samotní autori ho nazývajú deskriptívnym, nie kauzálnym odhadom. Rozdiel medzi skupinami sa po zohľadnení vzdelania zmenšuje (v ich hlavnej vzorke z približne 18 na 9 percentuálnych bodov), niektoré rozdielne trendy boli viditeľné ešte pred rozšírením generatívnej AI a rozdiel je v ich vzorke väčší než v národných prieskumoch. Alternatívne vysvetlenia, napríklad úrokové sadzby alebo práca na diaľku, podľa autorov celý rozdiel nevysvetľujú, ale otázka zostáva otvorená, nie zodpovedaná.

A to je rozdiel medzi krátkodobou produktivitou a schopnosťou firmy učiť sa. Prvú vidno hneď. Druhú až neskôr.

Poznámka o slovenských dátach

Aj na Slovensku sa AI stáva súčasťou firemného fungovania. Podľa prieskumu Európskej investičnej banky (EIBIS 2025, 401 slovenských firiem, apríl až júl 2025) využíva generatívnu AI približne 35 % slovenských firiem. Čísla o podiele firiem s AI sa v rôznych zdrojoch líšia podľa metodiky, preto pri konkrétnych porovnaniach treba siahnuť po údajoch Eurostatu.

Zatiaľ však nevieme, čo tento posun robí s pracovnými miestami a prenosom skúseností. V zdrojoch, ktoré sme pre tento článok preverili, sme nenašli slovenskú štúdiu, ktorá by merala, čo firmy strácajú po nahradení ľudí AI alebo ako sa u nás mení prijímanie nováčikov. Vieme teda pomerne dobre opísať mieru využívania AI, oveľa menej však jej dôsledky pre ľudí a ich skúsenosti. Aj táto medzera je zistením.

DEEP DIVE: Čo tieto zdroje nehovoria

• Úvodný príklad: hypotetická ilustrácia, nie skutočný prípad ani dôkaz.
• Brynjolfsson, Li, Raymondová: jedna firma, chatová zákaznícka podpora.
• Doshi a Hauser: online experiment s krátkymi poviedkami.
• Shumailov a kol.: správanie modelov pri tréningu na vlastných výstupoch, nie rozhodovanie manažérov.
• Brynjolfsson, Chandar, Chen: pracovný dokument, americké dáta z jedného poskytovateľa miezd, deskriptívne zistenie bez dôkazu príčiny. Dáta poskytol ADP, ktorý laboratórium podporuje a má právo dokument skontrolovať kvôli ochrane dôverných informácií. Miery využívania AI na automatizáciu a na doplnenie práce pochádzajú z indexu spoločnosti Anthropic. Opisované zaostávanie sa zvýšilo z 15 % pri dátach z júla 2025 na 19 % pri dátach do júna 2026. Regresné odhady zo starších verzií (13 %, 16 %) sú iná metrika, preto treba pri porovnávaní uvádzať metriku aj verziu.
• EIB: prieskum 401 firiem, meria využívanie AI, nie jeho dôsledky pre ľudí.

Dokopy nedokazujú, že nahrádzanie ľudí AI zlyháva všeobecne. Ukazujú miesta, kde sa zdroj kvality alebo rozmanitosti javí ako ľudský.

Kde AI naozaj pomáha

Aby to nebolo čiernobiele: AI sa oplatí tam, kde je úloha opakovateľná a dobre opísaná, a nováčikom v zákazníckej podpore reálne pomohla. Otázka nie je „AI áno, alebo nie“, ale kto vytvára repertoár, z ktorého systém čerpá, a kto ho bude rozširovať v budúcnosti.

Pravidlo do vrecka

Skôr než firma zruší pozíciu alebo prestane prijímať nováčikov, nech si položí dve otázky: čo z toho, čo tento človek robí, nie je nikde zapísané? A kto sa to bude učiť, keď tu nebude?

Ak je odpoveď na prvú „nič“, firma má aspoň dobrý začiatok na posúdenie automatizácie. Ak nevie pomenovať, čo človek prináša navyše, nemala by zamieňať neznalosť jeho prínosu za dôkaz, že žiadny nemá. Je to dôvod na preskúmanie jeho práce, nie hotové rozhodnutie.

Je to myšlienkový model, nie výsledok štúdie. Karaoke je skvelá zábava. Len niekto musí písať piesne.

Zdroje

1. Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics 140(2), 889–942. https://doi.org/10.1093/qje/qjae044 (tlačová správa OUP: https://www.eurekalert.org/news-releases/1071936)
2. Doshi, A. R., Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290
3. Shumailov, I. a kol. (2024). AI models collapse when trained on recursively generated data. Nature 631, 755–759. https://doi.org/10.1038/s41586-024-07566-y
4. Brynjolfsson, E., Chandar, B., Chen, R. (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, pracovný dokument, revidovaná verzia z 12. augusta 2026 (dáta do júna 2026): https://digitaleconomy.stanford.edu/app/uploads/2026/08/Canaries_August2026.pdf. Zhrnutie autorov: https://digitaleconomy.stanford.edu/news/canariesaug26/. Pôvodná verzia z augusta 2025 (13 %): https://siepr.stanford.edu/publications/working-paper/canaries-coal-mine-six-facts-about-recent-employment-effects-artificial
5. Európska investičná banka (2025). EIBIS 2025, Slovensko, tlačová správa 2025-516-SK. https://www.eib.org/en/press/all/2025-516-slovak-firms-invest-trade-and-innovate-but-confidence-weakens-amid-rising-uncertainty?lang=sk
6. Stanford HAI, rozhovor s autormi štúdie o produktivite: https://hai.stanford.edu/news/will-generative-ai-make-you-more-productive-work-yes-only-if-youre-not-already-great-your-job
7. Ide, E. (2025). Automation, AI, and the Intergenerational Transmission of Knowledge. arXiv:2507.16078.
8. Garicano, L., Rayo, L. (2025). Training in the Age of AI: A Theory of Apprenticeship Viability. CEPR Discussion Paper 20634.