Ako merať skutočný prínos AI v štátnej správe – a prečo Slovensko nemusí byť najrýchlejšie na štarte, aby uspelo.
K tejto téme ma priviedol nedávny článok The Economist o tom, ako merať návratnosť investícií do umelej inteligencie [2]. Keď som si rovnakú otázku položil z pohľadu štátu, narazil som na ešte zaujímavejší problém.
Len 10 z 36 krajín OECD, teda 28 % uvádza, že meria finančný alebo nefinančný vplyv konkrétnych použití AI vo verejnej správe. Polovica krajín pritom pri rozhodovaní o nasadení AI vychádza z očakávanej vyššej efektívnosti alebo úspor. Vyplýva to z Digital Government Outlook 2026 [1].
Inými slovami: pri rozhodovaní sa opierame o očakávané prínosy, no ich skutočný vplyv potom často nevieme zmerať. Nie je to slovenský problém. Zatiaľ ho nevyriešila väčšina vyspelých krajín. A práve preto je to príležitosť.
Vo firmách sa táto otázka objavuje čoraz častejšie. Po prvej vlne nadšenia prichádza logická otázka: čo investície do AI reálne prinášajú?
Nestačí vedieť, koľko ľudí AI používa, koľko licencií organizácia nakúpila alebo koľko zadaní zamestnanci vytvorili. Podstatné je, či sa vďaka AI niečo preukázateľne zlepšilo.
Pre štát je táto otázka ešte dôležitejšia. Ak investujeme verejné peniaze, mali by sme vedieť vysvetliť nielen čo sme nasadili, ale predovšetkým čo sa vďaka tomu zlepšilo a akú hodnotu to prinieslo štátu a občanom.
Nestačí počítať licencie
Najjednoduchším ukazovateľom je počet používateľov. Môžeme povedať, že 5 000 úradníkov dostalo AI asistenta, 70 % z nich ho používa a priemerne ho otvoria niekoľkokrát denne.
To sú údaje o používaní. O výsledku ešte nehovoria nič.
používanie AI → produktivita podporená AI → verejná hodnota
- Používame AI?
- Robíme vďaka nej svoju prácu rýchlejšie alebo lepšie? A napokon:
- Vytvára to skutočnú hodnotu pre štát a občanov?
Práve prechod od druhej k tretej otázke bude najťažší.
Tri britské experimenty, tri rôzne čísla
Medzi najlepšie zdokumentované experimenty vo verejnej správe dnes patria tie britské.
Britská Government Digital Service uskutočnila experiment s Microsoft 365 Copilotom, do ktorého sa zapojilo 20 000 zamestnancov verejnej správy [3]. Účastníci v priemere uvádzali úsporu približne 26 minút denne. Samotná správa uvádza, že pri prepočte na celý pracovný rok by to predstavovalo približne 13 pracovných dní na osobu.
Na prvý pohľad fantastické číslo.
Má však jeden dôležitý háčik: ide o časovú úsporu odhadovanú samotnými používateľmi. A ušetrený čas ešte automaticky neznamená ušetrené peniaze.
Ak zamestnanec ušetrí 26 minút denne, dôležité je, ako sa tento čas využije.
- Vybaví viac prípadov?
- Skráti sa čakanie občana?
- Klesne chybovosť?
- Zvýši sa kvalita práce?
- Alebo sa zníži pracovná záťaž?
Všetko sú to legitímne prínosy. Každý však vytvára inú hodnotu a má iný rozpočtový efekt.
Britská daňová a colná správa HMRC preto použila prísnejšiu metodiku [4]. V tretej fáze experimentu náhodne pridelila plnú licenciu 3 000 zamestnancom.
Výsledok bol podstatne nižší: približne 60 minút na jeden plný pracovný úväzok týždenne, teda asi 2 až 3 % pracovného času.
Odhady časových úspor analytici navyše znížili približne o 20 %, aby zohľadnili neaktívnych držiteľov licencií a skreslenie spôsobené tým, že na prieskum častejšie odpovedali aktívni používatelia.
Až takto upravený odhad prepočítali na ekonomickú hodnotu. Pri nasadení až 50 000 licencií vyčíslili približne 50 miliónov libier čistého ročného prínosu z vyššej produktivity.
Za pozornosť stoja aj dve ďalšie zistenia.
Väčšina používateľov využila ušetrený čas na bežnú agendu, zvýšenie kvality práce alebo zlepšenie pracovnej pohody. Časová úspora sa teda automaticky nepremieňa na znižovanie počtu pracovných miest.
A 46 % ľudí, ktorí pridelenú licenciu nepoužívali, uviedlo ako hlavný dôvod obavy o bezpečnosť a ochranu údajov.
Dôvera je teda jednou z podmienok reálneho používania technológie.
Britské ministerstvo práce a dôchodkov DWP zvolilo iný prístup [5]. Do skúšobnej prevádzky zapojilo 3 549 zamestnancov, pracovalo s porovnávacou skupinou bez Copilotu a použilo ekonometrickú analýzu.
Model odhadol priemernú úsporu 19 minút denne pri ôsmich rutinných činnostiach.
DWP však sledovalo aj to, čo samotná časová úspora nezachytí: 73 % používateľov uviedlo zlepšenie kvality práce a 65 % vyšší pocit naplnenia z práce.
Tri experimenty. Tri metodiky. Tri rôzne výsledky:
26 minút denne. 60 minút týždenne. 19 minút denne.
A práve tento rozdiel je dôležitou lekciou.
Číslo, ktoré dostaneme, výrazne závisí od metodiky, vzorky a prísnosti merania.
Úlohou štátu preto nemá byť za každú cenu dokazovať, že AI funguje. Potrebujeme vedieť, kedy funguje, pre koho, pri akej úlohe a či jej prínosy prevyšujú všetky náklady a riziká.
Štát nie je firma. Návratnosť investície nestačí.
Firma sa môže pri investícii sústrediť najmä na jednu otázku: koľko eur prinieslo každé investované euro?
Štát potrebuje širšiu optiku.
- Ak AI pomôže sociálnemu pracovníkovi venovať viac času človeku v núdzi, nemusí sa to prejaviť v rozpočte.
- Ak pomôže sudcovi rýchlejšie spracovať spis, nemusí to viesť k zníženiu počtu zamestnancov.
- Ak lekár ušetrí čas na administratíve, výsledkom nemusí byť finančná úspora, ale viac času na pacientov.
Hodnota vznikla. Len sa neprejavila ako rozpočtová úspora.
Pri verejnej správe sa preto musíme pozerať na návratnosť investície aj verejnú hodnotu.
Podobným smerom ide aj Spoločné výskumné centrum Európskej komisie (JRC) vo svojom rámci z roku 2026 [6]. Na základe analýzy databázy s viac ako 1 600 prípadmi použitia AI vo verejnom sektore odporúča sústrediť sa predovšetkým na oblasti, v ktorých AI dokáže vytvárať najvyššiu verejnú hodnotu.
Verejná hodnota nemá iba jednu podobu
Správa OECD Governing with Artificial Intelligence [7] uvádza niekoľko príkladov, ktoré dobre ukazujú, ako rozdielne môže vyzerať merateľný výsledok.
Peru: systém Amauta Pro skrátil prípravu návrhu rozhodnutia o ochranných opatreniach v prípadoch domáceho násilia približne z troch hodín na 40 sekúnd. Systém pripravuje návrh; sudca ho následne kontroluje a finalizuje.
USA: americká agentúra FEMA použila AI pri hodnotení škôd po hurikáne Ian. Počet objektov, ktoré bolo potrebné preveriť človekom, sa znížil z viac ako milióna na približne 77 000.
Singapur: pri spracovaní viac ako 3 000 žiadostí do náborového programu pomohla AI jednej verejnej organizácii ušetriť ekvivalent približne 44 000 eur a viac ako 150 pracovných dní.
Rýchlosť. Kapacita. Náklady.
Tri rôzne podoby hodnoty.
Preto potrebujeme širší rámec.
Šesť oblastí, ktoré by sme mali merať pri každom významnom AI projekte
- Čas – dĺžka spracovania podania, analýzy alebo rozhodnutia; čas potrebný na vyhľadanie informácie alebo vykonanie opakujúcej sa úlohy.
- Kapacita – počet vybavených prípadov na pracovníka; objem nevybavenej práce; dodatočné úlohy zvládnuté bez ďalšieho náboru.
- Náklady – náklady na jeden prípad; licencie, integrácia, infraštruktúra a prevádzka; náklady, ktorým sa podarilo vyhnúť pri nábore alebo externých službách.
- Kvalita – chybovosť, počet opráv, presnosť, konzistentnosť, reklamácie a potreba dodatočnej ľudskej kontroly.
- Hodnota pre občana – čakacia doba, dostupnosť služby, počet potrebných úkonov a dokumentov, zrozumiteľnosť a spokojnosť.
- Riziko a dôvera – bezpečnosť, ochrana osobných údajov, nesprávne rozhodnutia, diskriminačné účinky, halucinácie modelu a kvalita ľudského dohľadu.
Kvalita a riziko sú nevyhnutnou korekciou jednoduchého pohľadu na produktivitu.
AI môže proces výrazne zrýchliť a zároveň zhoršiť jeho výsledok.
Skutočný prínos preto vzniká až vtedy, keď k časovým a finančným úsporám započítame aj náklady na kontrolu, opravy, chyby a riziká, ktoré technológia vytvorila.
Bez východiskového stavu nevieme, či sme sa zlepšili
Toto je podľa mňa jedna z najpraktickejších lekcií zo zahraničia.
Britská vláda v roku 2026 vydala osobitné usmernenie, ako hodnotiť vplyv riešení využívajúcich AI [8]. Nadväzuje na britskú metodiku hodnotenia verejných politík známu ako Magenta Book.
Základná myšlienka je jednoduchá:
na hodnotenie AI treba myslieť ešte pred jej nasadením.
Musíme poznať dnešný východiskový stav.
- Ako dlho proces trvá?
- Koľko stojí?
- Aká je chybovosť?
- Koľko ľudí ho vykonáva?
- Aká je spokojnosť používateľov alebo občanov?
Potom potrebujeme čo najlepšie odhadnúť, čo by sa stalo bez AI – teda vytvoriť kontrafaktuálny scenár.
Pri vhodných projektoch možno použiť aj experimentálne alebo kváziexperimentálne metódy, napríklad porovnať podobné skupiny či tímy s technológiou a bez nej.
Až tak dokážeme oddeliť skutočný efekt AI od marketingového dojmu alebo od zlepšenia, ktoré by nastalo aj bez nej.
Pilot, ktorý nefungoval, nie je neúspech
Ak pilot ukáže, že konkrétny nástroj neprináša dostatočnú hodnotu, nie je to zlyhanie.
Ak sme pri relatívne nízkych nákladoch včas zistili, že riešenie nemá zmysel rozšíriť na desaťtisíce zamestnancov, pilot nám mohol ušetriť veľké množstvo verejných zdrojov.
Aj Svetová banka vo svojej World Development Report 2026 [9] upozorňuje na nedostatok dôkazov potrebných na dobrý výber, obstarávanie a hodnotenie AI aplikácií, najmä pri službách, ktoré verejný sektor poskytuje priamo občanom.
Pilot nemá potvrdiť rozhodnutie, ktoré už bolo urobené.
Má nám pomôcť rozhodnúť sa lepšie.
Trpezlivosť bude nevyhnutná aj pri finančnej návratnosti.
Spoločnosť Deloitte v prieskume z roku 2025 medzi 1 854 manažérmi [10] zistila, že väčšina respondentov uvádza uspokojivú návratnosť typického použitia AI až v horizonte dvoch až štyroch rokov. Návratnosť do jedného roka uviedlo len 6 % respondentov.
Dôvod je pomerne logický.
AI nie je iba nový softvér.
Ak má priniesť výrazné zvýšenie produktivity, často treba zmeniť pracovné postupy, pripraviť dáta, integrovať systémy a naučiť ľudí pracovať inak.
Ako môžeme začať na Slovensku
Slovensko pritom nemusí začínať od nuly.
Pri riadení IT projektov už dnes máme pravidlá, ktoré pracujú s východiskovým stavom, cieľmi, nákladmi, prínosmi, rizikami aj merateľnými ukazovateľmi. Vyhláška č. 401/2023 Z. z. pozná aj experimentálnu fázu projektu, ktorej zmyslom je overiť riešenie, spresniť jeho prínosy a riziká a následne rozhodnúť, či má zmysel pokračovať. Na ekonomické hodnotenie verejných investícií máme zároveň metodiku Hodnoty za peniaze.
Pri umelej inteligencii preto nepotrebujeme vytvárať ďalšiu vrstvu administratívy. Potrebujeme na existujúcich základoch postaviť jednoduchý a praktický rámec, ktorý bude použiteľný aj pri menších AI pilotoch a umožní nám ich výsledky navzájom porovnávať.
Začal by som prakticky: 10 až 20 pilotnými nasadeniami AI naprieč verejnou správou, ktoré by pokryli rôzne typy činností – administratívu, analytiku, komunikáciu, podporu rozhodovania, kontrolu, spracovanie dokumentov či služby občanom.
Pri každom pilote by sme si ešte pred jeho spustením mali vedieť jednoducho odpovedať napríklad na sedem otázok:
- Aký problém riešime?
- Aký je dnešný východiskový stav?
- Čo konkrétne očakávame, že AI zlepší?
- Ako to budeme merať?
- Koľko bude celý projekt skutočne stáť?
- Aké sú jeho riziká?
- Aké výsledky musí dosiahnuť, aby sme ho rozšírili?
Pri AI by však bolo potrebné sledovať aj veci, ktoré pri bežnom IT projekte nemusia byť také výrazné: kvalitu výstupov, chybovosť a halucinácie modelu, potrebu ľudskej kontroly, bezpečnosť a ochranu údajov, mieru skutočného používania či dôveru používateľov.
A najmä jednu veľmi praktickú otázku: čo sa reálne stalo s časom, ktorý AI ušetrila?
Ak zamestnanec ušetrí dvadsať minút denne, ešte sme nevytvorili verejnú hodnotu. Tá vzniká až vtedy, keď sa tento čas premietne napríklad do väčšieho počtu vybavených prípadov, kratšieho čakania občana, vyššej kvality práce alebo nižšej pracovnej záťaže.
Jednotlivé piloty by preto mali mať spoločnú základnú metodiku. Nie ako ďalšiu povinnosť, ale preto, aby sme po roku dokázali porovnať veľmi rozdielne prípady použitia rovnakou optikou.
Pracovne to nazývam rámec hodnotenia verejnej hodnoty a produktivity AI:
čas → kapacita → náklady → kvalita → hodnota pre občana → riziko
Postupne by tak mohla vzniknúť slovenská databáza reálnych výsledkov.
Nie odhadov dodávateľov.
Nie marketingových prezentácií.
Ale údajov z našej vlastnej verejnej správy.
Ilustračný príklad, ako by mohla vyzerať jedna karta pilotu – čísla sú hypotetické: pred nasadením AI trvalo spracovanie určitého typu podania v priemere 40 minút, po nasadení 22 minút. Chybovosť klesla zo 6 % na 3 %. Jeden pracovník dokáže vybaviť o 25 % viac prípadov. Objem nevybavenej práce klesol o tretinu. Ročné náklady riešenia sú 120 000 eur. Odhadovaná hodnota dodatočne vytvorenej kapacity je 350 000 eur.
Takto sa dá o umelej inteligencii diskutovať úplne inak, než sme boli doteraz zvyknutí.
Úrad splnomocnenca vlády SR pre umelú inteligenciu by preto nemal vytvárať paralelný systém hodnotenia. Jeho úlohou by malo byť spolu s relevantnými útvarmi štátu pripraviť jednoduchú AI nadstavbu nad existujúcimi pravidlami a pomôcť rezortom používať ju pri pilotných projektoch v praxi.
Potenciál je pritom veľký.
Spoločnosť McKinsey odhadla možný ročný produktivitný prínos generatívnej AI len v rumunskom verejnom sektore až na jednu miliardu eur [11].
Nie je to dosiahnutá úspora. Je to modelovaný potenciál.
A práve preto by bolo chybou stavať politiku na veľkých súhrnných odhadoch.
Potenciál musíme premieňať na preukázané výsledky konkrétnych použití AI.
Nemusíme vyhrať prvý kilometer
Nasadzovanie umelej inteligencie vo verejnej správe nie je šprint.
Je to ultramaratón.
Kto vyštartuje príliš rýchlo, bez tréningu a bez znalosti vlastných limitov, môže na prvých kilometroch pôsobiť ako líder ale to ešte nič nehovorí o tom, či dôjde do cieľa.
Je pomerne jednoduché nakúpiť tisíce licencií, predstaviť desiatky pilotov a oznámiť ambiciózny program zavádzania AI.
Oveľa ťažšie je o dva alebo tri roky preukázať, že tieto investície skutočne zvýšili produktivitu, zlepšili služby občanom alebo ušetrili verejné zdroje.
Preto musí plošnému rozširovaniu predchádzať poctivý tréning:
kvalitné dáta, bezpečná infraštruktúra, jasné pravidlá, AI gramotnosť, pripravení ľudia, procesy, ktoré má zmysel automatizovať, a predovšetkým schopnosť merať výsledky.
A potom cvičné preteky – dobre vybrané piloty.
Následne zrýchľovať a rozširovať to, čo sa preukázateľne osvedčilo.
Som presvedčený, že umelá inteligencia zásadne zmení fungovanie štátu.
Otázkou už podľa mňa nie je, či ju verejná správa začne používať.
Otázkou je, ako.
Pri umelej inteligencii vo verejnej správe nemusí vyhrať štát, ktorý vyštartuje najrýchlejšie. Vyhrá ten, ktorý ju dokáže dlhodobo nasadzovať bezpečne, hospodárne a s preukázateľným prínosom pre štát aj občanov.
A možno práve toto je disciplína, v ktorej by Slovensko mohlo patriť medzi lídrov.
Zdroje
[1] OECD – Digital Government Outlook 2026: Adopting and governing AI in government
[2] The Economist – How to measure returns on AI, 20. 8. 2026
[4] HM Revenue & Customs – Evaluating the Impact of Microsoft Copilot in HMRC, 2026
[5] Department for Work and Pensions – An Evaluation of DWP’s Microsoft 365 Copilot Trial
[8] HM Treasury / UK Government – Guidance on the Impact Evaluation of AI Interventions, 2026
[9] World Bank – World Development Report 2026: The Promise of Artificial Intelligence
[10] Deloitte – AI ROI: The paradox of rising investment and elusive returns, 2025
[11] McKinsey & Company – The transformative potential of AI in Romania’s public sector, 2025