povzetek
Generativna umetna inteligenca je v kratkem času postala del vsakdanjih praks učenja, dela, pisanja, prevajanja, povzemanja in iskanja informacij. Vendar pogosta uporaba orodij, kot so ChatGPT, Gemini, Claude, Copilot, Perplexity ali DeepSeek, še ne pomeni nujno, da uporabniki razumejo njihove omejitve, preverjajo odgovore in jih uporabljajo odgovorno. Namen članka je na zajetem vzorcu slovenskih respondentov obravnavati AI-pismenost kot premik od funkcionalne uporabe k kritični presoji. Teoretični del se opira na slovenske in mednarodne razprave o AI-pismenosti, zaupanju, izobraževanju in regulaciji umetne inteligence. Na tej podlagi je oblikovan raziskovalni okvir, ki AI-pismenost razume skozi štiri povezane razsežnosti: spretnost uporabe, razumevanje omejitev, kritično presojo ter odgovorno rabo. Zaupanje je obravnavano kot povezana, vendar konceptualno ločena dimenzija, saj lahko vpliva na način uporabe, ne pomeni pa samo po sebi pismenosti. Empirični del z opisno analizo ankete preverja, ali se pogostost uporabe generativnih AI-orodij povezuje tudi z bolj sistematičnim preverjanjem odgovorov. Članek poudarja, da AI-pismenosti ni smiselno razumeti kot zgolj tehnično spretnost, temveč kot širšo zmožnost presoje, odgovornosti in razumevanja konteksta, v katerem se umetna inteligenca uporablja.
Ključne besede: AI-pismenost, generativna umetna inteligenca, kritična presoja, zaupanje, odgovorna uporaba.
ABSTRACT
Generative artificial intelligence has rapidly become part of everyday practices related to learning, work, writing, translation, summarisation, and information retrieval. However, the frequent use of tools such as ChatGPT, Gemini, Claude, Copilot, Perplexity, or DeepSeek does not necessarily mean that users understand their limitations, verify their responses, or use them responsibly. The purpose of this article is to examine AI literacy among the surveyed Slovenian respondents in terms of a shift from functional use towards critical judgement. The theoretical section draws on Slovenian and international discussions on AI literacy, trust, education, and the regulation of artificial intelligence. On this basis, the research framework understands AI literacy through four connected dimensions: practical use, awareness of limitations, critical evaluation, and responsible use. Trust is treated as a related but conceptually separate dimension, since it may shape behaviour without itself amounting to literacy. The empirical section uses descriptive survey analysis to examine whether the frequency of use of generative AI tools is also associated with more systematic verification of AI-generated responses. The article emphasises that AI literacy should not be understood merely as a technical skill, but as a broader capacity for judgement, responsibility, and understanding the context in which artificial intelligence is used.
Keywords: AI literacy, generative artificial intelligence, critical evaluation, trust, responsible use.
uvod
Generativna umetna inteligenca se je v nekaj letih premaknila iz razmeroma specializirane tehnološke teme v vsakdanjo infrastrukturo učenja, dela in komuniciranja. Uporabniki jo vključujejo v pisanje besedil, prevajanje, iskanje razlag, programiranje, pripravo predstavitev, oblikovanje povzetkov in tudi v poslovno komunikacijo. Posebnost teh orodij je v tem, da ne posredujejo zgolj povezav do obstoječih virov, ampak oblikujejo nov odgovor. Ta je lahko jezikovno urejen in prepričljiv, četudi je njegova vsebinska podlaga nepopolna ali napačna. V razkoraku med prepričljivostjo izraza in preverljivostjo vsebine se odpira vprašanje AI-pismenosti.
V vsakdanji rabi se pogosto pojavi vtis, da je za uspešno uporabo umetne inteligence dovolj že spretno zastavljeno vprašanje. Takšna razlaga je preozka. Uporabnik lahko hitro pride do uporabnega osnutka, hkrati pa ne razume razlike med spletnim iskalnikom in generativnim klepetalnikom, ne preveri navedenih virov, spregleda pristranskost odgovora ali v sistem vnese podatke, ki bi morali ostati zaupni. Pogostost uporabe zato sama po sebi ni zanesljiv pokazatelj AI-pismenosti. Boljši pokazatelj AI-pismenosti je povezava med uporabo, razumevanjem omejitev, preverjanjem, odgovornostjo in zmožnostjo presoje konkretnega konteksta.
Za poslovne vede je tema pomembna zato, ker se generativna orodja vedno pogosteje vključujejo v procese, ki imajo posledice za organizacijsko odločanje. Pojavljajo se pri pripravi poročil, povzetkov, analiz, ponudb, predstavitev in komunikacije s strankami. Kadar odgovori ostanejo nepreverjeni, lahko prispevajo k širjenju netočnih informacij, slabo utemeljenim odločitvam ali razkritju občutljivih podatkov. V izobraževanju je problem nekoliko drugačen, vendar soroden: nekritična raba lahko zmanjša samostojno razumevanje in spremeni načine učenja. Izhodišče članka je zato zadržano: umetne inteligence ni smiselno obravnavati niti kot grožnjo niti kot samoumevno rešitev, temveč kot orodje, ki zahteva razvito presojo.
Osrednja teza članka je, da pogosta uporaba generativne umetne inteligence še ne dokazuje AI-pismenosti. Respondenti v vzorcu lahko orodja uporabljajo pogosto, učinkovito in z razmeroma dobrimi rezultati, vendar to ne pomeni nujno, da razumejo omejitve teh sistemov, sistematično preverjajo odgovore, varujejo podatke in znajo oceniti, kdaj je rezultat dovolj zanesljiv za nadaljnjo uporabo. AI-pismenost zato v članku razumemo kot prehod od funkcionalne rabe k kritični, odgovorni in preverljivi rabi umetne inteligence.
Iz tega izhajajo tri raziskovalna vprašanja. Najprej nas zanima, ali pogostejša uporaba generativnih AI-orodij spremlja tudi višjo stopnjo kritične presoje. Drugo vprašanje se nanaša na morebitni razkorak med deklarativnim zavedanjem omejitev in dejanskim preverjanjem odgovorov. Tretje vprašanje je ožje usmerjeno v to, kako so zaupanje, predhodno izobraževanje in samoocena pismenosti povezani s spretnostjo uporabe in praktičnim preverjanjem odgovorov. Na ta vprašanja članek odgovarja z opisno analizo dejanskih anketnih podatkov; rezultate pri tem interpretiramo previdno: kot vpogled v zajeti spletni vzorec in ne kot reprezentativno oceno celotne populacije.
OPREDELITEV IN RAZSEŽNOST
AI-pismenost je v literaturi običajno razumljena kot skupek znanja, spretnosti in stališč, ki posamezniku omogočajo informirano ter odgovorno delovanje z umetno inteligenco. Long in Magerko (2020) jo opredeljujeta kot zmožnost razumevanja, uporabe in kritičnega vrednotenja tehnologij umetne inteligence v vsakdanjih in poklicnih okoliščinah. Ng, Leung, Chu in Qiao (2021) pojem razširijo z izobraževalno in etično razsežnostjo: AI-pismenost po njihovem ni samo tehnično poznavanje orodij, ampak vključuje tudi vprašanja poučevanja, vrednotenja, odgovornosti in družbenih posledic. Že tu se pokaže, da gre za več kot za nabor praktičnih trikov.
Pri generativni umetni inteligenci postane ta razlika še izrazitejša. Sistem ne prikaže le obstoječih informacij, ampak oblikuje nov jezikovni, slikovni ali drug rezultat. Uporabnik zato ne presoja več samo izvora informacije, ampak tudi način, kako je bila informacija sestavljena. Odgovor je lahko uporaben, a hkrati nepopoln, pristranski ali povsem napačen. Ker generativni model pogosto odgovarja tekoče in samozavestno, se lahko meja med verjetnim besedilom in preverjeno informacijo hitro zabriše. Kritična presoja je pri generativnih sistemih zato osrednji del pismenosti, ne njen dodatek.
Annapureddy, Fornaroli in Gatica-Perez (2025) generativno AI-pismenost razumejo skozi dvanajst kompetenc, med katerimi so temeljno razumevanje umetne inteligence, poznavanje generativnih modelov, prepoznavanje zmožnosti in omejitev orodij, vrednotenje rezultatov sistema, oblikovanje pozivov, kontekstualna raba ter etični in pravni vidiki. Takšen model je uporaben, ker pokaže širino področja. Ima pa tudi omejitev: če kompetence razumemo kot ločene postavke na seznamu, lahko spregledamo, da se v praksi prepletajo. Dobro oblikovan poziv je na primer malo vreden, če uporabnik ne zna presoditi kakovosti odgovora.
Zhang in Magerko (2025) generativno AI-pismenost umeščata v širši okvir odgovorne rabe. Poudarjata izbiro ustreznega orodja, oblikovanje pozivov, razumevanje interakcije z modelom, razumevanje ustvarjenih odgovorov in splošnejše razumevanje tehnologije. Pri tej razpravi je posebej pomembna razlika med iskanjem informacij in generiranjem odgovora. Spletni iskalnik uporabnika praviloma usmeri k virom, generativni klepetalnik pa iz razpoložljivih vzorcev in navodil sestavi odgovor. Ta odgovor lahko deluje verodostojno tudi brez preverljive opore. Uporabnikova naloga se zato premakne od iskanja k presoji.
V članku AI-pismenost razumemo skozi štiri osrednje razsežnosti, ki se v praksi prepletajo in niso mišljene kot strogo zaporedne stopnje. Prva je spretnost uporabe: izbira orodja, oblikovanje vprašanja, dodajanje konteksta in popravljanje odgovora z nadaljnjimi navodili. Druga je razumevanje omejitev, med katere sodijo napačne informacije, izmišljeni viri, pristranske razlage in preveč splošni odgovori. Tretja je kritična presoja, torej primerjanje informacij, preverjanje virov in razlikovanje med uporabnim predlogom in preverljivo oziroma ustrezno podprto informacijo. Četrta je odgovorna raba, ki vključuje varovanje osebnih in poslovnih podatkov, spoštovanje avtorskih pravic ter razumevanje, kdaj mora odločitev ostati pri človeku.
ZAUPANJE, KRITIČNA PRESOJA IN ODGOVORNA RABA
Zaupanje ima v razpravi o AI-pismenosti posebno mesto, ker ne gre zgolj za tehnično vprašanje zanesljivosti sistema. Vanj so vključene uporabnikove izkušnje, pričakovanja, znanje, občutek varnosti in razumevanje tveganj. Previsoko zaupanje lahko vodi v sprejemanje nepreverjenih odgovorov; prenizko zaupanje pa lahko prepreči uporabo orodij tam, kjer bi bila smiselna pomoč. Za AI-pismenost je zato pomembno umerjeno zaupanje. Uporabnik mora znati presoditi, kdaj je odgovor uporaben kot začetni osnutek, kdaj kot pomoč pri razlagi in kdaj je treba njegovo uporabo omejiti ali zavrniti.
Brglez (2023) je v slovenskem prostoru raziskovala zaupanje mladih v vsebino, ustvarjeno z umetno inteligenco. Za našo razpravo je pomembna predvsem ugotovitev, da algoritmična pismenost sama po sebi ne vodi nujno v višje zaupanje, zaupanje pa ne pomeni nujno pogostejšega preverjanja vsebin. Med znanjem, uporabo, zaupanjem in ravnanjem očitno ni neposredne linearne povezave. Uporabnik lahko razume, da umetna inteligenca dela napake, pa odgovora v konkretni situaciji vseeno ne preveri, ker je dovolj hiter, uporaben ali prepričljivo oblikovan.
Napetost med hitro uporabo in počasnejšim razvojem kritičnih praks je mogoče razbrati tudi iz mednarodnega poročila Gillespie, Lockey, Ward, Macdade in Hassed (2025). Raziskava, ki je zajela 48.340 ljudi iz 47 držav, med njimi tudi Slovenijo, kaže hitro vključevanje umetne inteligence v delo in izobraževanje. Avtorji hkrati opozarjajo, da formalno usposabljanje, organizacijsko upravljanje in kritična raba pogosto ne sledijo hitrosti uporabe. Poročilo je za ta članek uporabno predvsem kot širši primerjalni okvir, ne kot neposreden dokaz za slovenski vzorec. Slovenski podatki v nadaljevanju zato služijo kot preverjanje, ali se podobni vzorci kažejo tudi v našem okolju.
Scantamburlo et al. (2025) umetno inteligenco obravnavajo skozi zavedanje, odnos in zaupanje. Njihov pristop je dragocen, ker umetne inteligence ne obravnava samo kot orodja, temveč kot družbeni pojav, ki je odvisen od znanja, pričakovanj, tveganj in institucionalnega okolja. Avtorji opozarjajo, da je odnos do AI lahko razmeroma pozitiven, samoocena znanja pa ni nujno visoka. V raziskavi je zato treba ločiti med naklonjenostjo tehnologiji, občutkom kompetentnosti in dejanskimi praksami preverjanja. V nasprotnem primeru bi lahko pozitiven odnos napačno razumeli kot pismenost.
Kasneci et al. (2023) pri velikih jezikovnih modelih v izobraževanju poudarjajo dvojnost priložnosti in tveganj. Orodja lahko podpirajo razlago snovi, personalizirano učenje, pisanje in povratne informacije, vendar lahko hkrati ustvarjajo napačne informacije, pristranske odgovore ali pretirano odvisnost od sistema. Ta dvojnost ni omejena na šolski prostor. Tudi v poslovnem okolju je hitra pomoč koristna le, če je povezana s preverjanjem, razumevanjem odgovornosti in jasnimi mejami uporabe. Zato se AI-pismenost pokaže predvsem v presoji konkretnih nalog, ne v splošnem navdušenju nad orodji.
AI-PISMENOST V IZOBRAŽEVANJU IN ORGANIZACIJAH
UNESCO (2024) v okviru kompetenc za učence poudarja človeško usmerjeno razumevanje umetne inteligence, etiko, poznavanje tehnik in aplikacij ter zmožnost razmisleka o oblikovanju AI-sistemov. Tak pristop je pomemben, ker AI-pismenosti ne veže samo na trenutno najbolj razširjena orodja. Tehnologija se bo spreminjala, zato je smiselno razvijati prenosljive navade: vprašati se, od kod prihaja odgovor, za kakšen namen je primeren, katere predpostavke vsebuje in kdo nosi odgovornost za njegovo uporabo.
V slovenskem visokošolskem prostoru Univerza v Ljubljani (2023) poudarja odgovorno, etično, ustvarjalno in varno uporabo umetne inteligence. Zavod RS za šolstvo (2024) pri generativni umetni inteligenci v izobraževanju podobno izpostavlja potrebo po smernicah, primerih učinkovite rabe in razumevanju vpliva na učenje in poučevanje. Ti domači viri so pomembni, ker pokažejo, da AI-pismenost v slovenskem prostoru ni več samo raziskovalni pojem, ampak tudi praktično vprašanje pedagoške in organizacijske politike. Hkrati pa smernice same po sebi še ne zagotavljajo spremembe uporabniških navad.
Evropski regulativni okvir temi dodaja še institucionalno razsežnost. Uredba (EU) 2024/1689, znana kot Akt o umetni inteligenci, je AI-pismenost umestila med odgovornosti ponudnikov in uvajalcev AI-sistemov. Ker je bila določba o pismenosti na področju UI pozneje spremenjena z Uredbo (EU) 2026/1744, je treba pri sklicevanju upoštevati aktualno besedilo: ponudniki in uvajalci morajo sprejeti ukrepe, s katerimi po svojih najboljših močeh podpirajo razvoj zadostne ravni AI-pismenosti pri osebju in drugih osebah, ki delujejo v njihovem imenu, pri čemer se upoštevajo tehnično znanje, izkušnje, izobrazba, usposabljanje in kontekst uporabe. Evropska komisija (2026) podobno poudarja, da AI-pismenost ni le individualna spretnost, temveč del odgovornega upravljanja tveganj.
V poslovnem okolju se ta odgovornost hitro konkretizira. Organizacije morajo določiti, katere podatke je dopustno vnašati v AI-orodja, kdaj je treba uporabo umetne inteligence razkriti, kdo preveri rezultat in pri katerih nalogah je potrebna človeška odločitev. Podobno velja za šole in fakultete, kjer umetna inteligenca lahko podpira učenje, obenem pa odpira vprašanja avtorstva, samostojnega dela in preverjanja znanja. Sistematično izobraževanje uporabnikov je zato smiselno razumeti kot del širše kulture odgovorne rabe, ne kot enkratno tehnično usposabljanje.
RAZISKOVALNI IN METODOLOŠKI OKVIR
Na podlagi literature smo za empirični del oblikovali raziskovalni model, ki štiri osrednje razsežnosti AI-pismenosti povezuje z dodatno, konceptualno ločeno dimenzijo zaupanja. Spretnost uporabe meri, ali uporabnik zna orodje smiselno vključiti v nalogo. Razumevanje omejitev zajema zavedanje napak, izmišljenih virov in pristranskosti. Kritična presoja se nanaša na preverjanje odgovorov, primerjanje z drugimi viri in ločevanje med uporabnim predlogom ter preverjeno oziroma ustrezno podprto informacijo. Odgovorna raba vključuje varovanje občutljivih podatkov in potrebo po sistematičnem učenju o odgovorni rabi. Zaupanje pa meri pripravljenost uporabnika, da se na AI zanese pri različnih nalogah; pomembno je, ker lahko vpliva na ravnanje, vendar samo po sebi še ne pomeni AI-pismenosti.
Takšen model je uporaben predvsem zato, ker ločuje med uporabo in pismenostjo. Če bi merili samo pogostost uporabe, bi lahko prehitro sklepali, da so pogosti uporabniki tudi bolj AI-pismeni. Če bi merili samo zaupanje, bi lahko spregledali, da je zaupanje lahko posledica izkušenosti, lahko pa tudi posledica pomanjkanja kritične distance. V vprašalniku so bili zato namenoma združeni podatki o pogostosti uporabe, samooceni pismenosti, praktičnem preverjanju, zaupanju in odgovorni rabi.
Empirični del temelji na spletni anketi, ki je zajela respondente v Sloveniji, stare 15 let ali več. V analizo je bilo vključenih 389 veljavnih odgovorov. Večina vprašanj je bila zaprtega tipa, trditve o razumevanju, kritični presoji, zaupanju in odgovorni rabi pa so bile oblikovane na petstopenjski Likertovi lestvici. Pri interpretaciji rezultatov je treba upoštevati, da gre za spletni in nereprezentativni vzorec, zato podatki ne opisujejo celotne slovenske populacije, ampak ponujajo vpogled v razmerja med uporabo, zavedanjem in preverjanjem pri zajetih respondentih.
Pri obdelavi so bili izračunani osnovni deleži, povprečja posameznih trditev in opisni indeksi. Indeksi so bili izračunani kot aritmetična sredina pripadajočih postavk na petstopenjski Likertovi lestvici; vse postavke v posameznem indeksu so imele enako težo. Indeks spretnosti uporabe vključuje razumevanje razlike med iskalnikom in klepetalnikom, oblikovanje poziva, izbiro primernega orodja in izboljševanje odgovora. Zavedanje omejitev vključuje trditve o napačnih informacijah, izmišljenih virih in pristranskosti. Praktično preverjanje vključuje preverjanje z drugimi viri, preverjanje obstoja vira in preverjanje, ali vir podpira trditev. Širši indeks kritične presoje temu dodaja razlikovanje med uporabnim predlogom in preverjeno oziroma ustrezno podprto informacijo. Indeks zaupanja vključuje zaupanje pri splošnih informacijah, učenju, pisanju ter strokovnih oziroma poslovnih odločitvah. Odgovorna raba je bila obravnavana z vidika varovanja občutljivih podatkov in stališča do sistematičnega učenja odgovorne rabe. Korelacijske povezave so izražene s Pearsonovimi korelacijskimi koeficienti (r) in interpretirane opisno, saj zaradi zasnove vzorca ne omogočajo sklepanja o vzročnosti.
REZULTATI ANKETE
V raziskavi je sodelovalo 389 veljavnih respondentov. Po spolu je bilo 54,2 % žensk, 44,5 % moških in 1,3 % respondentov, ki so izbrali možnost »drugo«. Po starosti vzorec ni omejen le na mlajše uporabnike, čeprav ti ostajajo izrazito zastopani: 57,1 % respondentov je bilo mlajših od 30 let, 25,7 % jih je bilo starih od 30 do 49 let, 17,2 % pa 50 let ali več. Po statusu so največji delež predstavljali zaposleni (39,3 %), skupaj pa so dijaki in študenti zajemali 35,5 % vzorca. Po izobrazbi sta prevladovali skupini s srednješolsko izobrazbo (48,6 %) ter višješolsko oziroma fakultetno izobrazbo (29,0 %).
Področja dela oziroma študija so bila razmeroma razpršena, vendar je največ respondentov prihajalo s področja poslovnih ved, ekonomije in managementa (24,4 %). Sledili sta področji računalništva oziroma tehnike ter družboslovja oziroma humanistike, obe z deležem 16,2 %. Takšna sestava je za članek pomembna, ker AI-pismenost ni obravnavana samo kot tehnična tema, temveč kot kompetenca, ki vse bolj posega v izobraževanje, poslovno komunikacijo, pripravo besedil, organizacijsko odločanje in strokovno presojo informacij.
Uporaba generativne umetne inteligence je med respondenti precej razširjena. Na vprašanje, ali so že uporabljali katero od orodij generativne umetne inteligence, je pritrdilno odgovorilo 85,3 % vprašanih, 10,8 % jih je odgovorilo nikalno, 3,9 % pa ni bilo prepričanih. Med že uporabljenimi orodji močno izstopa ChatGPT, ki ga je navedlo 79,7 % respondentov. Gemini je navedlo 38,6 %, Copilot 27,8 %, orodja v pisarniških programih ali telefonu 23,1 %, Perplexity in orodja za ustvarjanje slik po 17,2 %, Claude 14,4 % in DeepSeek 13,1 %. ChatGPT tako v vzorcu ni le eno izmed orodij, ampak deluje kot osrednja referenčna točka, ob kateri se oblikuje večina izkušenj z generativno AI.
Enako razmerje se pokaže pri najpogosteje uporabljenem orodju. ChatGPT kot primarno orodje uporablja 63,8 % vseh respondentov, 15,2 % pa jih je navedlo, da nobenega orodja ne uporabljajo redno. Gemini kot najpogostejše orodje uporablja 8,5 %, Copilot 5,7 %, Perplexity 3,1 %, Claude in orodja za ustvarjanje slik po 1,8 %, DeepSeek pa 0,3 %. Pogostost uporabe dodatno kaže, da je generativna AI za velik del vzorca že del rutine: 13,9 % respondentov jo uporablja večkrat dnevno, 21,9 % dnevno, 24,4 % večkrat tedensko in 18,0 % tedensko. Skupaj to pomeni, da 78,1 % respondentov najpogosteje izbrano orodje uporablja vsaj tedensko.
Namen uporabe je pretežno pragmatičen. Največ respondentov generativno AI uporablja za iskanje informacij ali razlag (51,7 %), nato za pisanje oziroma izboljševanje besedil (33,2 %), učenje ali pripravo na šolo oziroma fakulteto (31,1 %), povzemanje besedil ali dokumentov (29,3 %), pomoč pri delu (28,8 %) in prevajanje (26,5 %). Manjši deleži se nanašajo na programiranje ali tehnično pomoč (14,7 %), osebno organizacijo (12,1 %) ter ustvarjanje slik ali drugih vsebin (8,7 %). Podatki nakazujejo, da respondenti AI najpogosteje vključujejo v naloge, kjer jim lahko hitro pripravi razlago, osnutek ali povzetek, torej v naloge, pri katerih je nevarnost nekritičnega prevzema odgovora lahko razmeroma prikrita.
Samoocena računalniške in AI-pismenosti je v vzorcu razmeroma visoka. Povprečje znaša 3,62 na lestvici od 1 do 5, največ respondentov pa se je ocenilo z oceno 4. Vsaj neko obliko formalnega ali neformalnega izobraževanja o umetni inteligenci je navedlo 54,5 % respondentov, 34,7 % ga ni prejelo, 10,8 % pa tega ni vedelo. Uporaba generativne AI torej ni povsem nepovezana z učenjem o tehnologiji, vendar obseg usposabljanja še ne pove, ali se pridobljeno znanje prevede v preverjanje odgovorov.
Indeks spretnosti uporabe je dosegel povprečno vrednost 3,66. Respondenti se v večini strinjajo, da razumejo razliko med spletnim iskalnikom in generativnim klepetalnikom (66,1 %), da znajo oblikovati jasno vprašanje oziroma poziv (62,7 %), izboljšati odgovor z dodatnim vprašanjem (59,4 %) ter izbrati primerno orodje glede na nalogo (54,5 %). Ti rezultati kažejo razmeroma dobro uporabniško spretnost, vendar ne popolne suverenosti pri uporabi. Pri izbiri primernega orodja je skoraj tretjina respondentov izbrala srednjo oziroma nevtralno kategorijo.
Najvišje vrednosti so bile dosežene pri zavedanju omejitev. Povprečje te dimenzije je 4,33. Kar 93,8 % respondentov se strinja, da lahko umetna inteligenca ustvari prepričljive, a napačne informacije, 90,7 % jih prepoznava možnost izmišljenih ali napačnih virov, 87,7 % pa se zaveda možne pristranskosti odgovorov. Na ravni deklarativnega znanja torej podatki kažejo precejšnjo previdnost. Respondenti večinoma ne razumejo generativne AI kot nezmotljivega vira resnice, temveč kot orodje, katerega odgovor je treba umestiti v kontekst.
Drugačna slika se pokaže pri praktičnem preverjanju. Povprečje trditev, ki merijo preverjanje virov in odgovorov, znaša 2,82, širši indeks kritične presoje pa 2,91. Le 26,0 % respondentov se strinja, da pri pomembnih temah odgovore umetne inteligence preveri z drugimi viri. Če sistem navede vir, 23,9 % respondentov preveri, ali vir res obstaja, 20,6 % pa preveri, ali vir res podpira zapisano trditev. Tudi pri neposrednem vprašanju o preverjanju pomembnih odgovorov je delež nizek: vedno ali pogosto jih preverja 18,3 % vseh respondentov oziroma 21,1 % tistih, ki AI uporabljajo za pomembne naloge. Največ odgovorov je bilo v kategorijah redko (30,8 %) in včasih (27,5 %).
Razlika med zavedanjem in ravnanjem je osrednji empirični rezultat članka. Respondenti v veliki meri vedo, da so odgovori lahko napačni, izmišljeni ali pristranski, vendar se to zavedanje le delno prevede v preverjanje. Težava zato ni predvsem v tem, da uporabniki ne bi poznali tveganj, temveč v tem, da se kritična presoja v vsakdanji rabi ne vzpostavi samodejno. Generativna AI je uporabna prav zato, ker hitro ustvari prepričljiv odgovor, toda ta lastnost lahko zmanjša motivacijo za dodatno preverjanje, posebej pri nalogah, kjer uporabnik išče osnutek, razlago ali hitro orientacijo.
Zaupanje v AI je v vzorcu zmerno in odvisno od konteksta. Indeks zaupanja znaša 3,13. Pri splošnih informacijah umetni inteligenci zaupa 52,7 % respondentov, pri učenju in razlagi snovi 48,3 %, pri pisanju ali izboljševanju besedil pa 47,0 %. Pri strokovnih ali poslovnih odločitvah je delež bistveno nižji: strinja se le 8,5 % respondentov, 60,4 % pa se s takšnim zaupanjem ne strinja. Ta podatek je za poslovne vede posebej pomemben, ker kaže, da respondenti AI sprejemajo kot pomoč pri pripravi in razlagi, precej manj pa kot samostojno podlago za odločanje.
Tudi vprašanje o sistemu, ki vzbuja največ zaupanja, potrjuje prevlado ChatGPT-ja: izbralo ga je 50,6 % respondentov. 12,3 % vprašanih največjega zaupanja ne pripisuje nobenemu sistemu, Gemini je izbralo 9,5 %, Copilot 9,3 %, Claude 8,2 % in Perplexity 7,5 %. Kljub prevladi enega orodja teh rezultatov zato ne moremo razumeti kot izraz brezpogojnega zaupanja v generativno AI. Bolj prepričljivo jih je razumeti kot kombinacijo navade, dostopnosti, prepoznavnosti in uporabne izkušnje.
Za preverjanje začetne teze je ključna povezava med pogostostjo uporabe in različnimi razsežnostmi AI-pismenosti. V celotnem vzorcu je pogostost uporabe močno povezana z operativno AI-pismenostjo, kar je pričakovano, saj neuporabniki težje razvijejo spretnosti dela z orodjem. Bolj povedna je primerjava samo med respondenti, ki generativno AI uporabljajo. V tej skupini se pogostost uporabe zmerno povezuje s spretnostjo uporabe (Pearsonov r = 0,50) in zaupanjem (r = 0,47), povezava s preverjanjem virov pa je šibka in negativna (r = -0,09), podobno velja za širšo kritično presojo (r = -0,11). Pri neposrednem vprašanju o pogostosti preverjanja je povezava praktično nična (r = 0,01).
Dodatno smo opisno preverili še povezave, ki pomagajo razložiti razkorak med občutkom kompetentnosti in preverjanjem. Samoocena računalniške in AI-pismenosti se precej povezuje s spretnostjo uporabe (r = 0,61), zmerneje z zaupanjem (r = 0,48), šibkeje pa s praktičnim preverjanjem (r = 0,22), širšo kritično presojo (r = 0,25) in neposrednim vprašanjem o preverjanju pomembnih odgovorov (r = 0,12; pri tem vprašanju je bilo upoštevanih 337 odgovorov). Respondenti z vsaj neko obliko usposabljanja so imeli višje povprečje praktičnega preverjanja (3,20) kot respondenti brez usposabljanja (2,37); pri neposrednem vprašanju o preverjanju je bilo povprečje 2,99 pri usposobljenih in 2,21 pri neusposobljenih. Zaradi presečne in nereprezentativne zasnove gre za opisne razlike, ne za dokaz učinka usposabljanja.
Na tej podlagi lahko začetno tezo obravnavamo kot večinoma potrjeno. Pogostejša uporaba generativne AI spremlja predvsem večjo spretnost uporabe in nekoliko višje zaupanje, ne potrjuje pa sama po sebi višje stopnje praktičnega preverjanja. AI-pismenost se zato ne more meriti zgolj z vprašanjem, kako pogosto posameznik uporablja ChatGPT ali podobna orodja. Bolj zanesljiv pokazatelj je, ali zna uporabnik odgovor preveriti, ga zavrniti, primerjati z drugimi viri in razumeti, kdaj odgovor ni dokaz, ampak predlog.
zaključek
Rezultati ankete se smiselno umeščajo v razprave o AI-pismenosti, ki tega pojma ne razumejo zgolj kot tehnične spretnosti uporabe orodij. Long in Magerko (2020) ter Ng et al. (2021) poudarjajo, da AI-pismenost vključuje razumevanje, vrednotenje in odgovorno delovanje z AI-sistemi, podobno pa Annapureddy et al. (2025) ter Zhang in Magerko (2025) pri generativni AI opozarjajo na povezavo med oblikovanjem pozivov, razumevanjem rezultatov sistema, kritično presojo in odgovorno uporabo. Podatki iz ankete to večdimenzionalnost potrjujejo: respondenti izkazujejo razmeroma visoko spretnost uporabe in zelo visoko zavedanje tveganj, praktično preverjanje odgovorov pa ostaja šibkejši člen.
Članek je izhajal iz teze, da pogosta uporaba generativne umetne inteligence še ne dokazuje AI-pismenosti. Rezultati to tezo v veliki meri potrjujejo. V zajetem vzorcu je uporaba AI-orodij razširjena, ChatGPT ima izrazito osrednje mesto, pogostost uporabe pa je povezana predvsem s spretnostjo uporabe in z zaupanjem. Bistveno šibkejša je povezava med pogostostjo uporabe in preverjanjem odgovorov. Posameznik lahko torej AI uporablja pogosto in razmeroma učinkovito, vendar to še ne pomeni, da zna odgovor sistematično preveriti, ga primerjati z drugimi viri ali presoditi, kdaj ga je treba zavrniti.
Najpomembnejša ugotovitev je razkorak med zavedanjem in ravnanjem. Respondenti večinoma vedo, da lahko umetna inteligenca ustvari napačne informacije, izmišljene vire in pristranske odgovore, vendar se to zavedanje ne prevede vedno v preverjanje. Podobno opozarja tudi Brglez (2023), saj med pismenostjo, zaupanjem in preverjanjem ni preproste linearne povezave. Samoocena pismenosti se bolj povezuje s spretnostjo uporabe kot s praktičnim preverjanjem, kar kaže, da občutek kompetentnosti ni nujno enak razviti kritični presoji.
Ključno sporočilo članka za stroko je, da generativne umetne inteligence ni smiselno obravnavati samo kot orodje za hitrejše delo, temveč kot tehnologijo, ki spreminja način priprave, preverjanja in uporabe informacij. To je pomembno zlasti na področjih, kjer imajo informacije neposredne posledice za odločanje, strokovno presojo, varovanje podatkov, komunikacijo z uporabniki ali oblikovanje poslovnih in izobraževalnih rešitev. AI-pismenost zato ni več le individualna digitalna spretnost, ampak postaja del strokovne odgovornosti. V strokovnem okolju ni dovolj, da uporabnik zna oblikovati dober poziv; razumeti mora tudi omejitve odgovora, preveriti vire, oceniti zanesljivost trditev in presoditi, ali je uporaba AI pri določeni nalogi sploh primerna.
Iz rezultatov izhaja nekaj predlogov za izboljšave. Usposabljanja o AI bi morala poleg tehnične uporabe orodij vključevati tudi vaje za preverjanje virov, prepoznavanja izmišljenih navedb, presoje pristranskosti in varovanja občutljivih podatkov. Organizacije in izobraževalne ustanove bi morale oblikovati jasnejša pravila, kdaj je uporaba AI primerna, kdaj jo je treba razkriti in pri katerih nalogah mora rezultat nujno preveriti človek. Smiselno bi bilo razvijati tudi konkretne primere dobre prakse, pri katerih se AI uporablja kot pomoč pri delu, ne pa kot nadomestilo za strokovno presojo.
Za nadaljnje raziskovanje bi bilo koristno vključiti bolj uravnotežen in reprezentativen vzorec ter primerjati razlike med starostnimi skupinami, stopnjami izobrazbe in področji dela oziroma študija. Ker podatki v tej raziskavi temeljijo na samoocenah, bi bilo smiselno dodati tudi praktične naloge, pri katerih bi bilo mogoče neposredno opazovati, ali uporabniki AI-odgovore preverijo, popravijo ali zavrnejo. Nadaljnje raziskave bi lahko podrobneje preučile tudi učinek formalnega in neformalnega usposabljanja na dejanske navade preverjanja ter razliko med zaupanjem v posamezna AI-orodja in kritično presojo njihovih odgovorov.
Raziskava ima nekaj omejitev. Vzorec je bil pridobljen s spletno anketo in ni reprezentativen za celotno slovensko populacijo, podatki pa temeljijo na samoocenah, zato ne merijo dejanskega vedenja v konkretnih nalogah. Korelacijske povezave prav tako ne omogočajo sklepanja o vzročnosti. Kljub temu rezultati jasno pokažejo, da je AI-pismenost smiselno razumeti širše kot zgolj pogostost uporabe, in sicer kot zmožnost premišljene, kritične in odgovorne presoje rezultatov, ki jih ustvarja umetna inteligenca.
VIRI
Annapureddy, R., Fornaroli, A., & Gatica Perez, D. (2025). Generative AI literacy: Twelve defining competencies. https://doi.org/10.1145/3685680. [10.4.2026]
Brglez, T. (2023). Zaupanje mladih v vsebino, ustvarjeno z umetno inteligenco: magistrsko delo. https://dk.um.si/IzpisGradiva.php?id=85891. [22.4.2026]
Evropska komisija. (2026). Pismenost na področju umetne inteligence - vprašanja in odgovori. Pridobljeno maja 2026 iz Shaping Europe’s digital future: https://digital-strategy.ec.europa.eu/sl/faqs/ai-literacy-questions-answers. [11.5.2026]
Evropski parlament in Svet Evropske unije. (2024). Uredba (EU) 2024/1689 Evropskega parlamenta in Sveta z dne 13. junija 2024 o določitvi harmoniziranih pravil o umetni inteligenci (Akt o umetni inteligenci). Pridobljeno maja 2026 iz Uradni list Evropske unije: https://eur-lex.europa.eu/eli/reg/2024/1689/oj/slv. [11.5.2026]
Evropski parlament in Svet Evropske unije. (2026). Regulation (EU) 2026/1744 of the European Parliament and of the Council of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence (Digital Omnibus on AI). Pridobljeno avgusta 2026 iz Uradni list Evropske unije: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32026R1744. [21.8.2026]
Gillespie, N., Lockey, S., Ward, T., Macdade, A., & Hassed, G. (2025). Trust, attitudes and use of artificial intelligence: A global study 2025. Pridobljeno maja 2026 iz The University of Melbourne and KPMG: https://doi.org/10.26188/28822919. [31.5.2026]
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., . . . Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Pridobljeno junija 2026 iz Learning and Individual Differences, 103, Article 102274: https://doi.org/10.1016/j.lindif.2023.102274. [5.6.2026]
Long, D., & Magerko, B. (2020). What is AI literacy? Competencies and design considerations. Pridobljeno junija 2026 iz Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1-16: https://doi.org/10.1145/3313831.3376727
Ng, D., Leung, J., Chu, S., & Qiao, M. (2021). Conceptualizing AI literacy: An exploratory review. Pridobljeno junija 2026 iz Computers and Education: Artificial Intelligence, 2, Article 100041: https://doi.org/10.1016/j.caeai.2021.100041. [9.6.2026]
Scantamburlo, T., Cortes, A., Foffano, F., Barrue, C., Distefano, V., Pham, L., & Fabris, A. (2025). Artificial Intelligence Across Europe: A Study on Awareness, Attitude and Trust. Pridobljeno julija 2026 iz IEEE Transactions on Artificial Intelligence, 6(2), 477-490: https://doi.org/10.1109/TAI.2024.3461633. [3.7.2026]
UNESCO. (2024). AI competency framework for students. Pridobljeno julija 2026 iz UNESCO: https://www.unesco.org/en/articles/ai-competency-framework-students. [30.7.2026]
Univerza v Ljubljani. (2023). Priporočila Univerze v Ljubljani pri uporabi umetne inteligence. Pridobljeno julija 2026 iz Univerza v Ljubljani: https://www.uni-lj.si/novice/2023-09-20-priporocila-univerze-v-ljubljani-pri-uporabi-umetne-inteligence. [14.7.2026]
Zavod RS za šolstvo. (2024). Generativna umetna inteligenca v izobraževanju. Pridobljeno avgusta 2026 iz Zavod RS za šolstvo: https://www.zrss.si/projekti/generativna-umetna-inteligenca-v-izobrazevanju/. [29.8.2026]
Zhang, C., & Magerko, B. (2025). Generative AI literacy: A comprehensive framework for literacy and responsible use. Pridobljeno avgusta 2026 iz arXiv: https://doi.org/10.48550/arXiv.2504.19038. [5.8.2026]