AI doručovací roboti: 10 milionů km a lekce pro agro

10 milionů kilometrů na chodnících. Ne na testovací dráze, ne „v laboratorních podmínkách“, ale v reálných městech a kampusech, mezi chodci, obrubníky a přechody. Přesně takový milník oznámila flotila doručovacích robotů Starship – a podle mě je to mnohem důležitější signál pro zemědělství a potravinářství, než se na první pohled zdá.

Protože tenhle příběh není hlavně o roztomilých robotech, co vozí jídlo. Je o tom, jak se AI automatizace v logistice dá škálovat do milionů rozhodnutí denně, jak se měří spolehlivost autonomních systémů a jak se dá proměnit „poslední kilometr“ v konkurenční výhodu. A to je téma, které v prosinci 2025 řeší skoro každý, kdo prodává potraviny, provozuje e-shop, řídí sklady, nebo dodává suroviny do výroby.

V našem seriálu „Umělá inteligence v maloobchodu a e-commerce“ tohle beru jako praktickou případovou studii: co si z doručovacích robotů mohou vzít potravinové e-shopy, retail i agro firmy, které chtějí zrychlit a zpřesnit supply chain.

Co znamená 10 milionů km v praxi (a proč to není PR číslo)

10 milionů km je důkaz provozní zralosti AI systému, ne jen marketing. Starship uvádí, že milníku dosáhl díky více než 4 milionům doručení a že roboti denně zvládnou přibližně 140 tisíc přechodů přes silnici. To jsou situace, kde autonomní systém musí opakovaně vyhodnotit riziko, chování okolí a vlastní schopnosti – a udělat rozhodnutí, které je bezpečné a zároveň efektivní.

Pro byznys je nejdůležitější tohle: podobná čísla znamenají, že technologie už má za sebou velkou část „dětských nemocí“.

Dvě metriky, které by měl sledovat každý retail a food e‑shop

Když se mluví o autonomii, firmy často sklouznou k obecnému „AI to optimalizuje“. Realita je tvrdší a měřitelná. Z pohledu maloobchodu a e-commerce bych si z příběhu Starship odnesl hlavně dvě metriky:

1. Míra zásahu člověka (human intervention rate) – kolikrát musí dispečer/operátor zasáhnout na X doručení.
2. Průchodnost procesu (throughput) – kolik doručení zvládne jednotka (robot / kurýr / trasa) za směnu.

Starship zmiňuje situaci, kdy jeden robot zvládl 24 doručení během 16 hodin bez lidského dohledu. Neřešme, jestli to je průměr nebo špička. Pointa je, že autonomní doručování se posouvá z „pilotů“ do režimu, kde dává smysl počítat jednotkovou ekonomiku.

AI v posledním kilometru: proč je to logisticky těžší, než vypadá

Poslední kilometr je nejdražší a nejméně předvídatelná část doručování. A u potravin to platí dvojnásob: časová okna, teplotní režim, vysoká frekvence objednávek a tlak na marži.

Chodníkoví roboti jsou zajímaví tím, že kombinují několik vrstev AI a automatizace najednou:

• Percepce a lokalizace (kamery, senzory, mapy, rozpoznávání překážek)
• Plánování trasy v mikroměřítku (obrubníky, přechody, stavby, davy lidí)
• Bezpečnostní logika (kdy zastavit, kdy čekat, jak reagovat na nečekané chování)
• Provozní orchestraci (fleet management, údržba, nabíjení, dostupnost)

A tady je přímá paralela s agrem: pole není „prázdné“. Je to dynamické prostředí se spoustou výjimek (bahno, svah, zvěř, počasí, přítomnost lidí, rozbahněné koleje). Kdo zvládne autonomii na chodníku, má know-how, které se dá přenést do terénu – jen s jinými riziky a jinými senzory.

Co to říká o škálování AI systémů

Na autonomii se často naráží v momentě, kdy pilot funguje, ale provoz ne.

• Pilot: 20 zařízení, jeden kampus, nadšený tým.
• Provoz: 2 000 zařízení, různé lokality, sezónní špičky, servisní limity, incidenty.

Milionové kilometry znamenají, že firma musela zvládnout i „nudné věci“: plánování servisních intervalů, standardizaci komponent, dispečerské postupy, a hlavně kontinuální učení z incidentů. V potravinovém retailu a ve výrobě je to stejné: AI projekt je až druhý krok. První je procesní disciplína.

Od chodníku k poli: co si z toho má vzít zemědělství a potravinářství

Největší přínos tohoto příběhu pro agro je mindset: AI se vyplácí tam, kde je opakovatelnost, data a jasná metrika.

Chodníkový robot se pořád dokola učí „doručit balík bezpečně a levně“. V zemědělství a potravinářství máte ekvivalenty:

• monitoring porostu (opakovaná detekce stresu, škůdců, chorob)
• optimalizace aplikací (hnojivo, postřik, zavlažování) podle zón
• predikce sklizně a plánování kapacit
• sledování kvality surovin v dodavatelském řetězci

Paralela 1: Přechody přes silnici vs. rozhodnutí v poli

Starship uvádí 140 tisíc přechodů denně. Každý přechod je mikrorozhodnutí s rizikem.

V poli máte podobná „mikrorozhodnutí“ ve velkém:

• změna dávky dusíku po 20 metrech
• rozpoznání ohniska plevelů v řádku
• rozhodnutí „teď sklízet vs. počkat“ kvůli počasí

Pokud chcete AI nasadit smysluplně, vyberte proces, který:

• se opakuje často,
• má jasný cíl (náklad, výnos, kvalita),
• a kde chyba něco stojí (ideálně měřitelně).

Paralela 2: Fleet management robotů vs. správa strojů a pracovníků

Doručovací robot není jen „robot“. Je to flotila, kterou musíte řídit.

V agropodniku i ve výrobě potravin tohle často chybí: stroje existují, data existují, ale chybí jednotná vrstva „řízení provozu“.

Co funguje v praxi:

• jednotné telemetrické standardy (co se měří, jak často, v jaké kvalitě)
• plán údržby založený na datech (ne jen na kalendáři)
• jasná pravidla pro zásah člověka (kdy a kdo řeší výjimku)

AI pak není „magie“, ale nástroj, který zlepší rozhodování dispečera, agronoma nebo mistra ve výrobě.

Paralela 3: Poslední kilometr vs. „posledních 24 hodin“ čerstvosti

V potravinách často nejde o to, že dodávka přijede. Jde o to, v jakém stavu.

Roboti (a obecně automatizace v doručování) posouvají laťku v těchto oblastech:

• přesnější ETA a dodací okna
• menší variabilita doručení
• lepší plánování picking/packing ve skladu

Pro agro a potravinářství je to výzva i příležitost: kdo zvládne predikci poptávky, řízení zásob a optimalizaci rozvozu, ten sníží odpisy a plýtvání. A to je dnes, před vánočními a povánočními výprodeji (prosinec 2025), obzvlášť vidět: tlak na skladové zásoby a rychlé doručení je extrémní.

Co by měl udělat food e‑shop nebo retail, než začne uvažovat o robotech

Roboti jsou až třetí krok. První dva jsou data a proces. Tohle jsou konkrétní kroky, které dávají smysl i bez autonomních doručovačů:

1. Zmapujte variabilitu posledního kilometru

   • kolik stojí jeden neúspěšný pokus o doručení
   • kolik stojí reklamace kvůli čerstvosti
   • kolik stojí „časová okna“ (širší okno = levnější, ale horší zkušenost)

2. Zaveďte AI plánování tras a kapacit

   • cílem je snížit prázdné kilometry a zlepšit vyťaženost
   • u potravin hlídejte i teplotní režim a pořadí zastávek

3. Zlepšete predikci poptávky a řízení zásob

   • tady se nejčastěji schovává největší maržový únik
   • méně výpadků = méně expresních dovozů ze skladu = méně nákladů

4. Nastavte provozní KPI pro automatizaci

   • cena za doručení (včetně výjimek)
   • míra zásahů člověka
   • incidenty na 1 000 doručení
   • spokojenost zákazníků (NPS/CSAT) po doručení

Jedna věta, která se mi v praxi osvědčila: Když neumíte řídit výjimky u lidí, autonomní systém vám je jen zviditelní a zrychlí.

Lidská stránka: města, pravidla a důvěra

Autonomní doručování je vždy i o pravidlech a veřejném prostoru. Některá města roboty omezují, jiná jim dávají práva podobná chodcům. Pro firmy v e-commerce je to připomínka, že inovace v logistice není jen technický projekt.

Pokud přemýšlíte o automatizaci doručování (roboty, autonomní vozítka, drony), připravte si dopředu:

• bezpečnostní standardy a auditovatelné logy incidentů
• komunikační plán pro zákazníky (co dělat, když se doručení zasekne)
• spolupráci s lokální samosprávou a správcem infrastruktury

V zemědělství je to podobné: autonomní stroje na polích narážejí na bezpečnost práce, odpovědnost při škodě a pojištění. Technicky se dá udělat hodně, ale důvěra se buduje postupně.

Co čekat v roce 2026: spojení AI, logistiky a potravin

Trend je jasný: AI bude spojovat predikci poptávky, sklad a doručení do jednoho řízeného systému. Samotní roboti jsou jen „koncové zařízení“.

Největší posun uvidíme tam, kde se propojí:

• personalizace nabídky (co zákazník pravděpodobně koupí)
• řízení zásob (co má být kde a kdy)
• dynamická cena a promo (co vyprodat a co držet)
• logistika (jak to doručit s nejmenší variabilitou)

A teď ta nepříjemná pravda: kdo bude tyto vrstvy řídit odděleně, bude mít dražší provoz a víc odpadu. U potravin to bolí rychle.

Roboti, kteří najeli 10 milionů kilometrů, ukazují, že automatizace v potravinové logistice už má „odpracováno“. Otázka pro rok 2026 není, jestli to jde. Otázka je, kdo si to srovná procesně a datově tak, aby to dávalo smysl i v českém prostředí.

Chcete posunout AI ve vašem food e‑shopu, retailu nebo v dodavatelském řetězci potravin? Začněte tím, že si vyberete jednu konkrétní metrickou bolest (náklady na doručení, výpadky, odpisy) a postavíte kolem ní datový základ. Teprve pak má automatizace šanci přinést výsledky, které uvidíte v marži – ne jen v prezentaci.