AI asistent pro nákup potravin: méně chaosu v košíku

Většina retailerů má plné sklady dat, ale zákazník v uličce (nebo na e-shopu) pořád často nakupuje metodou „něco vyberu a snad to bude dobré“. To je drahé pro obě strany: lidé ztrácí čas, dělají kompromisy a obchodům rostou vratky, promo odpady a neprodejné zásoby. Vertikálně zaměřená generativní AI pro nákup potravin tenhle problém řeší přímo v momentu rozhodování.

Právě na to míří platforma Verneek a její produkt Quin Shopping AI: ne univerzální „pokec“ o všem, ale asistent postavený kolem konkrétní situace – výběr potravin podle ceny, složení, nutričních parametrů a dostupnosti v inventáři prodejce. A přesně tady je spojnice s naším seriálem „Umělá inteligence v maloobchodu a e-commerce“: AI už není jen o doporučování „lidé také koupili“, ale o tom, jak zjednodušit rozhodnutí, snížit frikci a zvednout konverzi bez ztráty důvěry.

Proč „vertikální“ generativní AI dává v potravinách smysl

Generativní AI v retailu funguje nejlépe tehdy, když má jasně vymezený úkol a opírá se o konkrétní data. Nákup potravin je typický „vysokofrekvenční“ scénář: lidé nakupují pravidelně, často pod tlakem času, s rozpočtem a s omezeními (alergeny, děti, dieta, sport).

Verneek staví Quin na vlastním engine (One Quin), který kombinuje více modulů (transformerové i netransformerové přístupy) a odpovídá na dotazy tak, aby se držel „v mantinelech“ domény nákupu. Rozdíl oproti obecným chatbotům je zásadní:

• Doménová omezení: asistent řeší konkrétní problém (nákup), ne „všechno“.
• Kurátorovaná znalost + data prodejce: odpověď se váže na produktový katalog, dostupnost a atributy.
• Nižší riziko halucinací: čím více je odpověď ukotvená v datech, tím menší prostor pro „přesvědčivé nesmysly“.

Důvěra je měna potravinového retailu. Jakmile jednou zákazník zjistí, že AI „kecá“, přestane ji používat.

Halucinace: problém, který v retailu bolí víc než jinde

U receptů nebo inspirace může být nepřesnost jen otravná. U potravin ale může jít o alergeny, dietní omezení, dětskou výživu nebo zdravotní cíle. Vertikální asistent má výhodu v tom, že:

• pracuje s definovanými atributy (alergeny, nutriční hodnoty, složení),
• odpověď může být vysvětlitelná („vybral jsem to kvůli X g bílkovin a nízkému obsahu cukru“),
• může se omezit na položky, které jsou skutečně skladem.

Co Quin (a podobní asistenti) reálně umí v e-shopu a v prodejně

Největší přínos není v „hezké konverzaci“, ale v tom, že AI překládá lidský záměr do filtrování katalogu. Příklad z praxe: zákazník nenakupuje „kategorii sušenky“, ale řeší „něco pro děti do školy do 125 Kč, ať to nemá palmový olej a není to cukrová bomba“.

Quin je popisovaný jako nástroj, který zvládne odpovědi typu:

• „Nejzdravější svačina pro děti do 120 Kč“
• „Rychlá večeře bez lepku pro 4 osoby, do 30 minut“
• „Něco s vysokým obsahem bílkovin po tréninku, bez laktózy“

A teď to důležité: aby to fungovalo, musí mít obchod dobře popsaná data (atributy, alergeny, nutriční tabulky, štítky), jinak AI nemá z čeho vycházet.

Nutriční skóre a „chuť“: jak se dá rozhodování standardizovat

Verneek zmiňuje koncept „health score“ postavený na nutričním výzkumu. To je v retailu praktické, protože zdravost není jedna veličina – někdo řeší kalorie, jiný cukr, další sůl.

Pro „chuť“ pak systém používá proxy metriky, například hodnocení položek. To je rozumné, ale má to dvě podmínky:

1. Hodnocení musí být dostatečně početné a nepodléhat manipulaci.
2. Retailer by měl vědět, že proxy metrika je jen přibližný signál, ne fakt.

Můj názor: pokud má AI dělat „chytré doporučení“, měla by být schopná ukázat, proč něco doporučuje, a ideálně nabídnout 2–3 varianty s různými kompromisy (nejlevnější vs. nejzdravější vs. nejlepší hodnocení).

Bez přihlášení a bez sledování: výhoda pro adopci, výzva pro personalizaci

Verneek jde cestou „nulové bariéry“: bez loginu, bez trackingu, uživatel je „blank slate“. To urychluje používání a snižuje obavy o soukromí – v EU a Česku je to navíc prakticky důležité i optikou compliance.

Současně platí, že personalizace bez kontextu je omezená. Přání typu „jsem vegan“ nebo „nesnáším koriandr“ (ten slavný „mýdlový“ efekt) se bez kontextu musí explicitně zadat do dotazu.

Pragmatický kompromis, který dnes vídám jako nejfunkčnější:

• personalizace na úrovni sezení (dočasné preference: alergeny, dieta, rozpočet),
• bez ukládání identifikovatelných dat,
• s jasným přepínačem „zapamatovat“ pouze na přání uživatele.

Co to znamená pro zemědělství a potravinářství: od košíku zpět na pole

AI asistent pro nákup potravin není jen „front-end vychytávka“. Jakmile se dotazy a preference zákazníků agregují (anonymně a eticky), vzniká signál, který se dá promítnout do celého řetězce.

1) Lepší predikce poptávky a méně plýtvání

Když lidé masově hledají „bezlaktózové“ nebo „high protein“ v konkrétním regionu, není to jen marketingová informace. Je to vstup pro:

• plánování výroby,
• objednávky surovin,
• řízení zásob,
• snížení expirací.

V praxi to může znamenat menší tlak na slevové spirály a méně odpadu. A to je téma, které v prosinci 2025 rezonuje dvojnásob: lidé po Vánocích šetří, retail hlídá marže a udržitelnost je už i ekonomická nutnost.

2) Vertikální AI jako analogie k preciznímu zemědělství

V zemědělství už je běžné, že se neřeší „AI obecně“, ale konkrétní úloha: detekce plevelů z kamer, variabilní aplikace hnojiv, predikce výnosu. Stejný princip teď dobíhá retail: nejlepší výsledky dává specializace.

Vertikální generativní model pro nákup potravin je v podstatě „precizní retail“ – místo obecných odpovědí dává rozhodnutí v kontextu katalogu, ceny a dostupnosti.

3) Nový typ „hlasování peněženkou“: preference v reálném čase

Dotazy typu „do 100 Kč“, „bez palmového oleje“, „low sugar“, „lokální“ nejsou jen filtry. Jsou to signály o tom, jak se mění preference. Pokud je potravinář dokáže číst, může rychleji:

• upravit receptury,
• zavést nové varianty,
• změnit velikosti balení,
• optimalizovat produktové řady.

Jak by měl retailer postupovat, když chce nákupní AI nasadit

Nasazení generativní AI do e-commerce často selže na banalitách: špatná data, nejasné vlastnictví katalogu, chybějící procesy pro výjimky. Tady je postup, který se v praxi vyplácí.

Data: bez pořádného katalogu to bude drahá dekorace

Začněte inventurou datové kvality. Minimální základ pro „potravinového“ asistenta:

• alergeny, složení, nutriční hodnoty (standardizované),
• dietní štítky (vegan, bez lepku, bez laktózy),
• ceny, promo mechaniky, dostupnost po pobočkách,
• jednotky a přepočty (cena za 100 g/ml),
• kvalitní produktové názvy a kategorie.

Pokud tohle chybí, AI bude hádat, nebo bude odpovídat vágně. A to zákazníci poznají během dvou minut.

Měření přínosu: jaké metriky dávají smysl

U AI asistenta v nákupu potravin bych sledoval hlavně:

1. Konverzní poměr u sezení, kde byl asistent použit.
2. Čas do nalezení produktu (time-to-product).
3. Podíl „nulových výsledků“ (když uživatel nic nenajde).
4. Substituce (když chybí zboží, jak dobře AI nabídne alternativu).
5. Spokojenost (rychlé hodnocení odpovědi + důvod).

Doporučení: nečekejte, že AI zvedne všechno najednou. Když zlepšíte „time-to-product“ a snížíte nulové výsledky, konverze často přijde jako vedlejší efekt.

Architektura a infrastruktura: flexibilita je praktická výhoda

Verneek zdůrazňuje, že jejich engine může běžet nad různými cloudovými platformami i na edge infrastruktuře v prodejně. Pro retail to není detail.

• Někteří hráči nechtějí být závislí na konkrétním cloudu.
• Pro kiosk v prodejně dává smysl lokální výpočet (latence, stabilita).
• Pro e-shop je zase klíčová škálovatelnost ve špičkách.

Rozhodující otázka zní: kde leží produktová pravda (PIM/MDM) a jak rychle se propaguje do AI vrstvy.

Praktické scénáře pro Česko: co by lidé opravdu ocenili

Kdybych měl vsadit na 3 scénáře, které v českém online potravinovém retailu udělají největší rozdíl, byly by to:

1. „Sestav mi košík“ podle rozpočtu a počtu osob
   • např. „týdenní snídaně pro 2 do 800 Kč“
2. Alergeny a dětské svačiny
   • bezpečnost + rychlost výběru, méně stresu
3. Chytré alternativy při nedostupnosti
   • „nemáme, ale tohle je nejbližší náhrada“ s vysvětlením

Tohle nejsou efektní demo ukázky. Tohle jsou momenty, kdy se rozhoduje, jestli se zákazník vrátí.

Co si z toho odnést (a co udělat příští týden)

Vertikální generativní AI typu Quin ukazuje směr: asistent, který stojí na datech retaileru, umí odpovídat konkrétně a je navržený pro nákupní úkol, ne pro všeobecné povídání. V rámci série „Umělá inteligence v maloobchodu a e-commerce“ je to další důkaz, že největší hodnotu přináší AI tam, kde odstraňuje tření – ve vyhledávání, rozhodování a substitucích.

Pokud jste retailer, výrobce nebo technologický partner v potravinářství, udělejte tři kroky:

• Zmapujte 20 nejčastějších dotazů zákazníků (z vyhledávání, zákaznické podpory, chatů).
• Zkontrolujte, jestli na ně vaše produktová data umí odpovědět bez improvizace.
• Navrhněte pilot: jeden kanál (web/app), jeden use-case (např. svačiny pro děti), 6 týdnů měření.

AI v nákupu potravin bude čím dál víc připomínat dobrého prodavače: nebude tlačit, ale rychle pochopí, co člověk potřebuje, a doporučí varianty, které dávají smysl. Otázka na rok 2026 zní: budeme mít v retailu víc „chytrých odpovědí“, nebo víc „chytrých rozhodnutí“ podložených daty?