AI asistent pro provoz: lekce ze Starbucks pro retail

Fronta u pultu se nehádá s tabulkou. Fronta je čistá fyzika: když se objednávky skládají rychleji, než je stíháte vyrábět, začne se hromadit tlak. A v roce 2025 to v gastro retailu platí dvojnásob — mix objednávek se posouvá k mobilnímu objednávání, roste počet personalizací a zákazník má pořád stejnou trpělivost jako před deseti lety.

Proto mě oznámení, že Starbucks testuje generativní AI asistenta Green Dot Assist pro baristy a vedoucí směn, vlastně nepřekvapilo. Překvapilo mě spíš, že to nepřišlo dřív. Tahle zpráva je dobrý „lakmusový papírek“ pro celý obor: AI v maloobchodu a e-commerce přestává být jen o marketingu a doporučování produktů a míří do míst, kde opravdu bolí provoz — školení lidí, řešení výpadků, plánování směn a práce s vybavením.

A to je přesně ten typ schopností, které se dají přenést i dál po hodnotovém řetězci: od kaváren přes potravinářské provozy až po zemědělství. Ne jako buzzword. Jako každodenní pomocník, který snižuje ztráty a zrychluje rozhodování.

Co Green Dot Assist ukazuje: AI pro zaměstnance, ne pro PR

Green Dot Assist je v praxi „pracovní copilota“ pro provoz, postaveného na platformě Microsoft Azure a pilotovaného v desítkách poboček. Nejde o chatbota pro zákazníky. Jde o nástroj pro lidi na place.

Tohle rozlišení je zásadní. Většina firem začíná s AI tam, kde je to vidět (zákaznický chat, personalizace). Starbucks jde dovnitř provozu. A tím posílá jasný signál: největší návratnost často leží v interních mikroprocesech, které se opakují stokrát denně.

Konkrétně má asistent pomáhat se třemi oblastmi:

1. Školení a pracovní postupy – rychlé odpovědi typu „jak připravit konkrétní nápoj“ nebo „jak udělat krok X při údržbě“.
2. Podpora řízení směn – dynamické plánování při výpadcích (např. náhlé omluvenky).
3. Diagnostika zařízení – asistované řešení problémů (v demu třeba nekonzistentní espresso) včetně vizuálních návodů a podpory při založení servisního ticketu.

Důležité je i to, jak je to zabalené: aplikace na iPadu v provozu. Žádná laboratorní AI. Nástroj, který musí fungovat v hluku, stresu a při multitaskingu.

AI pro provoz musí být rychlá, konkrétní a „neotravovat“. Pokud potřebujete pět kliků, je mrtvá.

Proč je „AI pro školení“ nejrychlejší win v retailu

Nejjednodušší cesta k měřitelnému přínosu je zkrátit dobu zaučení a snížit chybovost. V gastro retailu je to tvrdá ekonomika: fluktuace, sezónní špičky, brigádníci, nové menu a standardy.

Generativní AI v roli „živé příručky“ řeší několik problémů najednou:

• Konzistence: místo ústního předávání „jak se to tady dělá“ máte jednotný výklad.
• Dostupnost: odpověď dostanete ve chvíli, kdy ji potřebujete (ne až vedoucí doběhne z kanceláře).
• Kontext: AI může odpovídat podle role (nováček vs. senior), času (špička vs. klid) nebo konkrétní situace.

Praktický příklad, který znám z projektů v retailu: když zaměstnanci hledají informace v PDF manuálu, často to vzdají. Když napíšou přirozenou otázku a dostanou 3–5 kroků, udělají to správně.

Jak si to může přeložit potravinářství a zemědělství

Tahle logika se dá velmi přímo přenést:

• Potravinářská výroba: SOP postupy, hygiena, změny receptur, přestavby linek.
• Sklady a logistika: vychystávání, práce se skenery, řešení výjimek, bezpečnost práce.
• Zemědělské provozy: obsluha strojů, údržba, evidence zásahů, školení sezónních pracovníků.

Pokud je cílem méně chyb, méně odpadu a rychlejší zaškolení, AI asistent pro zaměstnance je často nejlepší první krok.

AI pro plánování směn a zásob: když data potkají realitu

Dynamické plánování směn je typický problém, kde se excelové tabulky lámou o realitu. Výpadek jednoho člověka ve špičce může znamenat:

• delší čekání,
• víc zmetků (spěch),
• vyšší stres a další absence,
• v krajním případě i ztrátu tržeb.

Generativní AI sama o sobě směny „neoptimalizuje“ bez dat. Ale umí být skvělým rozhraním nad optimalizačním jádrem a provozními pravidly:

• „Koho můžu zavolat na záskok podle dovedností a dostupnosti?“
• „Když přesunu člověka z baru na pokladnu, co to udělá s průtokem objednávek?“
• „Jaké minimum kvalifikací musí být na směně kvůli bezpečnosti a standardům?“

A tady je most k e-commerce a maloobchodu jasný: stejné principy se používají i pro řízení zásob a predikci poptávky. V prosinci (a v Česku zvlášť před Vánoci a po nich) se krásně ukazuje, jak rychle se mění poptávka a jak drahé jsou prázdné regály nebo naopak přebytky.

Co bych měřil, kdybych to nasazoval

Pokud chcete, aby AI v provozu nebyla jen hračka, nastavte si metriky předem. Tyhle dávají smysl téměř vždy:

• Čas zaučení (dny do samostatnosti)
• Chybovost (reklamace, zmetky, vrácené objednávky)
• MTTR u zařízení (mean time to repair – průměrná doba opravy)
• Provozní průtok (objednávky/hod, čas na položku)
• Plýtvání (vyhozené suroviny, přecenění, expirace)

Green Dot Assist je zajímavý právě tím, že míří na metriky, které mají přímý dopad na náklady i zkušenost zákazníka.

Diagnostika zařízení: nejméně sexy, nejvíc peněz

Když nefunguje zařízení, neprodáváte. A v gastro retailu to není hypotéza — je to každá směna.

Starbucks v ukázce používá AI asistenta k diagnostice espresso stroje a doplňuje to vizuálními (3D) vodítky a rychlým založením servisního požadavku. Tohle je přesně ten typ „malé“ inovace, který v součtu dělá velké rozdíly.

V potravinářství a zemědělství to platí ještě víc:

• odstávka linky → ztráta výrobních oken,
• špatně nastavený stroj → nekonzistence kvality,
• pozdní servis → dražší oprava,
• improvizace → bezpečnostní rizika.

AI asistent tu může fungovat jako první úroveň podpory:

• rychlé kroky k ověření příčiny,
• doporučení „zastav / pokračuj“ podle rizika,
• automatické vyplnění ticketu s kontextem (model zařízení, chyba, poslední údržba),
• připojení fotky/video z telefonu.

Nejlepší servis je ten, který se dá udělat dřív, než se porucha projeví na zákazníkovi.

Co si z toho odnést pro český retail (a proč to souvisí se zemědělstvím)

Spousta českých firem AI pořád vnímá jako marketingový doplněk. Jenže největší tlak je v provozu: drahá práce, nedostatek lidí, kolísající poptávka, energie, požadavky na sledovatelnost.

Green Dot Assist je dobrý signál, že „AI pro zaměstnance“ dozrává. A navíc hezky propojuje dva světy:

• Retail a e-commerce: rychlost obsluhy, konzistence, práce se špičkami, omnichannel.
• Zemědělství a potravinářství: standardizace práce, údržba, kvalita, snižování odpadu.

Když to řeknu jednoduše: pokud umíte zkrátit rozhodování o 30 sekund stokrát denně, vyhráváte.

Mini-checklist: jak začít s AI asistentem v provozu (bez chaosu)

1. Vyberte 3–5 nejčastějších dotazů/problémů, které dnes lidi řeší „přes vedoucího“.
2. Zmapujte zdroje pravdy: SOP, interní wiki, manuály zařízení, FAQ, školící materiály.
3. Zaveďte pravidla odpovědnosti: co může AI doporučit a kdy musí eskalovat na člověka.
4. Integrujte tiketování a audit: ať se ví, kdo co udělal a proč.
5. Měřte dopad na jednu směnu / jednu pobočku / jednu linku a iterujte.

Kam to půjde dál: od asistenta k autonomnímu provozu

Nečekám, že by generativní AI sama „řídila kavárnu“. Ale čekám, že bude čím dál víc propojovat:

• objednávky (mobilní i na místě),
• predikci poptávky,
• plánování lidí,
• dostupnost surovin,
• stav zařízení,
• a standardy kvality.

Tohle je směr, který dává smysl i v širším kontextu potravinového řetězce. A pokud se bavíme o cíli „LEADS“ (poptávky), realita je jasná: firmy nehledají další prezentaci o AI. Hledají konkrétní use-case, který sníží náklady, zrychlí provoz a omezí odpad.

V rámci série Umělá inteligence v maloobchodu a e-commerce je tohle důležitý milník: AI už není jen „nad regálem“ v doporučování produktů. Je přímo na směně — vedle člověka, který drží provoz pohromadě.

A teď ta otázka, kterou si stojí za to položit i mimo kavárny: Který váš provozní problém by měl zmizet jako první, kdybyste měli AI asistenta přímo v ruce?