AI bez pokladních skončilo. Co to říká o ROI v potravinách

Grabango získalo přes 93 milionů dolarů na technologii „checkout-free“ (nákup bez pokladny). A přesto v říjnu 2024 skončilo, protože už nedokázalo sehnat další financování. To není příběh o tom, že „AI nefunguje“. Je to příběh o tom, že AI bez jasného ekonomického efektu a provozní jednoduchosti je v roce 2025 těžko prodejná – investorům i zákazníkům.

V naší sérii „Umělá inteligence v maloobchodu a e-commerce“ se často bavíme o personalizaci, řízení zásob a o tom, jak AI zvyšuje efektivitu prodeje. Jenže zrovna samoobslužné nakupování bez pokladních ukazuje druhou stranu mince: když se technologie potká s realitou provozu, legislativy, zákaznické důvěry a marží, přichází tvrdé vystřízlivění.

A teď to důležité pro kampaň „Umělá inteligence v zemědělství a potravinářství“: stejná pravidla platí i ve výrobě potravin a na farmách. Dokonce bych řekl, že v agrifood je pro AI často snazší obhájit ROI, pokud se začne správně – na místech, kde jsou ztráty měřitelné a rozhodnutí opakovatelná.

Proč Grabango skončilo (a proč to není selhání AI)

Grabango nepadlo proto, že by počítačové vidění nebo strojové učení byly slepé uličky. Padlo proto, že kombinace nákladů, složitosti nasazení a nejistého přijetí zákazníky zkrátka nevycházela.

Trh „nákupu bez pokladen“ se po nástupu Amazon Go rychle přeplnil. Konkurence nabízela podobné přístupy (kamerové systémy, senzory, AI modely pro rozpoznání zboží a chování). V takovém prostředí rozhodují detaily: kdo umí nasadit systém levněji, rychleji, s menší údržbou a menším rizikem chyb.

Ekonomika provozu je tvrdší než demo

Demo v jedné prodejně vypadá skvěle. Ale řetězec potřebuje škálování na desítky až stovky provozoven. To typicky znamená:

• instalaci kamer a infrastruktury (někdy i stavební úpravy),
• integraci na POS/ERP, věrnostní programy, platební brány,
• dlouhodobou kalibraci a údržbu (změny sortimentu, sezónní obaly, promo stojany),
• řešení incidentů (špatně spárované položky, reklamace, výpadky).

A teď to nejpodstatnější: v potravinách jsou marže nízké. Pokud náklady na technologii a její provoz „sežerou“ část přínosů, ROI se rozpadne.

Zákazník nechce pocit, že ho někdo nahradil

Část zákazníků vnímá nahrazení pokladních technologiemi negativně. Nejde jen o nostalgii. Jde o důvěru (správná účtenka, správná cena), o kontrolu (co se mi účtuje) a někdy i o sociální aspekt.

A když máte technologii, která vyžaduje, aby zákazník změnil chování (aplikace, registrace, specifický vstup/odchod), bariéra roste.

Rok 2025 přeje pragmatismu

Po období „levných peněz“ je trh citlivý na projekty, které:

• nemají rychle prokazatelný přínos,
• vyžadují vysoké CAPEX a dlouhou implementaci,
• nesou reputační rizika (chybné účtování, spory se zákazníky).

Tohle je přesně ten typ situace, kdy se startup může ocitnout bez runway – a konec bývá rychlý.

Co si z toho má vzít retail a e-commerce: AI musí dělat méně věcí, ale spolehlivě

V maloobchodu dnes víc než „wow efekt“ vyhrává spolehlivá optimalizace: menší ztráty, lepší dostupnost zboží, menší odpisy, přesnější predikce.

Pokud chcete v retailu AI obhájit, funguje tohle pořadí:

1. Zásoby a predikce poptávky (méně vyprodaných položek, méně expirací).
2. Optimalizace cen a promo akcí (ne „AI pricing“ jako buzzword, ale disciplína).
3. Detekce ztrát a anomálií (krádeže, chybné naskladnění, podvody ve vratkách).
4. Personalizace tam, kde je data kvalita a souhlas zákazníka.

Samoobslužné nakupování bez pokladen je často až vyšší liga: dražší, citlivější na chyby, náročnější na důvěru.

Jednověté pravidlo: AI v maloobchodu má nejdřív šetřit peníze v zákulisí, teprve potom měnit zážitek na prodejně.

Stejná lekce pro zemědělství a potravinářství: ROI vyhrává nad „efektem“

Tady přichází most k agrifood. V zemědělství a potravinářství je obrovská výhoda: mnoho procesů je opakovatelných, ztráty jsou měřitelné a dopad rozhodnutí je často přímo v nákladech (energie, krmivo, voda, hnojiva, výtěžnost, odpad).

Když AI začne na správném místě, ROI se počítá snáz než u „nákupu bez pokladen“, kde hrají velkou roli emoce a zákaznické přijetí.

Kde AI typicky dává v agrifood smysl rychle

Konkrétně (a prakticky):

• Prediktivní údržba v potravinářských provozech: méně neplánovaných odstávek, lepší OEE.
• Vizuální kontrola kvality na výrobních linkách: konzistence, odchyt vad, méně reklamací.
• Optimalizace spotřeby energie (chlazení, sušení, pasterace): přímý dopad na náklady.
• Precizní zemědělství: dávkování hnojiv a postřiků podle variability, práce s mapami výnosů.
• Predikce poptávky a plánování výroby: méně odpadu, lepší dostupnost, kratší doba skladování.

Všimněte si společného jmenovatele: méně „teatrální“ změny pro zákazníka, víc tvrdých čísel pro finance a provoz.

Co bylo u Grabanga těžké, je v agrifood často jednodušší

Retailový checkout-free systém je extrémně citlivý na:

• změny prostředí (lidé, obaly, promo akce),
• přesnost v reálném čase,
• nulovou toleranci chyb (účtenka musí sedět).

Na farmě nebo ve výrobě potravin si ale často vystačíte s tím, že AI:

• zlepší rozhodnutí o pár procent,
• sníží ztráty o jednotky procent,
• zkrátí odstávky nebo zmetkovitost.

A to už bývá ekonomicky velmi zajímavé.

Praktický checklist: jak nasazovat AI tak, aby neskončila jako „hezký pilot“

Pokud dnes vedete inovace v retailu, potravinářství nebo zemědělství, doporučuju postup, který minimalizuje riziko slepé uličky.

1) Začněte metrikou, ne modelem

Nejdřív si napište, co přesně chcete zlepšit a jak to změříte. Typické metriky:

• ztráty a odpisy (včetně expirací),
• OEE, prostoje, MTBF/MTTR,
• výtěžnost výroby, zmetkovitost,
• přesnost predikce poptávky, úroveň služeb (service level),
• spotřeba energie na jednotku produkce.

Pokud metrika nejde změřit do 4–8 týdnů, pilot se bude obhajovat těžko.

2) Počítejte „Total Cost of Ownership“ už před pilotem

U Grabanga byl problém mj. v nárocích na nasazení a provoz. U AI projektů se nejčastěji podcení:

• datová integrace (ETL, kvalita dat, master data),
• provozní podpora a monitoring modelů,
• kyberbezpečnost a správa přístupů,
• školení lidí a změna procesů.

Jedna věta pro CFO: AI není licence. Je to systém, o který se musíte starat.

3) Vyhýbejte se use casům, kde chyba bolí zákazníka

Jakmile AI přímo účtuje, rozhoduje o ceně v reálném čase, nebo zasahuje do bezpečnosti potravin, musíte mít:

• jasný „fallback“ režim,
• auditovatelnost,
• proces reklamací a nápravy.

Lepší start bývá v zákulisí: plánování, údržba, kvalita, energie.

4) Ověřujte přijetí lidí stejně tvrdě jako přesnost modelu

Technologie může fungovat, ale provoz ji „odmítne“. Ptejte se:

• kdo bude výstup používat,
• jak se změní jejich denní rutina,
• co se stane, když AI nemá data,
• kdo nese odpovědnost za rozhodnutí.

AI bez vlastníka v byznysu je projekt bez budoucnosti.

Co čekat dál: technologie nezmizí, jen se přeskládá trh

Grabango pravděpodobně nezmizí beze stopy – část aktiv a know-how často končí u konkurentů. To je v B2B technologiích běžné. Pro retail to znamená, že checkout-free zůstane, ale bude se nasazovat opatrněji a spíš tam, kde dává smysl (menší formáty, specifické lokality, jasný business case).

Pro agrifood je zpráva ještě praktičtější: pokud chcete AI projekty, které přežijí rok 2025 a dál, sázejte na řešení s:

• rychle měřitelným přínosem,
• nízkými nároky na infrastrukturu,
• jasným vlastníkem na straně provozu,
• jednoduchou škálovatelností.

A v rámci naší série o AI v maloobchodu a e-commerce platí totéž: vítězí firmy, které umí přetavit data na rozhodnutí, ne jen na efektní demonstraci.

Na čem pracujete vy: na AI, která vypadá dobře na prezentaci, nebo na AI, která se dá obhájit ve výsledovce?