AI a vyzvednutí nákupů: jak z toho vytěžit víc

Online nákupy potravin po pandemii narazily na strop. Ne proto, že by lidé „přestali věřit internetu“, ale protože se vrátili k běžnému režimu: část nákupů v prodejně, část online podle situace. Data z amerického trhu to ilustrují docela přesně: v září 2023 klesly online prodeje potravin meziročně o 3,1 % (z 7,8 mld. USD na 7,5 mld. USD). A ještě důležitější: lidé nakupovali online méně často a za objednávku utratili méně.

Jeden kanál ale roste i v době „normalizace“: vyzvednutí (pickup / click & collect). Podíl online zákazníků, kteří používají vyzvednutí, se v uvedených datech zvýšil na 58,7 % (z 53 % rok předtím). V praxi to znamená, že zákazníci chtějí pohodlí online košíku, ale zároveň si hlídají cenu, čas i kontrolu nad doručením.

Proč to řešíme v sérii „Umělá inteligence v maloobchodu a e-commerce“? Protože vyzvednutí je logisticky citlivé. A přesně tam AI nejrychleji vydělává peníze: zkracuje čekání, snižuje chybovost, hlídá dostupnost a lépe plánuje zásoby. Pokud prodáváte potraviny (nebo je vyrábíte a dodáváte), změna ve prospěch pickup není detail. Je to signál pro celý řetězec „od pole po výdejní místo“.

Proč se online nákupy potravin „srovnaly“ a proč na tom záleží

Online nákup potravin má přirozený limit adopce. Lidé ho používají, když:

• nemají čas (rodiny, vytížení profesionálové),
• řeší mobilitu či zdravotní důvody,
• nebo chtějí rutinu (opakované košíky, pravidelné doplňování).

Když se život vrátí do tempa, část zákazníků se vrátí do prodejny. V datech to vidíme jasně: průměrný počet objednávek na aktivního uživatele klesl meziročně o 8 % (z 2,52 na 2,31). U „věrných“ online zákazníků (4+ nákupů) klesla průměrná hodnota objednávky z 104,39 USD na 100,49 USD.

Tohle je pro retail tvrdá zpráva: růst už nepřijde jen „sám“ tím, že spustíte e-shop. Teď rozhodují detaily operací. A u potravin platí dvojnásob: čerstvost, substituce, expirace, vychystávání, teplotní řetězec, sezónnost.

Z mé zkušenosti většina firem udělá stejnou chybu: bere pickup jako „levnější doručení“, místo aby ho chápala jako samostatný produkt s vlastním SLA (čas, přesnost, dostupnost).

Vyzvednutí vítězí: zákazník chce kontrolu a obchod nákladovou disciplínu

Pickup řeší dvě bolesti najednou.

Zákazník: nechce platit vysoké poplatky za doručení, nechce čekat doma na kurýra a u potravin často chce mít poslední kontrolu („když něco chybí, zvládnu to dořešit“).

Obchod: doručení domů je drahé a kapacitně křehké. Když se zvýší náklady práce, pohonných hmot nebo když špička padne do pátečního odpoledne, marže mizí.

Pickup má ale vlastní operativní rizika:

• fronty a nespokojenost (čekání u výdejního místa),
• chybné nebo nekompletní objednávky,
• špatně zvolená substituce,
• rozpad plánování práce ve špičkách (vánoční sezóna, akce, víkendy).

V prosinci 2025 je navíc tlak na efektivitu ještě vyšší: zákazníci jsou citliví na cenu a očekávají rychlost, zatímco prodejci řeší náklady a nedostatek lidí v provozu. Pickup je proto ideální kandidát na automatizaci a predikci.

Kde AI nejrychleji zlepší pickup (a co přesně optimalizuje)

AI u vyzvednutí neznamená „chatbot“. Největší hodnotu dělají modely, které předvídají a plánují. Tady jsou oblasti, kde to dává okamžitý smysl.

Predikce poptávky po časech a sortimentu

Nejlepší první krok je jednoduchý: předpovědět, kolik objednávek přijde v jednotlivých časových oknech a jaký bude jejich mix (čerstvé, mražené, těžké položky, promo).

AI model (typicky kombinace časových řad a modelů na úrovni SKU) umí pracovat s:

• historickou poptávkou,
• akcemi a cenami,
• počasím a kalendářem (výplaty, svátky, adventní víkendy),
• lokálními událostmi (sport, festival),
• dostupností a substitucemi.

Dopad do praxe: lepší alokace kapacit, méně „vyprodaných“ slotů, méně zpoždění.

Dynamické slotování: prodávat čas tak, aby to provoz zvládl

Sloty pro vyzvednutí nejsou marketingová funkce. Je to řízení výroby v reálném čase.

AI umí počítat „skutečnou“ kapacitu slotu podle:

• počtu vychystávačů na směně,
• složitosti košíků (počet položek, typy zón),
• aktuálního zatížení prodejny,
• kapacity výdejních míst (kolik aut najednou).

Praktický výsledek: místo pevného limitu „X objednávek za hodinu“ prodáváte sloty chytře. V špičce zdražíte nebo omezíte sloty, mimo špičku motivujete zákazníka (např. bonus za vyzvednutí 12:00–14:00).

Optimalizace vychystávání: kratší trasy, méně chyb, méně stresu

Ve skladu se optimalizují pick path desítky let. V prodejně to často vypadá, že každý vychystává „jak umí“.

AI (a často i jednodušší optimalizace) přináší:

• doporučené trasy podle rozmístění a provozu,
• batching (spojování objednávek),
• zónování (chlaďák, suché, drogerie),
• predikci substituce ještě před vychystáním.

U potravin je klíčové: kvalita substituce. Když systém ví, že „banány bio“ jsou často nedostupné ve čtvrtek večer, nabídne ekvivalent už při objednávce, ne až při vychystání.

Přesnost zásob: AI jako most mezi regálem a e-shopem

Zásoby v potravinách jsou živé. A největší zdroj frustrace online zákazníků je jednoduchý: „bylo to skladem, ale nepřišlo to“.

AI může zlepšit přesnost zásob kombinací signálů:

• prodeje v reálném čase,
• ztráty a odpisy,
• naskladnění,
• detekce anomálií (podezřele rychlý pokles),
• případně i kamerové/váhové senzory v zázemí.

Tohle je i přímý most do zemědělství a výroby: přesnější retailová poptávka znamená méně plýtvání a lepší plánování výroby.

Řízení výdejního místa (curbside): čekání jako nejdražší minuta

U pickup se reputace láme na posledních 50 metrech.

AI může:

• predikovat ETA příjezdu (podle historie, polohy v aplikaci, dopravních vzorců),
• předpřipravit objednávku „just-in-time“ (hlavně u mraženého),
• směrovat personál podle fronty a typu objednávek,
• řídit výdejní místa jako letištní gates.

Snippet, který rád používám: „Pickup není e-commerce. Pickup je mikro-logistika s lidským faktorem.“

Od farmy k výdejnímu místu: proč má pickup dopad i na dodavatele

Jakmile pickup získá trvalý podíl, mění se vzorec poptávky:

• víc plánovaných nákupů (týdenní košíky),
• vyšší důraz na dostupnost a substituce,
• menší tolerance k výkyvům kvality čerstvých produktů.

A to je přesně prostor pro AI napříč řetězcem:

• Predikce poptávky pomůže distributorům i výrobcům nastavit výrobu a rozvoz.
• Optimalizace logistických oken (dodávky do prodejen) se dá sladit s tím, kdy jsou pickup špičky.
• Snižování odpadu: lepší forecast = méně přezásobení, méně odpisů u čerstvého.

V zemědělství to má analogii: stejně jako se v precizním zemědělství plánuje aplikace hnojiv podle dat, v retailu se plánuje práce, zásoby a doprava podle chování zákazníků. Princip je stejný: správné množství, správný čas, správné místo.

Praktický checklist: co nasadit do 90 dnů (bez velkého „AI divadla“)

Pokud máte e-shop s potravinami nebo provozujete click & collect, těchto pět kroků je realistických během 90 dnů a obvykle přinese měřitelný dopad.

1. Zaveďte měření end-to-end času

   • od vytvoření objednávky po vydání do auta
   • rozpad: vychystání, čekání v stagingu, výdej

2. Segmentujte objednávky podle „pracnosti“

   • počet položek, zóny, těžké položky, čerstvé/mražené
   • cílem je přesnější kapacitní plán

3. Zaveďte predikci substitucí

   • top 50 položek s nejvyšší nedostupností
   • doporučené alternativy už v košíku

4. Dynamické sloty alespoň v pilotu

   • jeden region / jedna prodejna
   • hlídejte NPS a průměrnou čekací dobu

5. Zásoby: jednoduchá detekce anomálií

   • když „sklad“ nesedí s realitou, systém to označí
   • zaměstnanec jen potvrdí a opraví (human-in-the-loop)

Tady se často získá nejrychlejší ROI, protože snižujete přepracování a reklamace. A to jsou náklady, které v potravinách bolí víc než v jiných kategoriích.

„AI v pickupu není o futurismu. Je to o tom, aby se zákazník nedíval na hodinky a personál neběhal v chaosu.“

Co si z toho odnést a kam míří rok 2026

Pickup se po pandemii ukazuje jako stabilní preference: kombinuje komfort online nákupu a kontrolu fyzického vyzvednutí. Zároveň je to kanál, kde se rozhoduje o nákladech i loajalitě – a proto dává smysl investovat do AI právě tady.

Pokud jste retailer, začněte u slotů, vychystávání a přesnosti zásob. Pokud jste výrobce nebo dodavatel, zajímejte se o to, jak se mění struktura poptávky podle kanálů, a chtějte od odběratelů lepší data. AI totiž neoptimalizuje jen „e-shop“. Optimalizuje celý potravinový systém.

A teď praktická otázka, která obvykle odhalí největší příležitost: Která část vašeho pickup procesu má největší variabilitu – a jaké dvě datové veličiny ji vysvětlují nejlépe?