AI personalizace v e-shopu s potravinami: budoucnost nákupů

Je fér říct nahlas jednu věc, kterou si velká část maloobchodu nechce přiznat: potraviny se online pořád prodávají „stejně pro všechny“. Přitom zákazníci nejsou stejní. A domácnosti už vůbec ne — v jednom košíku se potkává bezlaktózová dieta, dětské svačiny, „rychlá večeře po tréninku“ i snaha ušetřit.

V roce 2017 (akvizice Whole Foods Amazonem) dostali tradiční řetězce budíček. Ne kvůli robotům ve skladu, ale kvůli něčemu mnohem praktičtějšímu: doporučovacím systémům, které dokážou tiše a vytrvale zvedat tržby. Spencer Price (Halla, dnes součást Wynshopu) to popsal dost přímo: Amazonu dělá výraznou část prodejů „You may also like“ a „customers also bought“. A potravináři žádnou takovou „pasivní AI“ často nemají.

Tenhle článek je součástí série „Umělá inteligence v maloobchodu a e-commerce“. Navazuje na širší linku kampaně Umělá inteligence v zemědělství a potravinářství: když zvládneme personalizovat nákup, můžeme přesněji plánovat výrobu, logistiku i zásoby. Od pole až po regál.

„Unikátní obchod pro každého“: co to v praxi znamená

Unikátní obchod pro každého zákazníka znamená, že se e-shop (nebo aplikace) dynamicky přizpůsobí tomu, kdo nakupuje — nejen co vidí, ale i v jakém pořadí a s jakými návrhy. Nejde o kosmetiku typu „doporučíme vám tři jogurty“. Jde o to, že se z katalogu o desítkách tisíc položek stane zkrácená, relevantní a kontextová nabídka.

Price přirovnává budoucnost potravin k Netflixu: v jedné domácnosti existuje více profilů, každý vidí jiné návrhy. U potravin to má ještě větší dopad, protože nákupní seznam bývá dlouhý (běžně 20–40 položek) a každá „zbytečná“ minuta frustruje.

Personalizace není jen „doporučení“

V potravinách se personalizace skládá minimálně ze čtyř vrstev:

1. Doporučení produktů (co přidat do košíku)
2. Personalizované vyhledávání (co nabídnout jako první při dotazu)
3. Chytré substituce (co navrhnout, když není skladem)
4. Personalizované pořadí a merchandising (které kategorie a bannery mají přednost)

A teď ten důležitý detail: největší efekt bývá ve „frikčních bodech“ — tedy ve vyhledávání a substitucích. Zákazník odpustí, že mu e-shop nedoporučil exotické koření. Neodpustí, že nenašel „hladkou mouku“ kvůli překlepu, nebo že mu systém místo tvarohu nabídne nesmysl.

Proč potraviny nejsou móda: doporučování má vlastní pravidla

Potraviny mají víc omezení a víc kontextu než většina e-commerce kategorií. U oblečení řešíte styl a velikost. U potravin řešíte navíc zdraví, zvyky, rozpočet, vaření a zásoby doma.

Price v rozhovoru odmítá, že by hlavní budoucnost byla v „konverzačním nakupování“ (chatbotech), protože typický nákup je dlouhý a domácnost má často protichůdné preference. Tohle je zásadní postřeh pro každého, kdo zvažuje nasazení generativní AI do prodeje potravin.

Recommender systémy vs. generativní AI: kdo je na co dobrý

Doporučovací systémy (klasická AI pro doporučení) jsou silné v:

• predikci „co bude dávat smysl“ na základě historie
• práci s košíkovými vazbami (co se kupuje spolu)
• stabilitě a měřitelnosti (A/B testy, lift, konverze)

LLM / generativní AI jsou silné v:

• porozumění přirozenému jazyku ve vyhledávání
• práci se synonymy („rohlík“ vs. „houska“, „kypřicí prášek“ vs. „prášek do pečiva“)
• opravách překlepů a variantách dotazů

Jenže generativní AI má v potravinách jeden tvrdý limit: halucinace. Price to ilustruje absurdní „polévkou z hovězího a banánu“ doporučenou chatbotem. U potravin to není jen vtip — špatná rada může znamenat alergii, porušení diety nebo reputační průšvih.

Pravidlo, které bych si z toho odnesl: Generativní AI patří do „porozumění textu a katalogu“, ale doporučování a rozhodování musí stát na ověřitelných datech a pravidlech.

„Špinavá data“ v katalozích: největší brzda AI v retailu

Největší překážka personalizace není model. Jsou to data v produktovém katalogu. Potravinové katalogy bývají plné nekonzistencí: chybějící alergeny, různá pojmenování, nejednotné jednotky (g/ml/ks), nejasné atributy (bio? bezlepek?), duplicity položek.

LLM teoreticky umí katalog „učesat“ — doplnit atributy, sjednotit popisky, vytvořit synonyma. Prakticky ale naráží na riziko, které Price pojmenoval přesně: nemůžete si dovolit, aby AI vymyslela zdravotní tvrzení, špatné nutriční hodnoty nebo mylný alergen.

Jak to dělat bezpečně: „human-in-the-loop“ není byrokracie

V potravinách se vyplatí nastavit proces, kde:

• AI navrhne úpravy atributů (např. „pravděpodobně obsahuje mléko“)
• systém přiřadí míru jistoty (confidence)
• člověk schválí jen položky nad určitým prahem / nebo kontroluje výjimky
• vše se loguje pro audit a zpětné dohledání změn

Tohle není zpomalování. Je to pojistka proti drahým chybám. A zároveň to vede ke kvalitnějším datům pro další automatizaci.

Od personalizace košíku k přesnosti dodavatelského řetězce (a zpět k farmě)

Personalizace v e-shopu není jen marketing. Je to signál pro celý potravinový řetězec. Jakmile dokážete přesněji odhadnout, co konkrétní segmenty (nebo domácnosti) nakoupí, můžete zlepšit:

• predikci poptávky (méně výpadků, méně přebytků)
• řízení zásob (lepší dostupnost substitutů i „hlavních“ položek)
• snižování plýtvání (zejména u čerstvých kategorií)
• plánování výroby a balení (např. velikosti balení podle lokality a chování)
• logistiku a vychystávání (stabilnější košíky = efektivnější pickování)

Tady se přirozeně potkává náš seriál o AI v maloobchodu s kampaní AI v zemědělství a potravinářství: když retail dokáže být „přesný“, může být přesnější i upstream — zpracovatelé a producenti.

Praktický scénář: „bezlepková domácnost“ není jen filtr

Uvažujte domácnost, která dlouhodobě nakupuje bezlepkové pečivo, těstoviny a směsi. Personalizace může:

• priorizovat bezlepkové alternativy ve vyhledávání
• hlídat, aby substituce nebyla „podobná“, ale skutečně bez lepku
• upozornit na skryté složky u omáček a polotovarů

A pro dodavatelský řetězec to znamená: stabilní, předvídatelnou poptávku, která je vidět dřív, než dojde regál.

Co si z toho odnést: 7 kroků pro řetězce a e-shopy

Nejrychlejší cesta k „unikátnímu obchodu pro každého“ vede přes disciplínu, ne přes hype. Tohle je postup, který dává smysl i pro české prostředí (kde se často kombinují legacy systémy, cenová citlivost a tlak na marže).

1. Začněte měřením: konverze z vyhledávání, podíl „nulových výsledků“, míra akceptace substitucí, opakované nákupy.
2. Udělejte pořádek v katalogu: minimální sada atributů (alergeny, dieta, jednotky, brand, chuťový profil u vybraných kategorií).
3. Postavte personalizaci na prvních 3 use-casech: vyhledávání, substituce, doplňkové doporučení.
4. Oddělte „generování textu“ od „pravdy“: LLM může psát a chápat dotazy, ale fakta (alergeny, nutriční hodnoty) musí vycházet z ověřených dat.
5. Zaveďte human-in-the-loop tam, kde jde o zdraví: diety, alergie, dětská výživa, doplňky.
6. Testujte na úrovni kategorií: čerstvé vs. trvanlivé vs. drogerie se chovají jinak.
7. Napojte výstupy na zásoby a plánování: personalizace bez dostupnosti je jen „hezké UI“.

Snippet, který si klidně dejte na nástěnku: „Personalizace bez kvalitních dat je automatizované chaos.“

Časté otázky, které řeší management (a stručné odpovědi)

Je personalizace v potravinách vůbec ROI téma?

Ano. Nejrychlejší návratnost bývá ve vyhledávání a substitucích, protože přímo snižují ztracené košíky a zvyšují dokončené objednávky.

Nahradí chatboti klasické filtrování a navigaci?

Ne v dohledné době. U velkých košíků je rychlejší „klikací“ flow s dobrými návrhy než konverzace po položkách.

Co je největší riziko generativní AI v potravinách?

Halucinace a chybné zdravotní informace. Proto patří fakta do strukturovaných dat a schvalovacích procesů.

Kam to směřuje v horizontu 10 let (a proč to řešit už v roce 2025)

Do deseti let bude standardem, že dva lidé ve stejné domácnosti uvidí v e-shopu s potravinami jiný „obchod“. Jinou nabídku, jiné pořadí, jiné substituce i jiné promo. Ne proto, že by to bylo efektní, ale proto, že to zrychlí nákup a sníží počet „marných“ interakcí.

A pro potravinářství je to dobrá zpráva: jakmile se poptávka začne modelovat jemněji, zlepší se plánování výroby, dostupnost i práce s čerstvostí. Retail přestane být černá skříňka a stane se přesnějším partnerem pro výrobce i zemědělce.

Pokud řešíte AI v maloobchodu, doporučuju začít tam, kde zákazník nejvíc nadává: vyhledávání, substituce, dostupnost. Teprve potom přidávejte „hezké“ personalizované inspirace.

A teď ta otázka, kterou si každý řetězec bude muset v roce 2026 položit: Chcete být obchod, kde zákazník hledá… nebo obchod, který zákazníka chápe?