Abstrakt: Informační technologie procházejí strukturální transformací poháněnou nástupem umělé inteligence, strojového učení a pokročilé automatizace. Tato změna představuje nejvýraznější posun na trhu IT práce od počátku internetové éry. Na rozdíl od zjednodušujících narativů „člověk versus stroj" jde o komplexní redistribuci schopností: některé role zaniknou, jiné se transformují a vznikají zcela nové profesní kategorie vyžadující kombinaci technické expertízy a lidských dovedností. Tento článek shrnuje aktuální trendy v zániku a vzniku IT pozic na základě studií MIT Technology Review, McKinsey Global Institute a World Economic Forum Future of Jobs Reports (2020–2024). Mapuje rizikové faktory, identifikuje klíčové mezery v dovednostech a nabízí praktické strategie pro kariérní odolnost. Závěr se věnuje dopadům na vzdělávací systém a rekvalifikační strategie firem.
---
1. Úvod: Posun od automatizace úkolů k augmentaci poznávání
IT sektor prošel několika vlnami zásadních změn, z nichž každá měla své charakteristické dopady na zaměstnanost.
Vlna 1: Přechod od mainframů k osobním počítačům (80. a 90. léta) Zanikly role operátorů mainframů a programátorů děrných štítků. Vznikli administrátoři PC a specialisté na desktop podporu. Čistý dopad byl pozitivní – PC vytvořily více pracovních míst, než zrušily.
Vlna 2: Internetová revoluce (90. a 2000. léta) Vznik webových vývojářů, síťových administrátorů a specialistů na e-commerce. Celá nová odvětví znamenala masivní tvorbu pracovních míst.
Vlna 3: Mobilní a cloudová transformace (2000–2010) Posun od on-premise infrastruktury k mobilním vývojářům, cloudovým architektům a DevOps inženýrům. Šlo spíše o transformaci než zánik rolí.
Vlna 4: AI a automatizace (od 2020) Tato vlna se kvalitativně liší – cílí na poznávací úkoly, nikoli pouze na manuální práci. Poprvé v historii automatizace ve velkém míří na znalostní práci a její konečný dopad zatím není jasný.
Specifika současné disrupce
Předchozí vlny automatizace mířily na rutinní a předvídatelné úkoly. Současné AI systémy zvládají oblasti, které tradičně vyžadovaly lidský úsudek – porozumění přirozenému jazyku, generování obsahu, pomoc se strategickým plánováním a kontextové rozhodování.
Změna probíhá exponenciálně, nikoli lineárně. Doba zdvojnásobení schopností modelů se pohybuje mezi 6 a 12 měsíci, podniková adopce trvá 18 až 24 měsíců (oproti 5–7 letům u cloudu) a kritické dovednosti zastarávají během 2 až 3 let. GitHub Copilot získal přes milion uživatelů během 12 měsíců, ChatGPT dosáhl 100 milionů uživatelů za 2 měsíce.
2. Analýza ohrožených rolí
Rámec hodnocení rizika
Adaptace metodiky Frey-Osborne na IT role pracuje s několika faktory: rutinní poznávací úkoly mají vysoké riziko automatizace (kolem 80 %), kreativní řešení problémů nízké (20 %), sociální interakce velmi nízké (10 %), jemná motorika střední (30 %).
Vysoce rizikové role
Technická podpora 1. úrovně (pravděpodobnost automatizace 85 %)
Role zahrnuje triáž ticketů, základní řešení problémů, reset hesel a komunikaci podle předdefinovaných rozhodovacích stromů. Moderní AI systémy zvládají přes 90 % takových požadavků – rozumí jazyku, mají přístup ke znalostní bázi a integrují se s backendovými systémy. Časový horizont vytlačení je 2024–2026. Profesionálům se doporučuje přechod na role L2/L3, rozvoj dovedností v řízení vztahů se zákazníky a soustředění na komplexní scénáře.
Manuální testování software (pravděpodobnost 78 %)
Opakované provádění testovacích scénářů, regresní testování a základní verifikace funkčnosti jsou vysoce zranitelné. AI nástroje generují testovací sady, provádějí vizuální testování napříč prohlížeči a detekují regrese automaticky. QA profesionálové by se měli zaměřit na strategii a architekturu testování, expertízu v konfiguraci AI nástrojů a doménově specifické testování (bezpečnost, výkon, přístupnost).
Junior frontend vývoj (pravděpodobnost 65 %)
Převod designů na statické HTML/CSS, implementace základních komponent a rutinní integrace API jsou ohrožené. Nástroje jako GitHub Copilot, Tabnine či Replit Ghostwriter již transformují produktivitu juniorních vývojářů.
Středně rizikové role
Vývoj backendových API (45 %) – automatizovány budou generování CRUD operací, základní autentizace, návrh databázových schémat a generování dokumentace. Lidé zůstávají klíčoví v návrhu obchodní logiky, architektonických rozhodnutích a optimalizaci výkonu.
DevOps inženýrství (40 %) – AI doplní automatizaci provisioningu, prediktivní škálování a detekci zranitelností. Strategická rozhodnutí o platformě, plánování obnovy po havárii a vztahy s dodavateli zůstávají v lidské doméně.
3. Vznikající role v AI organizacích
Role spolupráce člověk-AI
AI produktový manažer (růst o 300 % do roku 2027): Definuje požadavky na AI produkty, propojuje technické možnosti s obchodními potřebami, řídí životní cyklus modelů a koordinuje datové vědce, ML inženýry a doménové experty. Vyžaduje znalost ML algoritmů, architektury datových pipeline, hodnocení modelů a etiky AI v kombinaci s produktovou strategií. Platové rozpětí v technologických firmách činí 150–300 tisíc dolarů ročně.
AI trenér / Prompt inženýr (růst o 250 % do roku 2026): Role se vyvíjí od ručního ladění promptů přes systematické metodologie až po metaučení s podporou AI. Klíčové techniky zahrnují řetězení úvah (chain-of-thought), few-shot learning a zpětnovazební učení z lidské zpětné vazby (RLHF).
Lidsky orientované technologické role
Etický AI důstojník: Stává se nezbytnou rolí kvůli regulační compliance (EU AI Act), řízení rizik (algoritmické zaujatosti, porušení soukromí) a reputaci značky. Mezi denní úkoly patří audit trénovacích dat, hodnocení procesů algoritmického rozhodování, vytváření interních governance rámců a školení technických týmů.
Designér interakce člověk-AI: Tradiční UX design (člověk ↔ systém) se mění na trojúhelník (člověk ↔ AI agent ↔ ekosystém systémů). Výzvami jsou návrh pro nejistotu pravděpodobnostních systémů, řízení očekávání uživatelů, transparentní rozhodování AI a mechanismy záchrany při selhání.
Infrastrukturní a platformní role
Architekt AI infrastruktury: Specializace na správu GPU clusterů, distribuované trénování modelů, vysokopropustnou inferenci, real-time streaming pro ML, verzování dat a feature stores. Klíčové platformy zahrnují MLflow, Kubeflow, Feast či Tecton.
Specialista na bezpečnost AI: Reaguje na nové hrozby – adversariální útoky, otravy dat, prompt injection a deepfakes. Pracuje s vrstveným přístupem: validace vstupů, robustnost modelů, adversariální trénování, runtime detekce anomálií a verifikace výstupů.
4. Strategie rekvalifikace
Rámec posouzení dovedností
Kategorie dovedností zahrnují technické jádro (programování, návrh systémů), AI gramotnost (základy ML, prompt inženýrství), lidsky orientované dovednosti (komunikace, kreativita) a obchodní orientaci (produktové myšlení, strategie).
Konkrétní cesty přechodu
Z L1 podpory na specialistu AI podpory: V první fázi (3 měsíce) absolvovat kurz strojového učení, naučit se základy promptingu a porozumět architektuře chatbotů. Ve druhé fázi (3–6 měsíců) ladit modely, analyzovat sentiment zákazníků a optimalizovat výkon AI.
Z manuálního testera na stratéga AI testování: Od ovládnutí AI nástrojů (Selenium s AI rozšířeními, Applitools) přes návrh strategií a frameworků až k validaci ML modelů a bezpečnostnímu testování. Celkový horizont 12 měsíců.
Odvětvové specifikace
Ve finančních službách vznikají role specialisty na algoritmické obchodování s AI, RegTech compliance důstojníka a analytika rizik AI. Ve zdravotnictví roste poptávka po validátorech medicínské AI, specialistech na ochranu dat a integraci AI do klinických workflow.
5. Časové horizonty
Krátkodobé predikce (2024–2026)
Očekává se 60% pokles v náboru L1 podpory, automatizace 40 % manuálních testovacích rolí a 25% nárůst pracovních inzerátů s AI tematikou. Rychle adoptují velké technologické firmy, finanční služby a zdravotnictví. Silicon Valley vede o 12–18 měsíců, sekundární trhy zaostávají o 12–18 měsíců, globální trhy o 18–24 měsíců.
Střednědobý vývoj (2026–2028)
Polovina IT firem bude mít vyhrazené AI role, 70 % stávajících IT pozic projde významnou modifikací. Nastane vážný nedostatek profesionálů s AI gramotností a platová bifurkace mezi AI a tradičními dovednostmi.
Dlouhodobá stabilizace (2028–2030)
Nové kategorie pracovních pozic se stanou standardem, univerzity nabídnou hybridní AI-IT programy, prémie za AI dovednosti se sníží s rostoucí nabídkou. Předpokládaný čistý nárůst počtu IT pracovních míst činí 15–20 %.
6. Strategie organizační transformace
Firemní programy rekvalifikace
Komplexní programy podle vzoru IBM SkillsBuild kombinují posouzení dovedností, plánování rolí na 3–5 let, individualizované učení, projekty s reálným dopadem a mentorování. Kritické jsou transparentní komunikace, záruky proti propouštění během transformace, vyhrazený čas na učení (20 % pracovní doby) a podpora interní mobility.
Adaptace vzdělávacích institucí
Moderní IT studijní programy kombinují tradiční informatiku se základy AI, lidskými faktory a specializačními větvemi (AI inženýrství, governance, hybridní doménová expertíza). Nové certifikace zahrnují AI produktového manažera, etického AI profesionála a designéra spolupráce člověk-AI.
7. Dopady na ekonomiku a společnost
Dynamika trhu práce
V USA je odhadem 2,1 milionu pracovníků ve vysoce rizikových IT rolích s 65% mírou transformace v letech 2024–2028. Středně rizikových rolí je 3,8 milionu s 35% transformací. Současně vznikne 1,8 milionu nových AI specializovaných pozic s 40% prémií oproti tradičním IT. Pro hladký přechod bude potřeba podpořit rekvalifikaci asi 70 % vytlačených pracovníků.
Doporučení pro tvůrce politik
Klíčová opatření zahrnují národní programy AI gramotnosti, partnerství univerzit s průmyslem, certifikační programy na vyšších odborných školách, rekvalifikační vouchery pro vytlačené pracovníky a daňové pobídky pro firmy investující do vzdělávání. Regulační rámec by měl zajistit etické nasazení AI, lidský dohled, transparentnost rozhodování a ochranu pracovníků.
8. Strategie kariérní navigace
Okamžité kroky (následujících 6 měsíců)
Pro stávající IT profesionály jsou prioritou: dokončit bezplatný kurz AI/ML, experimentovat s AI nástroji v běžné práci, zapojit se do odborných komunit, aktualizovat životopis o relevantní projekty, navázat kontakty s AI profesionály a analyzovat pracovní inzeráty pro cílové role.
Střednědobý rozvoj (6–18 měsíců)
Specializované cesty zahrnují přechod od systémového administrátora k specialistovi AI infrastruktury (Kubernetes, MLOps nástroje, optimalizace nákladů AI workloadů) nebo od byznys analytika k AI produktovému manažerovi (základy ML, životní cyklus AI produktů, etika).
Dlouhodobá udržitelnost
Kariérní strategie by měla kombinovat širokou technickou základnu se specializovanou AI znalostí, silnými lidsky orientovanými dovednostmi, adaptabilitou a mezioborovým pohledem. Trvale relevantní zůstávají dekompozice komplexních problémů, mezifunkční spolupráce, etické uvažování, systémové myšlení a schopnost rychle se učit.
9. Závěr
Transformace IT zaměstnanosti je radikálnější i nuancovanější, než naznačuje zjednodušený narativ „lidé versus stroje". Rutinní poznávací úkoly se automatizují, zároveň však vznikají nové kategorie spolupráce, které vyžadují kombinaci AI gramotnosti a typicky lidských schopností.
Úspěch v této tranzici vyžaduje proaktivní adaptaci. Profesionálové, kteří začnou rozvíjet AI dovednosti nyní a zachovají si doménovou expertízu, budou nejlépe připraveni. Okno pro dobrovolnou rekvalifikaci je otevřené, postupně se však bude uzavírat s rostoucí konkurencí.
Organizace investující do rozvoje vlastních lidí dosahují lepších výsledků než ty, které sázejí na pouhé nahrazení automatizací. Komplexní rekvalifikační programy korelují s vyšší spokojeností zaměstnanců, lepší retencí a úspěšnější implementací AI.
Budoucnost IT práce nestojí na soutěži lidí s AI, ale na jejich vzájemném doplňování. Nejúspěšnější profesionálové a organizace budou ti, kdo tuto spolupráci zvládnou – využijí výpočetní sílu AI a doplní ji jedinečně lidskými vhledy, kreativitou a úsudkem.
---
Doporučená literatura
- Brynjolfsson, E., & McAfee, A. (2014): The Second Machine Age. W. W. Norton & Company.
- Frey, C. B., & Osborne, M. A. (2017): The Future of Employment. Oxford Martin School.
- World Economic Forum (2020–2024): The Future of Jobs Report Series.
- McKinsey Global Institute (2023): The Age of AI.
- MIT Technology Review (2024): AI and the Future of Work.
- Acemoglu, D., & Restrepo, P. (2019): Automation and New Tasks. Journal of Economic Perspectives.
- Stanford HAI: AI Index Reports (2020–2024).
- IEEE Standards Association: Ethical Design Guidelines for AI Systems.
