Autonomní náklaďáky v potravinách: méně ztrát, víc čerstvosti

Čerstvé zboží se nekazí „v regálu“. Nejčastěji prohrává už dřív: ve špatně načasovaném svozu, čekání na rampě, nečekané výpadky řidičů nebo v situaci, kdy se logistika snaží dohnat poptávku v poslední chvíli. A právě proto dávají autonomní (robotické) nákladní vozy v potravinovém řetězci smysl dřív, než si většina lidí myslí.

Americký retailer Kroger oznámil spolupráci se společností Gatik: autonomní skříňové náklaďáky mají od 2. čtvrtletí 2023 zajišťovat tzv. middle-mile přepravu čerstvých produktů mezi zákaznickým fulfillment centrem v Dallasu a vybranými prodejnami. Nejde o efektní „doručení bez řidiče až ke dveřím“. Jde o nudnou, ale rozhodující část řetězce, kde se rozhoduje o čerstvosti, dostupnosti a nákladech.

V rámci naší série „Umělá inteligence v maloobchodu a e-commerce“ je tohle přesně ten typ příběhu, který stojí za pozornost. Ne kvůli robotům samotným, ale kvůli tomu, jak AI v logistice potravin propojuje poptávku zákazníků, plánování zásob a studený řetězec do jednoho řízeného systému.

Proč je „middle-mile“ v potravinách větší problém než poslední míle

Middle-mile logistika je přeprava mezi skladem/fulfillment centrem a prodejnou (nebo menším distribučním uzlem). V potravinách má tahle část dvě nepříjemné vlastnosti: je opakovaná, časově citlivá a často se odehrává ve špičkách.

Retail dnes prodává stejnou mrkev dvěma kanály najednou: zákazník si ji buď koupí v prodejně, nebo si ji objedná online s vyzvednutím/doručením. To tlačí na:

• vyšší frekvenci závozů (menší dávky, častěji),
• přesnější plánování (jinak rostou ztráty a vyprodanost),
• stabilní studený řetězec (chlazené/mražené),
• rychlé reakce na poptávku (např. před Vánoci nebo během promo akcí).

Když se middle-mile zadrhne, prodejna to schytá okamžitě: prázdné regály, náhrady v e-shopu, zpoždění vyzvednutí a hlavně znehodnocené čerstvé zboží.

Co Kroger a Gatik dělají jinak

Gatik nasazuje středně těžké autonomní skříňové vozy s „cold chain“ nástavbou (v článku se zmiňuje 20stopý box), které umí převážet:

• zboží v ambient režimu (bez chlazení),
• chlazené produkty,
• mražené produkty.

Model je nastavený jako provoz 12 hodin denně, 7 dní v týdnu. Pro retail je tahle provozní disciplína klíčová: čerstvé zboží nečeká na to, až bude „pracovní den“.

Jak AI a autonomní logistika zvyšují čerstvost a dostupnost

Autonomní náklaďák není jen „auto bez řidiče“. V praxi je to mobilní uzel řízení kvality a toku zboží. Největší přínos přichází, když se propojí vozidlo, sklad, prodejna a online poptávka.

1) Vyšší spolehlivost a méně výkyvů = méně odpadu

Čerstvost se dá zjednodušit na jednu větu: čím méně neplánovaných prodlev, tím menší ztráty. U fresh kategorie často rozhodují hodiny.

Autonomní middle-mile typicky cílí na stabilní, opakující se trasy. To je důležité, protože právě tam se dá nejlépe:

• standardizovat čas odjezdu/příjezdu,
• snížit riziko „náhodných“ zpoždění,
• lépe plánovat příjem na rampě.

Gatik uvádí, že od startu komerčního provozu v roce 2019 doručil půl milionu zákaznických objednávek prostřednictvím svých robo-trucků. To je signál, že nejde o laboratorní prototyp, ale o provozní model.

2) Lepší okna pro vyzvednutí a kratší cut-off časy

Kroger očekává rozšíření možností same-day pick-up a flexibilnější cut-off times (tj. do kdy lze objednat, aby bylo vyzvednutí ještě dnes).

Tohle je z pohledu e-commerce zásadní: cut-off čas je často „neviditelný zabiják konverzí“. Zákazník nakupuje po práci. Když zjistí, že už je pozdě, nákup odloží nebo odejde ke konkurenci.

Autonomní middle-mile pomáhá, protože umožní:

• častější doplňování zásob v prodejnách,
• lepší synchronizaci mezi CFC a prodejnou,
• přesnější plánování práce pickerů.

3) Studený řetězec jako datový problém, ne jen „chlazení“

V potravinách se kvalita často bere jako fyzika (teplota, čas). Jenže ve velkém měřítku je to i datový problém: kdy bylo zboží naloženo, jak dlouho čekalo, kdy se otevřely dveře, jaká byla teplota v boxu, kolik překládání proběhlo.

Když logistika získá konzistentní provoz (stabilní trasy + predikovatelné časy), AI pak může přesněji:

• odhadovat riziko zkrácení trvanlivosti,
• doporučovat prioritní doplnění prodejen,
• navrhovat odpisy a dynamické slevy dřív, než vznikne odpad.

Co si z toho má vzít zemědělství a potravinářství v Česku

Autonomní trucky jsou viditelná část, ale skutečná hodnota je v řízení toku čerstvých potravin „od pole po pokladnu“. V ČR se o AI v zemědělství často mluví přes drony a satelitní snímky. To je důležité. Jenže bez chytré logistiky se úspora na poli snadno ztratí po cestě.

Kde je největší „quick win“: trasy mezi uzly

Pro český trh dává smysl začít tam, kde jsou trasy:

• krátké a opakované (např. DC → prodejny v regionu),
• s vysokým podílem čerstvého zboží,
• s vysokou penalizací za výpadek (e-grocery, click & collect).

Nemusí to být hned plně autonomní. Z hlediska návratnosti často nejdřív vyhraje:

• AI plánování tras a ramp (slotting),
• predikce poptávky pro fresh,
• teplotní monitoring a alerty,
• integrace WMS/TMS s online objednávkami.

Autonomie pak přichází jako další krok, když máte proces „vyžehlený“.

Proč je prosinec 2025 ideální moment to řešit

Prosinec je tradičně stres-test potravinové logistiky: špičky poptávky, promo akce, dárkové balíčky, vyšší podíl čerstvého a „prémiového“ zboží. A zároveň je to období, kdy se nejlépe ukáže, kdo má:

• přehled o zásobách v reálném čase,
• zvládnuté doplňování prodejen,
• robustní plánování.

Pokud vám během sezóny „ujíždí“ čerstvé kategorie (ovoce/zelenina, maso, mléčné, hotová jídla), problém bývá častěji v logistice a plánování než v samotném nákupu.

Jak vypadá praktická implementace: od dat k provozu

Nejlepší projekty AI v logistice nezačínají výběrem dodavatele, ale definicí provozního cíle. Tady jsou kroky, které se v praxi vyplácí:

1) Vyberte jednu metrikou řízenou bolest

Zvolte jednu primární metriku a dvě podpůrné. Příklad pro fresh e-grocery:

• Primární: on-shelf availability (dostupnost na regále / plnění objednávek)
• Podpůrné: odpad ve fresh a průměrná doba doplnění

Bez toho se AI snadno změní v hezký dashboard, který nic neřídí.

2) Zmapujte middle-mile jako síť uzlů a časů

Nakreslete jednoduchý model: CFC/DC → prodejna → vyzvednutí/doručení. U každého uzlu chtějte znát:

• kdy a jak vzniká poptávka,
• kde se tvoří fronty (rampy, příjem, kompletace),
• jak se mění teplotní režimy.

3) Postavte „minimum viable“ datovou vrstvu

Nepotřebujete hned perfektní datové jezero. Ale potřebujete konzistenci:

• objednávky (e-commerce),
• zásoby (WMS/ERP),
• doprava (TMS),
• telemetrie a teplota (IoT),
• časy příjezdů/odjezdů (reálné, ne plánované).

4) Automatizujte rozhodnutí, ne jen reporting

Tady většina firem udělá chybu. AI má dávat doporučení, která se provedou:

• re-optimalizace závozů při výkyvu poptávky,
• priorita doplnění podle rizika expirace,
• dynamické přesměrování zásob mezi prodejnami.

Nejlepší logistika není ta nejrychlejší. Je to ta, která je předvídatelná a umí se rychle přenastavit.

Nejčastější otázky, které padnou na poradě (a stručné odpovědi)

„Nenahradí to lidi?“

V praxi to nejdřív řeší nedostatek kapacit a stabilitu provozu. Často jde o to, aby lidé dělali méně hašení a víc řízení kvality.

„Je to vůbec bezpečné a použitelné?“

Použitelnost roste hlavně v opakovaných trasách mezi uzly. Proto se middle-mile prosazuje dřív než „poslední míle“ po sídlištích.

„Co je největší přínos pro e-commerce?“

Krátké cut-off časy a spolehlivější same-day okna. To má přímý dopad na konverze i retenci.

Co bych udělal, kdybych to měl zavádět zítra

Kdybych měl poradit retailerovi nebo potravinářské firmě, která chce v roce 2026 posunout logistiku, šel bych tímhle pořadím:

1. Predikce poptávky pro čerstvé (po prodejnách, denních blocích)
2. Řízení zásob a doplňování s ohledem na trvanlivost
3. Slotting ramp a plánování nakládky (méně čekání = více čerstvosti)
4. Pilot middle-mile automatizace na jedné trase a jedné kategorii

Autonomní truck se pak nestane „hračkou pro PR“, ale logickým vyústěním toho, že data a procesy už dávají smysl.

Na příběhu Krogeru a Gatiku je pro mě nejzajímavější jedna věc: největší dopad AI v potravinách často nevzniká v aplikaci pro zákazníka, ale v tom, že se zlepší tok zboží mezi uzly. A to je přesně ten druh optimalizace, který v e-commerce ve výsledku vypadá jednoduše: „měli to skladem a vyzvedl jsem to ještě dnes“.

Pokud řešíte AI v maloobchodu a e-commerce, zkuste si položit praktickou otázku: Kde vám dnes vzniká nejvíc ztrát a nejvíc zklamaných zákazníků – ve skladu, v prodejně, nebo mezi nimi?