Dobře, karty na stůl – tato otázka se objevuje všude. Na technických schůzkách, v práci u přestávek na kávu a ano, dokonce i v těch dlouhých vláknech na LinkedInu nikdo nepřizná, že si to čte. Obava je docela přímočará: když umělá inteligence zvládne tolik automatizace, znamená to, že datová věda je tak trochu… na jedno použití? Rychlá odpověď: ne. Delší odpověď? Je to složité, chaotické a mnohem zajímavější než strohé „ano“ nebo „ne“.
Články, které byste si mohli po tomto přečíst:
🔗 Datová věda a umělá inteligence: Budoucnost inovací
Zkoumání toho, jak umělá inteligence a datová věda formují inovační krajinu zítřka.
🔗 Nahradí umělá inteligence datové analytiky: Skutečná debata
Pochopení dopadu umělé inteligence na role datových analytiků a potřeby odvětví.
🔗 Správa dat pro nástroje umělé inteligence, na které byste se měli podívat
Klíčové postupy správy dat pro maximalizaci potenciálu nástrojů umělé inteligence.
Co vlastně dělá datovou vědu cennou 🎯
Věc se má takhle – datová věda není jen matematika a modely. To, co ji dělá silnou, je tento zvláštní koktejl statistické přesnosti, obchodního kontextu a špetky kreativního řešení problémů . Umělá inteligence dokáže vypočítat deset tisíc pravděpodobností mrknutím oka, to je jisté. Ale dokáže rozhodnout, který problém je důležitý pro hospodářský výsledek společnosti? Nebo vysvětlit, jak se tento problém vztahuje ke strategii a chování zákazníků? A tady vstupují na scénu lidé.
Ve své podstatě je datová věda něco jako překladač. Bere surový chaos – ošklivé tabulky, protokoly, průzkumy, které nedávají smysl – a přeměňuje ho na rozhodnutí, podle kterých mohou normální lidé skutečně jednat. Pokud odstraníme tuto vrstvu překladu, umělá inteligence často chrlí sebevědomé nesmysly. HBR to říká už léta: tajnou přísadou nejsou metriky přesnosti, ale přesvědčování a kontext [2].
Realita: Studie naznačují, že umělá inteligence dokáže automatizovat spoustu úkolů v rámci dané práce – někdy i více než polovinu . Ale vymezení rozsahu práce, činění úsudků a sladění s chaotickou věcí zvanou „organizace“? Stále je to do značné míry lidská doména [1].
Rychlé srovnání: Datová věda vs. umělá inteligence
Tato tabulka není dokonalá, ale zdůrazňuje různé role, které hrají:
| Prvek / Úhel | Datová věda 👩🔬 | Umělá inteligence 🤖 | Proč na tom záleží |
|---|---|---|---|
| Primární zaměření | Postřehy a rozhodování | Automatizace a predikce | Datová věda rámuje otázky „co“ a „proč“ |
| Typičtí uživatelé | Analytici, stratégové, obchodní týmy | Inženýři, provozní týmy, softwarové aplikace | Různé publikum, překrývající se potřeby |
| Nákladový faktor 💸 | Platy a nástroje (předvídatelné) | Cloudové výpočty (variabilní ve velkém měřítku) | Umělá inteligence se může jevit levnější, dokud se její využití nerozšíří |
| Pevnost | Kontext + vyprávění příběhu | Rychlost + škálovatelnost | Společně jsou symbiotické |
| Slabost | Pomalý pro opakující se úkoly | Bojuje s nejednoznačností | Přesně proč jeden nezabije druhého |
Mýtus o „úplné náhradě“ 🚫
Zní to hezky představit si, jak umělá inteligence pohltí každou datovou úlohu, ale to je postaveno na mylném předpokladu – že celá hodnota datové vědy je technická. Většina z ní je ve skutečnosti interpretační, politická a komunikativní .
-
Žádný manažer neřekne: „Prosím, dejte mi model s přesností 94 %.“
-
Říkají si: „Měli bychom expandovat na tento nový trh, ano, nebo ne?“
Umělá inteligence dokáže generovat prognózy. Co ale nezohlední: regulační problémy, kulturní nuance ani chuť generálního ředitele riskovat. Analýza, která se promění v činy, je stále lidskou hrou plnou kompromisů a přesvědčování [2].
Kde už umělá inteligence mění svět 💥
Buďme upřímní – části datové vědy už zaživa požírá umělá inteligence:
-
Čištění a příprava dat → Automatické kontroly odhalují chybějící hodnoty, anomálie a posuny rychleji než lidé, kteří se namáhají v Excelu.
-
Výběr a ladění modelu → AutoML zužuje výběr algoritmů a zpracovává hyperparametry, čímž šetří týdny experimentování [5].
-
Vizualizace a reporting → Nástroje nyní mohou vytvářet dashboardy nebo textové souhrny z jediného výzvy.
Kdo to pociťuje nejvíce? Lidé, jejichž práce se točí kolem opakujícího se vytváření grafů nebo základního modelování. Cesta ven? Posunout se výše v hodnotovém řetězci: klást ostřejší otázky, vyprávět jasnější příběhy a formulovat lepší doporučení.
Rychlý snímek případu: Maloobchodník testuje AutoML na odchod zákazníků. Vygeneruje solidní základní model. Velké vítězství ale přichází, když datový vědec úkol přeformuluje: místo „Kdo bude odcházet?“ se stane „Které intervence skutečně zvyšují čistou marži podle segmentu?“. Tato změna – plus partnerství s finančním oddělením za účelem stanovení omezení – je to, co pohání hodnotu. Automatizace věci urychluje, ale rámování odemyká výsledek.
Role datových vědců se vyvíjí 🔄
Spíše než aby tato práce zanikla, nabývá nových podob:
-
Překladatelé s umělou inteligencí – technické výstupy jsou srozumitelné pro lídry, kterým záleží na penězích a rizicích pro značku.
-
Vedení správy a etiky – nastavení testování zkreslení, monitorování a kontrol v souladu se standardy, jako je například AI RMF NIST [3].
-
Produktoví stratégové – propojují data a umělou inteligenci do zákaznických zkušeností a produktových plánů.
Je ironií, že s tím, jak umělá inteligence přebírá více technické práce, se lidské dovednosti – vyprávění příběhů, úsudek v dané oblasti, kritické myšlení – stávají součástmi, které nelze snadno nahradit.
Co říkají odborníci a data 🗣️
-
Automatizace je skutečná, ale částečná : Současná umělá inteligence dokáže automatizovat mnoho úkolů v rámci mnoha pracovních míst, ale to obvykle lidem umožňuje přesunout se k práci s vyšší hodnotou [1].
-
Rozhodnutí potřebují lidi : HBR poukazuje na to, že organizace se nepohybují kvůli prostým číslům – pohybují se, protože příběhy a narativy nutí vůdce jednat [2].
-
Dopad na pracovní místa ≠ hromadné propouštění : Data WEF ukazují, že firmy očekávají, že umělá inteligence změní role a sníží počet zaměstnanců tam, kde jsou úkoly vysoce automatizovatelné, ale zároveň zdvojnásobují úsilí o rekvalifikaci [4]. Tento vzorec vypadá spíše jako redesign než náhrada.
Proč strach přetrvává 😟
Titulky médií vzkvétají na zkáze. „Umělá inteligence nahrazuje pracovní místa!“ se prodává. Ale seriózní studie neustále ukazují nuance: automatizaci úkolů, redesign pracovních postupů a vytváření nových rolí [1][4]. Analogie s kalkulačkou funguje: nikdo už nedělá dělení ručně, ale stále musíte rozumět algebře, abyste věděli, kdy kalkulačku použít.
Zůstat relevantní: Praktický návod 🧰
-
Začněte s rozhodnutím. Ukotvěte svou práci v obchodní otázce a v ceně chyb.
-
Nechte umělou inteligenci navrhovat, vy ji dolaďujte. Berte její výstupy jako výchozí body – vy vnášíte úsudek a kontext.
-
Zabudujte do svého toku řízení. Nenáročné kontroly zkreslení, monitorování a dokumentace vázané na rámce, jako je NIST [3].
-
Zaměřte se na strategii a komunikaci. Čím méně jste vázáni na „mačkání tlačítek“, tím těžší je vás automatizovat.
-
Znejte své AutoML. Představte si to jako brilantního, ale bezohledného stážistu: rychlý, neúnavný, někdy se divoce mýlí. Vy poskytujete zábradlí [5].
Takže… Nahradí umělá inteligence datovou vědu? ✅❌
Přímá odpověď: Ne, ale změní to . Umělá inteligence přepisuje sadu nástrojů – omezuje namáhavou práci, zvyšuje rozsah a mění dovednosti, na kterých záleží nejvíce. Co však neodstraňuje, je potřeba lidské interpretace, kreativity a úsudku . Dobří datoví vědci jsou spíše cennější jako interpreti stále složitějších výstupů.
Sečteno a podtrženo: AI nahrazuje úkoly, ne profesi [1][2][4].
Reference
[1] McKinsey & Company - Ekonomický potenciál generativní umělé inteligence: Další hranice produktivity (červen 2023).
https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
[2] Harvard Business Review - Datová věda a umění přesvědčování (Scott Berinato, leden–únor 2019).
https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
[3] NIST – Rámec pro řízení rizik v oblasti umělé inteligence (AI RMF 1.0) (2023).
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf
[4] Světové ekonomické fórum - Zavírá umělá inteligence dveře pracovním příležitostem na základní úrovni? (30. dubna 2025) - poznatky z dokumentu Future of Jobs 2025.
https://www.weforum.org/stories/2025/04/ai-jobs-international-workers-day/
[5] He, X. a kol. - AutoML: Přehled současného stavu techniky (arXiv, 2019).
https://arxiv.org/abs/1908.00709