AI v online nákupech potravin: proč vítězí „hodnota“

Inflace udělala jednu věc naprosto jasně: lidé jsou ochotní změnit nákupní návyky, když uvidí konkrétní úsporu. A v online potravinách to platí dvojnásob. Data z trhu v USA ukázala, že Walmart v roce 2022 posílil podíl mezi online zákazníky napříč příjmovými skupinami – a to i u domácností s příjmem nad 200 tisíc dolarů ročně. Nejde přitom jen o „levnější košík“. Jde o to, že velcí hráči dokážou díky datům a automatizaci doručit hodnotu rychleji, konzistentněji a ve větším měřítku.

Tohle téma zapadá do naší série „Umělá inteligence v maloobchodu a e-commerce“: AI není jen chatbot nebo personalizovaná reklama. V potravinách je AI často neviditelná, ale rozhoduje o tom, jestli je zboží skladem, kdy dorazí, kolik stojí kompletace objednávky a kolik se vyhodí.

A pokud podnikáte v retailu, logistice, potravinářství nebo dokonce na začátku řetězce v zemědělství, je to signál: boj o cenu se vyhrává v datech, predikcích a provozu.

Co nám říká posun k „hodnotě“: nejde jen o slevy

Posun zákazníků k obchodům typu Walmart je z velké části provozní a datový problém, ne marketingový trik. Výzkum zmiňovaný v původní zprávě ukázal typický „flight to value“: nízkopříjmové domácnosti byly výrazně častěji online zákazníky Walmartu než supermarketů a Walmart v této skupině rostl, zatímco supermarkety ztrácely.

Zajímavější je druhý pól: Walmart posílil i u vysokopříjmových domácností. To napovídá, že se změnilo vnímání online nákupu potravin: i zákazník, který si může dovolit „prémiový“ supermarket, chce mít dobrý pocit z ceny a zároveň očekává pohodlí.

Hodnota = cena + spolehlivost + dostupnost

„Hodnota“ v online potravinách se skládá ze tří věcí:

• Cena košíku (zřejmé)
• Spolehlivost (dodání včas, minimální substituce, kvalita čerstvých položek)
• Dostupnost (co nejméně „není skladem“)

A právě spolehlivost a dostupnost jsou oblasti, kde AI v retailu dává nejrychlejší návratnost. Ne proto, že by „kouzlila“, ale protože dokáže lépe plánovat realitu: poptávku, zásoby, pracovní kapacity a doručovací okna.

Online potraviny rostou, ale vítězí pick-up. To mění ekonomiku

Největší část online objednávek potravin je vyzvednutí (curbside / in-store pickup). V datech z trhu se tento způsob pohyboval kolem poloviny měsíčně aktivních online zákazníků (přes 50 %). Doručení domů roste pomaleji a „ship-to-home“ (typicky trvanlivé zboží) naopak klesá.

To je pro AI důležitá informace, protože ekonomika pick-upu je úplně jiná než ekonomika doručení:

• u pick-upu platíte hlavně za kompletaci objednávky (lidé ve skladu/prodejně)
• u doručení platíte navíc poslední míli (řidiči, routing, okna)
• u ship-to-home řešíte balení a přepravu trvanlivých položek a jinou skladovou logiku

Kde AI opravdu snižuje náklady na objednávku

Pokud máte online potraviny (nebo je plánujete), nejčastější „požírači marže“ jsou:

1. Substituce (zákazník je naštvaný, ztrácíte důvěru i opakované nákupy)
2. Chybovost při pickingu (vratky, reklamace, přepicky)
3. Špatné plánování práce (fronty a zpoždění ve špičce, nevyužitá směna mimo špičku)
4. Ztráty u čerstvého (odpisy, vyhazování)

AI pomáhá tím, že propojí předpověď poptávky s realitou provozu:

• predikce poptávky po SKU na úrovni prodejny a dne
• predikce substitucí a doporučení „nejbližšího“ náhradníka (chuť, značka, cena, alergeny)
• plánování směn a pickingových vln podle očekávaných objednávek
• optimalizace rozmístění zboží pro rychlejší picking

Jinými slovy: AI proměňuje online potraviny z drahého doplňku na řiditelný proces.

Proč Walmart vyhrává: škála, data a disciplína v provozu

Walmart nevyhrává proto, že by měl „lepší web“. Vyhrává proto, že má disciplínu v provozu a obrovskou datovou stopu. A to je kombinace, která je pro AI jako dělaná.

Z pohledu digitálního obchodu a supply chainu platí jednoduchá věta:

Kdo umí nejlépe sladit poptávku, zásoby a logistiku, ten umí nejlépe držet cenu.

1) Predikce poptávky na úrovni prodejny

V potravinách rozhodují detaily: počasí, výplatní termíny, lokální akce, školní prázdniny, sezóna cukroví v prosinci. Pokud jste v prosinci 2025 v Česku, vidíte to sami: poptávka po pečivu, másle, vejích, cukru, čokoládě a „rychlých“ večeřích je volatilní.

AI (typicky strojové učení nad historickými prodeji) umí:

• odhadnout poptávku po SKU v konkrétní prodejně
• zohlednit promo akce a kanibalizaci (sleva na značku A sežere prodeje značky B)
• rozlišit online vs. offline poptávku (online má jiné vzorce)

Výsledek: méně out-of-stock, méně odpadu, méně substitucí.

2) „Everyday low price“ není slogan, je to algoritmická disciplína

Model „každodenně nízké ceny“ funguje jen tehdy, když máte pod kontrolou:

• nákupní ceny (vyjednávání, objemy)
• ztráty (odpisy, krádeže, expirace)
• náklady na obsluhu objednávek

AI nepodepisuje kontrakty s dodavateli, ale umí odhalit, kde mizí marže: u kterých kategorií, ve kterých prodejnách, ve kterých časech. A hlavně umí navrhnout konkrétní zásah (změna objednávkových parametrů, jiný bezpečnostní sklad, jiné promo).

3) Optimalizace vyzvednutí a doručení je logistická matematika

Jakmile roste pick-up, roste tlak na „orchestrace“:

• kolik slotů otevřít v 16:00–19:00
• kolik pickerů nasadit
• jak rozdělit objednávky mezi prodejnu, mikro-fulfillment a externí sklady

AI zde typicky funguje jako kombinace predikce + optimalizačních algoritmů. Prakticky to znamená, že obchod nepřijme víc objednávek, než zvládne kvalitně obsloužit, a zároveň nenechá kapacitu ležet ladem.

Co to znamená pro zemědělství a potravinářství: plánování už není „od oka“

Online potraviny nejsou jen retailový kanál. Přepisují požadavky na celý dodavatelský řetězec. Když roste pick-up a doručení čerstvého, roste potřeba:

• konzistentní kvality (méně tolerance pro „průměr“)
• rychlejšího obratu zásob
• lepší predikce výnosů a dodávek
• přesnějších balicích jednotek (menší domácnosti, méně odpadu)

Tady se přirozeně potkává náš širší rámec kampaně „Umělá inteligence v zemědělství a potravinářství“ s e-commerce realitou.

Konkrétní AI use-cases, které mají přímý dopad na cenu pro zákazníka

• Predikce výnosů a sklizně: stabilnější dodávky, méně nákupů „na poslední chvíli“ za vyšší cenu.
• Třídění a kontrola kvality pomocí počítačového vidění: méně reklamací, méně vyhozeného zboží.
• Dynamické plánování výroby v potravinářství: sladění výroby s poptávkou online kanálu (jiné mixy balení, jiné špičky).
• Optimalizace skladových zásob u čerstvých kategorií: méně expirací.

Jedna věta, kterou si hlídám u klientů: nejlevnější potravina je ta, kterou nemusíte vyhodit. AI je v praxi často nástroj na snižování odpadu – a tím i na držení cen.

Praktický checklist: jak začít s AI v online potravinách (bez velkých slibů)

Nejrychlejší cesta není „pořídit AI“, ale vybrat problém s jasnou metrikou. Tohle je postup, který v praxi funguje.

1) Vyberte metriky, které bolí marži

Doporučené KPI pro online grocery:

• míra substitucí (% položek nahrazených)
• míra nedostupnosti (% položek „není skladem“)
• náklady na vychystání objednávky (čas na objednávku / Kč na objednávku)
• přesnost vychystání (reklamace, vratky)
• odpisy u čerstvého (Kč a %)

2) Udělejte „AI-ready“ data, i kdyby model přišel později

Pokud data nejsou čistá, AI jen zrychlí chaos. Základ:

• sjednocené ID produktu (SKU), jednotky a balení
• historie prodejů odděleně pro online/offline
• důvody substitucí a storna (ne jen „storno“)
• timestampy (kdy objednávka přišla, kdy se pickovalo, kdy se vydalo)

3) Začněte tam, kde je návratnost nejjistější

Většině retailerů se rychle vrátí:

1. predikce poptávky (nižší out-of-stock i odpisy)
2. plánování kapacit pickingu (nižší náklady na objednávku)
3. doporučené substituce (vyšší spokojenost a retence)

A až potom dává smysl jít do složitějších věcí jako plná optimalizace sítě skladů.

Kam se to posune v roce 2026: méně „online vs. offline“, víc „chytrý provoz“

Online podíl na celkových výdajích za potraviny je stále relativně nízký (v řádu jednotek až nižších desítek procent podle trhu), ale trend je stabilní. A hlavně: online tlak mění standard i pro kamenný obchod. Zákazník si zvykne na přesnost, dostupnost a transparentní cenu – a pak to očekává všude.

Moje sázka pro rok 2026: rozdíl mezi vítězi a poraženými nebude v tom, kdo má hezčí aplikaci. Rozdíl bude v tom, kdo má:

• predikce, které se používají v plánování (ne v prezentaci)
• procesy, které se dají automatizovat
• disciplínu v datech napříč dodavatelským řetězcem

Pokud řešíte, jak AI nasadit v retailu, logistice nebo v potravinářské výrobě, zaměřte se na jeden konkrétní tok: poptávka → zásoby → kompletace → doručení/výdej. Jakmile ho zpřesníte, cena pro zákazníka klesne bez toho, aby spadla kvalita.

A teď ta otázka, která rozhoduje o rozpočtu na příští rok: kde u vás vzniká největší „neviditelný“ náklad – v nedostupnosti, v odpadu, nebo v práci na objednávku?