AI bez pokladen: co Amazon učí maloobchod i potraviny

Fronty u pokladen nejsou jen „nepříjemnost“. Jsou to ztracené minuty, které se v potravinářství násobí do milionů, a zároveň signál, že někde v systému tečou peníze: v plánování směn, v rozložení prodejny, v doplňování zboží i v odpisu čerstvých produktů. Právě proto je zajímavé, že Amazon vylepšil mozek své platformy Just Walk Out – technologie, která dovolí zákazníkovi vzít zboží a odejít bez klasické pokladny.

Na první pohled jde o retailovou „vychytávku“. Ve skutečnosti je to ukázkový případ toho, jak multimodální AI (tedy model, který spojuje více typů dat) mění celý potravinový řetězec: od toho, co se stane u regálu s jogurty, až po to, jak přesně naplánujete výrobu, logistiku a skladové zásoby.

Tenhle text patří do naší série „Umělá inteligence v maloobchodu a e-commerce“. A budu v něm trochu nekompromisní: většina firem se na AI dívá špatně. Ne jako na „chatbota“, ale jako na systém pro rozhodování nad reálnými daty.

Co Amazon změnil: od „krok za krokem“ k AI, která vidí vše naráz

Klíčová změna je jednoduchá: starší verze Just Walk Out pracovala spíš sekvenčně. Nejdřív vyhodnotila pohyb člověka, pak jeho polohu, potom to, co vzal, a nakonec množství. V běžných situacích to fungovalo. Jakmile ale nastal chaos – víc lidí u stejného regálu, zakrytý výhled kamerou, změna světla nebo zamlžené sklo mrazáku – systém častěji chyboval a „dohadoval“ se až u finalizace nákupu.

Nový přístup Amazonu stojí na tom, že model vyhodnocuje data současně z více zdrojů:

• kamery (počítačové vidění)
• váhové senzory (např. v policích lednice)
• další signály z prostředí prodejny

A to celé spojuje přes architekturu typu transformer (známou i z jazykových modelů), která umí převést vstupy (senzorická data) na výstupy (účtenku) s lepší odolností vůči „šumu“ v datech.

Jednověté shrnutí pro manažera: Nová AI neřeší scénu po krocích, ale skládá si realitu z více vrstev informací v reálném čase.

Proč je multimodální model v prodejně takový rozdíl

V retailu se nehraje jen o přesnost „kdo vzal co“. Jde o to, jak systém reaguje na běžné komplikace:

• zákazník dá zboží zpět na špatné místo
• dva lidé sahají současně do stejné zóny
• dítě něco vezme a rodič to vrátí
• dveře mrazáku se zamlží a kamera nic nevidí

Amazon ve svém popisu uvádí typický scénář „jogurtového chaosu“: zákazník si bere a vrací různé varianty, do toho někdo další sáhne po stejném kusu, a ještě se zhorší viditelnost. Nový model v takové situaci umí přehodnotit, která data jsou nejspolehlivější (např. váha police versus nejasný obraz), a dojít k přesnějšímu závěru.

Co z toho mají české potraviny a e-commerce: přesnost je jen začátek

Pokud jste v Česku výrobce potravin, distributor, provozujete e-shop s potravinami nebo síť prodejen, Just Walk Out pro vás není „Amazoní hračka“. Je to katalog principů, které se dají přenést do praxe i bez toho, abyste zítra instalovali kamery do každé uličky.

1) AI jako systém pro inventuru v reálném čase

Největší slepá skvrna retailu? Nejistota, co je skutečně na regálu. ERP říká jedno, realita druhé. U čerstvých kategorií (mléčné, pečivo, ready-to-eat) je to extrém.

Multimodální přístup (kombinace kamer, váhy, prodejních dat, případně RFID nebo „smart shelf“ senzorů) umožní:

• rychleji odhalit vyprodání (a ztracené prodeje)
• snížit přezásobení (a odpisy)
• zpřesnit objednávky a predikce

Most do zemědělství: Stejný princip platí v precizním zemědělství. Nevěříte jednomu senzoru. Kombinujete satelitní snímky, půdní čidla, meteorologii a data z techniky. Výsledek je stabilnější rozhodnutí.

2) Méně chyb, méně „tichých“ nákladů

Chyba na účtence není jen reputační problém. Je to:

• náklad na zákaznickou podporu
• riziko reklamací a chargebacků
• vyšší potřeba dohledu na prodejně
• ztráta důvěry (zákazník se příště vrátí k „normální“ pokladně)

Amazon otevřeně říká, že nový model má zvýšit přesnost i v náročných scénářích a zároveň umožnit systém zjednodušit. To je důležité: lepší AI často znamená méně výjimek, méně ruční práce a menší provozní složitost.

3) Data z prodejny jako signál pro výrobu a logistiku

Většina firem dělá predikce poptávky hlavně z historických prodejů. Jenže to je „kniha účetnictví“, ne reality:

• nevidíte, kolik lidí zboží vzalo do ruky a vrátilo
• nevidíte, kde se zákazníci zastavují a kde odcházejí
• nevíte, co se prodává pomalu kvůli špatné dostupnosti, ne kvůli nezájmu

Technologie typu Just Walk Out (nebo obecně senzorická analytika prodejny) dává signál, který je pro potravinářství zlatý: rozdíl mezi poptávkou a realizovaným prodejem.

A to se dá převést do:

• jemnějšího plánování výroby (méně přebytečných šarží)
• chytřejšího doplňování (méně „prázdných míst“)
• lepší rotace čerstvých produktů (nižší plýtvání)

Jak to celé funguje „pod kapotou“: transformery, kontinuální učení, fúze dat

Nejpraktickyjší způsob, jak si to představit: starší systém byl jako tým lidí, kde každý řeší jednu část a předává výsledek dál. Nový systém je spíš jako jeden koordinátor, který vidí vše najednou a dělá konečné rozhodnutí s ohledem na kontext.

Transformery nejsou jen pro text

Transformer architektura se stala standardem pro jazykové modely, ale její podstata je univerzální: umí hledat vztahy mezi signály napříč časem a prostorem. V prodejně to znamená:

• propojit „kdo“ (trajektorie zákazníka)
• s „co“ (objekt v ruce)
• s „kolik“ (změna váhy v polici)
• a s „kdy“ (časová návaznost)

Výhoda: když jeden signál selže (kamera má špatný výhled), model se opře o jiný (váha, kontext, pohyb).

Kontinuální self-learning: přínos i riziko

Amazon mluví o průběžném učení. To je silné, protože systém se zlepšuje na reálných situacích. Pro firmy je ale zásadní nastavit hranice:

• Kdo schvaluje změny modelu?
• Jak se testuje, že se přesnost zlepšila i pro „okrajové“ scénáře?
• Jak se hlídá drift (např. změna sortimentu, nové obaly, sezónní dekorace)?

Můj názor: kontinuální učení bez kvalitního MLOps procesu je recept na provozní chaos. Pokud chcete AI do retailu nebo potravinářství, začněte disciplínou: metriky, testování, auditovatelnost.

Co si z toho vzít do praxe: 7 kroků pro AI v retailu i potravinách

Ne každý potřebuje bezpokladnový obchod. Ale každý může využít princip multimodální AI a automatizace rozhodování.

1. Vyberte jednu bolest, ne deset nápadů. Typicky: out-of-stock, odpisy čerstvého, nepřesnost inventury, plánování směn.
2. Zmapujte datové zdroje. POS data, sklad, planogram, teplota, kamerové záznamy, váhy, logistika, reklamace.
3. Začněte „fúzí“ dvou zdrojů. Třeba POS + sklad + jednoduchá kontrola regálu (i manuální) jako ground truth.
4. Nastavte metriky, které bolí. Ne „přesnost modelu“, ale: snížení odpisu v Kč, méně out-of-stock, méně práce při inventuře.
5. Ošetřete kvalitu dat. Špatné označení produktů, časté změny obalů, neaktuální planogram – tohle AI zlomí vaz.
6. Myslete na provoz: kdo to bude používat. Vedoucí směny, doplňovači, plánovač výroby, dispečer.
7. Bezpečnost a důvěra od začátku. Minimalizace osobních dat, jasná pravidla uchování, interní audit.

„Lidi se bojí kamer. Ale ve skutečnosti jde o důvěru v proces“

U technologií typu Just Walk Out se dřív nebo později otevře téma soukromí. A právem. Pro praxi je důležité nehrát si na to, že „o nic nejde“.

Férový přístup vypadá takhle:

• sbírat jen to, co je nutné pro účel (účtenka, dostupnost, provozní metriky)
• anonymizovat a agregovat, když to jde
• mít srozumitelná pravidla pro zaměstnance i zákazníky

Důvěra v potravinách funguje stejně jako u původu surovin: když proces není průhledný, lidé si domyslí to nejhorší.

Kam se to posune v roce 2026: obchod jako senzor pro celý potravinový řetězec

Amazon uvádí, že Just Walk Out je nasazen zhruba ve 170 lokacích třetích stran (např. letiště, stadiony, univerzity, nemocnice) a běží v několika zemích. To je signál, že bezpokladnové koncepty se posouvají z „laboratoře“ do reálného provozu.

Pro potravinářství je ale důležitější druhý efekt: prodejna a e-commerce se mění na senzorickou vrstvu, která posílá přesnější data směrem dozadu – do výroby, plánování, zemědělských dodavatelských řetězců.

Čím přesněji umíte měřit, co se opravdu děje na konci řetězce, tím méně budete hádat na jeho začátku.

A jestli chcete praktickou otázku na závěr: Kdyby vaše firma zítra znala dostupnost a odhad poptávky na úrovni jednotlivých prodejen o 10 % přesněji, kolik tun potravin byste ročně nevyhodili?