Důvěra, důvěryhodnost a Zero Trust: proč musí být důvěra budoucnosti ověřitelná

Důvěru není třeba maximalizovat. Musí být zasloužená, doložená důkazy a průběžně kalibrovaná.

Téměř každá technologická firma tvrdí, že buduje důvěru. Už samotné „věřte nám“ ale prozrazuje podstatu problému: žádá o důvěru dříve, než pro ni poskytne dostatečné důvody. Dodavatel softwaru může tvrdit, že data zákazníků jsou v bezpečí. Zákazník může tomuto tvrzení uvěřit a rozhodnout se dodavateli důvěřovat. Zda je dodavatel skutečně důvěryhodný, je však jiná otázka. Racionální základ pro takovou důvěru mohou poskytnout jen důkazy o zavedených bezpečnostních opatřeních, jejich účinnosti, rozsahu a nepřetržitém fungování. Právě zde se často směšují pojmy jako důvěra, důvěryhodnost, assurance, spoléhání (reliance), compliance, digitální důvěra a Zero Trust. Přitom popisují různé aspekty téhož problému.

Porozumění těmto rozdílům nám pomáhá odpovědět na mnohem širší otázku:

Co by měla znamenat důvěra v digitálním světě, v němž se systémy, organizace i rizika neustále mění?

Důvěra začíná tam, kde končí jistota

V organizačním i psychologickém výzkumu se důvěra běžně spojuje s ochotou přijmout zranitelnost. Rousseau a kol. popisují důvěru jako psychologický stav zahrnující záměr přijmout zranitelnost na základě pozitivních očekávání ohledně záměrů nebo chování druhé strany [1]. Mayer, Davis a Schoorman podobně definují důvěru jako ochotu stát se zranitelným vůči jiné straně, i když tuto stranu nelze zcela sledovat ani kontrolovat [2]. (ResearchGate) Důvěra proto vyžaduje alespoň dvě podmínky: musí existovat nejistota a ve hře musí být něco podstatného.

Je-li výsledek zcela jistý, důvěra není potřeba. Pokud neexistuje žádná možná ztráta ani závislost, to, co vypadá jako důvěra, může být jen pohodlnost. Důvěra se stává relevantní tehdy, když jsme závislí na jiné osobě, organizaci nebo systému a tato závislost vytváří zranitelnost. To také znamená, že důvěra nikdy není pouze univerzální vlastností nějakého subjektu. Přesnější formulace by zněla:

A důvěřuje B ve vztahu k X, za podmínek Y, v určitém okamžiku.

Firma může důvěřovat poskytovateli cloudu, že bude ukládat veřejné marketingové materiály, ale tomuto poskytovateli automaticky nedůvěřovat při zpracování vysoce citlivých zdravotních údajů. Systém může být pro jeden případ užití dostatečně spolehlivý a pro jiný zcela nevhodný. Důvěra je proto vztahová, závislá na kontextu a na riziku.

Mít důvěru neznamená být důvěryhodný

V běžné řeči se „důvěřovaný“ a „důvěryhodný“ často považují za synonyma. Pojmově však popisují dvě různé věci. Důvěřovaný znamená, že subjektu je důvěra skutečně projevována. Důvěryhodný znamená, že si subjekt tuto důvěru zaslouží. Přesvědčivému podvodníkovi lze důvěřovat, aniž by byl důvěryhodný. Naopak pečlivě navržený a dobře řízený systém může být důvěryhodný, a přesto si nezískat důvěru uživatelů, protože jeho schopnosti, kontroly a omezení zůstávají neviditelné. Mayer a kol. identifikují tři široce používané dimenze vnímané důvěryhodnosti: schopnost, integritu a benevolenci [2].

Schopnost se týká toho, zda je důvěřovaná strana dostatečně kompetentní k vykonání příslušného úkolu. Integrita se týká toho, zda jsou její prohlášení, principy a skutečné chování konzistentní. Benevolence se týká toho, zda se od ní očekává, že bude brát ohled na zájmy důvěřující strany, a nebude výhradně sledovat vlastní prospěch. (JSTOR) U technických systémů je třeba tyto dimenze převést. Schopnost se mění v technickou způsobilost, spolehlivost, odolnost a bezpečnost. Integrita se mění v předvídatelné chování, konzistentní pravidla, dohledatelné zpracování a pravdivou komunikaci o omezeních. Benevolenci nelze jednoduše připsat stroji. Lze ji však posoudit ve vztahu k organizaci, která systém vyvíjí a provozuje: Chrání organizace zájmy uživatelů? Komunikuje rizika poctivě? Poskytuje mechanismy odpovědnosti a nápravy?

NIST přistupuje k důvěryhodnosti z pohledu systémového inženýrství. Důvěryhodný systém není jen takový, kterému lidé shodou okolností důvěřují. Jeho důvěryhodnost musí být podložena důkazy, že dokáže splnit kritické požadavky, které jsou na něj kladeny. V závislosti na kontextu mohou tyto požadavky zahrnovat bezpečnost (security i safety), spolehlivost, odolnost, ochranu soukromí nebo jiné vlastnosti systému [3]. Tento rozdíl je zásadní:

Důvěra existuje v mysli toho, kdo důvěřuje. Důvěryhodnost existuje ve vlastnostech a chování toho, komu je důvěřováno.

Obojí se může shodovat, ale neshoduje se automaticky.

Důvěra, spoléhání a compliance nejsou totéž

Další důležitý rozdíl existuje mezi důvěrou a spoléháním. Důvěra je postoj, očekávání nebo úsudek. Spoléhání je pozorovatelné chování. Člověk může systému AI nedůvěřovat, a přesto se řídit jeho doporučením, protože nemá alternativu, je pod velkým časovým tlakem nebo to vyžaduje proces organizace. Naopak člověk může systému obecně důvěřovat, ale v konkrétním případě jeho doporučení úmyslně ignorovat. Tento rozdíl je podstatný, protože průzkumy, které se uživatelů ptají, zda systému důvěřují, nemusejí předpovědět, kdy se na něj tito uživatelé skutečně spolehnou. Novější výzkum interakce člověka s AI proto stále častěji odděluje vnímanou důvěru, behaviorální spoléhání, výkonnost systému a vhodnost výsledného rozhodnutí [8]–[10]. (ACM Digital Library)

Ani compliance není totéž co důvěryhodnost. Compliance zpočátku odpovídá na užší otázku:

Byl v definovaném rozsahu splněn definovaný soubor požadavků?

Certifikace, auditní zpráva nebo posouzení mohou poskytnout důležitý důvod k důvěře. Nejsou však neomezeným a trvalým prohlášením, že je organizace bezpečná. Audit může potvrdit, že určitý systém řízení byl v určitém rozsahu a v určitém období vhodně zaveden. Automaticky ale nedokazuje, že každá aktuální konfigurace je správná, že je pokryt každý nově zavedený systém nebo že nemůže dojít k žádnému bezpečnostnímu incidentu. NIST proto varuje před tím, aby byla compliance považována za jediný důkazní základ pro assurance nebo důvěryhodnost. Compliance může přispět cennými důkazy, ale přístup založený pouze na compliance může vytvořit zdání bezpečnosti, aniž by dostatečně prokázal účinnost daného systému [3]. (Publikace NIST)

Compliance je důležitá. Je ale jedním z přispěvatelů k oprávněné důvěře, nikoli její úplnou náhradou.

Assurance propojuje důvěru s důvěryhodností

Mezi subjektivní důvěrou jedné strany a skutečnou důvěryhodností systému leží další pojem: assurance (ujištění). NIST popisuje assurance jako důvody pro oprávněnou důvěru, že tvrzení bylo nebo bude splněno [3]. Assurance proto není ani pocit, ani záruka. Je to strukturované zdůvodnění. Robustní struktura assurance by měla zviditelnit alespoň pět prvků: Tvrzení: Co přesně se tvrdí? Argumenty: Proč by dostupné informace měly tvrzení podporovat? Důkazy: Které záznamy, pozorování, testy nebo artefakty prokazují implementaci a účinnost?

Předpoklady: Za jakých podmínek zůstává závěr platný? Rozsah: Které systémy, procesy, data, lokality a období jsou pokryty? NIST používá pojem assurance case k popisu strukturovaného a přezkoumatelného vztahu mezi tvrzeními, argumenty, předpoklady a podpůrnými důkazy [3]. Vezměme si následující bezpečnostní tvrzení:

Všechna produkční data jsou v klidovém stavu šifrována.

Firemní politika šifrování dokládá, že existuje záměr a požadavek. Nedokazuje, že každý produkční úložný systém tento požadavek skutečně implementuje. Snímek obrazovky z konfigurace jedné databáze poskytuje důkaz o této konkrétní databázi v konkrétním okamžiku. Nemusí nutně prokazovat úplné pokrytí. Silnější assurance case by mohl kombinovat:

• úplnou inventuru produkčních datových úložišť,
• konfigurační data z každého relevantního systému,
• požadavky na správu klíčů,
• automatizované kontroly konfigurace,
• výsledky testů,
• monitorovací data,
• odpovědné vlastníky,
• záznamy o přezkoumání,
• a jasné časové razítko u každého důkazu.

Různé formy důkazů slouží různým účelům. Politika podporuje zamýšlený návrh. Konfigurace podporuje technickou implementaci. Test nebo průběžná telemetrie podporuje skutečný provoz. Přezkoumání podporuje závěr, že důkazy byly vyhodnoceny a přijaty odpovědnou stranou. Žádný z těchto prvků nemusí sám o sobě stačit. Assurance vzniká z dohledatelného vztahu mezi původním tvrzením, pokrytým rozsahem, implementací a dostupnými důkazy. Vyspělý systém assurance musí být také schopen dospět k negativním závěrům. Měl by umět konstatovat, že:

• dostupné důkazy jsou nedostatečné,
• důkazy jsou zastaralé,
• část relevantního rozsahu chybí,
• implementace je v rozporu s tvrzením,
• určitý předpoklad již nelze podložit,
• nebo provozní účinnost dosud nebyla prokázána.

NIST výslovně uznává, že analýza assurance může přinést nepříznivé výsledky, pokud důkazy tvrzení nepodporují [3]. (Publikace NIST) Systém, který umí generovat pouze zelené fajfky, může vytvářet pocit uklidnění. Nemusí ale vytvářet věrohodnou assurance.

Zero Trust neznamená nedůvěřovat nikomu

Na první pohled se zdá, že Zero Trust odporuje cíli budovat více důvěry. Není tomu tak. Zero Trust řeší problém na jiné úrovni. Nejde primárně o psychologickou ani kulturní filozofii. Jde o architektonický přístup k rozhodování o přístupu. V modelu Zero Trust se důvěra neuděluje jen proto, že se uživatel nebo zařízení nachází uvnitř firemní sítě, patří k organizaci nebo byl dříve ověřen. Přístup se posuzuje ve vztahu ke konkrétnímu zdroji, identitě, zařízení, kontextu a požadavku. Oprávnění by měla být omezená, průběžně přehodnocovaná a udělovaná s předpokladem, že síť nebo systém již mohou být kompromitovány [4].

Tradiční bezpečnost založená na perimetru často stlačuje složité rozhodnutí o důvěře do jednoho širokého předpokladu:

Uvnitř firemní sítě znamená důvěryhodný.

Zero Trust tento předpoklad rozkládá na menší rozhodnutí:

Smí tato identita, s tímto zařízením, za těchto podmínek, nyní přistoupit k tomuto zdroji?

Zero Trust proto není koncem důvěry. Je koncem implicitní, široké a trvale zděděné důvěry. Přesnější výklad by zněl:

Nulová implicitní důvěra. Nulová nezasloužená oprávnění.

Organizace může mít současně kulturu vysoké důvěry i architekturu Zero Trust. Zaměstnanci se nemusejí navzájem osobně podezírat jen proto, že rozhodnutí o přístupu jsou technicky ověřována. Dobře navržené kontroly mohou mezilidskou důvěru dokonce usnadnit. Snižují pravděpodobnost, že jednotlivá chyba, kompromitovaný účet nebo škodlivý požadavek způsobí neomezenou škodu. Zero Trust nahrazuje jeden velký a neurčitý předpoklad důvěry mnoha menšími, kontextovými, dočasnými a odvolatelnými rozhodnutími. To je s moderním chápáním důvěry plně slučitelné.

Digitální důvěra rozšiřuje perspektivu

Důvěryhodnost se často zaměřuje na vlastnosti konkrétní organizace, systému nebo vztahu. Digitální důvěra rozšiřuje perspektivu na celý digitální ekosystém. Světové ekonomické fórum popisuje digitální důvěru jako očekávání, že digitální technologie a služby i organizace, které je poskytují, budou chránit zájmy zúčastněných stran a dodržovat příslušná společenská očekávání a hodnoty. Jeho rámec spojuje digitální důvěru s dimenzemi, jako jsou kybernetická bezpečnost, ochrana soukromí, transparentnost, auditovatelnost, férovost, interoperabilita, bezpečnost a mechanismy nápravy [5]. (World Economic Forum) ISACA podobně rámuje digitální důvěru jako důvěru v integritu vztahů, interakcí a transakcí v rámci digitálního ekosystému tvořeného lidmi, organizacemi, procesy, informacemi a technologiemi [6]. (ISACA)

Tato ekosystémová perspektiva je důležitá, protože důvěryhodnost digitálního produktu jen zřídka závisí pouze na tomto produktu. Poskytovatel SaaS se může spoléhat na:

• poskytovatele cloudové infrastruktury,
• poskytovatele identit,
• softwarové knihovny,
• platební služby,
• monitorovací platformy,
• externí zdroje dat,
• a případně modely AI třetích stran.

Důvěryhodnost viditelného produktu proto závisí také na kontrolách, předpokladech a závislostech, které uživatelé z velké části nevidí. Digitální důvěru lze chápat jako širší ekonomický a společenský výsledek. Důvěryhodnost popisuje vlastnosti, díky nimž si ekosystém důvěru zaslouží. Assurance tvoří most mezi těmito vlastnostmi a rozhodnutím zúčastněné strany důvěřovat.

AI ukazuje, proč je maximalizace důvěry špatným cílem

Umělá inteligence činí rozdíl mezi vnímanou důvěrou a skutečnou důvěryhodností obzvlášť viditelným. Systém AI může komunikovat plynule, sebejistě a přesvědčivě, aniž by měl soustavně pravdu. Rozhraní může signalizovat transparentnost a kompetenci, i když podkladový model není pro zamýšlený úkol dostatečně spolehlivý. Vysvětlení, skóre jistoty nebo lidsky znějící jazyk mohou ovlivnit vnímání uživatelů. Automaticky však nejsou důkazem, že odpověď je správná. NIST proto nedefinuje důvěryhodnou AI jedinou vlastností. Rámec pro řízení rizik AI (AI Risk Management Framework) identifikuje několik charakteristik, mezi nimi validitu a spolehlivost, bezpečnost, zabezpečení a odolnost, odpovědnost a transparentnost, vysvětlitelnost a interpretovatelnost, ochranu soukromí a řízení škodlivé předpojatosti. NIST rovněž zdůrazňuje, že tyto charakteristiky závisejí na kontextu a mohou vyžadovat kompromisy [7].

Systém může být přesný, ale nespravedlivý. Může být transparentní, ale nezabezpečený. Může chránit soukromí, a přesto zůstat pro zamýšlený účel nespolehlivý. Může v průměru fungovat dobře, a přitom nepředvídatelně selhávat právě v případech, na kterých nejvíce záleží. Označení „důvěryhodná AI“ nesmí tyto rozdíly zastírat. Výzkum interakce člověka s AI proto stále častěji hovoří o přiměřené důvěře, kalibrované důvěře a přiměřeném spoléhání. Cílem není přimět uživatele, aby systému důvěřovali co nejvíce. Cílem je pomoci uživatelům vytvořit si přesnou představu o schopnostech a omezeních systému a spoléhat se na něj jen tehdy, když je takové spoléhání oprávněné.

Systematický přehled Mehrotry a kol. zjistil, že v literatuře stále neexistuje jednotná, konzistentně používaná definice přiměřené důvěry. Výzkumné studie používají pro důvěru, záměry, spoléhání, vnímanou způsobilost a skutečný výkon systému různé konstrukty a měření [8]. (ACM Digital Library) Visser a kol. podobně rozlišují důvěru, nedůvěru a přiměřené spoléhání. Jejich přehled naznačuje, že empirický vztah mezi vysvětlitelnou AI, důvěrou uživatelů a přiměřeným spoléháním zůstává nejednoznačný a v mnoha kontextech neprůkazný [9]. (ScienceDirect) Preprint Raeese a Papangelise z roku 2026 tvrdí ještě přímočařeji, že subjektivní měření důvěry automaticky neukazují, zda se lidé na doporučení AI spoléhají přiměřeně. Protože byla tato práce zveřejněna jako preprint, je třeba její závěry chápat jako aktuální příspěvek k výzkumu, nikoli jako konečný konsenzus [10]. (arXiv)

Ani nedůvěra nemusí být protikladem dobrého používání systému. Určitá míra skepse může podporovat ověřování a odhalování chyb. Nevybíravá nedůvěra však může vést i k tomu, že uživatelé odmítnou správná doporučení. Experimentální studie Peterse, Biermeiera a Scharlauové z roku 2026 zkoumala, zda by vizuální pozornost mohla pomoci identifikovat „zdravou nedůvěru“ v interakci člověka s AI. Zjištění nebyla průkazná a ukazují, jak obtížné je stále měřit, zda jsou důvěra a nedůvěra přiměřeně kalibrovány [11]. (Frontiers) Žádoucí vztah lze znázornit takto:

Cílem není jednoduše přesunout každého uživatele do pravého dolního rohu zvyšováním důvěry. Cílem je, aby vnímaná důvěra a behaviorální spoléhání co nejpřesněji odpovídaly skutečné důvěryhodnosti systému, důsledkům selhání a kontextu použití. V článku z července 2026 Busuioc a Maggetti obhajují posun od maximalizace důvěry ke kalibrované důvěře. Varují, že důvěra se může odpojit od skutečné důvěryhodnosti, když organizace vyrábějí signály důvěry, místo aby řešily podmínky, které důvěru opravňují. Jejich analýza také zdůrazňuje zranitelnost, odpovědnost a konstruktivní roli, kterou může hrát nedůvěra [12]. (OUP Academic)

Evropský akt o umělé inteligenci sleduje příbuznou provozní logiku. U relevantních vysoce rizikových systémů vyžaduje procesy a dokumentaci týkající se řízení rizik, správy dat, technické dokumentace, protokolování, transparentnosti, lidského dohledu, přesnosti, robustnosti a kybernetické bezpečnosti [13]. Tyto požadavky nedokazují, že každý regulovaný systém AI bude důvěryhodný. Snaží se však převést abstraktní očekávání důvěryhodnosti do konkrétních činností řízení a přezkoumatelných důkazů. (EUR-Lex) Důvěryhodná AI proto není styl rozhraní ani marketingová nálepka. Je to trvalý problém řízení a assurance.

Náš postoj: důvěra musí být oprávněná a kalibrovaná

Ve společnosti Secani nechápeme důvěru jako pocit, který je třeba prostě zvyšovat. Nedefinujeme ji ani jako absolutní jistotu. Absolutní bezpečnost v reálných digitálních systémech neexistuje. Ani silné důkazy nemohou zaručit, že nikdy nedojde k selhání nebo útoku. Důkazy snižují nejistotu a podporují lepší rozhodnutí, ale riziko neodstraňují. Kdyby bylo možné odstranit veškerou nejistotu, důvěra by už nebyla potřeba. Proto záměrně hovoříme o oprávněné důvěře (justified confidence), nikoli o jistotě. Naše definice zní:

Důvěra je oprávněné, na kontextu závislé přesvědčení, že bezpečnostní tvrzení je pravdivé nyní, protože tvrzení, jeho implementace a aktuální důkazy jsou ověřitelně v souladu.

Podkladový řetězec je:

Tvrzení → Implementace → Důkazy → Assurance → Kalibrovaná důvěra

Organizace vznese tvrzení o své bezpečnosti. Toto tvrzení se převede na konkrétní opatření, systémy, odpovědnosti a očekávané výsledky. Aktuální důkazy ukazují, zda a jak byla tato opatření zavedena. Proces assurance posoudí, zda důkazy původní tvrzení skutečně podporují. Teprve pak vzniká racionální základ pro důvěru. Tato definice obsahuje pět záměrných omezení.

Důvěra se vztahuje ke konkrétnímu tvrzení

„Jsme bezpeční“ je příliš široké na to, aby se dalo smysluplně ověřit. „Všechna produkční datová úložiště používají schválené konfigurace šifrování“ je užší a testovatelné. Čím obecnější tvrzení je, tím obtížnější je určit jeho rozsah, požadované důkazy, předpoklady a podmínky platnosti.

Důvěra závisí na kontextu

Opatření může být účinné pro jeden systém a neúčinné pro jiný. Model AI může být vhodný ke shrnování interních dokumentů, ale nevhodný k autonomnímu schvalování bezpečnostních výjimek. Důvěru nelze přenášet mezi kontexty, aniž by se posoudilo, zda zůstávají relevantní podmínky srovnatelné.

Důvěra závisí na čase

Organizace se neustále mění. Přibývají nová aktiva. Konfigurace se upravují. Zaměstnanci mění role. Dodavatelé aktualizují své služby. Objevují se zranitelnosti. Opatření, která včera fungovala správně, dnes již správně fungovat nemusejí. Důkazy proto časem ztrácejí hodnotu. Důvěryhodný závěr musí sdělovat nejen to, co bylo ověřeno, ale také kdy to bylo ověřeno a jak dlouho má závěr zůstat platný.

Důvěra je založená na důkazech, ale není absolutní

Důkazy zviditelňují nejistotu a činí rozhodnutí obhajitelnými. Nejistotu však zcela neodstraňují. I silné důkazy mají svá omezení. Mohou pokrývat jen část systému, opírat se o předpoklady, obsahovat chyby měření nebo zastarat. Věrohodná assurance musí tato omezení sdělovat, a ne je skrývat za binárním stavem.

Důvěra musí být odvolatelná

Rozhodnutí o důvěře se musí moci změnit, když se změní podmínky, na nichž stojí. Pokud nové důkazy odporují dřívějšímu bezpečnostnímu tvrzení, měl by být závěr aktualizován. Když důkazy vyprší, měla by důvěra klesnout. Když se pokrytý rozsah rozšíří, měly by být vyžadovány další důkazy. Důvěra, kterou nelze revidovat, není kalibrovaná důvěra. Je to víra odtržená od reality.

Od periodických signálů důvěry k průběžné assurance

Tradiční digitální důvěra se často buduje prostřednictvím periodických signálů: certifikátů, dotazníků, auditních zpráv, dokumentů z posouzení a bezpečnostních prezentací. Tyto mechanismy zůstávají důležité. Ve světě, v němž se digitální systémy mohou měnit každý den, však samy o sobě nestačí. Model budoucnosti se ubírá jiným směrem:

Průběžná assurance neznamená, že každá činnost v organizaci musí být trvale monitorována. Měla by být založená na riziku a přiměřená. Kritické tvrzení týkající se privilegovaného přístupu, produkční infrastruktury nebo citlivých zákaznických dat vyžaduje aktuálnější a silnější důkazy než administrativní tvrzení s malým dopadem. Podstatnou změnou je, že důvěra už nezůstává vázána na jediný dokument. Požadavky, implementace, důkazy, přezkoumání, zjištění, odpovědnosti a závislosti by místo toho měly tvořit propojený model. Strojově čitelné struktury mohou v tomto přechodu hrát důležitou roli. Umožňují opakovaně využívat důkazy napříč rámci a posouzeními, aniž by se ztratil jejich původ, původní rozsah, čas pořízení, odpovědný vlastník nebo omezení.

Budoucnost důvěry proto není jen průběžná. Je granulární, dohledatelná, přenositelná a odvolatelná.

Zero Trust a vysoká důvěra nejsou protiklady

Jednotlivé pojmy nyní lze propojit. Zero Trust určuje, jak se přijímají jednotlivá rozhodnutí o přístupu. Důvěryhodnost popisuje, zda si systém nebo organizace důvěru zaslouží. Assurance poskytuje strukturované zdůvodnění tohoto závěru. Důkazy podporují tvrzení o implementaci a účinnosti. Compliance posuzuje soulad s definovanými požadavky. Spoléhání popisuje, zda na systému někdo skutečně závisí nebo se jím řídí. Digitální důvěra je širší důvěra, která může vzniknout napříč ekosystémem. Zero Trust brání tomu, aby se důvěra předpokládala bez dostatečných důvodů. Assurance ukazuje, kde je důvěra oprávněná.

Compliance přispívá strukturovanými požadavky a mechanismy přezkoumání. Důkazy propojují prohlášení s pozorovatelnou realitou. Tyto pojmy proto nejsou soupeřícími vizemi. Jsou to různé části jednoho uceleného modelu. Budoucností není ani univerzální „důvěřuj všem“, ani kulturní „nedůvěřuj nikomu“. Je jí ověřitelná, kalibrovaná důvěra.

Co ve společnosti Secani znamená „optimalizovat pro důvěru“

„Optimalizovat pro důvěru“ nesmí znamenat optimalizovat vnímání důvěryhodnosti. Nemělo by to znamenat produkovat co nejvíce zelených fajfek, odznaků, certifikátů nebo širokých bezpečnostních tvrzení. Nemělo by to znamenat podněcovat lidi, aby systému důvěřovali více, než ospravedlňují jeho skutečné vlastnosti. Pro nás to znamená:

Neoptimalizujte pro to, aby vám lidé důvěřovali. Optimalizujte pro to, abyste si oprávněnou důvěru zasloužili.

Secani budujeme tak, aby průběžně propojovalo bezpečnostní tvrzení, požadavky, implementace a důkazy. Důvěra by neměla vznikat pouze z přesvědčivé prezentace nebo z periodického dokumentu o compliance. Měla by vznikat z aktuálního, přezkoumatelného a dohledatelného zdůvodnění. Nejstručnějším vyjádřením této myšlenky může být:

Důvěra není slib. Je to průběžně podložený závěr.

Organizace by neměly jen působit důvěryhodně. Měly by být schopny doložit, proč si důvěru zaslouží. A lidé by neměli být jen vyzýváni, aby důvěřovali více. Měli by dostat možnost důvěřovat lépe.

Literatura

[1] D. M. Rousseau, S. B. Sitkin, R. S. Burt, and C. Camerer, “Not So Different After All: A Cross-Discipline View of Trust,” Academy of Management Review, vol. 23, no. 3, pp. 393–404, 1998, doi: 10.5465/AMR.1998.926617. (DOI)

[2] R. C. Mayer, J. H. Davis, and F. D. Schoorman, “An Integrative Model of Organizational Trust,” Academy of Management Review, vol. 20, no. 3, pp. 709–734, 1995, doi: 10.5465/amr.1995.9508080335. (DOI)

[3] R. Ross, M. Winstead, and M. McEvilley, Engineering Trustworthy Secure Systems, NIST Special Publication 800-160, vol. 1, rev. 1, National Institute of Standards and Technology, Gaithersburg, MD, USA, Nov. 2022, doi: 10.6028/NIST.SP.800-160v1r1. (Publikace NIST)

[4] S. Rose, O. Borchert, S. Mitchell, and S. Connelly, Zero Trust Architecture, NIST Special Publication 800-207, National Institute of Standards and Technology, Gaithersburg, MD, USA, Aug. 2020, doi: 10.6028/NIST.SP.800-207. (NIST Computer Security Resource Center)

[5] World Economic Forum, Earning Digital Trust: Decision-Making for Trustworthy Technologies, Geneva, Switzerland, Nov. 2022. (World Economic Forum)

[6] K. B. Kelley, “The Digital Trust Imperative: Defining, Establishing and Measuring Digital Trust,” ISACA Journal, vol. 1, Jan. 2023. (ISACA)

[7] National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1, Jan. 2023, doi: 10.6028/NIST.AI.100-1. (Publikace NIST)

[8] S. Mehrotra, C. Degachi, O. Vereschak, C. M. Jonker, and M. L. Tielman, “A Systematic Review on Fostering Appropriate Trust in Human-AI Interaction: Trends, Opportunities and Challenges,” ACM Journal on Responsible Computing, vol. 1, no. 4, Art. no. 26, pp. 1–45, 2024, doi: 10.1145/3696449. (ACM Digital Library)

[9] R. Visser, T. M. Peters, I. Scharlau, and B. Hammer, “Trust, distrust, and appropriate reliance in (X)AI: A conceptual clarification of user trust and survey of its empirical evaluation,” Cognitive Systems Research, vol. 91, Art. no. 101357, 2025, doi: 10.1016/j.cogsys.2025.101357. (ScienceDirect)

[10] M. Raees and K. Papangelis, “From Trust to Appropriate Reliance: Measurement Constructs in Human-AI Decision-Making,” arXiv:2604.23896, Apr. 2026, doi: 10.48550/arXiv.2604.23896. Preprint. (arXiv)

[11] T. M. Peters, K. Biermeier, and I. Scharlau, “Assessing healthy distrust in human-AI interaction: Interpreting changes in visual attention,” Frontiers in Psychology, vol. 16, Art. no. 1694367, Jan. 2026, doi: 10.3389/fpsyg.2025.1694367. (Frontiers)

[12] M. Busuioc and M. Maggetti, “Worthy of trust? AI governance and the role of (dis)trust,” Perspectives on Public Management and Governance, Art. no. gvag007, Jul. 2026, doi: 10.1093/ppmgov/gvag007. (OUP Academic)

[13] European Parliament and Council of the European Union, “Regulation (EU) 2024/1689 of 13 June 2024 laying down harmonised rules on artificial intelligence,” Official Journal of the European Union, Jul. 2024. (EUR-Lex)