Gartner a budúcnosť AI: prognózy, merania a kritický pohľad
Čo predpovedá Gartner a ako sa jeho odhady menia v čase? Historické porovnanie, rast schopností podľa METR, pracovné úlohy podľa Anthropic a naša kritická reflexia v deviatich infografikách.
Tri rôzne otázky o budúcnosti AI
Schopnosti, firemná produktivita a pracovné miesta majú odlišné merítka. Jediná krivka ich nevystihne.
Naše stanovisko: Gartner pomáha usporiadať témy. Časové odhady potrebujú historické overenie a porovnanie s meranými výsledkami.
Gartnerove krivky sledujem už niekoľko rokov. Pomáhajú mi usporiadať si technologické témy, ale postupne sa u nich vraciam k jednej otázke: keď má určitý prístup opakovane dospieť za dva až päť rokov, približuje sa skutočne k cieľu, alebo sa posúva samotný termín? Tento rok ma tak zaujala predovšetkým kombinovaná AI. Jej názov znie aktuálne, spájanie rôznych metód umelej inteligencie však poznáme už dlho.
Podobné napätie vidím medzi rýchlym rastom schopností modelov a opatrnejšími prognózami podnikového nasadenia. Oboje môže byť súčasne pravda: AI môže zvládať stále náročnejšie úlohy a konkrétna firma napriek tomu nemusí dosiahnuť očakávaný prínos. Aby sme poznali, kedy je opatrnosť namieste a kedy už za vývojom zaostáva, potrebujeme popri prognózach aj meranie a pohľad do histórie.
Gartner v prehľade z októbra 2026 zdôrazňuje presun pozornosti k zodpovednosti za správanie AI, jej nákladom a riadeniu. Agenti, robotika a nové modely ďalej priťahujú záujem, ale zároveň odhaľujú slabé miesta firemných dát, bezpečnosti a organizácie práce. Gartner o hlavnom posune v AI v roku 2026.
Na pochopenie tohto vývoja je potrebné rozlišovať niekoľko rôznych máp. Všeobecná krivka umelej inteligencie zachytáva technologické smery. Ďalšie prehľady sa venujú generatívnej AI, agentovým systémom a AI vo fyzickom svete. Samostatná krivka budúcnosti práce skúma aj zručnosti, vedenie ľudí a vzťah človeka s automatizáciou. Ich témy sa prekrývajú, ale neodpovedajú na rovnakú otázku.
Najprv vysvetlím Gartnerovej kategórie a porovnám ich s odhadmi IDC, Forresteru, Deloitte, McKinsey a výrobcov AI. Potom pridám meranie METR, výskum pracovných úloh od Anthropic a osem historických príkladov z obdobia 2011 – 2026; u kombinovanej AI porovnám roky 2020, 2023 a 2026. Na konci oddelím vlastnú kritickú reflexiu od tvrdenia jednotlivých inštitúcií.
Článok bol zverejnený 10. novembra a rozšírený 11. novembra 2026. Vychádza z verejných správ, dát a grafov; u rokov 2011, 2020 a 2023 tiež z verejne dostupných pretlačí pôvodných správ. Úplné platené profily Gartneru na rok 2026 nie sú podkladom tejto analýzy. Technické vysvetlenia, vlastné členenia a autorské reflexie sú od prognóz zdrojov odlíšené.
Ako čítať krivku očakávania
Gartnerov model má päť fáz. Ich slovenský význam je možné zhrnúť nasledovne:
| Fáza | Čo vyjadruje |
|---|---|
| Inovačný impulz | Objavia sa nové možnosti, prvé pokusy a výrazný záujem. Praktická využiteľnosť je neistá. |
| Vrchol prehnaných očakávaní | Úspešné ukážky vytvárajú predstavu rýchlej a rozsiahlej premeny. Očakávania predbiehajú skúsenosť z prevádzky. |
| Údolie vytriezvenia | Prejavia sa limity, náklady a neúspešné projekty. Časť dodávateľov aj užívateľov odpadá. |
| Svah porozumenia | Pribúdajú opakovateľné postupy a jasnejšia predstava, kde technológia prináša hodnotu. |
| Plošina produktivity | Rozširuje sa zavedené používanie a lepšie známe podmienky ekonomického prínosu. |
Ide o manažérsky rámec pre uvažovanie o vyspelosti a adopcii. Zvislá os zobrazuje očakávania; vodorovná predstavuje postup vývoja bez pravidelnej kalendárnej stupnice. Konkrétny časový odhad vyjadruje značka pri položke. Oficiálne vysvetlenie metodiky Gartneru.
Z toho vyplývajú dôležité obmedzenia interpretácie. Pokles na krivke neznamená pokles výpočtového výkonu ani zhoršovanie všetkých produktov. Technológia v údolí môže byť pre určitú úlohu veľmi užitočná. Technológia na vrchole zase nemusí byť pripravená na plošné nasadenie. Výška bodu neudáva mieru nebezpečnosti, tržby ani pravdepodobnosť úspechu.
Rovnako opatrne treba čítať čas. „Dva až päť rokov do produktivity“ nie je dátum vynálezu, prvého produktu alebo prvej návratnej zákazky. Je to odhad zostávajúcej cesty k širšej vyspelosti príslušnej kategórie. Pre augustový graf z roku 2026 možno intervaly orientačne previesť takto:
| Značka v grafe | Orientačný kalendárny význam |
|---|---|
| Menej ako dva roky | Výhľad približne do druhej polovice roku 2028 |
| Dva až päť rokov | Približne roky 2028 až 2031 |
| Päť až desať rokov | Približne roky 2031 až 2036 |
| Viac ako desať rokov | Za horizontom roku 2036 |
Tento prevod je jednoduchý prepočet intervalov, nie ďalšiu predpoveď. Intervaly nie sú štatistickými intervalmi spoľahlivosti. U konkrétneho podniku sa výsledok môže dostaviť podstatne skôr, neskôr, alebo vôbec.
Preto ani značka pri základných modeloch neznamená, že ich firmy začnú používať až o dva roky. Už prieskum McKinsey zverejnený v marci 2025 uvádzal, že 71 percent respondentov hlási pravidelné používanie generatívnej AI aspoň v jednej podnikovej funkcii. Ide o opýtané organizácie, nie o sčítanie všetkých firiem. Rozšírené používanie a predvídateľný ekonomický prínos sú rôzne veci. Zároveň by mal analytik vysvetliť, podľa akého pozorovateľného kritéria už bude plošina dosiahnutá. Bez neho sa odhad ťažko overuje. McKinsey: používanie generatívnej AI v organizáciách.
Kedy Gartner očakáva širšiu produktivitu
Odhady z augusta 2026. Technológie sa môžu používať už dnes; graf nehovorí, kedy budú vynájdené.
Termín produktivity nie je termín vynálezu. Ide o orientačný prepočet intervalov od augusta 2026. Pri všeobecnej AI to nie je predpoveď dátumu jej vzniku.
Vlastná infografika podľa Gartnerovho grafu 2026, strana 3.Čo presne obsahuje technologická mapa pre rok 2026
Všeobecná správa o AI bola zverejnená 28. augusta 2026. Samotný graf zachytáva augustový stav. To je dôležité odlíšiť od októbrového článku, ktorý správu popularizuje. Verejný záznam správy Gartneru.
Pôvodný graf Gartneru pre rok 2026. Poloha ukazuje fázu očakávania. Pre presné časové intervaly slúži legenda pôvodného prehľadu a nasledujúca tabuľka. Zdroj a úplný prehľad.
Na grafe je 27 položiek. Nasledujúca tabuľka prekladá ich názvy a pridáva stručné vecné vysvetlenie. Časové odhady sú prepísané zo značiek v pôvodnom grafe; vysvetlenie pojmov slúži ako čitateľský slovník a nenahradzujú licencované definície Gartneru.
| Oblasť | Čo si pod ňou predstaviť | Odhad k plošine produktivity |
|---|---|---|
| Kombinovaná AI | Spojenie viacerých prístupov, napríklad učenie z dát, pravidiel, optimalizácia a znalostných štruktúr. | Menej ako 2 roky |
| Základné modely | Rozsiahle predtrénované modely použiteľné ako základ mnohých špecializovaných aplikácií. | Menej ako 2 roky |
| AI priamo v zariadeniach | Vyhodnocovanie na telefóne, stroji, vozidle či miestnom zariadení blízko zdroja dát. | Menej ako 2 roky |
| Generatívne AI | Systémy vytvárajúce text, obraz, zvuk, kód a ďalší obsah. | Menej ako 2 roky |
| AI vychádzajúca zo základných princípov | Prepájanie učenia s fyzikálnymi zákonmi, odborovými pravidlami a ďalšou známou štruktúrou problému. | 2 až 5 rokov |
| Kauzálna AI | Modelovanie príčinných vzťahov a dôsledkov zásahov. | 2 až 5 rokov |
| Identita AI agentov | Rozpoznanie konkrétneho agenta, jeho oprávnenia, zastupovanej osoby a zodpovednosti. | 2 až 5 rokov |
| Vývoj softvéru od základu postavený na AI | Vývojový proces, v ktorom je AI súčasťou návrhu, implementácie, overovania aj údržby. | 2 až 5 rokov |
| Rozhodovacia inteligencia | Prepojenie dát, modelov, rozhodovacích pravidiel a spätnej väzby o výsledkoch. | 2 až 5 rokov |
| Finančné riadenie prevádzky AI | Priebežné sledovanie a optimalizácia nákladov AI vzhľadom k dosiahnutej hodnote. | 2 až 5 rokov |
| Suverénne AI | Kontrola nad dátami, modelmi, infraštruktúrou a závislosťami na dodávateľoch či jurisdikciách. | 2 až 5 rokov |
| Inžinierstvo AI | Postupy pre spoľahlivú stavbu, nasadzovanie, hodnotenie a prevádzku AI systémov. | 2 až 5 rokov |
| AI agenti | Systémy, ktoré v rámci zvereného cieľa vyberajú kroky a používajú nástroje. | 2 až 5 rokov |
| Multimodálna AI | Modely spájajúce viac typov vstupov alebo výstupov, napríklad text, obraz a zvuk. | 2 až 5 rokov |
| Dáta pripravené pre AI | Dáta dostatočne kvalitné, dostupné, popísané a oprávnene použiteľné pre danú úlohu. | 2 až 5 rokov |
| Syntetické údaje | Umelo vytvorené príklady pre trénovanie, testovanie alebo simuláciu. | 2 až 5 rokov |
| Znalostné grafy | Štruktúrované zachytenie objektov, ich vlastností a vzájomných vzťahov. | 2 až 5 rokov |
| Pozorovateľnosť AI | Zisťovanie, čo systém skutočne robí, kde chybuje a ako sa mení jeho správanie. | 5 až 10 rokov |
| Továrne na AI | Výpočtové, dátové a prevádzkové celky pre sústavnú tvorbu a poskytovanie AI. | 5 až 10 rokov |
| Kvantové výpočty pre AI | Využitie kvantových výpočtových metód v úlohách súvisiacich s AI. | 5 až 10 rokov |
| Obchodovanie prostredníctvom agentov | Výber, porovnávanie alebo uskutočňovanie obchodných krokov softvérovými agentmi. | 5 až 10 rokov |
| Riadenie kybernetickej bezpečnosti AI | Pravidlá, zodpovednosti a kontrola kybernetických rizík spojených s AI. | 5 až 10 rokov |
| AI vo fyzickom svete | Systémy, ktoré vnímajú prostredie a zasahujú do neho prostredníctvom strojov a zariadení. | 5 až 10 rokov |
| Simulácia využívajúca AI | Prepájanie AI a simulácií pri modelovaní, skúšaní a hľadaní vhodných postupov. | 5 až 10 rokov |
| Technológie pre správu a dohľad nad AI | Nástroje pre evidenciu systémov, uplatňovanie pravidiel, dohľad a riadenie rizík. | 5 až 10 rokov |
| Modely sveta | Modely reprezentujúce prostredie a predvídajúce jeho možné ďalšie stavy. | 5 až 10 rokov |
| Všeobecná umelá inteligencia | Široko zovšeobecniteľné intelektuálne schopnosti presahujúce úzko vymedzené úlohy. | Viac ako 10 rokov |
Zdroj časových značiek: pôvodný prehľad Gartneru, strana 3. Súčet predstavuje štyri položky v najkratšom horizonte, trinásť v intervale dva až päť rokov, deväť v intervale päť až desať rokov a jednu za desaťročným horizontom.
Osobitnú pozornosť si zaslúži posledný riadok. Značka u všeobecnej umelej inteligencie vyjadruje vzdialenosť k plošine produktivity v Gartnerovom modeli. Nie je to priamo predpoveď dátumu vzniku prvej všeobecnej umelej inteligencie. Navyše sa líšia samotné definície toho, čo by takýto systém musel spĺňať.
Aj pri znalostných grafoch alebo kombinovaní metód môže horizont prekvapiť: ich princípy sú staršie ako súčasná vlna generatívnej AI. Vek metódy, vyspelosť produktu a rozšírenie konkrétneho nasadenia sa líšia. Tým ale otázka nekončí. Ak sa opakuje rovnaký názov aj podobný časový odhad, potrebujeme porovnať pôvodnú definíciu s novou a zistiť, čo sa zmenilo. Historické porovnanie uvádzam nižšie.
Podobne nemožno automaticky stotožniť používanie generátorov kódu s vývojom softvéru od základu postaveným na AI. Druhý pojem môže zahŕňať zmenu celého procesu: zadávanie požiadaviek, návrh, overovanie, nasadenie a údržbu. Výskumná vízia publikovaná v roku 2026 popisuje nástroje pre konverzačnú tvorbu aplikácií ako raný prejav širšej premeny. Samotné používanie asistenta teda nerozhoduje o vyspelosti celého procesu; pre hodnotenie prognózy však musí byť tento rozdiel stanovený vopred. Výskumná vízia vývoja softvéru založeného na AI.
Šesť technologických okruhov a ich skutočné prekážky
Silný model ešte nezaručí prínos.
Štyri miesta, kde sa sľubná ukážka môže zmeniť na nákladnú prevádzku. A čo pri zavádzaní overiť.
Presvedčivá, ale chybná odpoveď
Overiť zdroje, aktuálnosť a význam dát.
Chyby sa môžu reťaziť
Obmedziť oprávnenie a kontrolovať dôležité kroky.
Lacná odpoveď, drahý výsledok
Započítať opakovanie, opravy aj ľudskú kontrolu.
Strata skúseností a úsudku
Zachovať úsudok, učenie a znalosť výnimiek.
Vlastná syntéza rizík rozobraných v článku. Nejde o rebríček pravdepodobnosti zlyhania.
Pre orientáciu je možné 27 položiek rozdeliť do šiestich vecných okruhov. Toto členenie je vlastnou syntézou pre čitateľov, nie ďalšou oficiálnou klasifikáciou Gartneru. Kategórie sa prekrývajú: napríklad multimodálny model môže byť súčasťou robota aj kancelárskeho asistenta.
Modely a reprezentácia znalostí. Patria sem základné, generatívne a multimodálne modely, znalostné grafy, kombinované a kauzálne AI, modely sveta či AI vychádzajúce zo základných princípov. Spoločnou otázkou je, ako spojiť pružnosť učenia s overiteľnými informáciami a obmedzeniami konkrétneho odboru.
Technické riziko spočíva v zámene presvedčivosti za správnosť. Jazykový model môže navrhnúť uveriteľné vysvetlenie bez toho, aby správne zachytil príčinu. Znalostný graf môže sprehľadniť vzťahy, ale obsahovať zastarané údaje. Fyzikálne obmedzenie môže zlepšiť modelovanie stroja, ak zodpovedá skutočnému prevádzkovému režimu. Každá z týchto metód mení povahu chýb; žiadna sama o sebe nedokazuje správnosť celého systému.
Agenti a automatizácia práce. AI agent pridáva k vytváraniu odpovedí schopnosť konať: vyhľadávať, vyberať nástroje, vykonávať operácie a reagovať na priebežný výsledok. Patrí sem aj agentské obchodovanie a premena vývoja softvéru.
S rastúcim počtom krokov sa však zväčšuje priestor na chybu. Uvažujme čisto ilustračný model: každý z dvadsiatich nezávislých krokov sa podarí s pravdepodobnosťou 98 percent a všetky sú pre výsledok nevyhnutné. Pravdepodobnosť bezchybného celku je potom 0,98 na dvadsiatu, teda približne 67 percent. Skutočné chyby nebývajú nezávislé a agenti môžu niektoré opraviť, takže nejde o meranie ich súčasnej spoľahlivosti. Príklad ukazuje nárok na spoľahlivosť viackrokového postupu, nie dlhodobú hranicu schopností AI. Pracuje s pevnou chybovosťou; skutočné systémy sa zlepšujú, využívajú testy a opravujú neúspešné pokusy. Práve merania METR nižšie ukazujú, že dĺžka samostatne zvládnuteľných úloh rýchlo rastie. Súčasný problém preto nemožno bez ďalšieho premietnuť o päť rokov dopredu. Prejsť na graf METR.
Dáta a simulácia. Kvalita dát zahŕňa správnosť, aktuálnosť, reprezentatívnosť i význam v konkrétnom procese. Tabuľka môže byť bez technických vád, ale pre rozhodnutie nevhodná: napríklad obsahuje historické pravidlá, ktoré už firma nepoužíva. Syntetické dáta môžu doplniť vzácne situácie, zároveň však môžu opakovať slepé škvrny modelu, ktorý ich vytvoril.
Výskum Shumailova a spoluautorov publikovaný v časopise Nature v roku 2024 ukazuje riziko degradácie pri opakovanom učení z modelovo generovaných dát, vrátane strácania vzácnych častí pôvodného rozdelenia. Ide o varovanie pred konkrétnym spôsobom opakovaného trénovania, nie dôkaz, že všetky syntetické dáta škodia. Pre prax z toho vyplýva potreba sledovať pôvod príkladov a overovať výsledky na nezávislých skutočných dátach. Štúdia o kolapse modelov pri rekurzívnom trénovaní.
Prevádzka, dohľad a bezpečnosť. Táto skupina zahŕňa inžinierstvo AI, pozorovateľnosť, správu modelov a aplikácií, identitu agentov a kybernetickú bezpečnosť. Gartner označuje pozorovateľnosť za významnú novú tému: bežný monitoring dostupnosti nemusí odhaliť systém, ktorý zodpovedá rýchlo, ale nesprávne. Súčasný trh nástrojov podľa neho zostáva roztrieštený. Gartner k pozorovateľnosti a riadeniu AI.
Praktický rozdiel je možné ukázať na agentovi pracujúcom s faktúrami. Potrebujeme vedieť, ktorý dokument čítal, aké údaje z neho prevzal, s akým oprávnením zmenil záznam a kto môže zmenu schváliť. Záznam, že „model úspešne odpovedal“, tieto otázky nerieši. Podobne je nutné rozlíšiť nebezpečný pokyn vložený do cudzieho dokumentu od legitímneho zadania používateľa. Väčšia autonómia rozširuje dôsledky takejto zámeny.
Ekonomika, infraštruktúra a suverenita. Továrne na AI, finančné riadenie jej prevádzky, miestne výpočty, kvantové metódy a suverénna infraštruktúra riešia rôzne stránky otázky, za akých podmienok je možné AI dlhodobo prevádzkovať.
Z ekonomického hľadiska je vhodnejšie merať cenu prijatého výsledku ako cenu jednej odpovede. Lacný model môže vyžadovať mnoho opakovaní a ľudských opráv. Nákladnejší model môže mať nižšie celkové náklady, ak úlohu dokončí správne na prvýkrát. Pri suverenite je zase potrebné oddeliť umiestnenie dát, kontrolu nad ich spracovaním, dostupnosť výpočtov a možnosť zmeniť dodávateľa. Samotná adresa dátového centra nerieši všetky tieto závislosti.
Gartner preto pri nákladoch odporúča voliť úroveň modelu podľa potreby, zavádzať rozpočty jednotlivých behov a automatické zastavenie pri prekročení limitov. Jeho argument je prevádzkový: spotrebu je potrebné ovplyvniť už počas činnosti systému. Gartner na riadenie nákladov AI.
Fyzické systémy. Robotika a ďalšie AI pôsobiace v reálnom svete prepájajú model s čidlami, riadením pohybu, mechanikou a okolitou prevádzkou. Chyba sa môže prejaviť poškodeným predmetom alebo nebezpečným pohybom. Tu sa stretáva pravdepodobnostné správanie AI s požiadavkou predvídateľnej bezpečnosti.
Dôvod dlhšieho horizontu je možné pochopiť na robotovi v sklade. Musí rozpoznať balík, bezpečne ho uchopiť, odlíšiť prekážku od človeka, reagovať na výpadok senzora a spolupracovať s ďalšími strojmi. Lepší jazykový model môže zlepšiť porozumenie pokynu, ale sám nevyrieši všetky tieto obmedzenia. Nasledujúce Gartnerovo členenie ukazuje, prečo je potrebné hodnotiť celý systém.
Prečo Gartner vydáva samostatné prehľady pre generatívnu, agentnú a fyzickú AI
Pri generatívnej AI Gartner vo verejnom výklade rozlišuje štyri oblasti: modely, inžinierstvo, agentov a aplikácie, infraštruktúru a podporné metódy. Ich zmyslom je odlíšiť schopnosť modelu od schopnosti dodať funkčnú službu. Rovnaký prehľad obsahuje prognózu, že do roku 2028 najmenej polovica projektov generatívnej AI prekročí plánované náklady kvôli nevhodnej architektúre a nedostatočným prevádzkovým skúsenostiam. Gartnerov prehľad generatívnej AI z 22. júla 2026.
Príkladom architektonického rozhodnutia je, či každú otázku posielať najväčšiemu modelu, alebo rozlišovať medzi jednoduchým vyhľadaním, pravidlovým výpočtom a zložitou analýzou. Ďalším je rozsah informácií prikladaných ku každej požiadavke. Aj pri klesajúcej cene výpočtu môže celková spotreba rásť, ak sa aplikácia rozšíri na viac úloh, viac užívateľov a viac opakovaných krokov.
Pri agentnej AI Gartner upozorňuje na celý ekosystém: vývojové a správne platformy, koordináciu agentov, komunikáciu, správu kontextu, vývojový životný cyklus, bezpečnosť a náklady. Vo verejnom výklade uvádza 17 percent organizácií s nasadenými agentmi a viac ako 60 percent plánujúcich nasadenie v nasledujúcich dvoch rokoch. Údaje pochádzajú z jeho prieskumu technologických riaditeľov na rok 2026. Plány respondentov ale nie sú namerané budúce adopcie. Gartnerov prehľad agentnej AI.
Pre čitateľov je užitočné rozlíšiť asistenta, pevne naprogramovanú automatizáciu a agenta. Asistent pomáha s jednotlivými krokmi. Automatizácia nasleduje vopred určený postup. Agent môže ďalší postup vyberať podľa cieľa a situácie. Konkrétny produkt môže všetky tri režimy kombinovať. Označenie „agent“ preto samo o sebe nevypovedá o rozsahu autonómie ani potrebnom dohľade.
Pri fyzické AI Gartner pomenováva päť prepojených vrstiev:
| Vrstva | Čo zahŕňa |
|---|---|
| Fyzické systémy | Roboty, drony, autonómne vozidlá a ďalšie zariadenia. |
| Modely a metódy inteligencie | Vnímanie prostredia, plánovanie a prispôsobovanie správania. |
| Dáta a simulácia | Trénovacie podklady, simulačné dvojčatá a modelovanie prostredia. |
| Výpočty a riadenie | Miestne spracovanie, senzory, odozvu a odolnosť infraštruktúry. |
| Prevádzková bezpečnosť a koordinácia | Dohľad nad flotilami, bezpečné zlyhanie a prepojenie s priemyselnými systémami. |
Podľa Gartneru slabina jednej vrstvy obmedzuje celok. Zvlášť upozorňuje na rozdiel medzi simulovaným a skutočným prostredím a na ťažké overovanie všeobecnejšej fyzickej autonómie. Gartnerov výklad fyzickej AI z 30. septembra 2026.
Pre nasadenie z toho vyvodzujem jednoduchú mierku: nehodnotiť iba najlepšiu ukážku. Overovať tiež zmeny osvetlenia, neobvyklé predmety, chýbajúce dáta, výpadky spojenia a správania pri neistote. Zvládnutý priemerný prípad nevypovedá dostatočne o bezpečnosti výnimočných situácií.
Budúcnosť práce má vlastnú mapu
Samostatná krivka budúcnosti práce na rok 2026 zachytáva stav z júla. Gartner ju verejne predstavil v septembri. Obsahuje 40 pomenovaných tém, z ktorých rad nie je samostatnou technológiou: ide tiež o zručnosti, psychológiu, pracovné roly a spôsoby spolupráce. Pôvodný graf budúcnosti práce.
Budúcnosť práce zahŕňa okrem technológií aj ľudské schopnosti a organizáciu práce. Zdroj: Gartner, stav z júla 2026.
Gartner k nemu opisuje štyri hlavné posuny:
- Rozširovať ľudské schopnosti prostredníctvom spolupráce s AI. Pozornosť smeruje k úsudku, tvorivosti a zodpovednosti.
- Budovať zamestnancov schopných priebežnej adaptácie. Nestačí raz osvojiť ovládanie nástroja; menia sa úlohy aj potrebné zručnosti.
- Posilňovať kontext, úsudok a zmysel práce. Organizácie majú zachovať porozumenie tomu, prečo sa určitý postup používa.
- Vytvárať podmienky pre nadväzujúce prínosy. Skúsenosti, infraštruktúra a zručnosti majú zlacňovať a zlepšovať ďalšie použitie AI.
Súčasťou oznámenia je prognóza, že do roku 2027 budú tri štvrtiny organizácií zameraných na premenu produktivity AI predovšetkým v úspory predstihnuté konkurentmi, ktorí prínosy vracajú do inovácií, modernizácie a vzdelávania. Pojem „predstihnuté“ však verejná správa neprevádza na jednoznačnú metriku. Gartner o štyroch zmenách budúcnosti práce, 9. septembra 2026.
Aby sa v štyridsiatich položkách dalo orientovať, nasledujúca tabuľka ich zoskupuje podľa praktickej súvislosti. Ide opäť o vlastné čitateľské členenie. Názvy v tabuľke vysvetľujú pôvodné popisy grafu.
| Okruh | Položky z grafu | Otázka, ktorú otvárajú |
|---|---|---|
| Spolupráca ľudí a agentov | Skúsenosť človeka pri práci s agentom; spoločné pracovné prostredie ľudí a agentov; AI ako pracovný partner; prenášanie kognitívnych úloh na AI; identita agentov; trhovisko agentov. | Ktoré kroky delegovať, ako zachovať prehľad a kto zodpovedá za výsledok? |
| Zručnosti a vedenie | Gramotnosť v AI; praktická znalosť AI u vrcholových manažérov; vedenie podporované AI; priebežná aktuálnosť zručností pre AI; digitálna obratnosť; digitálna koučovacia aplikácia. | Učia sa ľudia nástroj používať a súčasne samostatne posudzovať jeho výstupy? |
| Znalosti o ľuďoch a rozhodovaní | Analytika pracovných návykov; práca s ľudským vhľadom; kyberpsychológia; AI pre odhad emócií; smerovanie pozornosti; platformy rozhodovacej inteligencie. | Pomáha meranie porozumenia prácu, alebo vytvára zavádzajúce ukazovatele? |
| Digitálna reprezentácia pracovníka | AI avatar zamestnanca; digitálne dvojča zamestnanca. | Čo reprezentácia smie robiť a ako verne zachytáva schopnosti a oprávnenia človeka? |
| Rozhranie a prístup k nástrojom | Rozhranie bez tradičného ovládania; generované užívateľské rozhranie; konverzačné rozhranie; prehliadač s agentovými funkciami; nositeľné zariadenia s AI. | Rozumie používateľ tomu, čo systém urobí, a dokáže jeho činnosť zastaviť alebo opraviť? |
| Tvorba zadania a riešenia | Tvorba agentov bez písania kódu; návrh zadania a kontextu; knižnica zadanie; metodika zadávania označená PERFECT; tvorba kódu zadávaním v prirodzenom jazyku; inžinier pracujúci priamo pri zavádzaní riešení u zákazníka. | Ako sa rýchly návrh premení na udržiavateľné a overené riešenie? |
| Aplikačná a modelová vrstva | Odborové generatívne modely; multimodálne generatívne AI; AI agenti; AI stelesnená v zariadení; simulátory s generatívne AI; každodenné použitie AI; generatívne AI; virtuálny asistenti s generatívne AI. | Aký druh systému zodpovedá úlohe a aké podmienky vyžaduje? |
| Dôveryhodnosť ponuky | Marketingové nadužívanie označenie AI. | Je sľubovaná schopnosť doložiteľná, alebo ide hlavne o nové pomenovanie produktu? |
Pri niektorých názvoch je verejný graf podstatne stručnejší ako skutočný technologický profil. Napríklad pri označení PERFECT nemožno zo samotného obrázku spoľahlivo odvodiť rozpis skratky alebo konkrétnu metodiku. Podobne „práca s ľudským vhľadom“ neznamená, že existuje všeobecne overený prístroj na meranie ľudského úsudku. Takéto pojmy je vhodné čítať ako vymedzenie sledovanej témy.
Čo pracovná krivka hovorí o čase
Na júlovom grafe majú generatívne AI, jej virtuálni asistenti a tvorba kódu prirodzeným zadávaním značku menej ako dva roky. U agentov, odborových modelov, multimodálnej generatívnej AI a digitálnej obratnosti je dva až päť rokov. Skúsenosť človeka s agentom, trhovisko agentov, avatar zamestnanca, nositeľné zariadenia s AI a odhad emócií majú päť až desať rokov. Tieto intervaly sa počítajú od júla 2026. Časové značky v pôvodnom pracovnom grafe.
Pozoruhodný je rozdiel medzi rýchlym rozšírením generovania kódu a širšou premenou softvérového inžinierstva. Vyrobiť prototyp a vytvoriť dobre spravovanú službu sú rôzne náročné úlohy. Podobne možno rýchlo pridať asistenta do kancelárske aplikácie, zatiaľ čo premena rozhodovania, zodpovedností a profesijného vzdelávania zaberie dlhšie.
Prečo sa toľko hovorí o strate odbornosti a chybnom prepúšťaní
Najvýraznejšia personálna prognóza hovorí, že do roku 2029 bude potrebné znovu prijať 30 percent zamestnancov prepustených a nahradených AI, často za vyšších nákladov. Gartner ju v októbrovom oznámení spája s nedostatočným plánovaním budúcej práce. V júlovom prieskume 297 personálnych riaditeľov označil plánovacie postupy za účinné len u 19 percent organizácií. Gartnerova prognóza a prieskum zverejnené 28. októbra 2026.
Prognóza 30 percent nie je výsledkom pozorovania budúceho roku 2029. A samotný prieskum 297 riaditeľov verejne nedokladá výpočet, z ktorého by tento podiel vychádzal. Dôležité je tiež zachovať menovateľ: nejde o 30 percent všetkých pracovníkov ani o predpoveď celkovej nezamestnanosti.
Gartner upozorňoval na skryté personálne náklady už v júni 2026. Popri opätovnom nábore spomínal cenu vzácnych zručností, ich rýchle zastarávanie a nesúlad medzi zmenenou produktivitou a odmeňovaním. Júnová formulácia navyše pracovala s podielom „až 30 percent“, zatiaľ čo neskoršie oznámenia uvádzajú 30 percent. Gartner o skrytých nákladoch zmien pracovnej sily.
Mechanizmus rizika je možné vysvetliť bez predstierania presnosti tohto čísla. Pracovné miesto obvykle obsahuje viac činností. Človek okrem štandardného spracovania prípadu rieši výnimky, všíma si nezrovnalosti, udržuje vzťahy a odovzdáva skúsenosť. Pokiaľ firma zmeria iba rýchlosť rutinnej časti, môže podceniť zostávajúcu prácu. S odchodom zamestnanca potom zmizne aj znalosť, ktorá nebola zaznamenaná v systéme.
Ďalším možným problémom je stenčovanie vstupných profesijných pozícií. Jednoduché úlohy poskytujú priestor na učenie. Ich automatizácia môže byť prínosná, ale vzdelávacie funkcie musia mať náhradu. Inak sa krátkodobá úspora môže po rokoch prejaviť nedostatkom ľudí schopných riešiť ťažké prípady. Ide o organizačný mechanizmus, ktorého sila závisí od odboru a spôsobu zavedenia AI, nie o nevyhnutný výsledok každej automatizácie.
Podobná opatrnosť je potrebná pri kognitívnom odľahčovaní. Pomoc s rešeršou alebo návrhom môže uvoľniť kapacitu na náročnejšie uvažovanie. Pasívne prijímanie odpovedí však môže oslabiť kontrolu. Rozdiel vytvára pracovný postup: či človek overuje predpoklady a argumentáciu, alebo len potvrdzuje hotový výstup. Americký NIST radí nevhodnú dôveru, závislosť na systéme a ďalšie problémy usporiadania spolupráce človeka s AI medzi rizikami generatívnych systémov. Rámec NIST pre riziká generatívnej AI.
Odhad emócií vyžaduje zvláštnu obozretnosť
Zaradenie technológie do prognózy nie je potvrdením jej vedeckej validity. Prehľad Barrettovej a spoluautorov ukazuje, že vzťah medzi pohybmi tváre a emóciami výrazne závisí od situácie, kultúry a konkrétneho človeka. Rovnaký výraz môže sprevádzať rôzne stavy. Z presnej detekcie výrazu preto automaticky neplynie presné určenie emócie. Vedecký prehľad o medziach odvodzovania emócií z tváre.
Právne obmedzenia stanovuje aj európsky akt o AI: článok 5 ods. 1 písm. f) európskeho aktu o AI zakazuje vymedzené použitie AI na odvodzovanie emócií na pracoviskách a vo vzdelávacích inštitúciách s výnimkami na zdravotné alebo bezpečnostné účely. Päťročný alebo desaťročný trhový horizont teda nemožno zameniť za budúce oprávnenie systém takto používať. Aktuálne konsolidované znenie európskeho nariadenia.
Konkrétne prognózy a ich termíny
Časové značky na krivkách je užitočné doplniť samostatnými kvantitatívnymi prognózami. Tieto údaje majú rôzne dátumy vydania, rôznych menovateľov a rôzne podmienky. Nie je možné ich sčítať ani ich považovať za jednu spoločnú štatistiku.
| Termín | Tvrdenie Gartneru | Ako ich správne chápať |
|---|---|---|
| Koniec roku 2027 | Viac ako 40 percent projektov s agentnou AI bude zrušených kvôli nákladom, nejasnej hodnote alebo nedostatočnému riadeniu rizík. | Prognóza sa vzťahuje na podiel zrušených projektov. |
| Rok 2028 | Najmenej 15 percent každodenných pracovných rozhodnutí bude autonómne vykonávaných agentom AI. | Výhľad rozhodovacích úkonov, nie percento všetkých pracovných miest. |
| Rok 2028 | Agentná AI bude súčasťou 33 percent podnikových softvérových aplikácií. | Prítomnosť funkcie v aplikácii nehovorí, ako rozsiahlo alebo autonómne ju zákazník používa. |
Všetky tri uvedené prognózy Gartner zverejnil už 25. júna 2025. Ich opakovanie v materiáloch roku 2026 je pripomenutím staršieho odhadu. Gartner súčasne varoval pred premenovávaním bežných asistentov a automatizáciou na agentské produkty. Pôvodné prognózy o agentnej AI.
Vedľa nich stoja tohtoročné už spomínané výhľady: prekročenie rozpočtu najmenej polovice generatívnych projektov do roku 2028, možné opätovné prijímanie prepustených ľudí do roku 2029 a konkurenčná výhoda reinvestovania prínosov do roku 2027. Každý sleduje inú časť problému: náklady realizácie, personálne plánovanie alebo stratégiu využitia prínosov produktivity.
Najnovší výhľad pracovných miest do roku 2030
Dňa 10. novembra 2026 Gartner zverejnil ďalšiu prognózu. Do roku 2030 očakáva v súvislosti s AI vznik 10,6 milióna miest a zánik 8,9 milióna, teda čistý prírastok 1,7 milióna miest. Samostatne pracuje s piatimi miliónmi odložených príležitostí na nábor či vytvorenie pozícií. Zdôrazňuje rozdiely medzi odbormi a premenou práce aj tam, kde miesto nezanikne. Gartnerova prognóza zamestnanosti z 10. novembra 2026.
Kladné globálne saldo neznamená, že zmena bude pre každého priaznivá. Nové miesto môže vzniknúť v inej krajine, požadovať iné zručnosti alebo byť dostupné až po dlhšej dobe. Odložené vytvorenie pozície navyše predstavuje iný jav ako prepustenie človeka z existujúceho miesta. Tieto kategórie preto nemožno bez znalosti metodiky jednoducho odčítať od seba.
Ani tento výhľad sám o sebe neoveruje predošlú prognózu opätovného náboru 30 percent prepustených. Jedna opisuje celkové toky pracovných miest, druhá konkrétnu skupinu dotknutých zamestnancov. Môžu byť súčasne logicky zlučiteľné, ale každá potrebuje vlastné empirické overenie.
Alternatívne prognózy veľkých analytických spoločností
Päť čísel. Päť rôznych otázok.
Rast používania AI môže sprevádzať rušenie projektov. Inštitúcie totiž sledujú rôzne veličiny.
Agentných projektov má byť zrušené.
Počítajú sa projekty, nie pracovné miesta.
Podnikov má prevádzkovať väčšinu procesov primárne pomocou AI.
Ľudia majú ďalej dohliadať a preberať rozhodnutie.
Podnikových technologických výdavkov má pripadať na AI.
Výdavky samy nepreukazujú návratnosť.
Základný odhad trhu autonómnych agentov.
Až 45 miliárd je podmienený priaznivý scenár.
Respondentov z organizácií využívajúcich AI hlási pokles zamestnanosti prisudzovaný AI.
O rok skôr ho očakávalo 32 %. Nejde o podiel zrušených miest.
Čísla sa nedajú priamo porovnať ani sčítať. Líšia sa sledovaná populácia, obdobie aj metodika. Podrobnosti a odkazy na pôvodné zdroje sú v nasledujúcich oddieloch.
Porovnanie rôznych inštitúcií je užitočné práve vtedy, keď zachováme rozdiely medzi ich otázkami. Rast trhu, návratnosť projektu, počet podnikov používajúcich AI a počet pracovných miest sú odlišné veličiny. Vysoký podiel neúspešných pokusov môže existovať súčasne s rýchlym rozširovaním úspešných aplikácií.
| Inštitúcia a podklad | Čo sleduje | Hlavný výhľad alebo zistenie | Povaha evidencie |
|---|---|---|---|
| IDC, výhľad na rok 2027 | Podnikové procesy | Do roku 2029 má 60 percent podnikov prevádzkovať väčšinu procesov s AI ako základným spôsobom vykonávania práce. | Analytická prognóza |
| Forrester, predpovede na rok 2027 | Výdavky a pripravenosť firemného prostredia | Na AI má v roku 2027 pripadať pätina podnikových technologických výdavkov; produkčného merítka má dosiahnuť len štvrtina iniciatív podnikovej kontextovej vrstvy. | Analytické prognózy |
| Deloitte, technologický výhľad na rok 2026 | Trh autonómnych agentov | Základný trhový odhad na rok 2030 je 35 miliárd dolárov; podmienený variant dosahuje približne 45 miliárd. | Súhrn trhových odhadov a podmienený scenár |
| McKinsey, stav AI v roku 2026 | Skúsenosť organizácií so zamestnanosťou | Pokles počtu zamestnancov prisudzovaný AI hlásilo 14 percent respondentov; v predchádzajúcom ročníku ho očakávalo 32 percent. | Dotazníkové zistenie |
IDC predpokladá rýchlejšiu premenu podnikových procesov
IDC vo výhľade zverejnenom na konci októbra 2026 očakáva, že do roku 2029 bude 60 percent podnikov prevádzkovať väčšinu procesov spôsobom, v ktorom prácu primárne zaisťuje AI. Na rok 2026 uvádza 13 percent. Agenti majú vykonávať prácu a ľudia pomáhať, dohliadať a preberať rozhodnutia podľa stanovených pravidiel. Verejné vysvetlenie neuvádza interval neistoty tejto predpovede. IDC o výhľade na rok 2027 a ďalších rokoch.
To je ambiciózny výhľad rýchlosti organizačnej zmeny. Nedá sa však priamo odpočítať od Gartnerových zrušených agentových projektov: IDC počíta podniky a podobu ich procesov, Gartner projekty. Firma môže niekoľko pokusov ukončiť a zároveň úspešné riešenie rozšíriť. Rozhodujúcou otázkou pre neskoršie overenie IDC bude, ako sa meria „väčšina procesov“ a aký rozsiahly podiel práce skutočne preberá AI.
Forrester čaká vysoké investície a ťažkú prácu s kontextom
Forrester v októbri 2026 predpovedal, že v roku 2027 pripadne na AI každý piaty dolár podnikových technologických výdavkov. Ide o trhový odhad, nie o povinný dvadsaťpercentný podiel v rozpočte každej firmy. Zároveň očakáva, že iba štvrtina iniciatív budujúcich podnikovú kontextovú vrstvu dokáže podporovať agentové AI v produkčnom meradle. Forresterovej predpovede pre rok 2027.
Kontextovou vrstvou si možno predstaviť spôsob, akým agent získava významovo správne informácie o podniku: čo znamená konkrétny záznam, kto je oprávnený ho použiť a ako súvisí s ďalšími údajmi. Praktická prekážka tak môže ležať medzi výkonným modelom a neusporiadaným firemným prostredím. Forresterova kombinácia rastu výdavkov a obmedzenej úspešnosti nasadenia pripomína, prečo nemožno objem investícií zamieňať za preukázanú hodnotu.
Deloitte ukazuje rozdiel medzi základným odhadom a priaznivým scenárom
Deloitte vo výhľade na rok 2026, vydanom 18. novembra 2025, pracuje s priemerom trhových odhadov pre autonómne AI agentov: 8,5 miliardy dolárov v roku 2026 a 35 miliárd v roku 2030. Pridáva vlastný podmienený scenár. Lepšia koordinácia agentov a zvládnutie rizík by mohli trhový výhľad zvýšiť o 15 až 30 percent, až približne na 45 miliárd dolárov. Deloitte o koordinácii agentov a výhľade ich trhu.
Sumu 45 miliárd preto nemožno prezentovať ako istý výsledok. Je spojená s podmienkou, že sa podarí vyriešiť časť prevádzkových prekážok. Tržby dodávateľov navyše nie sú to isté, čo prínos zákazníkov alebo produktivita celej ekonomiky. Táto prognóza je užitočná pre uvažovanie o veľkosti odboru, ale nenahradí prepočet konkrétneho nasadenia.
McKinsey porovnáva očakávania prepúšťania s následnou skúsenosťou
McKinsey v správe z 25. augusta 2026 uvádza, že 14 percent respondentov z organizácií používajúcich AI hlásilo jej príspevok k celkovému poklesu počtu zamestnancov počas predchádzajúceho roka. O rok skôr takýto pokles očakávalo 32 percent. Novo ho pre nasledujúci rok očakáva 39 percent. Prieskum zahŕňal 1 719 účastníkov z 97 krajín; autori preverili aj skupinu 552 ľudí prítomných v oboch ročníkoch a uvádzajú rovnaký základný záver. McKinsey o stave AI v roku 2026.
To je obzvlášť cenný doplnok prognóz: očakávania možno porovnať s neskôr hlásenou skúsenosťou. Stále ide o odpovede respondentov, nie o účtovnú evidenciu všetkých zaniknutých miest. A podiel organizácií, v ktorých sa niečo zmenilo, nevyjadruje počet dotknutých pracovníkov. Napriek tomu výsledky ukazujú, že manažérske očakávania môže predbiehať skutočný rozsah zmien.
Všeobecná AI: prečo sa výrobcovia a Gartner zdanlivo rozchádzajú o desaťročia
Anthropic v marci 2025 očakával veľmi výkonné systémy na konci roka 2026 alebo začiatku 2027. Popísal pritom schopnosti naprieč odbormi aj samostatné riešenie dlhých úloh. Ide o datovanú prognózu výrobcu s vlastným vymedzením cieľa. Pôvodná predpoveď Anthropic.
Demis Hassabis z Google DeepMind v rozhovore z mája 2026 hovoril o AGI približne okolo roku 2030 a pripúšťal aj rok 2029. Ani tento výrok nie je totožný s odhadom širokej podnikovej produktivity. Rozhovor s Demisom Hassabisom.
| Výrok | Čo predpovedá | Ako ho čítať |
|---|---|---|
| Anthropic, marec 2025: koniec 2026 / začiatok 2027 | Vznik systémov s konkrétne popísanými veľmi vysokými schopnosťami. | Prognóza výrobcu; dátum samo nepreukazuje dosiahnutie schopností. |
| Hassabis, máj 2026: okolo 2030, prípadne 2029 | Dosiahnutie všeobecnej inteligencie. | Datovaný názor vedúceho výskumného laboratória. |
| Gartner, august 2026: viac ako desať rokov | Plošina produktivity kategórie AGI. | Nie je to priamo dátum vzniku prvého systému. |
Značku Gartneru preto nemožno prepísať na tvrdenie, že AGI nemôže vzniknúť pred rokom 2036. Rozdielny cieľ predpovede vysvetľuje časť rozporu, neobhajuje však automaticky žiadny z termínov. Výrobcovia majú prístup k interným výsledkom, ale aj obchodné záujmy. Analytické spoločnosti zase pozorujú podnikové nasadzovanie a majú vlastný obchodný model. Na porovnanie potrebujeme spoločnú definíciu schopností, pravdepodobnosť ich dosiahnutia a pevný dátum vyhodnotenia.
Svetové ekonomické fórum ponúka ďalší pohľad na zamestnanosť
Svetové ekonomické fórum nie je priamym konkurentom Gartneru v technologickom poradenstve, jeho správa o pracovných miestach však umožňuje užitočné porovnanie. Pre obdobie 2025 až 2030 uvádza 170 miliónov vzniknutých a 92 miliónov zaniknutých miest v dôsledku súbehu technologických, demografických, ekonomických a ďalších zmien. Tieto čísla nie je možné celé pripísať AI.
Pre užšiu kategóriu AI a technológií spracovania informácií uvádza približne 11 miliónov vzniknutých a 9 miliónov zaniknutých miest. Tento výhľad je bližší Gartnerovmu novembrovému porovnaniu, ale stále používa iné vymedzenie a metodiku. Analýza spája očakávania zamestnávateľov so štatistikami pracovného trhu. Pokryté profesie zodpovedajú približne 1,18 miliardy pracovníkov a správa výslovne nerobí nárok na pokrytie celej svetovej zamestnanosti. Svetové ekonomické fórum, výhľad pracovných miest z roku 2025.
Podobnosť čistých prírastkov okolo dvoch miliónov v tejto užšej kategórii a 1,7 milióna v Gartneri je zaujímavá. Nie je však sama o sebe dôkazom presnosti. Pre skutočné porovnanie by sme museli zjednotiť východiskovú populáciu, obdobie, definíciu pracovného miesta a spôsob prisudzovania zmien AI.
Spoločný obraz týchto odhadov je pomerne zrozumiteľný: silný záujem a rastúce investície môžu sprevádzať pomalšiu premenu práce a veľké rozdiely medzi úspešnými a neúspešnými organizáciami. Rozchádzajú sa najmä v rýchlosti av tom, ktorú časť tohto procesu meria.
Čo hovoria nezávislé výskumy
Vedecký prístup vyžaduje odlíšiť prognózu trhu, zámer respondenta v dotazníku, pozorovanie v podniku a experiment. Každý typ evidencie odpovedá na inú otázku.
METR: ako rýchlo rastú schopnosti samostatne dokončovať úlohy
METR meria dĺžku úloh podľa času ľudského experta a odhaduje, pri akej dĺžke ich agent dokončí s 50% alebo 80% úspešnosťou. Nejde o dobu jeho nepretržitého behu. Testy tvoria prevažne dobre vymedzené úlohy zo softvérového inžinierstva, strojového učenia a kybernetickej bezpečnosti. Definícia časového horizontu METR.
Samostatne zvládnuteľné úlohy sa predlžujú
Dve úrovne úspešnosti ukazujú rast schopností aj rozdiel medzi úspechom v polovici a v štyroch pätinách prípadov.
Na užšej obrazovke je možné graf posunúť do strany.
Rast je meranie, pokračovanie trendu je predpoklad. Ide o čas človeka na rovnakú úlohu. Hodnoty nad 16 hodín už aktuálna testovacia sada meria nespoľahlivo.
Vlastný graf z verejných dát METR TH 1.1, stiahnutých 11. 11. 2026. Vybrané záznamy označené METR ako vtedajšia hranica výkonu. Graf používa neskoršie bodové odhady; uvedené doby zdvojnásobenia pochádzajú z publikácia z 29. 1. 2026.V januárovej aktualizácii METR popísala približne exponenciálny rast: zdvojnásobenie asi za sedem mesiacov v dlhom rade a za 131 dní pri novšej metodike na obdobie od roku 2023. Skladba úloh ovplyvňuje výsledok, intervaly neistoty zostávajú široké a časť ľudských časov je odhadnutá. Metodika a zmeny sady úloh.
Graf zobrazuje neskôr zverejnené merania, nie rekonštrukciu januárového výsledku. METR od septembra 2026 označuje prehľad za aktívne neaktualizovaný; posledný model v použitom súbore pochádza z apríla. Nie je teda úplným rebríčkom modelov dostupných v novembri. Zobrazené bodové odhady majú neistotu a nesľubujú rovnako vysoký výkon na nejasne zadanej bežnej práci. Stav prehľadu a jeho obmedzenie.
Pre prognózy je podstatné, že súčasnú mieru chybovosti nemôžeme zmraziť a na jej základe vysvetľovať vzdialenú budúcnosť. Rovnako tak z doterajšej exponenciály nemožno bez podmienok odvodiť dátum nahradenia určitej profesie. Potrebujeme sledovať, či rast pokračuje, či sa prenáša na ťažšie zadanie a koľko kontroly si vyžaduje dosiahnutý výsledok.
Anthropic: ktoré pracovné úlohy sú vystavené AI
Štúdia Maxima Massenkoffa a Petera McCroryho z 5. marca 2026 kombinuje americké opisy profesií, odhady možností jazykových modelov a používanie Claude. Jej ukazovateľ viac zohľadňuje automatizované ako asistované použitie. V známom lúčovom grafe porovnáva teoretické možnosti s pozorovaným pokrytím úloh. Pre čitateľnosť tu uvádzam slovenský stĺpcový prehľad desiatich najviac vystavených profesií z verejných dát. Štúdie a pôvodné grafy Anthropic.
Vystavenie AI nie je predpoveď prepúšťania
Desať profesií s najvyšším pokrytím úloh podľa ukazovateľa Anthropic. Hodnoty sa vzťahujú k činnostiam, nie k počtu ľudí.
Na užšej obrazovke je možné graf posunúť do strany.
75 % úloh neznamená 75 % prepustených. Jedna profesia spája rôzne činnosti. Údaje o používaní jedného poskytovateľa tiež nepokrývajú celý trh AI.
Vlastné slovenské spracovanie dát Anthropic Economic Index, súbor job_exposure.csv (CC BY). Názvy profesií sú preložené a skrátené. Dvojica 94% a 33% pochádza z pôvodná štúdia; vzťahuje sa k širšej skupine ako samotní programátori.Autori v tejto marcovej štúdii nezistili systematický nárast nezamestnanosti najviac vystavených pracovníkov. Popísali však predbežné známky slabšieho prijímania mladých ľudí. To nie je záruka budúceho vývoja ani dôkaz, že žiadne miesto nezaniklo. Výsledky a obmedzenia štúdie.
Za užitočné považujem sledovať okrem prepúšťania aj nábor, zmeny náplne práce a mzdy. Firma môže rovnaký objem práce zvládnuť bez plánovaného nového zamestnanca bez toho, aby niekoho prepustí. Alebo môže úsporu využiť na rozšírenie služby. Samotné skóre expozície medzi týmito scenármi nerozhodne.
Produktivita v konkrétnej práci môže mať odlišný vývoj
Štúdia Brynjolfssona, Liej a Raymonda publikovaná v roku 2025 v časopise Quarterly Journal of Economics analyzovala postupné zavádzanie asistenta u 5 172 pracovníkov zákazníckej podpory. Počet vyriešených prípadov za hodinu sa v priemere zvýšil o 15 percent, pričom prínos výrazne závisel na skúsenosti pracovníka. Výsledok dokladá prínos konkrétneho usporiadania práce, ale nie je odhadom dopadu na zamestnanosť celej ekonomiky. Empirická štúdia generatívnej AI pri práci.
Iný obrázok poskytol experiment organizácie METR s nástrojmi z prvej polovice roku 2025. Šestnásť skúsených vývojárov riešilo 246 skutočných úloh v známych projektoch. Pri povolenom použití AI trvali úlohy v priemere o 19 percent dlhšie. Účastníci pritom subjektívne vnímali zrýchlenie. Výsledok upozorňuje na rozdiel medzi pocitom produktivity a meraným časom; jeho platnosť je obmedzená vtedajšími nástrojmi, ľuďmi a úlohami. Randomizovaný experiment METR z roku 2025.
Práve preto je dôležité dodať novšiu informáciu. Vo februári 2026 METR pri pokračovaní výskumu popísala náznaky zrýchlenia, ale zároveň vážne výberové skreslenie: niektorí vývojári sa nechceli zúčastniť experimentu vyžadujúceho prácu bez AI a menil sa aj výber úloh. Autori preto nepovažovali jednoduchý súhrnný odhad za spoľahlivý obraz súčasného prínosu. Staršie spomalenie nemožno vydávať za všeobecný verdikt o dnešnom programovaní. Aktualizácia METR a zmena výskumného postupu.
Ešte novšie posúdenie METR z 5. novembra 2026 v spoločnosti Anthropic naznačuje výrazné zrýchľovanie vývoja schopností AI. Autori ale výslovne upozorňujú na vysokú neistotu a na redakčné zásahy, ktoré verejnosti neumožňujú posúdiť podstatnú časť podkladov. To je cenný príklad, prečo sa má so záverom zverejňovať aj jeho evidenčné obmedzenia. Zrýchlenie výskumu vo vnútri jedného AI laboratória navyše nemožno priamo previesť na produktivitu každého podniku. Nezávislé posúdenie METR z novembra 2026.
Tieto výsledky sa nemusia navzájom vyvracať. AI môže významne pomôcť menej skúsenému človeku pri štandardizovanej úlohe a súčasne pridať kontrolnú prácu expertovi v zložitom prostredí. Môže tiež zmeniť, ktoré úlohy ľudia vôbec začnú robiť. Práve rozdiely medzi ľuďmi, úlohami a pracovnými postupmi vysvetľujú, prečo je jediné univerzálne číslo produktivity málo užitočné.
Pätnásť rokov spätného pohľadu: osem rôznych príbehov AI
Gartnera sledujem niekoľko rokov, ale na posúdenie jeho odhadov som sa vrátil ešte ďalej: k podkladom z obdobia 2011–2026. Dva susedné ročníky ukazujú skôr drobnú aktualizáciu. Väčší odstup pomôže poznať, či sa pôvodné očakávania skutočne približovalo splnenie. A jeden vybraný prípad nestačí: popri posúvaných termínoch potrebujeme vidieť aj postup k vyspelosti a zmeny samotných kategórií.
Kam až siahajú dostupné podklady
Gartner používa krivku očakávania od roku 1995. Vo vlastnej tlačovej správe z roku 2011 pripomenul, že už na prvej krivke figurovalo rozpoznávanie reči a vtedy ešte nebolo úplne vyspelé. História je teda dlhšia ako tridsať rokov, ale neznamená to tridsať rokov jednej nemennej databázy všetkých dnešných kategórií. Gartnerova tlačová správa z 10. augusta 2011, archivovaná pretlač.
Pre tento článok som vyhľadal úplný všeobecný prehľad nových technológií z roku 2011. História revízií Gartnerovej AI správy ďalej dokladá nadväzujúci rad: chytré stroje v rokoch 2014–2016, umelá inteligencia pod týmto názvom od roku 2017. K dispozícii sú verejné pretlače správ, pôvodné prezentácie, grafy a tlačové oznámenia. Úplné profily všetkých ročníkov však nie sú rovnako ľahko dostupné. Správa 2011, história revízií v správe 2023, strana 108.
Nasleduje osem prípadov s väčšími rozostupmi medzi kontrolnými bodmi. Pätnásť rokov označuje rozpätie použitých podkladov, nie pätnásťročný súvislý rad každej položky. Novšie pojmy nemožno spätne dopisovať do starých grafov. Časové značky vždy počítam od roku konkrétneho odhadu; polohu na krivke uvádzam zvlášť.
Staršie pojmy: vyspelosť, dlhé čakanie aj zmena členenia
Staršie krivky nerozprávajú jeden príbeh
Štyri dlhodobo sledované oblasti. Pri každej je uvedený rok aj vtedajší odhad alebo zmena zaradenia.
Postup k vyspelosti
2011: 2–5 rokov
2017: bod na plošine, značka pod 2 roky
2020: presun do jazykovej správy
Horizont sa skracuje
2017: 5–10 rokov
2020: 2–5 rokov
2023: menej ako 2 roky
Kategória sa rozdeľuje
2017: 5–10 rokov
2021: 5–10 rokov
2023: rozdelenie do viacerých technológií
Stále za desaťročím
2017: viac ako 10 rokov
2021: viac ako 10 rokov
2026: viac ako 10 rokov
Zmiznutie z grafu nie je výsledok testu. Môže znamenať vyspelosť, presun, premenovanie alebo rozdelenie. Pri AGI navyše otvorený interval neurčuje konečný rok splnenia.
Vlastné porovnanie pôvodných Gartnerových podkladov z rokov 2011, 2017, 2020, 2021, 2023 a 2026. Podrobnosti a odkazy nasledujú.1. Rozpoznávanie reči: dlhá história, ale aj doložiteľný postup. V matici z roku 2011 malo horizont 2–5 rokov. Na AI krivke z roku 2017 leží jeho bod už v oblasti plošiny produktivity, so značkou kratšou ako dva roky. Správa 2020 vysvetľuje jeho následné vyradenie zo všeobecnej AI mapy presunom do špecializovaného radu pre jazykové technológie. To je dôležitý protipríklad k tvrdeniu, že sa všetky technológie len donekonečna odsúvajú. Presný rok splnenia pôvodného odhadu z týchto troch bodov samotných nie je možné určiť. Matica 2011, strana 11, Gartnerova prezentácia s grafom 2017, strana 3, vysvetlenie presunu v správe 2020, strana 7.
2. Počítačové videnie: príklad časovo zlučiteľného vývoja. V roku 2017 zostávalo 5 – 10 rokov, v roku 2020 2 – 5 rokov av roku 2023 menej ako dva roky. Pôvodné kalendárne okno 2022 – 2027 a neskorší výhľad približne do roku 2025 si neodporujú. Tu nevidíme rovnaké odsúvanie ako pri kombinovanej AI. Ide o súlad Gartnerových vlastných odhadov; nezávislé potvrdenie skutočnej trhovej vyspelosti by si vyžadovalo ďalšie meradlo. Graf 2017, matica 2020, matica 2023, príloha 1A.
3. Spracovanie prirodzeného jazyka: rovnaký interval, potom zmena kategórie. V rokoch 2017 a 2021 má horizont 5–10 rokov. Štyri roky teda ubehli, ale zostávajúci interval sa neskrátil. V roku 2023 položka z AI mapy mizne; správa výslovne uvádza rozdelenie do viacerých technológií v špecializovanom jazykovom prehľade. Z tohto kroku nemožno vyvodzovať ani splnenie, ani zlyhanie predpovede. Nedá sa tiež bez ďalšieho pokračovať dnešná generatívna AI, ako by išlo o nezmenenú položku. Graf 2017, graf 2021, vysvetlenie zmeny v správe 2023, strana 5.
4. Všeobecná umelá inteligencia: deväť rokov s rovnakou otvorenou hranicou. V rokoch 2017, 2021 aj 2026 má AGI značku „viac ako desať rokov“. Jej kalendárny význam sa posúva za roky 2027, 2031 a 2036. Je to slabo overiteľný výhľad: tvrdenie z roku 2017 nesľubovalo dosiahnutie v roku 2027, ale až za viac ako desať rokov. Nejde preto o tri preukázané omyly. Oprávnená otázka znie, koľko nové informácie takto opakovaná značka prináša a ako Gartner vyhodnocuje zmenu pravdepodobnosti príchodu AGI. Graf 2017, graf 2021, prehľad 2026, strana 3.
Kombinovaná AI a ďalšie novšie pojmy: kontrola po troch rokoch
Najosobnejší je pre mňa príklad kombinovanej AI. Keď čítam o spájaní učení, pravidiel, znalostných štruktúr a optimalizácie, pripomína mi to skoršie debaty o hybridnej umelej inteligencii. Samotný Gartner v roku 2025 označuje kombinovanú a hybridnú AI za alternatívne názvy. To ale ešte nedokladá existenciu rovnakého časového profilu pred rokom 2020. Gartnerovo vysvetlenie vzťahu oboch názvov.
V dohľadanom AI rade je kombinovaná AI novo zaradená v roku 2020. Vtedajší profil pritom sám uznáva, že základné myšlienky nie sú nové. Jej predpovednú históriu preto umelo nepredlžujem na pätnásť rokov. Porovnávam 2020 → 2023 → 2026, teda rovnaké trojročné odstupy. Správa 2020: nové položky a profil kombinovanej AI.
Šesť rokov ubehlo. Cieľ je stále pred nami.
Rovnaká kategória v pravidelných trojročných odstupoch. Karty ukazujú vtedajší zostávajúci čas k plošine produktivity.
2022–2025
2025–2028
približne do 2028
Okno z roku 2020 už skončilo. Výhľady z rokov 2023 a 2026 sa naopak prekrývajú. Nejde teda o rovnaký posun pri každej aktualizácii.
Vlastné porovnanie správ Gartneru z júla 2020, júla 2023 a augusta 2026. Kalendárne roky sú orientačný prepočet; príčinu zmien samotné grafy neurčujú.| Oblasť | 2020: zostávajúci čas | 2023: zostávajúci čas | 2026: zostávajúci čas |
|---|---|---|---|
| 5. Kombinovaná AI | 2–5 rokov | 2–5 rokov | Menej ako 2 roky |
| 6. Generatívne AI | 2–5 rokov | 2–5 rokov | Menej ako 2 roky |
| 7. AI priamo v zariadeniach | 2–5 rokov | Menej ako 2 roky | Menej ako 2 roky |
| 8. Znalostné grafy | 5–10 rokov | 2–5 rokov | 2–5 rokov |
Zdroje časových značiek: matica 2020, strana 6, matica 2023, príloha 1A, prehľad 2026, strana 3.
Kombinovaná a generatívna AI: pôvodné okno z roku 2020 končilo približne v roku 2025. Podľa mapy 2026 je plošina stále budúcnosťou. To je doložiteľný nesúlad pôvodného časového okna s neskorším hodnotením. Generatívna AI súčasne predstavuje včas rozpoznanú tému pred masovým používaním konverzačných modelov. Rozpoznať význam témy a správne načasovať jeho vyspelosť sú dva rôzne úspechy.
AI priamo v zariadeniach: posun je vidieť aj medzi rokmi 2023 a 2026. Už v roku 2023 mala byť plošina vzdialená menej ako dva roky, teda približne do roku 2025. V roku 2026 je rovnaká kategória stále pred ňou. To je konkrétnejší podnet na spätné vysvetlenie ako všeobecný dojem, že sa všetky termíny posúvajú.
Znalostné grafy: obraz je menej jednoznačný. Pôvodné okno 2025 – 2030 a nové okno 2028 – 2031 sa výrazne prekrývajú. Medzi rokmi 2023 a 2026 sa síce zopakuje interval 2–5 rokov, ale nebolo by poctivé označiť tým celú pôvodnú prognózu za vyvrátenú.
Osem prípadov ukazuje, prečo by som nepísal, že Gartner „nikdy nič netrafil“. Vidíme postup k vyspelosti, prekrývajúce sa odhady, posuny za pôvodné okno aj rozpad kategórií. Je to porovnanie historických výrokov, nie výpočet úspešnosti všetkých prognóz. Rovnaký názov navyše nezaručuje nemennú definíciu. Rozdiel medzi chybným odhadom, zmenou trhu a zmenou vymedzenia môže vysvetliť až porovnanie úplných profilov a nezávislých výsledkov. Práve také vysvetlenie by som od novej edície očakával.
Ako vedecky hodnotiť samotného Gartnera
Gartnerove krivky majú hodnotu ako usporiadaný prehľad tém a analytických očakávaní. Samy však neposkytujú experimentálny dôkaz, že každá technológia prejde rovnakou dráhou. Dedehayir a Steinert už v štúdii z roku 2016 popísali nesúlady pri empirickom skúmaní modelu na Gartnerových vlastných záznamoch. Odborná štúdia o možnostiach a obmedzeniach modelu krivky očakávania.
Na posúdenie konkrétnej predpovede by som preto požadoval štyri veci. Po prvé presnú definíciu sledovaného javu: napríklad čo sa počíta ako agentský projekt a kedy je považovaný za zrušený. Po druhé, predvolenú populáciu a spôsob výberu dát. Po tretie, mieru neistoty a podmienky, za ktorých prognóza platí. Za štvrté neskoršie vyhodnotenie voči vopred stanovenému kritériu.
Prognóza „40 percent projektov skončí do určitého dátumu“ môže byť testovateľná, ak existuje definovaná skupina projektov a pravidlá sledovania. Tvrdenie, že firmy budú „predstihnuté konkurenciou“, sa hodnotí ťažšie, pokiaľ nie je určené, či ide o tržby, ziskovosť, produktivitu alebo podiel na trhu. Presne vytlačené percento nenahrádza presnú definíciu meranej veličiny.
Podobne je nutné strážiť vzťah príčiny a súvislosti. Ak organizácie s kvalitným plánovaním častejšie prekračujú hospodárske ciele, môže k výsledku prispievať plánovanie, ale aj schopnejšie vedenie, vyššia investičná kapacita alebo iné vlastnosti. Bez zodpovedajúceho výskumného návrhu nemožno veľkosť súvislosti automaticky vykladať ako účinok jedinej manažérskej zmeny.
Poctivý historický audit by sledoval vopred vybraný súbor kategórií vrátane tých, ktoré neskôr zmizli alebo zmenili meno. Zachoval by pôvodné definície, previedol relatívne horizonty na pevné dáta a použil nezávislé meradlo dosiahnutej vyspelosti. Výsledok by mal porovnať aj s jednoduchým odhadom bez analytickej expertízy. Až tak je možné zistiť, či krivka pridáva predpovednú hodnotu nad bežné očakávania postupného rozšírenia.
Skúsenosť s krivkou je preto najlepšie využiteľná ako zdroj hypotéz. Pokiaľ Gartner zdôrazňuje nákladovú neistotu agentov, stojí za to ju merať. Pokiaľ upozorňuje na stratu kontextu pri automatizácii, stojí za to sledovať výnimky a odovzdávanie znalostí. Platnosť konkrétneho rozhodnutia však musí preukázať výsledky v prostredí, pre ktoré sa rozhodujeme.
Čo z prognóz vyvodiť pre vlastnú organizáciu
Prvým krokom by malo byť vymedzenie úlohy a výsledku. Namiesto neurčitého cieľa „zaviesť agentov“ možno sledovať napríklad čas spracovania určitého typu požiadavky pri zachovaní rovnakej kvality. Je potrebné súčasne počítať čas kontroly, opravy, prevádzkové náklady aj prácu pri riešení výnimiek.
Druhým krokom je porovnanie s východiskovým stavom. Pokiaľ to podmienky dovoľujú, je vhodné rozdeliť porovnateľné úlohy alebo tímy medzi rôzne postupy a vopred určiť merítka. Inak hrozí, že za prínos AI označíme zmenu skladby prípadov, väčšiu skúsenosť pracovníkov alebo výber jednoduchších úloh.
Tretím krokom je odstupňovanie autonómie. Návrh odpovede, zmena interného záznamu a nevratná operácia majú rôznu závažnosť. Rozsah oprávnenia má zodpovedať dôsledkom chyby. Skúsenosť zo spoľahlivého úzkeho nasadenia potom môže podložiť ďalšie rozširovanie.
Štvrtým krokom je sledovanie schopností ľudí. Úspora času má väčšiu hodnotu, ak umožní kvalitnejšiu prácu, nové služby alebo učenie. Keď sa premení len na ďalšie množstvo nekontrolovaných výstupov, môže rásť zdanlivá aktivita bez zodpovedajúceho zlepšenia výsledku.
Najprínosnejšie čítanie Gartnerových prognóz teda spočíva v konkrétnych otázkach: Máme dáta vhodné pre dané rozhodnutie? Vieme rozpoznať chybu? Vieme, koľko stojí prijatý výsledok? Zostáva v organizácii človek schopný situáciu samostatne posúdiť? A meriame po zavedení rovnakej veličiny ako pred ním?
Odpovede na tieto otázky určujú, či sa technologický pokrok premení na hodnotu. Krivka pomáha vytipovať oblasti, ktorým venovať pozornosť. O účinnosti konkrétneho riešenia rozhoduje až jeho overená prevádzka.
Naša kritická reflexia: čo si z prognóz berieme a čomu zatiaľ neveríme
Po niekoľkých rokoch sledovania mám ku Gartneru dvojaký vzťah. Oceňujem, že dokáže vedľa seba postaviť modely, dáta, organizáciu práce aj prevádzkovú zodpovednosť. K samotným časovým značkám som opatrnejší. Príklady kombinovanej AI a AI priamo v zariadeniach sú pre mňa dôvodom žiadať vysvetlenie posunu. História rozpoznávania reči a počítačového videnia súčasne ukazuje postup k vyspelosti. Kritika má rozlišovať jednotlivé výsledky a zachovať pôvodné termíny, nie vyberať len prípady, ktoré sa jej hodia.
Čo by mala dobrá prognóza uniesť
Naše kritériá pre Gartner, výrobca modelov aj vlastné odhady.
Čo presne má nastať?
Schopnosť modelu, rozšírenie vo firmách a ekonomický dopad majú rôzne merítka.
Čo vyšlo minule?
Nové termíny porovnávajme s pôvodnými, vrátane zmien názvov a definícií.
Ako rýchlo sa menia možnosti?
Dnešné obmedzenia nie sú pevné. Exponenciálny trend ale nie je záruka budúcnosti.
Čo by zmenilo náš názor?
Vopred určený výsledok, dátum a priebežne dostupné meranie.
Gartnerovu mapu používame na orientáciu. Rozhodnutie opierame aj o meranie schopností, výsledky konkrétneho nasadenia a vyhodnotenie minulých odhadov.
Za najslabšie miesto považujem nejasný vzťah medzi časovým odhadom a podmienkou jeho splnenia. Ak sa technológia už používa vo veľkom, ale plošina je stále pred nami, potrebujeme vedieť, čo ešte chýba. Môže to byť oprávnená požiadavka na ekonomickú vyspelosť. Bez vopred určeného kritéria sa však hranica úspechu môže posúvať spolu s prognózou.
Tempo technického pokroku by som v hodnotení zdôraznil viac. Z tvaru Gartnerovej krivky nemožno vyvodiť, že pracuje s lineárnym modelom času. V tohtoročnom komentári sám hovorí o technológiách postupujúcich rýchlejšie, než očakával. Verejný graf ale neukazuje výpočet, ktorým sa táto akcelerácia premieta do jednotlivých horizontov. Gartnerov komentár k roku 2026.
Meranie METR je v tomto smere dôležitou protiváhou. Núti nás pýtať sa, či problém, ktorý dnes obmedzuje autonómiu, pretrvá aj za niekoľko generácií modelov. Zároveň by som nepremietal rovnakú rýchlosť automaticky do celej ekonomiky: zmena schopností modelu, prepracovanie podnikového procesu a merateľný vplyv na zamestnanosť sa môžu vyvíjať odlišne. AI môže urýchľovať aj zavádzanie ďalších systémov; veľkosť tohto účinku ale musíme overovať.
Rovnakú prísnosť si zaslúžia optimistické sľuby výrobcov. Prístup k najnovším modelom je cenná informácia, nie záruka presnosti. Pri AGI potrebujeme jasnú definíciu a dátum testu. Pri pracovných miestach potrebujeme odlíšiť zmenu úloh, obmedzenie náboru a skutočný zánik zamestnania. Žiadna pôsobivá vizualizácia tieto rozdiely nenahradí.
Náš záver je preto zámerne podmienený: Gartner ponúka užitočný prehľad tém, ale bez doloženej historickej presnosti mu neprisudzujeme autoritu spoľahlivého kalendára vývoja AI. Väčšiu váhu majú transparentné merania a odhady, pri ktorých je možné spätne spoznať úspech aj omyl. Pokiaľ sa ukáže, že Gartner po zjednotení definícií a úplnom historickom porovnaní termíny odhaduje dobre, je namieste názor zmeniť. Rovnako tak budeme musieť upraviť očakávania rýchlej automatizácie, pokiaľ sa rast schopností spomalí alebo neprenesie do bežnej práce.