AI asistent pro personál: lekce ze Starbucks

Ve chvíli, kdy se v gastro provozu „zasekne“ espresso stroj uprostřed špičky, nejde o technologii. Jde o ztracené minuty, nervy týmu a frontu zákazníků, která roste rychleji než pěna na cappuccinu. A přesně tady začíná být generativní AI praktická – ne jako marketingová nálepka, ale jako nástroj pro provoz.

Starbucks v červnu 2025 představil Green Dot Assist, generativní AI virtuálního asistenta pro baristy a vedoucí směn. Pilot běží zhruba ve 35 pobočkách a běží na infrastruktuře Microsoft Azure. Pro náš seriál „Umělá inteligence v maloobchodu a e-commerce“ je to důležitý signál: AI se přesouvá z analytických dashboardů do rukou lidí na provozu – a začíná řešit věci, které dřív řešil „nejzkušenější kolega“.

A teď ta zajímavější část pro čtenáře z oblasti potravinářství a zemědělství: model „AI parťáka“ se dá přenést z kavárny do výroby, skladů, logistiky i na farmu. Princip je stejný: rychlá odpověď, správný postup, méně chyb, kratší zaškolení, lepší plánování.

Co přesně Green Dot Assist dělá (a proč to není jen chatbot)

Green Dot Assist je navržený jako provozní „kopilot“: kombinuje znalostní bázi, trénink a podporu při řešení problémů. Nejde jen o to „zeptat se na recept“. Těžiště je v každodenních operacích, kde se ztrácí čas a vznikají chyby.

Trénink nových lidí bez toho, aby se zhroutil provoz

Rychlé zaškolení je v retailu a gastronomii evergreen. V prosinci (a obecně v zimní sezóně) je to ještě ostřejší – vyšší provoz, sezónní nabídky, více brigádníků. AI asistent může sloužit jako průběžný mentor:

• připomene postupy přípravy nápojů a varianty,
• vysvětlí interní standardy kvality,
• pomůže s bezpečností práce a hygienou,
• odpoví konzistentně (což je v síti klíčové).

Z pohledu řízení kvality je důležité, že AI dokáže držet stejný výklad pravidel napříč pobočkami. Tím se snižuje variabilita výkonu a roste šance, že zákazník dostane „to svoje“ bez ohledu na směnu.

Operativní plánování směn podle reality, ne podle tabulky

Další typický problém: směna je naplánovaná, ale realita se mění. Někdo onemocní, nápor mobilních objednávek zvedne špičku, zpozdí se dodávka.

Green Dot Assist má pomáhat vedoucím směn s dynamickým plánováním – tedy s úpravami podle aktuální situace. V praxi to znamená rychlejší rozhodování:

• koho přesunout na bar / výdej,
• kdy otevřít druhý „line“ pro přípravu,
• jak přizpůsobit rozložení rolí při nárazové špičce.

Tohle je přesně ten typ využití AI, který dobře zapadá do tématu AI v maloobchodu a e-commerce: růst online/mobilních objednávek mění provoz a čekací doby. AI asistent není „hračka“ – je to odpověď na to, že objednávkový mix se posunul a personál je pod tlakem.

Diagnostika zařízení: když AI zkrátí cestu od problému k servisnímu tiketu

V ukázce Starbucks barista řeší espresso stroj, který táhne nekonzistentní shoty. AI nabízí vizuální (3D) průvodce, navede na kontrolní kroky a pomůže založit servisní požadavek.

V tomhle je schovaný tvrdý provozní dopad:

• méně času stráveného „zkoušením naslepo“,
• méně zmetků (nepovedených nápojů),
• rychlejší eskalace na servis,
• menší závislost na „jednom člověku, co to umí“.

Pro potravinářství je analogie jasná: balicí linka, chladicí zařízení, dávkovací jednotka, čtečka kódů. Když se zastaví, nejdražší je nejistota.

AI asistent má největší hodnotu ve chvíli, kdy se provoz láme: špička, porucha, nový člověk, změna procesu.

Proč se to děje právě teď: AI se přesouvá do „posledních 10 metrů“

Generativní AI byla poslední roky často v režimu „prezentace a piloty“. Starbucks teď ukazuje posun: AI se dává do rukou frontline zaměstnanců v jednoduché formě (tabletová aplikace) a s konkrétními úkoly.

Tři důvody, proč je to logické:

1. Tlak na produktivitu: náklady práce rostou a fluktuace v provozu je realita.
2. Komplexita nabídky a kanálů: mobilní objednávky, personalizace, sezónní menu – to vše zvyšuje kognitivní zátěž týmu.
3. Standardizace kvality ve škále: síťový hráč potřebuje, aby procesy fungovaly stejně v tisících variací dne.

A ano, je tu i technologická stránka: když je AI napojená na interní znalostní bázi a procesy, přestává být „chytrým textem“ a stává se operačním rozhraním.

Co si z toho může odnést zemědělství a potravinářství

Náš hlavní „bridge“ je jednoduchý: stejný model asistenta funguje všude, kde je práce procesní, časově citlivá a závislá na know-how lidí.

1) „Polní“ asistent pro pracovníky: postupy, bezpečnost, kvalita

V zemědělství i ve výrobě jsou klíčové standardní postupy (SOP). Problém je, že v terénu se nikomu nechce listovat manuálem.

AI asistent na mobilu/tabletu může:

• poradit s nastavením stroje pro konkrétní úkon,
• připomenout bezpečnostní kroky,
• vést kontrolní seznam kvality (např. sklizeň, třídění, skladování),
• přeložit instrukce pro pracovníky různých jazyků (tam, kde je to relevantní).

Důraz dávám na jednu věc: AI nezruší školení, ale zkrátí dobu, kdy zkušený člověk „neprodukuje“, protože zaučuje.

2) Diagnostika a údržba: méně prostojů, méně improvizace

Když Green Dot Assist umí vést baristu diagnostikou, může podobně vést technika údržby ve výrobě nebo farmáře u závlahy.

Praktické scénáře:

• chladírna hlásí odchylku teploty,
• třídička se ucpává podle typu plodiny,
• senzor vlhkosti půdy vykazuje anomálie,
• balicí linka vyhazuje obaly kvůli špatnému seřízení.

Nejde o to, aby AI „hádala“. Jde o to, aby vedla člověka k správným měřením a správným krokům a vše zaznamenala pro servis a audit.

3) Plánování směn a práce podle reality: propojení s poptávkou

V retailu je špička vidět na frontě. V potravinářství je špička vidět na objednávkách, surovinách, teplotách a dostupnosti lidí.

AI asistent může fungovat jako rozhraní k plánovacímu systému:

• „Kolik lidí potřebuji na balení, když se zvedla objednávka o 20 %?“
• „Co přesunout, když nepřišla dodávka obalů?“
• „Jaký je nejbezpečnější plán výroby, aby se stihla trvanlivost a chlazení?“

Tohle je přímé napojení na témata jako AI řízení zásob, predikce poptávky a optimalizace skladů – jen s tím rozdílem, že odpověď se doručí člověku ve formě instrukce, ne reportu.

Jak AI asistenta nasadit v provozu tak, aby přinesl výsledky

Většina projektů spadne na „měkkých“ věcech: obsah, procesy, důvěra uživatelů. Tady je postup, který se mi opakovaně osvědčuje.

Začněte třemi use-casy, které bolí a mají jasnou metriku

Vyberte úkoly, kde je jasně měřitelný dopad. Typicky:

1. Zaškolení: zkrácení doby do samostatnosti (např. o 20–30 %).
2. Prostoje: snížení času od incidentu k tiketu / opravě.
3. Chyby: méně reklamací, méně zmetků, méně přepracování.

Bez metrik se z asistenta stane „pěkná aplikace“.

Obsah je produkt: bez kvalitní znalostní báze nebude AI spolehlivá

Generativní AI je jen tak dobrá, jak dobrá jsou data a procesy kolem ní. Minimální základ:

• aktuální SOP a provozní manuály,
• standardy kvality a hygieny,
• katalog zařízení + typické závady + kroky ověření,
• rozhodovací pravidla (kdy eskalovat, kam, s jakými údaji).

Doporučení z praxe: držte „jediný zdroj pravdy“ a verziujte ho. V provozu je nejhorší, když se lidé učí podle staré verze postupu.

Nastavte hranice: kdy AI radí a kdy musí eskalovat na člověka

Nejrychlejší cesta k průšvihu je nechávat AI improvizovat v bezpečnosti potravin nebo BOZP. Zaveďte pravidla:

• u kritických témat pouze odpovědi z interní dokumentace,
• povinné kontrolní kroky a logování,
• jasné „stop“ scénáře (např. alergeny, HACCP, incidenty s teplotou).

AI asistent má být zodpovědný dispečer, ne vševědoucí guru.

Přijetí uživateli: když to zdržuje o 10 sekund, nikdo to nepoužije

Frontline tým je pragmatický. Pokud je vyhledání odpovědi pomalejší než zeptat se kolegy, aplikace umře.

Co funguje:

• krátké odpovědi s volbou „zobrazit detail“,
• vizuální postupy (fotky, schémata, 3D),
• tlačítko „vytvořit tiket“ s předvyplněnými údaji,
• offline režim pro místa bez signálu (typicky farmy, sklady).

Časté otázky: co si pohlídat u generativní AI v provozu

Nahradí AI vedoucí směny nebo technika?

Ne. AI zkracuje čas na rozhodnutí a standardizuje postup, ale odpovědnost a kontext zůstávají na lidech. V dobrém nasazení AI zvyšuje kapacitu zkušených lidí, místo aby je „nahrazovala“.

Co když AI „halucinuje“?

Proto musí být u provozních scénářů nastavené omezení na interní zdroje a auditovatelnost odpovědí. V kritických procesech nepouštějte volnou generaci bez opory v dokumentaci.

Jaký je reálný přínos?

Nejčastěji se přínos projeví v těchto číslech:

• méně prostojů (minuty až desítky minut na incident),
• kratší onboarding (dny až týdny podle role),
• méně zmetků a reklamací,
• stabilnější výkon i při vysoké fluktuaci.

Konkrétní procenta se liší, ale směr je konzistentní: čas se vrací lidem a kvalita se méně „rozpadá“ při stresu.

Kam to míří: AI jako nová vrstva provozního řízení v potravinách

Starbucks s Green Dot Assist ukazuje trend, který v roce 2026 uvidíme napříč potravinovým řetězcem: AI se stává vrstvou mezi systémy a lidmi. Nejen analytika, ale instrukce. Nejen report, ale postup. Nejen „co se stalo“, ale „co teď udělej“.

Pro maloobchod a e-commerce je to další dílek do skládačky: personalizace a digitální objednávky dávno běží, ale bez provozní podpory rostou čekací doby, stres a chybovost. AI asistent je způsob, jak tenhle dluh splatit.

Pokud chcete tenhle přístup přenést do zemědělství nebo potravinářství, začněte jednoduše: vyberte tři situace, které dnes stojí nejvíc času a nervů, postavte kolem nich znalostní bázi a změřte dopad.

A teď otázka, kterou by si měl položit každý provozní ředitel nebo majitel: Kdyby vaši nejlepší lidé měli „AI parťáka“ na směně, kde by se vám uvolnila kapacita jako první – v údržbě, kvalitě, nebo v plánování?