Proč „obchody bez pokladen“ často narazí na realitu

Grabango vybralo přes 93 milionů dolarů a několik let patřilo mezi nejviditelnější jména v oblasti „checkout-free“ nakupování. Přesto v říjnu 2024 oznámilo trvalé ukončení činnosti, protože nezískalo další financování. To není jen startupový smutek z titulku. Je to docela praktická lekce pro každého, kdo dnes zvažuje AI v maloobchodu a e-commerce – a ještě víc pro firmy v zemědělství a potravinářství, které hledají AI projekty s rychlou návratností.

V prosinci 2025 už trh není v režimu „nalej peníze do růstu a uvidíme“. Firmy chtějí vidět měřitelný přínos, ideálně do 6–12 měsíců, a jasný plán škálování bez toho, aby se náklady utrhly ze řetězu. A přesně tady cashierless checkout často klopýtá: slibuje pohodlí, ale reálná ekonomika provozu je tvrdá.

Grabango beru jako varovný příběh: AI, která vypadá efektně pro zákazníka, nemusí být efektivní pro byznys. A naopak – AI v „back-endu“ (řízení zásob, predikce poptávky, kvalita výroby, snížení odpadu) bývá méně viditelná, ale častěji vyhrává.

Co se stalo s Grabango (a proč to není o jedné chybě)

Grabango vzniklo v roce 2016 ve vlně nadšení kolem konceptu Amazon Go. V podobném období vyrostla celá skupina konkurentů, kteří stavěli na kombinaci počítačového vidění a strojového učení: různé verze kamerových systémů, senzoriky a softwaru, který „pochopí“, co si zákazník vzal z regálu, a na konci ho automaticky zúčtuje.

Jenže v praxi se ukázaly tři věci:

1. Trh se rychle zaplnil – vedle Grabango vznikly alternativy (např. Shopic, Trigo, Mashgin, Caper…). V prostředí, kde víc firem řeší totéž, je těžké udržet marže.
2. Pilot ≠ škálování – jednorázová instalace v jedné prodejně vypadá jako úspěch. Síť stovek prodejen znamená úplně jiný příběh: servis, kalibrace, výpadky, bezpečnost, integrace do POS/ERP, změny layoutu prodejen.
3. Zákaznické přijetí je křehké – část zákazníků vnímá náhradu pokladních technologií negativně. V Evropě i u nás má „lidská obsluha“ pořád hodnotu a není to jen sentiment. Je to řešení problémů v reálném čase.

Grabango mělo i silné reference (např. řešení pro velký řetězec). Přesto nezvládlo jednu klíčovou disciplínu: udržet finanční runway tak dlouho, aby z pilotů udělalo opakovatelný, profitabilní produkt.

Proč AI pro pohodlí zákazníka mívá slabší ROI než AI pro provoz

Cashierless checkout je typická ukázka AI, která je „na očích“. Zákazník to vidí, média o tom píší, vypadá to moderně. Jenže ekonomika je často neúprosná.

Náklady, které se podceňují

U obchodů bez pokladen se často podstřelí hlavně tyto položky:

• Hardware a instalace: kamery, serverová infrastruktura, síť, montáž, kabeláž.
• Údržba a provoz: čištění, rekalibrace, výměny zařízení, řešení incidentů.
• Integrace do systémů: pokladní systém, věrnostní program, sklad, účetnictví, anti-fraud.
• „Hraniční případy“: děti, více lidí v košíku, vrácené zboží, přehozené položky, zboží v sáčcích.

Když sečtete tyto náklady, zjistíte, že úspora na pokladních hodinách často nevychází tak jednoduše, jak vypadá na první prezentaci.

Přínos je reálný, ale ne vždy monetizovatelný

Ano, kratší fronty mohou zvýšit spokojenost a někde i tržby. Jenže v běžném supermarketu je limit:

• Pokud je prodejna v lokalitě s jasnou poptávkou, fronty jsou problém jen špičkově.
• Pokud prodejna nemá personál, zákazníci častěji řeší jiné třecí plochy (reklamace, dotazy, vážení, věkové omezení u alkoholu).

AI orientovaná na „wow efekt“ musí vydělat na sebe přímo. A to je těžké.

Naopak AI v provozu často generuje ROI jednodušeji:

• Snížení ztrát a odpadu (potraviny, expirace)
• Lepší dostupnost zboží (méně vyprodaných položek)
• Predikce poptávky (lepší objednávky)
• Optimalizace cen a promo (vyšší marže)

To jsou příspěvky, které CFO vidí v číslech rychle.

Lekce pro AI v maloobchodu a e-commerce: co dělat jinak

Pokud stavíte AI produkt nebo ho zavádíte v retailu, Grabango ukazuje, kde si dát pozor. Tohle jsou principy, které se vyplatí držet.

1) Začněte měřitelným problémem, ne vizí

AI projekt má uspět, když je od začátku navázaný na metriku:

• zkrácení doby doplňování
• snížení odepsaného zboží
• přesnost predikce poptávky
• zvýšení dostupnosti „top 100“ položek

V praxi funguje jednoduché pravidlo: pokud neumíte definovat, co se zlepší o kolik procent do 90 dní, jste v riziku.

2) Škálovatelnost si ověřte dřív, než dáte produkt na plakát

Retail je řemeslo. Layouty se mění, sezónnost tlačí na sklad, personál rotuje. AI systém musí být robustní vůči každodenní realitě.

Zavádění proto plánujte ve třech fázích:

1. Pilot (1–3 prodejny): prokázat funkci a sběr dat
2. Replikace (10–30 prodejen): prokázat opakovatelnost a náklady na rollout
3. Škála (100+): teprve tady dává smysl „marketingové vítězství“

Cashierless checkout často uvízne mezi fází 1 a 2.

3) Lidé nejsou „nákladová položka“, ale součást UX

Největší mýtus: „Když odstraníme pokladní, ušetříme.“ Často se jen přesune práce jinam:

• více asistentů v prodejně
• více řešení incidentů
• více podpory zákazníkům

Lepší přístup: AI má personálu uvolnit ruce pro činnosti, které zvyšují kvalitu služby (doplňování, čerstvé pulty, pomoc seniorům, zajištění kvality).

4) Zabezpečení a důvěra zákazníků nejsou detail

Kamerové systémy v prodejnách naráží na citlivost kolem soukromí. Když zákazník nevěří, že je to „fér“ a že chyby půjdou snadno reklamovat, raději půjde jinam.

Důvěra se staví konkrétně:

• jasný proces reklamace
• transparentní účtenka (co bylo načteno a proč)
• rychlá lidská podpora

Most do zemědělství a potravinářství: kde AI vydělává spíš než „ohromuje“

Tahle kampaň je o umělé inteligenci v zemědělství a potravinářství. A tady je moje jasná zkušenost: AI vyhrává tam, kde řeší ztráty, kvalitu a plánování, ne jen pohodlí.

Příklady AI use-case s rychlejším byznys dopadem

• Predikce výnosů a plán sklizně: lepší logistika, méně znehodnocení, lepší vyjednávací pozice.
• Detekce chorob a stresu porostu z dronů/satelitů: zásah cíleně, méně chemie i nákladů.
• Kvalita na lince (computer vision): kontrola vad, kalibr, barva, poškození obalů – méně reklamací.
• Řízení spotřeby energií v chladicích řetězcích: úspory v době drahých energií jsou přímé.
• Optimalizace zásob a expirací: méně odepsaného zboží, lepší dostupnost.

Společný jmenovatel? Přínos je měřitelný a často okamžitě finanční.

Co si vzít z Grabango pro potravinářské AI projekty

• Nepodceňujte TCO (total cost of ownership): data, údržba, lidé, integrace.
• Nehoníte „wow“, honíte spolehlivost.
• Vybírejte projekty, kde data vznikají přirozeně (výroba, sklad, logistika), ne kde je musíte draze „vynutit“.

Jedna věta, kterou si připomínám u každého AI projektu: Nejdražší není model. Nejdražší je provoz modelu v reálném světě.

Praktický checklist: jak poznat AI projekt, který má šanci přežít rok 2026

Pokud jste retail řetězec, e-shop, potravinář nebo agro firma a zvažujete AI, tady je kontrolní seznam, který používám jako „zdravý skepticismus“:

1. Máme jasnou metriku úspěchu? (např. -15 % odpisů, +2 p. b. dostupnost)
2. Máme datový základ? (kvalita dat, přístup, governance)
3. Je řešení robustní na výjimky? (ne ideální lab prostředí)
4. Znám TCO na 24 měsíců? (licence, compute, servis, lidé)
5. Kdo je vlastníkem procesu? (nejen IT; provoz musí chtít změnu)
6. Jak rychle umíme pilot ukončit, když to nefunguje? (kill criteria)
7. Umíme přínos obhájit před CFO? (cashflow, marže, rizika)

Když u tří a více bodů odpovíte „nevím“, riziko je vysoké – bez ohledu na to, jak chytrá je technologie.

Kam se bude AI v retailu posouvat v roce 2026

Cashierless checkout nezmizí. Spíš se z něj stane specialita pro konkrétní formáty: menší prodejny, uzavřené kampusy, místa s extrémní špičkou, nebo tam, kde je omezený personál. Masový retail bude dál sázet na kombinaci:

• self-checkout, který je levnější
• AI proti ztrátám (loss prevention)
• predikci poptávky a řízení zásob
• personalizaci v e-commerce (doporučení, bundly, dynamické promo)

To přesně sedí do našeho seriálu „Umělá inteligence v maloobchodu a e-commerce“: největší dopad má AI, která dělá provoz „méně rozbitý“ – a zákazník to pozná nepřímo (plné regály, čerstvější zboží, méně zmatku).

Grabango připomíná, že nestačí mít dobrý model a hezké demo. Vyhrává ten, kdo umí AI udržet v provozu, spočítat ekonomiku a přesvědčit zákazníky i zaměstnance.

Pokud chcete AI zavádět chytře, začněte tam, kde je nejvíc peněz na zemi: odpad, ztráty, energie, neefektivní zásoby. A až potom řešte „cool“ věci, které se dobře fotí.

Na jakém místě ve vašem řetězci dnes vzniká největší zbytečná ztráta – ve skladu, na prodejně, nebo už na poli?