Poslední generace seniorů: proč školy musí přestat vyrábět juniory

Představte si dva programátory. Oba sedí u stejného editoru, oba mají přístup ke stejnému AI asistentovi. První má třicet let praxe, zná historii systému, pamatuje si tři velké migrace a dva noční incidenty, které málem položily produkci. Druhý má dva roky po škole a umí promptovat rychleji než psát.

AI asistent vygeneruje oběma stejný kód. Senior ho přečte, zamračí se a řekne: „Tohle nám za rok bouchne, protože tu je race condition, kterou jsme řešili v roce 2019.“ Junior kód schválí, protože vypadá správně — a on nemá databázi zkušeností, podle které by poznal, že není.

Celá desetiletí jsme věřili, že technologický průmysl potřebuje hlavně mladé lidi. Rychlé, levné, adaptabilní. Seniory před penzí jsme považovali za drahý luxus, který si firma drží ze setrvačnosti. Umělá inteligence tento předpoklad obrátila naruby. AI nahradila to, co uměl junior — a zvýraznila to, co umí jen senior. Jenže seniorů ubývá. A školy, které by měly vychovávat jejich nástupce, místo toho rok co rok chrlí stovky absolventů do pozic, které už neexistují.

Tři křivky se protínají v jednom bodě. Za prvé, demografická: pracovní síla v EU se do roku 2050 dramaticky zmenší, zatímco podíl seniorů na populaci poroste tempem, které nemá v moderní historii obdobu. Za druhé, technologická: juniorní programátorské pozice v posledních dvou letech dramaticky ubývají a velké technologické firmy přestávají nabírat nové inženýry s odkazem na produktivitu AI. Za třetí, znalostní: programátoři systémů, které denně zpracovávají kritický objem světového obchodu, odcházejí do důchodu a nikdo je nenahrazuje.

V sázce není jen efektivita firem. V sázce je celý znalostní řetězec, kterým se junioři postupně mění v seniory. Pokud AI vyřadí juniorskou vrstvu a školy nepřizpůsobí, co produkují, za dvacet let budeme mít generaci AI operátorů, kteří umí promptovat, ale nikdy neladili memory leak ve tři ráno.

Všude byli, všechno znají a všechno zažili minimálně jednou. Tak by se dal popsat typický padesátník s dvaceti a více lety praxe. Výzkum konzistentně ukazuje, že tito lidé jsou strategickým aktivem — ne přítěží.

Kolik stojí ztráta takového člověka? Studie Centra pro americký pokrok analyzovala 30 případů a stanovila medián náhradních nákladů na přibližně 20 % ročního platu. U vysoce kvalifikovaných a vedoucích pozic náklady šplhají až k 213 % ročního platu. Pro vedoucího specialistu s platem v řádu milionů korun jde o částky, které by každý CFO raději investoval jinam. A to jsou jen měřitelné položky — nábor, zaškolení, ztráta produktivity během zapracování nováčka.

Skutečná ztráta je v tom, co Dorothy Leonard z Harvard Business School nazvala deep smarts: hluboké znalosti budované desítkami let praxe, které zahrnují rozpoznávání vzorců, intuitivní úsudek a systémové myšlení. Jsou z podstaty tacitní — nedají se zapsat do dokumentace, protože jejich nositel si je mnohdy ani plně neuvědomuje. Michael Polanyi to vyjádřil lapidárně: víme víc, než dokážeme říct. A co nedokážeme říct, to nedokážeme napsat ani do promptu pro AI.

Gary Klein ve výzkumu expertních hasičů popsal, jak zkušení profesionálové rozhodují. Neporovnávají analyticky varianty. Používají rozpoznávání vzorců — porovnávají aktuální situaci s prototypickými minulými zkušenostmi. Ze 156 analyzovaných rozhodovacích momentů se analytické porovnávání variant objevilo v méně než 12 % případů. V drtivé většině situací velitelé identifikovali řešení okamžitě na základě zkušeností.

Přesně totéž dělá seniorní programátor, když řekne „tohle nám bouchne“ — neví to z manuálu, ví to z tisíců situací, které prožil.

Nejdramatičtější ilustrací je případ NASA. Když agentura plánovala návrat na Měsíc, zjistila, že klíčoví inženýři z programu Apollo odešli do důchodu a kritické znalosti — včetně výrobních postupů rakety Saturn V — byly nenávratně ztraceny. Vyšetřovací zpráva po havárii raketoplánu Columbia konstatovala, že roky propouštění a outsourcingu negativně ovlivnily znalostní základnu agentury. Mezi lety 1993 a 1999 NASA snížila počet civilních zaměstnanců o 26 %. S nimi odešly dovednosti, které nelze nahradit náborovou kampaní.

Přesvědčení, že produktivita s věkem klesá, patří k nejrozšířenějším a empiricky nejlépe vyvráceným mýtům na pracovním trhu. Metaanalýza Ng a Feldmana z roku 2008, zahrnující 380 studií, prokázala, že věk prakticky nesouvisí s výkonem hlavních pracovních úkolů ani s kreativitou. Věk naopak pozitivně koreloval s občanským chováním, bezpečností a spolehlivostí, a negativně s absencí a kontraproduktivním chováním.

Klíčový moderátor odhalil Sturman v roce 2003: složitost práce. U jednoduchých úloh výkon s věkem po čase klesá. U vysoce složitých úloh — a programování bezpochyby mezi ně patří — zkušenost předpovídá výkon lineárně pozitivně. Čím víc zkušeností, tím lepší výkon. Bez stropu.

Jak je to možné? Kognitivní psychologie nabízí elegantní vysvětlení. Fluidní inteligence — rychlost zpracování, pracovní paměť — skutečně klesá od středního věku. Ale krystalická inteligence — slovní zásoba, nahromaděná expertiza, sémantické znalosti — roste až do šedesátých let. Seattle Longitudinal Study, sledující přibližně 6 000 účastníků, zjistila, že dospělí ve středním věku překonávají své mladší já ve čtyřech ze šesti kognitivních úloh. Li a kolektiv v roce 2013 formulovali a testovali hypotézu komplementárních schopností: vyšší krystalická inteligence starších dospělých poskytuje alternativní cestu k dobrým rozhodnutím, která kompenzuje nižší fluidní inteligenci.

Ng a Feldman v roce 2012 v rozsáhlé metaanalýze 418 studií o více než 208 000 pracovnících testovali šest běžných stereotypů o starších zaměstnancích — méně motivovaní, neochotní se školit, rezistentní vůči změně, méně důvěřiví, méně zdraví, horší work-life balance. Pět z šesti stereotypů empirická data vyvrátila.

A loajalita? Metaanalýza téhož autorského páru z roku 2010, vycházející z více než 800 studií, prokázala, že věk je pozitivně spojen s pracovní spokojeností, vnitřní motivací, organizačním závazkem a loajalitou. Starší pracovníci jsou angažovanější — studie AARP a Aon Hewitt zjistila, že 65 % pracovníků nad 55 let je plně angažovaných, oproti 58–60 % u mladších skupin.

Ovšem loajalita má svou cenu. Když firma seniora urazí — vynechá ho ze školení, přestane mu dávat zajímavé úkoly, dá najevo, že ho považuje za přežitek — reakce je tvrdší, než by manažeři čekali. Armstrong-Stassen a Ursel prokázali, že klíčovými faktory retence starších pracovníků jsou cílený rozvoj a přidělování náročných úkolů. Bal a kolektiv v metaanalýze z roku 2008 zjistili paradoxní jev: starší pracovníci obecně lépe regulují emoce, ale když je porušena právě pracovní spokojenost — respekt, uznání odbornosti, smysluplnost práce — reagují intenzivněji než mladší kolegové. Mají menší pole alternativ a větší investici do vztahu s organizací.

Jednoduše řečeno: senior je loajální, dokud má důvod být. Ale když firma poruší psychologickou smlouvu, loajalitu nevybuduje zpět.

Když Salesforce oznámil, že v roce 2025 nepřijme žádné nové softwarové inženýry, neřekl tím, že programátory nepotřebuje. Řekl, že díky třicetiprocentnímu nárůstu produktivity z AI nástrojů nepotřebuje rozšiřovat tým. Širší dopad však dopadá neúměrně na juniory: podle agregovaných dat o pracovním trhu klesl počet nabídek na juniorní vývojářské pozice mezi lety 2022 a 2024 zhruba o 60 %.

Důvod je prostý. AI asistent — Copilot, Claude, GPT — dokáže vygenerovat funkční kód na základě zadání. Napsat CRUD aplikaci, unit test, standardní API endpoint. To je přesně to, co dělal junior. Ne proto, že to uměl lépe než AI, ale proto, že to senior nechtěl dělat. Junior byl exekuční vrstva.

Teď je exekuční vrstvou AI. A senior, který ví co chce, ji využije efektivněji než junior, který neví ani co chce, ani jak poznat špatný výstup. Studie Google potvrdila, že seniorní vývojáři zaznamenávají z AI nástrojů nejvýznamnější zisky produktivity. To dává smysl: AI je multiplikátor, ne generátor. Násobí to, co už víte.

Junior s AI umí rychle psát kód. Ale nepozná subtilní race condition. Nerozhodne, jestli architektura škáluje. Neřekne „tohle jsme zkoušeli v roce 2015 a selhalo to, protože klient změnil požadavky po třetí iteraci.“ Nerozumí business kontextu za technickým zadáním. A především: nemá tu Kleinovu databázi tisíců situací, ze které expert čerpá v naprosté většině rozhodovacích momentů.

Tradiční poměr seniorních a juniorních vývojářů v týmu — jeden senior na tři až pět juniorů — se přehodnocuje. Organizace zjišťují, že potřebují více zkušených inženýrů schopných revidovat kód generovaný AI, udržovat architektonickou kvalitu a dělat rozhodnutí, která AI neumí. Ne méně.

Paradox COBOL tento trend ilustruje s chirurgickou přesností. Na světě je stále aktivních nejméně 220 miliard řádků kódu v jazyce COBOL. Přes tyto systémy denně proteče obchod za 3 biliony dolarů. 95 % transakcí na bankomatech, 80 % osobních bankovních operací, 43 % bankovních systémů včetně JPMorgan a Bank of America. Průměrný věk COBOL programátora je podle agentury Reuters 58 let. Přes 85 % univerzit vyřadilo COBOL z kurikula od devadesátých let.

AI umí COBOL číst a překládat. Ale nerozumí, proč ten kód vypadá tak, jak vypadá — jaké business pravidlo z roku 1987 se za ním skrývá, jaký edge case řeší, proč tam je ten zdánlivě zbytečný kontrolní výpočet. To ví jen ten padesátiletý programátor. Až odejde, odejde i odpověď.

Když v dubnu 2020 systémy nezaměstnanosti v New Jersey, Kansas, Connecticutu a dalších státech zkolabovaly pod náporem 1 600% nárůstu žádostí během pandemie, guvernér Phil Murphy musel veřejně apelovat na dobrovolníky se znalostí COBOLu — většinou lidi v důchodovém věku — aby se vrátili a pomohli systémy opravit. Modernizace jednoho takového systému stojí stovky milionů dolarů. Commonwealth Bank of Australia dokončila migraci z COBOLu za 5 let s celkovými náklady téměř 750 milionů australských dolarů.

Tady se dostáváme k jádru problému, který je vážnější než cokoli z výše uvedeného. Odkud se vezmou budoucí senioři?

Tacitní znalost se nebuduje čtením ani studiem. Buduje se prožitkem. Kleinových 88 % intuitivních rozhodnutí vzniká z tisíců reálných situací — produkčních incidentů, architektonických slepých uliček, komunikačních selhání s klienty, nočních deploymentů, které se zvrhly. Z toho všeho, co vám žádná škola nedá a žádná dokumentace nezachytí.

Dosavadní model byl jednoduchý: škola vyprodukuje juniora, firma ho nechá pracovat po boku seniora, junior postupně absorbuje tacitní znalosti, za 10 až 15 let je z něj senior. Pomalé, drahé, ale funkční.

AI tento model rozbíjí ze dvou stran. Zdola: juniorních pozic ubývá, takže mladí programátoři nemají kde sbírat zkušenosti. Shora: firmy propouštějí seniory, protože si myslí, že AI je nahradí — a tím přicházejí o mentory, kteří by juniory vychovávali.

Výsledek? Generace lidí, kteří celou kariéru promptovali AI, ale nikdy neladili produkční systém pod tlakem. Budou umět generovat kód, ale nebudou umět rozhodovat. A rozhodování — ne kódování — je to, za co firmy platí seniorům.

Je to stejný problém jako COBOL, jen v jiném měřítku. Dnes máme seniory, kteří vědí. Systematicky ale nevytváříme podmínky pro vznik dalších. Akorát tentokrát to není jeden programovací jazyk — je to celá vrstva expertízy.

Řešení nezačíná ve firmách. Začíná ve školách. A vyžaduje nepříjemné přiznání: školy dnes produkují absolventy do pozic, které za pět let nebudou existovat.

Nejdřív čísla. Celé Česko ročně vyprodukuje přibližně 3 600 vysokoškolsky vzdělaných ICT odborníků — a tato hranice se drží prakticky beze změny od roku 2008 navzdory rostoucímu počtu studentů. Kam se ti studenti ztrácejí? Studijní neúspěšnost v ICT oborech na českých vysokých školách dosahuje 41 % — nejvíc ze všech oborů spolu se zemědělstvím a službami. Na FIT ČVUT, nejžádanější informatickou fakultu v zemi, se každý rok hlásí přes 3 000 uchazečů, nastupuje asi 900, a za celých třináct let existence fakulta vychovala necelých 3 600 absolventů — tedy zhruba 270 bakalářů a inženýrů ročně. Na magisterský titul jich z toho dojde zlomek.

Vezměme ten magisterský ročník — řekněme 200 studentů, kteří se k titulu skutečně dostanou. Všichni dostanou stejné kurikulum, stejný diplom, stejné předpoklady. Škola předstírá, že 200 se rovná 200. Trh ale ví, že to tak není.

Z těch 200 má skutečnou vnitřní motivaci, schopnost samostatné práce a intelektuální zvědavost kolik? Učitelé to vědí přesně — jsou to ti samí lidé, kteří chodí na konzultace, píšou zajímavé závěrečné práce, sami si hledají projekty. Řekněme 20. Možná 30. Rozhodně ne 200.

A teď klíčová otázka: kolik kvalitních výzkumných stáží a firemních stáží je k dispozici? Kvalitní výzkumná stáž vyžaduje mentora, který má čas a motivaci. Reálný výzkumný problém, ne make-work. Infrastrukturu. Financování. Takových míst je na celém ČVUT desítky. V zahraničí pro české studenty další desítky. Ne stovky. A to je jádro kapacitního argumentu: nejde o to, kolik inženýrů trh potřebuje — jde o to, kolik jich škola dokáže kvalitně vyprodukovat. Omezujícím faktorem není poptávka, ale nabídka kvalitních stáží a kvalitních studentů.

Škola nemá na výběr. Buď předstírá, že všichni studenti jsou stejní, dá jim stejný diplom a nechá trh třídit — bolestivě, draze, s dvouletým zpožděním. Nebo přizná realitu: má kapacitu na 20 inženýrů a 180 lidí s jiným profilem. A těm oběma skupinám dá vzdělání odpovídající tomu, co budou skutečně dělat.

Jak by vypadal absolvent první skupiny? Magistr s dvěma zahraničními pobyty — na škole a ve výzkumu — a dvěma půlročními stážemi ve firmách. Celkem dva roky reálné praxe ještě před diplomem. Ne senior, ale junior se seniorským základem. Člověk, který přichází do první práce se zkušeností ze tří různých prostředí, kdo už četl cizí kód, účastnil se code review, viděl produkční deploy, pracoval v mezinárodním týmu.

Ten člověk se stane seniorem za 3 až 5 let místo za 10 až 15. Protože nepřichází s prázdnou databází vzorců — přichází s první stovkou zkušeností, na kterou firma nabaluje další.

Co je ale zásadní: škola musí dodat to, co firma nedokáže. Proto ten důraz na výzkumné stáže, ne jen firemní. Firma naučí firemní procesy. Ale vědecké myšlení — formulace hypotéz, systematický experiment, kritické čtení literatury, práce s nejistotou — to firma nedodá. A přesně tohle odlišuje inženýra od operátora. Inženýr umí řešit problémy, které ještě nemají odpověď na Stack Overflow.

A těch 180? Ti nepotřebují pět let magistra. Potřebují praktický program zaměřený na AI-augmentovaný vývoj, testování, DevOps, datovou analýzu — role, kde AI je nástroj, ne náhrada, ale kde nepotřebujete výzkumné myšlení. Ne horší vzdělání. Jiné.

Paradoxní je, že vysokoškolský systém už formát pro výchovu budoucích seniorů má. Jmenuje se PhD. Tři až čtyři roky hluboké práce pod vedením mentora. Řešení problémů bez známé odpovědi. Publikace výsledků. Obhajoba před komisí, která ověří, že doktorand skutečně rozumí tomu, co dělal. To jsou přesně ty kompetence, které z člověka dělají seniora: schopnost pracovat s nejistotou, rigorózně myslet a obhájit svoje rozhodnutí.

Jenže PhD je zaměřené na produkci akademiků, ne seniorních inženýrů. Doktorand stráví čtyři roky optimalizací jednoho algoritmu nebo jedné metody. Průmysl potřebuje člověka, který ty čtyři roky stráví řešením různých problémů v různých prostředích — ale se stejnou hloubkou a rigorozitou. Magistr s dvěma zahraničními pobyty a dvěma stážemi je vlastně průmyslové PhD bez disertace. Stejná intenzita, jiný výstup. Místo paperu — schopnost rozhodovat v nejistotě. Místo obhajoby před komisí — schopnost obhájit architektonické rozhodnutí před týmem.

Proč to školy nedělají? Zaprvé financování: PhD je placené z grantů, doktorand je levná pracovní síla pro výzkum. Průmyslový ekvivalent nemá platitele — firma chce hotového zaměstnance, škola nemá peníze na individuální program. Zadruhé metriky: PhD má jasný výstup — publikace, disertace, titul. Průmyslový magistr se stážemi je „jen“ magistr. Jak změříte „je připraven být senior za tři roky”? Zatřetí prestiž: v akademickém systému je PhD prestižní dráha, průmyslový magistr se stážemi je neviditelný. Nikdo za něj nedostane grant, nikdo na něj nenapíše habilitaci.

Přitom jde o stejný princip: prodloužená, intenzivní příprava pod vedením zkušenějšího člověka, která buduje repertoár rozpoznávaných situací dřív, než absolvent vstoupí do praxe. Jen cíl je jiný — ne akademická kariéra, ale schopnost řídit složité technické systémy.

Česká republika stojí v zajímavé výchozí pozici. Míra zaměstnanosti ve věku 50 až 59 let dosahuje 91,4 % — nejvyšší v celé OECD, kde je průměr 75,7 %. Česko má nejnižší nezaměstnanost v EU, 2,6 %. Padesátníci pracují, jsou produktivní a firmy je potřebují.

Jenže v šedesátce přichází ostrý útes. Zaměstnanost ve věku 60 až 64 let spadne na 58,4 % — propad o 33 procentních bodů. Jeden z nejdramatičtějších v Evropě. Na rozdíl od Švédska nebo Nizozemska Česko nenabízí starším pracovníkům flexibilní úvazky: 70 % pracovníků ve věku 55 až 64 let pracuje na plný úvazek 40 až 44 hodin týdně.

Penzijní reforma z prosince 2024 stanoví postupné zvyšování důchodového věku na 67 let. To znamená, že budeme potřebovat starší pracovníky déle — ale nemáme infrastrukturu, která by jim umožnila pracovat jinak. Kratší úvazky, mentoring, přenos znalostí — nic z toho není v českém pracovním prostředí standard.

OECD v nedávné zprávě specificky o České republice upozornila na problém kariérní mobility: ve 26 letech mění zaměstnání 10 % pracovníků ročně, v 60 letech pouhých 1,8 %. Starší pracovníci v ČR se neposouvají — buď zůstávají na stejném místě, nebo odcházejí úplně. Prostor pro mezigenerační transfer znalostí je minimální.

A co české školy? ČVUT FIT, Matfyz, FI MUNI — všechny produkují absolventy se stejným diplomem, jak jsme ukázali výše. Žádná z fakult systematicky nerozlišuje mezi budoucími inženýry a budoucími operátory. Zahraniční pobyty jsou volitelný Erasmus, ne povinná součást kurikula. Firemní stáže jsou na studentovi. Výzkumné stáže jsou pro ty, kdo si je sami najdou.

Přitom Česko má specifickou výhodu: menší systém, kde je změna jednodušší než ve Francii nebo Německu. Jedna fakulta, jeden děkan, jedno rozhodnutí — a 20 studentů ročně může mít zásadně jiný program než zbylých 180.

Nejsilnější protiargument zní: AI plus junior zvládne 80 % práce seniora za zlomek nákladů. A v některých doménách to platí. Rutinní CRUD aplikace, standardní datový pipeline, jednoduchá webová služba — tady juniorní vývojář s dobrým AI asistentem skutečně dodá srovnatelný výsledek. Ne každá firma řeší architekturu pro milion uživatelů.

Druhý vážný protiargument: škola nemůže předvídat, co bude trh potřebovat za pět let. Kolik firem v roce 2020 tušilo, že za dva roky budou juniorní pozice mizet? Model „20 inženýrů a 180 operátorů“ předpokládá, že víme, jaký bude poměr. Nevíme.

Třetí: je to elitářství. Říct dvacetiletému studentovi „ty jsi budoucí operátor“ je sociálně toxické a možná i fakticky chybné — talent se někdy projeví pozdě.

Na tyto námitky existují odpovědi, ale neúplné. K první: ano, 80 % práce je rutina. Jenže těch zbylých 20 % jsou momenty, kdy se rozhoduje o milionech — architektonická rozhodnutí, krizové situace, rozpoznání vzorců selhání. Firma, která nemá seniory na těchto 20 %, nemá nikoho, kdo by poznal, že těch 80 % bylo uděláno špatně.

K druhé: škola nemusí předvídat přesný poměr. Musí pouze přiznat, že jedna velikost nestačí všem, a nabídnout diferenciaci. Dvoustupňový model — společný základ, pak selekce po druhém ročníku na základě výsledků a motivace — snižuje riziko špatného odhadu.

K třetí: diferenciace není diskriminace. Je to uznání reality, že různí lidé potřebují různé věci. A je to férovější než dnešní systém, který dá všem stejný diplom a nechá je zjistit na trhu práce, že polovina z nich je neprodejná.

Zbývá ale hlubší problém, který protiargumenty správně identifikují: financování. České univerzity jsou placené od hlavy. Osmdesát studentů s drahým programem — zahraniční pobyty, výzkumné stáže, individuální mentoring — versus osm set s levným. Rektorát tento model nepodpoří, dokud se nezmění systém financování vysokých škol. A to je politické rozhodnutí, které přesahuje jakoukoli fakultu.

Ten senior z úvodu článku — třicet let praxe, tři migrace, dva noční incidenty — za deset let odejde do důchodu. A s ním odejde databáze tisíců rozhodovacích situací, které žádný AI model nemá v trénovacích datech. Protože se nikdy nestaly na internetu. Staly se v produkčním prostředí, ve tři ráno, bez dokumentace.

Demografická křivka je nezvratná. Poměr závislosti seniorů se v EU do roku 2050 téměř zdvojnásobí. V České republice bude penzijní věk 67 let, ale infrastruktura pro práci seniorů neexistuje.

Firmy musí přestat vyhazovat seniory a začít je stavět do role mentorů. Školy musí přestat produkovat stovky identických absolventů a začít rozlišovat mezi budoucími inženýry a budoucími operátory. Stát musí změnit financování univerzit tak, aby kvalitní, individualizované vzdělání nebylo ekonomicky neúnosné.

A hlavně: všichni musí přestat předstírat, že AI problém starších pracovníků řeší. AI ho prohlubuje. Zvyšuje hodnotu zkušeností — a současně ničí cestu, kterou zkušenosti vznikají. Pokud nezačneme jednat teď, poslední generace seniorů bude právě ta, která dnes sedí ve velkokapacitních kancelářích a čeká, jestli ji firma vyhodí, nebo ocení.

Za dvacet let budeme vědět, co jsme zvolili.

Metodologická poznámka

Článek kombinuje tři typy zdrojů. Metaanalýzy z organizační psychologie (Ng a Feldman 2008, 2010, 2012; Bal et al. 2008; Armstrong-Stassen a Ursel 2009) poskytují nejsilnější evidenci o pracovních postojích a výkonu starších zaměstnanců. Kognitivně-psychologický výzkum (Li et al. 2013; Klein 1985/2010; Schaie 1996, 2005) objasňuje mechanismy expertního rozhodování a kompenzace kognitivního poklesu. Makroekonomická a demografická data (OECD Employment Outlook 2025; EU Ageing Report 2024; Eurostat) zasazují problém do kontextu stárnoucí evropské populace.

Výzkumná data vycházejí z metaanalýz publikovaných v recenzovaných časopisech (Personnel Psychology, Journal of Applied Psychology, Journal of Vocational Behavior, Psychology and Aging), zpráv OECD Employment Outlook 2025, Eurostat, studie AARP/Aon Hewitt 2015 a dalších zdrojů citovaných v textu.

Omezení: Data o poklesu juniorních pozic (~60 %) pocházejí z agregovaných průzkumů pracovního trhu (job postings), ne z longitudinálních studií zaměstnanosti — skutečný pokles zaměstnanosti mladých vývojářů (22–25 let) je podle Stanford Digital Economy Lab zhruba 20 % od vrcholu v roce 2022. Poměr 20/180 v diskusi o vzdělávání je analytický odhad založený na kapacitním argumentu, ne empirické měření. Počet ICT absolventů (~3 600/rok) pochází z dat MŠMT (SIMS) citovaných BusinessInfo.cz (2021); aktuálnější čísla z ČSÚ za 2023/2024 nebyla v době psaní ověřena v primární tabulce. Studijní neúspěšnost 41 % v ICT oborech pochází z EU Education and Training Monitor 2025 (Czechia country report). Data o FIT ČVUT pocházejí z výroční zprávy fakulty za rok 2024. Český kontext je rekonstruován z OECD zprávy specificky o ČR (2025) a dat Eurostatu; primární české výzkumy o age managementu v IT sektoru jsou vzácné. Náhradní náklady z CAP studie (2012) představují medián 20 % ročního platu u běžných pozic; horní hranice 213 % se týká výhradně exekutivních a vysoce specializovaných rolí. Studie Centra pro americký pokrok analyzovala americký trh — přímý přenos na české prostředí vyžaduje opatrnost.

Transparentnost tvorby:

Koncepce, struktura a redakční linie článku jsou dílem autora, který vypracoval obsahovou skicu, stanovil klíčové teze a řídil celý proces tvorby. Generativní AI (Claude, Anthropic) byla využita jako nástroj pro rešerši, ověřování faktů a rozepsání autorovy předlohy.

Autor výstupy průběžně redigoval, ověřil klíčová zjištění a schválil finální znění. Žádná část textu nebyla publikována bez lidské kontroly. Všechny faktické údaje byly ověřeny proti veřejně dostupným zdrojům uvedeným v textu.

Postup je v souladu s požadavky Čl. 50 Nařízení EU 2024/1689 (AI Act) na transparentnost AI-generovaného obsahu. #poweredByAI