Systémové myšlení jako podstatná dovednost v době generativní AI

K napsání této reflexe mě přivedla přednáška Leading Design in a World Where Anyone Can Build od Luďka Černockého [1], která proběhla 25. února 2026 v rámci předmětu Design Management & Leadership MasterClass (pro který je toto zároveň závěrečným povinným výstupem).

Tuto sérii přednášek pořádal KISK ve spolupráci s Asociací UX. Luděk v přednášce představil svůj pohled na to, jak se mění práce designérů — a podobné pohledy nabízeli i další řečníci v sérii. Ukazovalo se, že designéři musí proměnit i cíle svého rozvoje a zaměřit se na jinou paletu dovedností. A byl to právě Luděk, kdo mezi nimi jmenoval i systémové myšlení.

S tím zcela rezonuji. Popravdě, když jsem končil magisterské studium KISK na informačních studiích a v komisi se ptali na to, co mi v kurikulu oboru chybělo, odpověděl jsem, že právě explicitnější zaměření na systémové myšlení. Považuji jej za důležité a rozšiřující. V kyberbezpečnosti je nezbytné, proto na něj cílím i jednu hodinu ve svém kurzu Kyberbezpečnost, design a lidé.

Systémový prvek přitom v sobě nutně nese každá designová intervence. Ty nejjednodušší a transakční se bez jeho zvažování zřejmě obejdou, ale u service design projektů je nezbytný. Zároveň nejde o nic nového: service design byl systémovou teorií nepochybně formován a jeho vlastní metodologický aparát nabízí dobré příležitosti, jak systémové myšlení aplikovat — příkladem je metoda service blueprint.

Nemluvím tu nutně o velkých systémových změnách, ale o běžných projektech, které se odehrávají v komplexních socio-technických systémech (tedy pravděpodobně všechny). Problém však může spočívat v tom, že navzdory existenci těchto nástrojů nemusejí metody bez správného chápání systémů posloužit svému účelu — bývají použity spíše povrchně a bez skutečné hloubky. Rozhodl jsem se proto napsat práci, která shrne základy systémového myšlení. Podobně jako Luděk totiž věřím, že je to jedna z dovedností, která je v době generativní AI zásadní.

Disclaimer: působím v oblasti human-centred security v kyberbezpečnostním týmu a pokud mluvím o designérských intervencích, tak si představuji zřejmě něco hodně jiného než je běžná praxe v produktových týmech velkých korporací. Práci však píšu jako obecnou, proto je možné, že se někde kvůli chybějící zkušenosti netrefuji.

Co znamená dívat se na službu jako na systém

Východiskem systémového myšlení je poměrně prostá teze: celek nelze pochopit pouhým součtem jeho částí. Russell Ackoff ji ilustroval na příkladu automobilu [2]. Pokud bychom shromáždili nejlepší automobilové součástky z různých vozů a pokusili se je sestavit dohromady, nezískáme nejlepší auto, ale nefunkční celek. Schopnost vozu dopravit nás z místa na místo totiž nesídlí v žádné jednotlivé součástce, nýbrž ve způsobu, jakým jsou součástky vzájemně provázány. Tuto vlastnost, která vzniká až na úrovni celku a nelze ji najít v jeho prvcích, označujeme jako emergenci [3].

Toto východisko stojí v kontrastu s analytickým přístupem, na němž je vystavěna velká část našeho vzdělávání i organizační praxe. Analýza postupuje tak, že problém rozloží na části, snaží se porozumět jednotlivým částem a z tohoto porozumění následně skládá pochopení celku. U problémů, jejichž části se navzájem netriviálně ovlivňují, však tento postup naráží na své limity. Platí totiž, že čím více jsou jednotlivé části vzájemně závislé, tím méně lze fungování celku odvodit z pochopení jednotlivých prvků [4].

Služby do této kategorie spadají takřka bez výjimky. Nejsou to izolované aplikace ani lineární sekvence kroků, ale komplexní, otevřené a dynamické socio-technické systémy, v nichž se navzájem ovlivňují lidé, technologie a informace [5]. Z toho plyne, že chceme-li službu skutečně proměnit, nestačí optimalizovat jednotlivé obrazovky či kroky; je třeba vnímat ji jako síť vztahů. A právě zde se ukazuje hodnota systémového myšlení — a také důvod, proč ji generativní AI podle mého názoru spíše zvýrazňuje, než aby ji nahrazovala.

Service design má systémové myšlení v základech

Pro service designéra je v tomto ohledu dobrou zprávou, že nezačíná na zelené louce. Service design sice nevznikl jako záměrná odnož systémové vědy, jeho klíčové metody však mají ve své podstatě charakter systémových diagramů [6].

Service blueprint je toho dobrým příkladem. Na první pohled působí jako procesní mapa, ve skutečnosti je však vizualizací vertikálních i horizontálních závislostí mezi tím, co vidí zákazník (frontstage), a tím, co se odehrává v zákulisí (backstage) — včetně linií viditelnosti a podpůrných procesů, o které se viditelná část služby opírá. Jde tedy o řez systémem. Podobně ekosystémová mapa nezachycuje pouze výčet aktérů, ale toky hodnoty, moci a často i emocí mezi nimi. A prototypování lze chápat jako řízenou simulaci zpětnovazební smyčky: intervenci vpustíme do živého prostředí a sledujeme reakci systému dříve, než se zavážeme k plnému nasazení.

Potenciál k systémové práci tedy v oboru existuje a nástroje jsou k dispozici. Otázkou nezůstává, zda service designér může myslet systémově, ale zda tak skutečně činí — nebo zda metody používá spíše jako šablony k vyplnění.

Námitkou proti systémovému myšlení může být, že přináší zpomalení, které se do věku hypertvůrců nehodí. Jenže systémové myšlení má vést k lepším designérským rozhodnutím – a právě v tom je jeho hodnota. Dobrá rozhodnutí jsou klíčová právě proto, že rychle tvořit může každý. Podobně to mimochodem popsal i Luděk ve zmiňované přednášce.

Proč metody samy o sobě nestačí

Zde se dostávám k jádru problému, který jsem naznačil v úvodu. Metody a plátna jsou samy o sobě prázdné nádoby. Bez porozumění tomu, jak systémy fungují, hrozí, že designér zůstane u optimalizace viditelných projevů namísto jejich příčin [6]. Vyplnit blueprint v některém z dostupných nástrojů zvládne během chvíle takřka kdokoli; přečíst z něj, kde se nachází skutečná páka pro změnu, je úkol podstatně náročnější.

Tuto povrchnost lze přesněji popsat pomocí rozlišení, které nabízí Joshua Seiden [7]. Ten odlišuje tři úrovně cílů: výstup je to, co designér vytvoří — funkcionalita, wireframe, prototyp, řetězec interakcí; výsledek je změna chování uživatelů, kterou výstup přináší; a dopad je vliv na organizaci či společnost. Klíčovým a nejnáročnějším článkem tohoto řetězce je přitom právě výsledek, tedy most mezi tím, co vytvoříme, a tím, čeho tím chceme dosáhnout. Z mé zkušenosti se však většina úsilí soustředí na první rovinu — na produkci výstupů. A jak ukážu dále, je to právě tato rovina, kterou dnes generativní AI zvládá nejlépe.

Nejzřetelněji se povrchní práce s výstupy projevuje v jevu, který lze označit jako suboptimalizaci — tedy zlepšením jedné části systému na úkor výkonu celku [2, 3]. Uvažme záměrně vyhrocený příklad klientské e-commerce aplikace, kterou navrhneme jako uživatelsky vyladěnou do posledního detailu. Z hlediska frontstage jde o úspěch. Každá objednávka, kterou aplikace bez tření odešle, však dopadá do zákulisí, kde ji zpracovává omezený počet operátorů ve starším interním systému. Optikou systémové teorie jsme zrychlili přítok, aniž bychom zohlednili kapacitu odtoku. Aplikace je v tomto smyslu „efektivní“ — byla vytvořena včas a v rozpočtu —, avšak celkový systém funguje hůře, protože zázemí se ocitá pod kognitivním přetížením. Provedli jsme věc správně, ale nikoli nutně správnou věc.

Rozlišení mezi efektivitou (dělat věci správně) a účinností (dělat správné věci) patří k základním konceptům, bez nichž metody neplní svůj účel. Řadí se k nim také pojem pákových bodů (leverage points) — míst, kde poměrně malá změna může vyvolat výrazný posun v chování systému, přičemž nejsilnější páky podle Meadows neleží v parametrech a číslech, nýbrž v tocích informací a v samotných cílech systému [8]. I pro pákové body však platí obecné zásady systémové teorie — pokud tedy začneme intervenovat skrze jeden pákový bod, dost možná to skrze různé viditelné i neviditelné vazby ovlivní celý charakter systému, a možná i účinnost daného pákového bodu.

Limity kontroly: nezamýšlené důsledky designových rozhodnutí

S předchozím bodem úzce souvisí to, že by bylo chybou počítat u designových intervencí s přímočarou kauzální logikou. Vztahy mezi částmi komplexního systému jsou často obousměrné a ovládané zpětnou vazbou, takže i při nejlepší vůli designéra nelze předvídat všechny důsledky zásahu [4]. Tyto důsledky se navíc mohou rychle násobit, neboť i jednoduché designové řešení se nezřídka škáluje k velkému počtu uživatelů. Optikou systémového myšlení tak vznikají efekty na úrovni druhých a třetích řádů.

Edward Tenner pro tento jev používá pojem revenge effects [9]. Poukazuje na to, že řada řešení vede navzdory dobrým úmyslům k novým, často kontraproduktivním problémům, které mohou podkopat původní záměr. Příkladem z designové praxe je tzv. zelený zámeček, jímž webové stránky kdysi signalizovaly šifrované spojení. Uživatelé jej však začali vykládat jako známku důvěryhodnosti stránky, v důsledku čehož jím provozovatelé podvodných webů začali opatřovat své stránky. Designové rozhodnutí zde vyvolalo chování, které jeho autoři nezamýšleli a které šlo proti jeho původnímu účelu (zároveň však nijak nezpochybňuji, že zelené zámečky měly dopad na rozšíření HTTPS samotného).

Schopnost odhadnout, jaké druhotné a třetí důsledky může intervence vyvolat, a navrhovat ji proto spíše jako malý, reverzibilní a sledovaný krok než jako rozsáhlé a nevratné řešení, je právě tím typem úsudku, který odlišuje povrchní použití metod od skutečně systémové práce. Zároveň však tento přístup může projekty prodlužovat, prodražovat a úplnou jistotu pokrytí všech možných důsledků nemůžeme mít už z definice komplexních systémů nikdy.

Proč zůstává systémové myšlení (zatím) výsadou člověka

Pokud je tedy skutečnou dovedností nikoli kreslení schémat, nýbrž jejich systémové čtení, nabízí se otázka, zda nepřevezme i tuto práci generativní AI.

Odpověď podle mého názoru závisí na jedné základní vlastnosti dnešní generativní AI – kterou se jako neodborník pokusím zjednodušeně popsat takto: velké jazykové modely fungují na základě statistických pravděpodobností v trénovacích datech, a proto mají tendenci reprodukovat hlavní a nejčastější vzorce, zatímco méně běžné nebo okrajové situace mohou zachycovat hůře. [např. 15]. Tato vlastnost se dle mého názoru projevuje v obou fázích designérské práce, v divergentní i konvergentní, avšak s velmi odlišnými následky.

Ve fázi divergence — kdy je potřeba generovat varianty, navrhovat opomíjené aktéry nebo upozorňovat na vazby napříč doménami — se tíhnutí ke středu projevuje tak, že vygenerované nápady bývají spíše těmi nejpravděpodobnějšími než skutečně odlehlými. „Rozšiřování“ se tak blíží spíše rychlé interpolaci uvnitř už známého prostoru než divergenci do neznáma; podobně „opomíjení aktéři“ jsou spíše ti konvenčně opomíjení než ti, které přehlíží konkrétní slepé místo daného projektu. Přesto je AI v této fázi užitečným pomocníkem — dokáže levně produkovat alternativy a klást otázky, a může tak paradoxně pomáhat proti tzv. analýze-paralýze. Tvrdit, že je v systémové práci pouze překážkou, by bylo zavádějící. Důvod je prostý: zavádějící podnět ve fázi rozšiřování je levný a vratný. Designér jej zahodí, nebo z něj alespoň vytěží asociaci, která ho posune dál.

Ve fázi konvergence — při diagnóze a rozhodnutí o tom, kam zasáhnout — je však táž vlastnost zvláště problematická, protože zde se chyba zapisuje přímo do systému a její důsledky mohou být nákladné a obtížně vratné. Právě tato asymetrie následků, nikoli prostý výčet toho, co AI umí a neumí, je tím, oč se opírám. Proč konkrétně střed v konvergenci selhává, lze rozvést ve třech bodech, byť nemají stejnou váhu.

Prvním je, že hluboké struktury lidských systémů často nejsou totožné s průměrností AI výstupů — to důležité se může odehrávat na „okrajích“ – v mocenských asymetriích a drobných socio-kulturních nuancích, které nemusí být v datech dobře reprezentované (ostatně toto téma je řešeno např. také v rámci algoritmické diskriminace). Při konvergentní analýze tak hrozí, že do návrhu vneseme zprůměrované modely a předsudky minulosti. Tuto úvahu je ovšem nutné chápat jako hypotézu o povaze AI modelů, kterou by měl empirický výzkum potvrdit či vyvrátit.

Druhým a podle mého názoru závažnějším důvodem je absence vtělené zkušenosti. Designér totiž není vnějším pozorovatelem systému. Je jedním z jeho uzlů, vnořeným do sítě vztahů, kterou zkoumá [10]. Lidé v systému navíc nejednají vždy racionálně; pod tlakem se rozhodují spíše rychle a intuitivně [11]. Dle toho, jak AI nyní rozumím, bude mít problém dobře navnímat situace založené na iracionálních posunech — např. napětí na poradě, kdy spolu dvě oddělení vedou nevyslovený spor o rozpočet a vliv. A právě tahle nevyřčená mocenská realita má často značný vliv.

Třetí důvod považuji za nejzásadnější, byť se vyslovuje nejméně: designové rozhodnutí je výkonem moci, za který někdo nese odpovědnost. Amber Case to shrnuje větou „all design is governance“ [12] — každý design je formou správy, protože určuje, co lze a co nelze dělat. Rozšiřuje tím známou Lessigovu tezi „Code is Law“ [13], podle níž kód v digitálním prostředí získává regulační moc srovnatelnou se zákonem. Lachlan Urquhart jde ještě dál a označuje designéry za de facto regulátory: jejich rozhodnutí jsou morální úsudky vepsané do technologie a designéři za ně nesou odpovědnost [14]. Platí-li to, pak rozhodnutí, kam v systému zasáhnout, není jen technický, ale i mocenský a etický akt. A právě zde se podle mého chápání nachází hranice generativní AI. Dokáže navrhnout výstup, ale nemůže nést odpovědnost za jeho dopady — ani mít legitimitu, kterou Urquhart odvozuje z designérovy blízkosti ke konkrétnímu člověku.

Závěrem

Metody service designu mají značnou sílu, ale pouze tehdy, jsou-li podloženy porozuměním tomu, jak systémy fungují. Blueprint, ekosystémová mapa i prototyp zůstávají bez systémového myšlení nástroji, které optimalizují viditelnou vrstvu služby, zatímco její příčiny ponechávají nedotčené.

Generativní AI tuto skutečnost podle mého názoru nevyvrací, spíše ji zvýrazňuje. V době, kdy lze persony i blueprinty vygenerovat během okamžiku, se hodnota designérovy práce přesouvá od samotné tvorby výstupů k tomu, co je obtížněji zastupitelné: k syntéze poznatků, ke čtení neformálních vztahů, k odhadu nezamýšlených důsledků a k odpovědnému rozhodnutí o tom, kam v systému zasáhnout.

A v tom spočívá pointa, k níž mě Luďkova přednáška dovedla. Naučit se vnímat systémy – vztahy, které utvářejí chování celku, a rozhodnout, do kterých z nich zasáhnout, je podle mě důležitá schopnost designérů dneška i budoucnosti. Právě ona podle mého názoru zůstává tím, co z designéra činí aktéra, jehož algoritmus zastoupit zcela nedokáže.

Bonus

Kultivaci mindsetu systémového myšlení považuji za více než jen školní úkol. Vytvořil jsem si k tomu proto pomocníka, který je dostupný níže. Na vstupu je kurátorovaný seznam zdrojů, vztažený k designu a poměrně přívětivá forma. S obsahem jsem spokojený částečně a své poznání oblasti plánuju dále významně prohlubovat.

Zdroje

[1] ČERNOCKÝ, Luděk. Leading design in a world where anyone can build [přednáška]. Design Management & Leadership MasterClass. Brno: Katedra informačních studií a knihovnictví FF MU & Asociace UX, 25. února 2026. Dostupné z: https://www.youtube.com/watch?v=cq-ZTHap4m8

[2] ACKOFF, Russell L. The democratic corporation: A radical prescription for recreating corporate America and empowering a workforce. New York: Oxford University Press, 1994.

[3] MEADOWS, Donella H. Thinking in systems: A primer. WRIGHT, Diana (ed.). White River Junction: Chelsea Green Publishing, 2008. ISBN 978-1-60358-055-7.

[4] PELÁNEK, Radek. Modelování a simulace komplexních systémů: jak lépe porozumět světu. Vyd. 1. Brno: Masarykova univerzita, 2011. ISBN 978-80-210-5318-2.

[5] HATCH, Mary Jo a CUNLIFFE, Ann L. Organization theory: Modern, symbolic, and postmodern perspectives. 2nd ed. Oxford: Oxford University Press, 2006. ISBN 978-0-19-926021-8.

[6] CABABA, Sheryl. Closing the loop: Systems thinking for designers. New York: Rosenfeld Media, 2023. ISBN 978-1-959029-00-7.

[7] SEIDEN, Joshua. Outcomes over outputs: Why customer behavior is the key metric for business success. Independently Published, 2019. ISBN 978-1-0911-7326-2.

[8] MEADOWS, Donella H. Leverage points: Places to intervene in a system. Hartland: The Sustainability Institute, 1999.

[9] TENNER, Edward. Why things bite back: Technology and the revenge of unintended consequences. 1st Vintage pbk. ed. New York: Vintage Books, 1997. ISBN 978-0-679-74756-7.

[10] CHECKLAND, Peter a POULTER, John. Learning for action: A short definitive account of soft systems methodology and its use for practitioners, teachers, and students. Chichester: John Wiley & Sons, 2006. ISBN 978-0-470-02554-3.

[11] KAHNEMAN, Daniel. Thinking, fast and slow. New York: Farrar, Straus and Giroux, 2011. ISBN 978-0-374-27563-1.

[12] CASE, Amber. How design is governance. Medium [online]. 28. března 2023. Dostupné z: https://uxdesign.cc/how-design-is-governance-7c8dd466d753

[13] LESSIG, Lawrence. Code and other laws of cyberspace. New York: Basic Books, 1999. ISBN 0-465-03912-X.

[14] URQUHART, Lachlan. Towards user centric regulation: Exploring the interface between IT law and HCI [disertační práce]. Nottingham: University of Nottingham, 2016. Dostupné z: https://eprints.nottingham.ac.uk/41787/

[15] SHUMAILOV, Ilia et al. AI models collapse when trained on recursively generated data. Nature. 24. červenec 2024, roč. 631, č. 8022, s. 755–759. ISSN 1476-4687. Dostupné z DOI: 10.1038/s41586-024-07566-y.

Použití AI: Při psaní této práce byla použitá AI (Claude, verze Sonnet 4.6), a to zejména na syntézu, oponování a kontrolu textu. Taktéž celý interaktivní průvodce byl vytvořen pomocí AI. Odpovědnost za obsah přebírám já.