Většina textů o umělé inteligenci, které se na nás dnes valí, má stejný spád: co všechno AI umí, kolik času nám ušetří, jak zásadně usnadní naši práci. Můj článek míří k méně probírané straně AI, a to jak práce s AI a v její přítomnosti mění to, jak lidé svou práci zvládají a prožívají. Nejsem žádná vědkyně ani psycholožka, a tak k tématu přistupuju hezky postaru, jako za časů na vysoké (a věřte, že mi to dalo zabrat). Místo dojmů a domněnek se opírám o odbornou literaturu a dostupné studie a poctivě odlišuju, co je doložené, co jen indicie a co spekulace.
V záplavě příspěvků o AI jste možná narazili na termín AI burnout. Ale pozor, není to ustálený ani vědecký pojem! Jedná se spíše o nově vznikající téma, o které se psychologové a vědci teprve začínají zajímat. Pro účely tohoto textu ho ale budu pracovně používat. A hned vám upřesním, oč jde. Klasické vyhoření je už řadu let téma, které se dostává čím dál víc na povrch. Nejedná se jen o nějakou špatnou náladu, ale jde o stav s reálnými dopady na výkon i zdraví člověka, který si zaslouží být brán vážně.
Celý můj text se drží tří otázek: co vyhoření spojené s AI způsobuje, jak přesně vzniká (ne dojmy, ale to, co ukazují studie) a co se s tím dá dělat. A mrkneme se i na to, kam by to celé mohlo dále směřovat.
Data nám dnes docela jasně ukazují první vrstvu problému: AI práci spíš zintenzivňuje, než aby ulevovala, a tím může vyhoření uspíšit. Pod ní ale leží druhá, méně viditelná vrstva. Je to hypotéza, kterou data zatím neumí přímo zachytit, ale podpírá ji teorie. Ta druhá vrstva ukazuje, že nám AI bere právě ty části práce, které nám dřív dávaly smysl, a to pocit autorství, řemeslo a kontakt s druhým člověkem
Pokud jste posledních pár let nežili v jeskyni, stačili jste zaznamenat, že zavádění AI mění povahu práce napříč IT světem, a to jak u vývojářů, analytiků, projektových manažerů, tak i u nás designérů. Společným jmenovatelem je vlastně posun v tom, kde leží lidská práce. Vývojář dřív psal a promýšlel kód, dnes stále častěji kód generuje a pak kontroluje a opravuje vygenerované návrhy. I my UX designéři jsme dřív procházeli složitým řetězcem od stanovení problému přes uživatelský výzkum, návrh informační architektury a wireframů až po návrh vizuálu. Teď se naše práce postupně smrskla na promptování a kontrolu vygenerovaného výstupu. Obdobně se posouvají role projekťáků, markeťáků i analytiků.
Není to žádná moje nostalgie ani odpor k novému nástroji a způsobu práce. Je to popis jasně měřitelného posunu role: od tvorby k dohledu. A otázka tohoto textu tedy zní, co ten posun dělá s lidmi, kteří jím procházejí.
„AI burnout" je v tomto textu jen pracovní název, ne diagnóza. Jak jsem zmiňovala na začátku, neexistuje žádná definice v mezinárodní klasifikaci nemocí a jakýkoliv přímý výzkum k němu prakticky chybí. Nebudeme z něj proto dělat novou nemoc. Uděláme něco užitečnějšího: popíšeme ten stav, opřeme ho o příbuzné a dobře prozkoumané oblasti a podíváme se, co ho způsobuje a co se s tím dá dělat.
Napříč profesemi přibývá lidí, kteří při intenzivní práci s AI hlásí podobnou trojici příznaků: únavu, která neodpovídá počtu jejich odpracovaných hodin, pokles motivace a odstup od práce, která jim dřív dávala smysl a obavu z vlastní nahraditelnosti. Jde o opakující se vzorec.
Výchozí bod: klasické vyhoření. Světová zdravotnická organizace v ICD-11 popisuje burnout jako syndrom z chronického, nezvládnutého pracovního stresu, výslovně jako pracovní fenomén, ne jako nemoc. Má tři osy: vyčerpání, mentální odstup a cynismus vůči práci a sníženou pracovní výkonnost (WHO, 2019). Tohle je roky ověřovaný základ.
Všimněte si druhé osy, tedy cynismu a odstupu. To není totéž co únava. A právě sem míří to, o čem je tento článek. Model Job Demands–Resources (Demerouti et al., 2001; Bakker & Demerouti, 2017) to rozděluje na nároky práce (objem, tempo), které vedou primárně k vyčerpání, zatímco nedostatek zdrojů (autonomie, smysl, zpětná vazba) vede primárně k odpojení a cynismu. Když tedy někdo říká „nejsem ani tak unavený, jako spíš prázdný a odpojený", nemluví o tom, že problémem jsou na něj kladené nároky. Mluví o problému zmizelých zdrojů. Zní to trochu složitě, ale za chvíli to rozuzlíme.
Dovolila bych si pro účely tohoto textu sepsat takovou “pracovní definici”. AI burnoutem míníme specifickou variantu vyhoření, u níž dominuje nikoli vyčerpání z objemu práce, ale ztráta zdrojů smyslu (autonomie, kompetence a sounáležitosti) v důsledku toho, jak je do práce zaváděna umělá inteligence.
Ta trojice není samozřejmě z mé hlavy. Pochází ze Self-Determination Theory (Ryan & Deci, 2000, American Psychologist 55(1); Ryan & Deci, 2017), jedné z dobře podložených teorií lidské motivace. Říká, že máme tři vrozené psychologické potřeby, a když jsou naplněné, jsme motivovaní, spokojení a odolní. Když nejsou naplněné, přichází demotivace a vyhoření.
Teze tohoto článku se dá shrnout do jedné věty: současný způsob zavádění AI systematicky podkopává všechny tři potřeby naráz.
Autonomie je pocit, že naše vlastní volby a vlastní jednání utvářejí nějaký výsledek. Práce s AI ho u řady úkolů nahrazuje opakovanou smyčkou: zadat prompt, vyhodnotit výstup, opravit a zadat znovu. Celé se to posouvá od tvorby výstupu ke kontrole výstupu někoho jiného, v tomto případě AI.
Human Oversight and Overload popisuje dvě skryté zátěže práce s AI: nutnost neustálého lidského dohledu nad tím, co AI vyprodukuje, a kognitivní přetížení z množství návrhů. Studie z konference CHI 2026 When Help Hurts: Verification Load and Fatigue dokonce navrhuje měřitelný index „verifikační zátěže".
Ta stejná studie (na 60 vývojářích, řízený experiment) zároveň zjistila, že AI v konkrétním nastavení snížila zátěž a čas a zlepšila správnost výsledků. Verifikační zátěž je tedy reálná, ale smíšená a hodně závisí na návrhu a typu úkolu.
Nielsen Norman Group to pro nás UX pojmenovává střízlivěji: role designéra se posouvá „od pixel-pushingu k orchestraci a editorování" (NN/g). To může znít jako povýšení, pocitově to ale u mnohých znamená právě ztrátu pocitu autorství.
Kompetence je v podstatě pocit, že něco umím a moje schopnost postupně roste. Když ale naše myšlení odkládáme na AI model, tak naše dovednost pomalu slábne. Odborně se to nazývá jako deskilling, tedy postupná eroze úsudku, uvažování a řemesla ve chvíli, kdy kognitivní úkoly přenášíme na automatizované systémy. Přehled ze Springer AI Review (2025) rozlišuje deskilling technický, kognitivní, morální a sociální.
Toto riziko se neomezuje na IT — de-skilling je zdokumentován napříč odvětvími, od letectví a řízení průmyslových procesů až po medicínu. Článek De-skilling, Cognitive Offloading, and Misplaced Responsibilities: Potential Ironies of AI-Assisted Design má ironii přímo v názvu. Nástroj zavedený proto, aby práci zjednodušil, může člověka připravit právě o tu schopnost, kterou od něj systém následně vyžaduje. Designér (nebo jakákoliv jiná porfese) má výstupy AI hodnotit, obhajovat a opravovat, ale čím méně jich vytváří sám, tím menší úsudek pak pro to má. Autoři studie uvádění příkla,že skicování a wireframing fungují jako tzv. externí kognice, tedy jako nástroj myšlení, ne jen jako mezivýstup. Když se toto přesune na AI, ubývá iterací i doba, která je pro řešení problémů zásadní. Místo úspory práce pak může vzniknout nový typ zátěže. Designér se stane kontrolorem výstupů, ne autorem rozhodnutí.
K deskillingu můžeme zařadit i obavu z vlastní nahraditelnosti. V klasické teorii technostresu (Ragu-Nathan, Tarafdar et al., 2008) se jí říká techno-insecurity, tedy strach, že člověka nahradí technologie nebo příbuzná techno-uncertainty, což znamená vyčerpání z nekonečného přeučování (meta-analýza technostresu). Tento jev je popsaný a měřený už roky a AI je jen zesiluje.
Třetí lidská potřeba je spojení s druhými. Uživatelsky orientované profese, jako jsme my UX designéři, ji mají přímo v jádru, protože pracujeme pro konkrétní lidi. Když se ale prosadí představa, že „uživatele nahradí data, protože AI ví, jak se chová která cílovka", mizí uživatel z rovnice a zůstává nám tak rozhraní bez uživatele, pro kterého ho vlastně navrhujeme.
To se dotýká toho, co Steger, Dik a Duffy (2012) ve své Work and Meaning Inventory označují za jádro smysluplné práce: vnímání, že moje práce prospívá nějakému “většímu dobru”. Když odeberete konkrétního člověka, kterému má práce sloužit, slábne i její smysl.
3 lidské potřeby, které AI bere
Možná máte pocit, že vás zdržuju nějakými vlastními úvahami. Proto teď jasně oddělme, co už je vlastně změřené, od toho, co je zatím jen dobře odůvodněná domněnka. První vrstva problému, tedy že AI urychluje vyhoření, stojí na překvapivě tvrdých datech.
Osmiměsíční terénní studie, HBR 2026. Aruna Ranganathan a Maggie Ye sledovaly okolo 200 zaměstnanců americké technologické firmy. 83 % uvedlo, že jim AI zvýšila pracovní zátěž. Vyhoření hlásilo 62 % pracovníků na juniorních a 61 % na nástupních pozicích, ale jen 38 % vedení. Zásadní detail: používání AI bylo dobrovolné, nikdo lidi netlačil k vyššímu výkonu. Autorky popisují mechanismus „workload creep": AI něco zrychlí, tím se zvednou očekávání, roste závislost na nástroji, rozšíří se záběr úkolů a nakonec přibude práce (HBR, 2026).
Randomizovaný experiment METR, 2025. Zkušení open-source vývojáři byli s AI o 19 % pomalejší, přitom sami odhadovali, že jsou o 20 % rychlejší (METR, 2025). Ukazuje to dvě věci: slibovaná „revoluce produktivity" je přinejmenším sporná a existuje propast mezi pocitem výkonu a skutečností. (Výhrady: malý vzorek 16 lidí, jen vývojáři, a METR sám výsledek označuje za historický.)
Průzkum McKinsey (N = 12 802, 16 odvětví). 55 % denních uživatelů AI hlásí příznaky vyhoření, proti 32 % v celkovém vzorku (McKinsey, 2025). Velké N, ale firemní report a průřezová data, takže ukazuje souvislost, ne příčinu.
Tvrdá čísla ukazují souvislost, ne příčinu. Studie v Nature (2024) to říká přímo: AI sama o sobě není přímou příčinou vyhoření. Riziko vzniká přes zvýšenou psychickou zátěž, tedy učení nových nástrojů, adaptaci na neustálé změny a nejistotu, přičemž lidé s vyšší důvěrou ve vlastní schopnosti (self-efficacy) dopady tlumí (Nature, 2024).
A tady narážíme na hranici toho, co data dnes umí. Druhá vrstva, tedy že jádrem není objem, ale ztráta smyslu a autorství, se měří obtížně. Nejbližší signál dává opět McKinsey: „častí uživatelé" AI si nežádají další technické školení, ale smysluplnou práci a podpůrné prostředí. To tezi o ztrátě smyslu nedokazuje, ale je s ní konzistentní a naznačuje, že pod přetížením je ještě něco hlubšího.
Ještě přímější, byť stále jen dílčí signál nabízí průřezová studie z časopisu Mind and Society (Sharma & Singh, 2025; N = 401 vysokoškoláků). Její mediační model naznačuje řetězec, v němž stres vede k větší závislosti na AI, ta k menšímu počtu vlastních zážitků úspěchu (mastery), to k oslabené důvěře ve vlastní schopnosti a nakonec k vyššímu vyhoření a úzkosti (Mind and Society, 2025). Zajímavé je to právě proto, že míří přímo na kompetenci, jeden z pilířů naší druhé vrstvy. Není to ale důkaz, jen indicie: jde o self-report a průřezová data (mediace neprokazuje příčinu), o studenty místo pracujících, o jedinou zemi a menší časopis. Hodí se jako střípek ukazující, že se výzkum k druhé vrstvě začíná propracovávat, ne jako tvrdé potvrzení.
Dvě vrstvy AI burnoutu
Etablované teorie (WHO, SDT, JD-R, technostres, deskilling): bezpečná půda pro vysvětlení mechanismů.
Mladá empirie (HBR, METR, Nature, Frontiers): ukazuje souvislosti, ne příčiny; často self-report a průřezová.
Firemní reporty (McKinsey, BCG/„brain fry"): indikativní čísla; primární metodiku ověřovat, kauzalitu netvrdit.
Jediné, co si nesmíme dovolit, je zaměnit korelaci za kauzalitu. Je stejně dobře možné, že už vyhořelí lidé sahají po AI víc, než že by je AI dotlačila k vyhoření. Proto v tomto článku první vrstvu v podstatě tvrdím, druhou ale nabízím jako podloženou hypotézu.
Rozpoznání předchází řešení. Následující indikátory vycházejí z výše popsaných mechanismů a z dimenzí vyhoření podle WHO. Samy o sobě nejsou diagnózou, ale mohou představovat zdvižený prst:
Důležitá myšlenka, kterou stojí za to říct nahlas: vyhoření se neřeší přidáním dalšího nástroje. Řeší se předěláním systému, ve kterém nástroje fungují. Řešení proto dělím na tři úrovně a ke každé přidávám konkrétní tipy, které jdou zavést hned, i ve firmě, která AI běžně používá.
Nejlépe podloženou individuální strategií je tzv. job crafting (Wrzesniewski & Dutton, 2001), tedy zdola iniciovaná úprava hranic vlastní práce: kterých úkolů, vztahů a významů se držím. Je opakovaně spojován s nižším vyhořením. Konkrétně:
Vyhoření z odpojení nespraví jen „míň úkolů". Pomůžou spíš věci, které práci dávají oporu a energii: možnost rozhodovat sám za sebe, srozumitelná zpětná vazba a jasně dané, kdo za co ručí. (Odborně se těmto podpůrným prvkům v modelu Job Demands–Resources říká „zdroje" a proti vyhoření působí silněji než pouhé ubírání zátěže
Pokud se z části lidí stávají dohlížeči nad AI, je otázka, jak ten dohled navrhnout, aby zůstal smysluplný a nebyl jen mechanickým odklikáváním. Tomu se věnuje vznikající literatura o „meaningful human oversight" (Springer AI & Ethics, 2026). Konkrétně:
Na rovinu: tenhle text není proti AI. Používáme ji dennodenně a spoustu věcí nám reálně usnadňuje, o tom ostatně píše kdekdo. Právě proto má smysl dívat se i na druhou stranu mince, dokud je čas ji ovlivnit.
Shrňme si, co víme a co ne. Doložené je, že AI u velké části pracovníků zvyšuje zátěž a koreluje s vyšší mírou vyhoření (HBR 2026; McKinsey 2025) a že slibovaný nárůst produktivity nemusí přijít automaticky (METR 2025). Nedoložená, ale teoreticky podložená (McKinsey; Sharma & Singh, 2025) zůstává hlubší hypotéza, že vedle přetížení působí i eroze smyslu, autorství a kompetence.
Dobrá zpráva je, že vyhoření nespouští samotná existence nástroje, ale to, jak ho zasadíme do práce, a to máme v rukou na úrovni jednotlivce, týmu i firmy. Otázka tedy nezní „AI ano, nebo ne", ale spíš takto: dokážeme ji zavést tak, aby lidem zůstalo autorství, kompetence a kontakt s tím, pro koho pracují?
Odpověď zatím data nedávají. Chybí dlouhodobé studie a možná si ji napíšeme spíš sami tím, jak s AI budeme (nebo nebudeme) zacházet. Zatím platí jednoduché pravidlo: všímat si signálů dřív, než se z nich stane číslo v příštím průzkumu.
Snažila jsem se tento článek napsat sama bez AI (přiznávám, že mi pomáhala s hledáním vhodných zdrojů), abych si trošku rozproudila mozek a nebylo to vůbec jednoduché! :D
Kdy naposledy jste napsali souvislý text, aniž by ho za vás sepsala AI?
Brněnská digitální agentura Cognito vyhrála výběrové řízení Národního muzea na zajištění online propagace výstav pro rok 2026. Zakázka zahrnuje př...
Brněnská vývojářská divize Cognito Works zvítězila ve výběrovém řízení Ministerstva zahraničních věcí a zajistí tvorbu i provoz nové webové prezen...
Nová dceřiná agentura skupiny Cognito.cz se zaměřuje výhradně na tvorbu AI avatarů jako digitálních ambasadorů pro firemní videoobsah.
