Úvod do problematiky transformace veřejné správy
Veřejná správa na úrovni územních samospráv, zahrnující města, obce s rozšířenou působností i krajské úřady, prochází v současné dekádě fundamentální transformací. Tato proměna je primárně poháněna exponenciálním vývojem v oblasti informačních technologií a nástupem pokročilých modelů umělé inteligence (AI). Městské úřady z podstaty své činnosti fungují jako masivní zpracovatelé informací. Od interpretace legislativních předpisů a správy lokálních vyhlášek až po vyřizování individuálních žádostí občanů představuje správa dokumentů a znalostí jádro veřejných služeb. Efektivita tohoto zpracování přímo determinuje nejen kvalitu a rychlost poskytovaných služeb, ale i celkovou důvěru veřejnosti ve státní aparát.
Využití generativní umělé inteligence a pokročilých modelů pro zpracování přirozeného jazyka (NLP) přináší bezprecedentní příležitosti pro automatizaci rutinní administrativy, skokové zvýšení dostupnosti informací a radikální optimalizaci interních procesů. Na úrovni České republiky (ČR) se tato transformace nachází ve velmi dynamické, avšak asymetrické fázi. Zatímco některé progresivní samosprávy již inovují na evropské úrovni a integrují AI do svých každodenních operací, plošná adopce napříč tisíci obcemi naráží na legislativní, technologické a procesní bariéry. Situaci významně ovlivňuje nedávno schválené evropské nařízení o umělé inteligenci (AI Act), které sice definuje mantinely, avšak na lokální úrovni vyvolává nejistotu ohledně správné klasifikace systémů a správy rizik.
Předkládaná výzkumná zpráva nabízí vyčerpávající analýzu aktuálně využívaných technologií, procesů a osvědčených postupů v českých samosprávách se zaměřením na budování znalostních bází. Dále kriticky zhodnocuje architekturu současných řešení, jež se nejčastěji opírají o tradiční metody vektorového vyhledávání a Retrieval-Augmented Generation (RAG). V závěrečných kapitolách je tento současný stav postaven do ostrého kontrastu s nastupujícími paradigmaty reprezentovanými strukturami jako GraphRAG, konceptem LLM Wiki a zcela novým, průlomovým standardem Google Open Knowledge Format (OKF). Tyto moderní přístupy představují strategický posun od statických databází k sémanticky propojeným, agentními systémy spravovaným znalostním ekosystémům, které definují budoucnost e-governmentu.
Analýza současného stavu adopce umělé inteligence v českých obcích
Rozsah a hloubku penetrace moderních technologií do chodu českých měst a obcí lze nejlépe demonstrovat na tvrdých datech z nedávných plošných průzkumů. Z dat Sdružení místních samospráv ČR (SMS ČR) vyplývá, že řešení založená na umělé inteligenci v současnosti využívá přibližně 16 % až 20 % českých obcí. Naprostá většina obcí (přes 80 %) tak zatím s praktickým nasazením umělé inteligence při správě nemá žádnou přímou zkušenost. Tento nepoměr ukazuje na obrovský tržní i procesní potenciál pro další digitalizaci.
Zájem o tyto technologie je nicméně signifikantní. Přibližně třetina zkoumaných obcí plánuje nasazení AI nástrojů v horizontu nadcházejících tří let. Přínosy, které samosprávy s funkčními AI systémy nejčastěji reportují, jsou velmi konkrétní. Zahrnují především hmatatelnou časovou úsporu pro zaměstnance, snížení provozních nákladů, efektivnější správu a skokové zlepšení komunikace s občany, a to i zcela mimo standardní úřední hodiny. Úředníkům tyto systémy, podle vyjádření starostů, šetří stovky hodin práce ročně, což jim umožňuje přesunout uvolněnou kapacitu k řešení komplexnější a odbornější agendy, která vyžaduje lidskou empatii a specifické posouzení.
Strukturální bariéry a úroveň státní podpory
Implementace inovací však naráží na strukturální překážky. Zástupci obcí hodnotí úroveň podpory a informovanosti v oblasti AI ze strany státních institucí velmi kriticky. Až 60 % zástupců ji vnímá jako špatnou či velmi špatnou, přičemž další třetina ji označuje za pouhý průměr. Tento informační deficit vytváří prostředí, kde se menší obce obávají investic do technologií, kterým plně nerozumí.
Klíčovým problémem je absence sdílené praxe a nedostatek specifických, na míru šitých školení. Obce aktuálně nejvíce poptávají vzdělávání pro své zaměstnance, sdílení příkladů dobré praxe z jiných měst, specializované poradenství a v neposlední řadě i technickou a finanční podporu. Tuto mezeru se snaží kompenzovat subjekty jako Svaz měst a obcí ČR (SMO ČR) nebo nezávislí experti (např. Česká asociace umělé inteligence), kteří pořádají specializované webináře, publikují e-knihy s konkrétními “prompty” a poskytují dotační poradenství.
Regulační a legislativní ukotvení: AI Act a AI gramotnost
Nasazování umělé inteligence ve veřejném sektoru se neodehrává ve vakuu, nýbrž v přísně regulovaném právním rámci. Zásadním zlomem je Nařízení Evropského parlamentu a Rady (EU) 2024/1689 o umělé inteligenci, známé jako AI Act. Tento předpis vstoupil v platnost 1. srpna 2024 a postupně zavádí komplexní pravidla pro vývoj a využívání AI v celé Evropské unii. Pro veřejnou správu představuje AI Act dvojí výzvu: na jedné straně definuje přísné požadavky na transparentnost a bezpečnost, na straně druhé na lokální úrovni panuje zmatek ohledně toho, jak tyto abstraktní evropské normy aplikovat na rutinní činnosti městského úřadu.
Architektura AI Actu a klasifikace rizik
AI Act je postaven na principu řízení podle míry rizika a rozlišuje čtyři základní úrovně, z nichž každá nese specifické právní konsekvence:
- Zakázané praktiky (Nepřijatelné riziko): Jde o systémy využívající podprahovou manipulaci, sociální skórování občanů státem nebo plošné biometrické sledování v reálném čase. Tyto praktiky jsou striktně zakázány, přičemž sankce za jejich porušení mohou dosáhnout až 35 milionů eur nebo 7 % celosvětového obratu instituce.
- Vysoce rizikové systémy: Zahrnují aplikace v kritické infrastruktuře, policii, justici, školství nebo při náboru zaměstnanců. Tyto systémy podléhají přísným povinnostem včetně vedení technické dokumentace, testování robustnosti a zajištění lidského dohledu.
- Omezené riziko: Sem spadá drtivá většina současných městských AI aplikací, zejména chatboti. Hlavní povinností je zde transparentnost – občan musí být jasně informován, že komunikuje se strojem, nikoliv s lidským úředníkem.
- Nízké nebo minimální riziko: Sem patří běžné nástroje (spam filtry, základní analytika), které AI Act přímo nereguluje, ačkoliv stále podléhají například pravidlům GDPR.
V praxi českých měst se ukazuje, že úřady nasazují primárně systémy omezeného nebo nízkého rizika (práce s dokumenty, sumarizace, administrativní podpora). Zásadní problém však spočívá v tom, že města často ani netuší, zda a jak jejich nástroje pod regulaci spadají. Chybí jim srozumitelné právní výklady a postupy, jak AI klasifikovat a jak řešit případné incidenty. Úřady vystupují v roli “zavádějících subjektů” (deployers), což znamená, že musí u dodavatelů smluvně vynutit dodání dokumentace, umožnit audity, získat přístup k logům a stanovit procesy pro hlášení incidentů.
Fenomén halucinací a nutnost AI gramotnosti
S využíváním jazykových modelů se integrálně pojí technické riziko tzv. halucinací. Generativní modely AI nerozumí významu slov v lidském slova smyslu, ale na základě obrovského množství tréninkových dat pouze predikují nejpravděpodobnější následující slovo. Pokud narazí na mezeru ve znalostech, mají tendenci chybějící údaje “dohadovat”. Výsledkem je odpověď, která je gramaticky bezchybná a zní naprosto přesvědčivě, avšak fakticky je zcela lživá.
Ve veřejné správě, kde občané spoléhají na přesnost informací týkajících se legislativy či poplatků, představují halucinace kritické riziko. Aby bylo možné toto riziko mitigovat, musí úřady budovat tzv. AI gramotnost (AI literacy). Ta již není pouze doporučením, ale stává se podle AI Actu právní povinností. AI gramotnost propojuje digitální dovednosti s porozuměním tomu, jak algoritmy fungují, jaká jsou jejich omezení (včetně fenoménu “černé skříňky”, kdy není jasné vnitřní rozhodování modelu) a jaké etické konsekvence jejich nasazení přináší. Úředník vybavený AI gramotností ví, že výstup umělé inteligence nelze brát jako absolutní autoritu, nýbrž jako kvalifikovaný návrh podléhající kritické lidské revizi.
Souvisejícím konceptem je tzv. Turingův test. Schopnost stroje odpovídat plynule jako člověk ještě neznamená, že stroj disponuje empatií, odpovědností nebo schopností etického úsudku. Veřejná správa proto musí v procesech jasně oddělovat roli stroje jakožto podpůrného nástroje pro zpracování dat od role úředníka, který činí finální správní rozhodnutí.
Ekosystém státní správy: Katalog využití AI a role DIA
Ve snaze vnést do roztříštěného prostředí implementace AI řád, spustila Digitální a informační agentura (DIA) strategický portál s názvem „Katalog využití umělé inteligence ve veřejném sektoru“. Tento katalog slouží jako centrální znalostní báze, jež má za úkol sdílet úspěšné příklady (use cases), mapovat probíhající projekty a poskytovat úřadům inspiraci i metodickou oporu. Zajímavostí samotného katalogu je fakt, že jej nevytvořili programátoři, ale státní úředníci, právníci a metodici bez předchozí znalosti kódování, kteří využili AI nástroje (např. Codex) k vygenerování samotné webové aplikace.
Katalog DIA systematicky rozděluje projekty veřejné správy do šesti hlavních kategorií, které demonstrují široký rozptyl nasazení umělé inteligence od jednoduchých chatbotů až po komplexní dohledové systémy.
| Kategorie v Katalogu DIA | Popis oblasti a typické nasazení | Příklady evidovaných projektů |
|---|---|---|
| Generování obsahu a chatboti úředníků | Nástroje pro návrhy dokumentů, rešerše legislativy, sumarizace a podpora při správním řízení. | AI asistent pro tvorbu informační koncepce obce; AI asistent vnitřních směrnic a předpisů; AI agent pro správní řízení. |
| Komunikace a klientský servis | Zvyšování dostupnosti služeb pro občany, chytré formuláře, veřejní chatboti a voiceboti. | Virtuální asistentka Anežka (Praha 8); Předvyplnění formulářů pomocí AI; Znalostní báze pro interní ICT systémy. |
| Optimalizace úředních procesů | Automatizace vnitřní administrativy, klasifikace dokumentů, kontrola zakázek. | Automatizace zápisů z jednání orgánů obce; Digitální asistent auditora (NKÚ); ePokuty. |
| Analýza audiovizuálních dat | Zpracování obrazu a zvuku pomocí počítačového vidění a hlubokých neuronových sítí. | Umělá inteligence pro mamografická vyšetření; Carebot; Automatizované přepisovací pracoviště (justice). |
| Predikce a automatizované rozhodování | Analýza velkých dat pro předvídání zátěže, rizik či ekonomických trendů. | Využití AI při prognózování inflace v ČNB; Detekce poškození vozovek pomocí AI; Chytré křižovatky. |
| Monitoring, bezpečnost a dohled | Sledování incidentů, kybernetická bezpečnost, environmentální dohled v reálném čase. | Monitorování a reakce na incidenty (SOC); Nástroje proti hlasovým deepfakes; AI systém Emil. |
Kromě monitoringu existujících projektů DIA sama experimentuje se zapojením velkých jazykových modelů (LLM) do legislativního procesu, kde se snaží odhalit rozpory v zákonech týkajících se zákona o právu na digitální služby, což by ručně trvalo neúměrně dlouho. Tato centrální inciativa je doplňována plány Ministerstva průmyslu a obchodu (MPO), které v rámci tzv. Akčního plánu a Národní strategie umělé inteligence připravuje balíček opatření v hodnotě dvaceti miliard korun. Součástí tohoto balíčku je mimo jiné rozsáhlé školení úředníků a budování datového zázemí.
Přehled využívaných technologických řešení a dodavatelů
Na českém trhu se zformoval ekosystém dodavatelů, kteří se specializují na integraci umělé inteligence do rigidního prostředí municipalit. Architektura těchto řešení se liší na základě konkrétních potřeb – od automatizace komunikace s veřejností přes podporu tvorby obsahu až po masivní informační systémy.
Komunikační AI platformy: Citymind a Amitia
Tato kategorie řeší “front-end” komunikaci s občany. Lídrům v této oblasti vévodí startup Citymind, který nabízí ucelenou sadu nástrojů určenou pro samosprávy a instituce. Hlavními produkty jsou AI chatbot na web (odpovídající na dotazy 24/7 výhradně ze schválených dokumentů a webů úřadu), AI voicebot (hlasový asistent, který odbavuje telefonáty a přepojuje složitější hovory na referenty) a Aurora AI agent (interní asistent pro zaměstnance pracující s rozsáhlými znalostními bázemi a směrnicemi). Tyto platformy nabízejí i analytické moduly (např. Citymind Manager), které úřadům poskytují přehled o nejčastěji kladených dotazech a pomáhají odhalovat informační mezery.
Podobným směrem se vydala například společnost Amitia z plzeňského inovačního ekosystému (PINE), která pro statutární město Plzeň dodala chatbota pro elektronická podání s důrazem na zpracování přirozeného jazyka bez nutnosti klikat na předdefinovaná menu.
Asistenti pro správu obsahu a webů: Galileo Corporation
Pro menší obce, které nedisponují IT oddělením, jsou stěžejní nástroje integrované přímo do systémů pro správu webu (CMS). Společnost Galileo Corporation, jež dodává webová řešení pro tisíce obcí, jako první na trhu implementovala umělou inteligenci do svých redakčních systémů. Úředníkům nabízí AI Asistenta, který na jedno kliknutí sumarizuje dlouhé úřední texty, provádí korektury, upravuje tonalitu pro různé cílové skupiny (např. pro seniory) a navrhuje relevantní ilustrační obrázky. Podle zkušeností starostů dokáže takový asistent zkrátit přípravu měsíčního kalendáře akcí z několika hodin na pouhých deset minut.
Komplexní informační systémy veřejné správy (ISVS): GORDIC a VERA
Zatímco chatboti obsluhují veřejnost, páteř chodu úřadů (účetnictví, evidence obyvatel, spisová služba) zajišťují dominantní dodavatelé jako GORDIC, VERA, ALIS či Triada, kteří pokrývají zhruba 90 % trhu v klíčových agendách (např. u matričních úřadů). Tyto společnosti postupně integrují prvky automatizace a umělé inteligence do svých portálů občana a rezervačních systémů. Příkladem je spolupráce systémů GORDIC se systémy Reservatic nebo integrace na vzdálený přístup do správních spisů, což umožňuje efektivní využití ověřené digitální identity (NIA). Cílem těchto integrací je plynulý průchod dat celým úřadem – od podání dotazu občana až po vnitřní vyúčtování.
Architektura znalostí a technologické limity současných řešení
Drtivá většina textových a hlasových asistentů využívaných dnes ve veřejné správě (včetně úspěšných chatbotů popsaných výše) je postavena na architektuře zvané RAG (Retrieval-Augmented Generation). Tato metoda propojuje obrovské znalosti velkých jazykových modelů s lokálními daty organizace, aby se předešlo halucinacím.
Mechanismus standardního RAGu funguje na principu vektorových databází. Znalostní dokumenty úřadu (zákony, směrnice, PDF, webové stránky) jsou rozděleny na menší části textu (tzv. chunks či tokeny) a následně matematicky převedeny do numerických polí – vektorů, neboli embeddingů. Tyto vektory jsou uloženy ve vektorové databázi, kde geometrická vzdálenost mezi dvěma body představuje sémantickou podobnost jejich textu. Když uživatel položí dotaz (např. „Jaká je otevírací doba matriky?“), dotaz se převede na vektor a systém pomocí algoritmů hledání nejbližších sousedů (ANN) nalezne textové úryvky, které významově nejtěsněji odpovídají dotazu. Tyto úryvky jsou následně předloženy velkému jazykovému modelu jako kontext, ze kterého LLM vygeneruje srozumitelnou odpověď.
Slabiny vektorového RAGu v prostředí samospráv
Ačkoliv RAG představoval revoluci ve zpřístupnění dat, pro hlubokou integraci do struktury státního aparátu vykazuje zásadní limity:
- Ztráta kontextu a relací (Plochá struktura): Rozbitím směrnic na fragmenty ztrácí vektorová databáze povědomí o celkové logické struktuře. RAG nevidí spojitosti, nechápe kauzalitu a neví, že odstavec 3 na straně 4 souvisí s výjimkou popsanou v příloze na straně 20. Pokud je úkol založen na pochopení vazeb (např. „Vypiš seznam všech příspěvkových organizací, které zřizuje Odbor kultury a které zároveň podléhají směrnici XY“), standardní RAG selhává, protože nedokáže provádět tzv. multi-hop úvahy.
- Fragmentace a “Over-retrieval”: V dynamickém prostředí úřadu se dokumenty neustále novelizují. Vektorové databáze snadno nabobtnají zastaralými fragmenty dat. Modelu se pak často servírují protichůdné informace ze staré a nové vyhlášky, což zvyšuje riziko generování fakticky chybných výstupů (halucinací).
- Absence deterministické přesnosti: RAG je založen na pravděpodobnostní sémantické podobnosti, nikoliv na přesných strukturách. Úředník pro schvalovací proces potřebuje přesná strukturovaná metadata (např. tabulky, IČO, data platnosti), kterým RAG z podstaty věci bez sofistikovaného hybridního filtrování plně nerozumí.
Nastupující paradigmata: GraphRAG, LLM Wiki a Google OKF
S narůstající složitostí požadavků se světový vývoj posouvá k technologiím, které nahrazují ploché vektory bohatými, provázanými strukturami. Pro architekty IT systémů ve větších městech (CIO) představují tři inovace – GraphRAG, koncept LLM Wiki a formát Google OKF – strategický vektor pro budoucí dekádu.
1. GraphRAG: Znalostní grafy pro pochopení kontextu
Technologie Graph Retrieval-Augmented Generation (GraphRAG), za jejímž vývojem stojí významně společnost Microsoft, transformuje vstupní dokumenty na znalostní grafy. Místo prostého rozsekání textu využívá GraphRAG jazykové modely k tomu, aby z textů systematicky extrahoval tzv. entity (jména, organizace, lokace, koncepty) a definoval mezi nimi explicitní vztahy (hrany).
Zatímco RAG hledá podobná slova, GraphRAG prozkoumává propojené uzly. Umožňuje stroji pochopit složité sítě – například dodavatelsko-odběratelské vztahy v krajských zakázkách, strukturu organizačních jednotek nebo vazby mezi usneseními. Pomocí metod detekce komunit v grafech (community detection) dokáže shrnovat celá témata napříč rozsáhlými archivy.
| Vlastnost | Tradiční vektorový RAG | GraphRAG |
|---|---|---|
| Architektura ukládání | Plochá vektorová databáze | Znalostní graf (Knowledge graph, uzly a hrany) |
| Mechanismus vyhledávání | Sémantická podobnost (kosínová vzdálenost) | Procházení grafu (traversal, multi-hop reasoning) |
| Pochopení vztahů (kauzality) | Velmi slabé (ztraceno při dělení textu) | Velmi silné (vztahy jsou explicitně definovány) |
| Nákladnost vybudování báze | Nízká (pouze levné generování embeddingů) | Vysoká (vyžaduje drahá volání LLM pro extrakci každého vztahu z textu) |
| Ideální využití pro úřady | Odpovědi občanům (Kdy má otevřeno matrika?) | Komplexní analytika (Jaké jsou vztahy mezi investorem X a projekty v lokalitě Y?) |
Nevýhodou GraphRAGu jsou v současnosti především provozní náklady. Vybudování znalostního grafu z rozsáhlého archivu dokumentů vyžaduje obrovské množství tokenů a výpočetní kapacity LLM, což může být pro menší obce finančně nedostupné.
2. Architektura LLM Wiki (Andrej Karpathy)
Druhým myšlenkovým posunem je odklon od izolovaných konverzačních rozhraní. Renomovaný AI výzkumník Andrej Karpathy zpopularizoval koncept nazývaný “LLM Wiki”. Jeho základní myšlenkou je, že jazykové modely by neměly sloužit jen jako prohledávače surových PDF dokumentů (jako to dělá RAG), ale měly by převzít roli aktivních správců paměti, editorů neustále aktualizované firemní či městské Wiki.
V tomto vzorci, kdykoli úřad vyprodukuje nový dokument, LLM jej automaticky přečte, extrahuje z něj nová fakta, zapíše je do stávajících souhrnných stránek (např. aktualizuje stránku “Dotační programy 2026”) a vytvoří na ni křížové odkazy z jiných relevantních souborů. Změny jsou zaznamenávány v chronologickém logu (log.md) a adresář je udržován pomocí indexu (index.md). Umělá inteligence tak řeší hlavní problém dosavadních znalostních bází – lidskou lenost je neustále aktualizovat. AI “se nenudí, nezapomíná na křížové odkazy a dokáže v jednom průchodu upravit 15 souborů”. Lidský pracovník tak přistupuje již k dokonale zpracovanému a uspořádanému repozitáři, nikoliv k surovým datům.
3. Google Open Knowledge Format (OKF): Přepisování pravidel infrastruktury
Propojením obou předchozích myšlenek (struktury a údržby) vznikl zcela nový, otevřený standard. Společnost Google Cloud v červnu 2026 představila specifikaci Open Knowledge Format (OKF) v0.1. Tato událost má potenciál naprosto přepsat způsob, jakým veřejná správa ukládá svá interní data pro potřeby digitalizace.
Dosavadním problémem bylo, že každá platforma vyžadovala svá vlastní proprietární řešení a databáze (tzv. vendor lock-in). OKF formalizuje zmíněný vzorec “LLM-Wiki” do univerzálního, na dodavateli nezávislého standardu. OKF nedefinuje složitou databázovou vrstvu ani nevyžaduje instalaci specifického SDK (Software Development Kit). Jde čistě o sadu konvencí pro prosté textové soubory v adresářové struktuře.
Strukturální vlastnosti OKF: Znalostní báze v OKF je obyčejný adresář plný souborů ve formátu Markdown (.md). Každý soubor představuje přesně jeden koncept (např. směrnici, poplatek, kontaktní osobu). Klíčovým rysem OKF je přítomnost tzv. YAML frontmatteru na začátku každého souboru. Jde o blok strukturovaných metadat, přičemž specifikace povinně vyžaduje pouze jediné pole: type (určující typ dokumentu). Dále se doporučují pole jako title, description, timestamp a tags. Zbytek souboru obsahuje běžný formátovaný text (odstavce, tabulky), jenž je čitelný jak pro člověka, tak pro jazykový model.
Namísto budování nákladných znalostních grafů (GraphRAG) spoléhá OKF na jednoduché křížové odkazy přímo v textu markdown souborů (např. odkazující z dokumentu A na dokument B), díky kterým mohou AI agenti plynule “chodit” po celém úřadu z dokumentu do dokumentu, stejně jako občan prochází Wikipedii.
Strategické výhody OKF pro veřejnou správu:
- Nezávislost na producentovi a konzumentovi (Producer/Consumer Independence): Toto je zcela revoluční vlastnost. Město může svou OKF bázi (adresář souborů) vytvořit ručně nebo ji vygenerovat exportem ze svých účetních systémů (např. GORDIC). Tuto stejnou, univerzální složku pak může předhodit jakémukoli chatbotovi – ať už na webu běží řešení od Citymind, Microsoft Copilot, nebo Google Gemini. Pokud se město rozhodne změnit dodavatele AI, jednoduše vezme svou složku souborů a předá ji novému agentovi bez nutnosti nákladných datových migrací a překladů.
- Auditovatelnost a compliance by default: Pro veřejnou správu svázanou legislativou je zásadní bezpečnost a prokazatelnost. Jelikož je OKF báze tvořena textovými soubory, lze ji verzovat pomocí nástrojů jako Git. Úřad může sledovat historii každé změny (např. skrze povinné
log.mdsoubory v ISO 8601 formátu). To znamená absolutní transparentnost: úředník přesně vidí, kdo (či jaká AI) a kdy provedl úpravu směrnice. - Zahození RAGu pro deterministická data: Pokud potřebuje AI agent zjistit přesnou definici rozpočtové položky, nemusí tuto informaci naslepo “lovit” z vektorové databáze s rizikem chyby. Místo toho si jako adresář otevře OKF strukturu rozpočtových tabulek, přečte si exaktní data z Markdown souboru a předá je uživateli s naprostou přesností. Pro interní znalosti měst se tak OKF jeví jako spolehlivější a levnější alternativa než tradiční RAG či GraphRAG.
Závěrečné hodnocení a příležitosti pro česká města
Transformace veřejné správy prostřednictvím umělé inteligence vstupuje v České republice do kritické fáze dospívání. Historicky první průzkumy a ocenění jako Úřad 5.0 (např. pro města Šumperk a Mokrá-Horákov) prokazují, že zapojení AI ve formě komunikačních chatbotů a asistentů reálně funguje, masivně šetří úředníkům čas a radikálně zvyšuje dostupnost informací pro veřejnost mimo úřední hodiny. Iniciativy státních orgánů, jako je budování Katalogu AI od Digitální a informační agentury (DIA) a příprava národních školení, vytvářejí nepostradatelný metodický rámec pro rozvoj AI gramotnosti úředníků.
Avšak povrchové aplikace (chatboti) představují pouze první krok. Hlubší integrace AI, jež zahrnuje prediktivní analytiku, autonomní agenty pro agendy stavebních řízení či chytré prohledávání křížových vazeb v rozpočtech, naráží na bariéru stávající datové infrastruktury a roztříštěnost formátů. Standardní vektorové modely RAG, navzdory své oblibě, nepostačují pro deterministické a vysoce rizikové úřední prostředí náchylné k dezinformacím a halucinacím.
Klíčové strategické příležitosti a kroky pro samosprávy
Z provedeného výzkumu vyplývá pět hlavních doporučení pro vedení měst (starosty, tajemníky, CIO), jak maximalizovat přínos AI v nadcházejícím pětiletém horizontu:
- Systematizace dat pomocí Open Knowledge Format (OKF): Města by měla začít připravovat strategii migrace svých nestrukturovaných dat (rozptýlená PDF, dlouhé texty na webu, interní wordové směrnice) do univerzálních formátů. Přijetí otevřeného standardu OKF poskytne městům technologickou suverenitu. Umožní vybudovat jednu sdílenou paměť úřadu, ze které mohou čerpat všichni budoucí AI agenti nezávisle na konkrétním dodavateli, a poskytne stoprocentní auditní stopu změn.
- Pilotování struktur GraphRAG u komplexních agend: Pro krajské úřady a statutární města, kde jsou klíčové analýzy spletitých vazeb (např. dotační vztahy, veřejné zakázky, urbanistické plány), představuje GraphRAG nezanedbatelnou výhodu. Extrakce entit do znalostních grafů posouvá datovou analytiku na úroveň, která lidskému analytikovi uniká.
- Aktivní budování AI gramotnosti jako prevence: Zvládnutí technologických termínů (halucinace, černá skříňka, Turingův test) a pochopení povinností plynoucích z nařízení AI Act není jen záležitostí IT oddělení, ale fundamentální dovedností každého referenta. Školení v AI gramotnosti musí naučit úředníky kriticky interpretovat výstupy systémů a chápat rozhraní mezi strojem generovanou radou a lidským správním rozhodnutím (human-in-the-loop).
- Využití konceptu “LLM Wiki” pro vnitřní chod úřadu: Je čas opustit paradigma vyhledávání na dotaz. Implementace autonomních AI agentů (ve smyslu Aurora AI či Karpathyho LLM Wiki vzorce), kteří kontinuálně čtou podklady ze zastupitelstev a sami aktualizují interní směrnice a stránky, ušetří městu masivní prostředky na lidskou byrokracii a redakční údržbu.
- Diverzifikace za hranice textu (IoT a Smart City): Samosprávy by měly vnímat AI v širším kontextu (např. model Smart Písek). Propojení analytických AI systémů se senzorickými sítěmi (chytré osvětlení, doprava, environmentální monitoring) odemyká cestu k prediktivnímu řízení spotřeby energií a efektivní údržbě městské infrastruktury, což představuje masivní návratnost investic metodou EPC.
Modernizace české veřejné správy stojí na počátku radikální změny paradigmatu. Budoucnost nepatří úřadům, které si koupí nejchytřejšího chatbota z dotací. Budoucnost patří těm samosprávám, které pochopí, že inteligence jejich systémů bude vždy jen tak dobrá, jak kvalitní, propojená a standardizovaná bude jejich sdílená znalostní báze.
