Workshopu se zúčastnila stovka předních akademiků, výzkumníků, zástupců inovačních center a lídrů technologického byznysu ze zemí Visegrádské čtyřky. Mezi klíčovými osobnostmi, které svými vizemi formovaly diskusi, vystoupili například:
- David Pavlík, globální technologický lídr (ex-SpaceX, Tesla, ShipMonk), který do akademického prostředí vnesl dravost startupového světa.
- Lukáš Rudy, CEO UNICO MODULAR a zakladatel UNICO Innovation Hubu, jenž definoval bariéry inovačních ekosystémů.
- Balázs Horváth, expert na re-engineering vzdělávacích systémů ze společnosti SMADS.
- Paweł Skruch, profesor z krakovské AGH, který otevřel téma průmyslových standardů a certifikace AI.
- Tereza Malíková, koordinátorka AI Factory z národního superpočítačového centra IT4Innovations.
Cílem workshopu nebylo pouze pojmenovat současné výzvy, ale především vytvořit konkrétní strategický dokument, který by sloužil jako vodítko pro modernizaci institucí v regionu. Výsledkem těchto diskusí je právě Zlínská deklarace 2026, jejíž podrobné rozpracování naleznete v následujících částech této zprávy.
1. Univerzita jako katalyzátor: Nová identita v éře post-lexikálního monopolu
Po tisíciletí byla role univerzity definována jako „strážce vědomostí“. Instituce vlastnily exkluzivní přístup k informacím skrze knihovny, specializované archivy a expertní kapacity. Jak však ve své vizi „Reengineering Education“ deklaroval Balázs Horváth, tento „lexikální monopol“ se definitivně zhroutil. V momentě, kdy jsou informace digitalizovány a okamžitě dostupné skrze LLM (velké jazykové modely), přestává být distribuce faktů přidanou hodnotou univerzity.
Aby univerzity v regionu V4 přežily, musí se transformovat na Katalyzátory (Knowledge Catalysts). V chemii katalyzátor urychluje reakci, aniž by se sám spotřeboval. V akademickém prostředí to znamená, že univerzita vytváří podmínky pro vysokofrekvenční srážky mezi lidským talentem, technologickou infrastrukturou a reálnými problémy trhu. Hodnota vzdělání se přesouvá od kvantity zapamatovaných faktů ke kvalitě sítě (Network Nexus) a rychlosti, s jakou dokáže student přeměnit teoretický koncept v aplikovatelný prototyp. Mentor v tomto systému neexistuje proto, aby učil vzorce, ale aby ukázal, jak tyto vzorce v reálném světě selhávají a jak je pomocí AI modifikovat.
2. Překonání transformačního údolí a budování nehmotného kapitálu
Zavádění AI provází fenomén, který Martin Mikeska označuje jako „transformační údolí“ (J-křivka produktivity). Historická paralela s IT paradoxem 80. let ukazuje, že masivní investice do technologií samy o sobě růst nezajistí. Často dochází k počátečnímu poklesu výkonnosti, protože organizace nejsou připraveny na změnu procesů. Klíčem k překonání tohoto údolí není nákup výkonnějších čipů, ale investice do nehmotného kapitálu (Intangible Capital).
Tento kapitál zahrnuje nové organizační workflow, specifické dovednosti zaměstnanců a kulturu orientovanou na data. Strategickým fokusem deklarace je posílení absorpční kapacity regionu. Musíme si uvědomit, že digitalizace není technický projekt, ale sociálně-organizační transformace. Pokud univerzita disponuje superpočítačem, ale postrádá procesy pro jeho integraci do výuky a spolupráce s SMEs, dochází k plýtvání zdroji. Naším úkolem je proto vzdělávat lídry, kteří dokážou AI využít k re-designu celých odvětví, nikoliv jen k automatizaci stávající neefektivity.
3. Eliminace naivní replikace: Tržní účel na prvním místě
Lukáš Rudy definoval „devět kruhů inovačního pekla“, přičemž prvním je „hřích ignorance“ – slepé kopírování inovačních hubů z USA nebo Skandinávie bez ohledu na lokální kontext. Ukradené blueprinty (stolen blueprints) dům nepostaví. Každý ekosystém musí vycházet z unikátní DNA místa. Pro Zlín a region V4 je touto DNA kombinace hluboké průmyslové tradice (baťovský odkaz), technické zručnosti a vysoké míry improvizace.
Deklarace proto prosazuje princip Market Purpose First. Pokud za řešení nikdo není ochoten zaplatit, v ekosystému nemá místo. Inovace nesmí být závislé na veřejných grantech jako primárním zdroji přežití, ale musí být řízeny tržní potřebou. Budujeme modulární infrastrukturu, která je adaptabilní a orientovaná na reálné prototypování. Naším cílem není vytvořit „druhé Silicon Valley“, ale technologicky suverénní a ekonomicky udržitelný region, který využívá své historické kořeny k budování moderní budoucnosti.
4. Radikální adaptace a technologický optimismus
Svět se nenachází v lineární změně, ale v exponenciální disrupci. Jak zdůraznil David Pavlík, probíhá závod mezi rychlostí technologií a pomalostí institucí. AI vnímáme jako páku (leverage), která umožňuje radikálně škálovat dopad jednotlivce i malého týmu. Technologický optimismus v našem pojetí není slepá víra, ale aktivní odhodlání využít nástroje AI k posílení vlastní pozice na globálním trhu.
Prioritou je pěstování kultury rychlého experimentování a mindsetu „beta verze“. Univerzity musí opustit rigidní pětileté plány a umožnit studentům i výzkumníkům stavět projekty, které mohou okamžitě konkurovat světové špičce. Adaptabilita znamená schopnost opustit nefunkční modely a okamžitě adoptovat nové frameworky. Studenti nesmí být pasivními konzumenty, ale aktivními tvůrci, kteří chápou AI jako nástroj k odstranění rutiny a uvolnění prostoru pro kreativní a strategické úkoly s vysokou přidanou hodnotou.
5. Průmyslová čistota: Od pravděpodobnosti k determinismu
Existuje propast mezi akademickým výzkumem a průmyslovými požadavky. Paweł Skruch upozornil, že průmysl nemůže pracovat s „černými skříňkami“, které fungují jen na 90 %. V kritické infrastruktuře, výrobě nebo automotive je vyžadován determinismus, bezpečnost a certifikovatelnost. Akademické modely postavené na pravděpodobnosti musí být transformovány do robustních inženýrských řešení.
Náš výzkum se zaměří na vysvětlitelnou AI (XAI) a transparentnost algoritmů. Průmyslová AI musí být predikovatelná a srozumitelná pro lidskou obsluhu. Chceme budovat mosty mezi teoretickou informatikou a inženýrskou praxí, kde univerzita funguje jako validační autorita. Cílem je zajistit, aby nasazená řešení nebyla jen „chytrá“, ale především spolehlivá a bezpečná. To zahrnuje i simulacemi řízený vývoj a využití digitálních dvojčat pro bezpečné testování AI v reálném čase.
6. Re-engineering vzdělávání: Challenge-Based Learning (CBL)
Tradiční přednášky a memorování faktů jsou v éře AI zastaralé. Balázs Horváth a Ľubomír Antoni navrhují nahradit lexikální testování metodou Challenge-Based Learning (CBL). Student neřeší příklady z učebnice, ale „zapeklité problémy“ (Wicked Problems) dodané přímo průmyslovými partnery. Jednotkou hodnoty již není to, co student ví, ale co dokáže udělat s tím, co ví AI.
AI v tomto procesu nefunguje jako berlička k podvádění, ale jako akcelerátor rešerše a syntézy. Pedagog se stává mentorem, který studenta provází procesem kritického hodnocení výstupů stroje. Hodnotíme komplexní řešení problémů, schopnost navigace v informačních sítích a kreativní syntézu. Tímto způsobem univerzita otevírá své brány průmyslu a integruje reálnou praxi přímo do jádra vzdělávacího procesu. Absolvent se tak stává hotovým odborníkem připraveným na dynamický trh práce.
7. Automatizace objevování: Role architekta a platforma EASE
Technologickým pilířem deklarace je vize Adama Viktorína o automatizaci samotného výzkumu. AI již není jen pomocníkem při psaní textu, ale stává se autonomním nástrojem pro objevování algoritmů. Projekt EASE (Evolutionary Automated Software Engineering) ukazuje, že role programátora se mění v roli architekta systémů. Namísto manuálního kódování se student učí definovat zadání a benchmarky pro AI systémy, které následně provádějí tisíce iterací vývoje na pozadí.
Tento posun vyžaduje nové dovednosti: schopnost navrhovat experimenty, kriticky hodnotit vygenerované iterace a propojovat různé AI modely do funkčních celků. Integrujeme tyto pokročilé frameworky do výuky, aby naši absolventi nebyli pouhými uživateli AI, ale architekty, kteří dokážou automatizovat vývojové cykly a posouvat hranice technologických možností. Platforma EASE je symbolem naší snahy o technologickou nezávislost a inovativnost regionu V4.
8. Lidský prvek: Etika, empatie a nositelé smyslu
Zatímco AI exceluje v rychlosti a preciznosti, pouze lidská inteligence je nositelem smyslu, empatie a etiky. Ľubomír Antoni připomněl, že technologie nikdy nezměnila hodnotu lidské bytosti. Vzdělávání v éře AI se musí soustředit na rozvíjení schopností, které jsou stroji nedosažitelné: kritické myšlení, etické rozhodování a strategická syntéza. AI musí lidskou inteligenci rozšiřovat (Augmentation), nikoliv nahrazovat.
Budeme učit studenty klást otázku „Proč?“, zatímco AI přenecháme řešení otázky „Jak?“. Etika není brzdou inovací, ale jejich kompasem. Zodpovědné nasazení AI vyžaduje pochopení rizik, jako jsou halucinace modelů nebo předsudky v datech. Naším cílem je vychovat generaci expertů, kteří budou technologie ovládat s hlubokým vědomím společenské odpovědnosti a etické suverenity.
9. Institucionální agilita a kurikulární flexibilita
Rychlost technologických změn vyžaduje radikální reformu institucionálního fungování univerzit. Bartłomiej Moniak poukázal na nutnost agilní adaptace kurikul. Nemůžeme čekat roky na akreditace, když se technologie mění v řádu měsíců. Zavedeme modulární a flexibilní studijní cesty, které umožní okamžitou integraci nových AI nástrojů a mezioborovou spolupráci (např. AI v právu, medicíně nebo designu). Univerzita se musí stát agilní organizací, která dokáže reagovat na potřeby trhu v reálném čase.
10. Infrastrukturní synergie: AI Factories a Living Labs
Posledním pilířem je efektivní využití špičkové infrastruktury. Tereza Malíková představila koncept AI Factory jako brány k superpočítačovému výkonu IT4Innovations. Tato infrastruktura musí být dostupná nejen vědcům, ale i studentům a malým firmám. Budeme budovat Living Labs – živé laboratoře, kde se nápady testují přímo v průmyslovém provozu. Tím uzavíráme kruh mezi výzkumem a praxí, čímž vytváříme funkční model „Triple Helix“ (univerzita-stát-průmysl), který je základem prosperity regionu.
ZÁVĚR: OD MANIFESTU K REALITĚ
Zlínský workshop jasně ukázal, že region V4 disponuje jedinečnou kombinací špičkové infrastruktury (AI Factories, IT4I), akademické hloubky a průmyslové tradice. Hlavní překážkou však zůstává „asymetrická připravenost“ a lpění na zastaralých vzdělávacích modelech. Jak je uvedeno v klíčovém závěru: Univerzita již nesmí být archivem, ale katalyzátorem.
Úspěch Zlínské deklarace se nebude měřit počtem signatářů, ale počtem procedurálních změn, které ve svých institucích zavedeme. Přechod k modelu „katalyzátora znalostí“ vyžaduje odvahu přiznat, že některé tradiční metody výuky jsou v éře AI neúčinné, a ochotu integrovat podnikání přímo do DNA akademického světa.