Autonomní mobilní prodejna: AI řízení zásob v praxi

Autonomní mobilní prodejny vypadají na první pohled jako efektní futuristická hračka. Jenže nejdůležitější část není karoserie bez řidiče — je to AI, která rozhoduje, co má být uvnitř, v jakém množství, v jaké teplotě a kdy se to má doplnit. Bez toho je „prodejna na kolech“ jen drahý minisklad, který občas přijede pozdě.

Přesně to ukazuje koncept Robomartu: firma, která kdysi proslavila myšlenku „store-hailing“ (přivolání obchodu aplikací), představila model Haven — větší mobilní mini-market, který má být plně autonomní a pro retail partnery dostupný od roku 2025. Současně oznámila seed investici 2 miliony dolarů. Na papíře je to zpráva z maloobchodu. Ve skutečnosti je to lekce o tom, jak se AI logistika a predikce poptávky stává klíčovou kompetencí v celém potravinovém řetězci — od pole až k zákazníkovi.

V rámci naší série „Umělá inteligence v maloobchodu a e-commerce“ se dnes podíváme na to, co musí AI zvládnout, aby autonomní prodejna dávala ekonomický smysl, a jak stejné principy můžete přenést i do zemědělství a potravinářství.

Proč autonomní prodejna není primárně „auto“, ale datový systém

Autonomní mobilní obchod funguje jen tehdy, když se chová jako živý organismus řízený daty: průběžně odhaduje poptávku, hlídá expirace, optimalizuje teplotní režimy a plánuje trasu. Vozidlo je „hardware“. Hodnota je v „mozku“.

Robomart má dva směry:

• starší koncept (dnes označovaný jako Oasis) vznikl jako pilotní mobilní prodejna s řidičem, ale s bezkontaktním, aplikací řízeným nákupem,
• nový Haven má být větší „walk-in“ model, do kterého zákazník vejde, a má mít více než 300 SKU a kapacitu na tisíce kusů zboží.

Tohle číslo (300+ SKU) je pro AI zásadní: čím širší sortiment, tím rychleji roste komplexita rozhodování. Nejde jen o to „kolik mléka“. Jde o to, které mléko, v jaké gramáži, jaké značky, v jakém mixu s jogurty, aby se to vešlo do chladu, nepřekročilo riziko ztrát a přitom to vyprodalo co největší část trasy.

Co musí AI v mobilním retailu řídit v reálném čase

V praxi se tu potkává několik vrstev AI (a ano, často to nejsou „velké jazykové modely“, ale kombinace prediktivních a optimalizačních metod):

• Predikce poptávky podle lokality, času, počasí, akcí v okolí, sezóny (prosinec má jiné křivky než duben).
• Optimalizace skladby sortimentu (assortment optimization): které SKU na kterou trasu, aby se maximalizovala marže a minimalizoval odpad.
• Řízení zásob a doplňování: kdy se vrátit do depa, kdy přeskupit plán, kdy poslat jiný vůz.
• Chladový řetězec: rozdělení do zón (ambient/chlazené/mražené/ohřev) a hlídání teplotních výkyvů.
• Detekce ztrát (shrink): kamery/senzory, detekce anomálií, párování položek s transakcemi.
• Dynamické ceny a slevy u rizikových položek (blížící se expirace) — aby se prodaly dřív, než se odepsaly.

Tahle kombinace je důvod, proč investoři sledují i relativně malé seed kolo. U mobilní prodejny totiž není problém „přijet“. Problém je přijet správně naložený.

Robomart Haven: co je na tom zajímavé pro AI v retailu a e-commerce

Koncept Haven míří od úzkého use-casu (např. zmrzlina) k něčemu, co už připomíná malou samoobsluhu na kolech. A právě tady se ukáže, jak zralé je AI řízení zásob.

Od jednoho typu skladování k multi-zónám

Oasis (v pilotu) typicky pracuje s jedním typem skladování — například mražené. Haven má umožnit více režimů najednou: ambient, chlazené, mražené a případně ohřev. Z pohledu AI to znamená:

• každá SKU má vlastní „omezení“ (teplota, trvanlivost, citlivost na otřesy),
• kapacita není jen „objem“, ale objem v konkrétní zóně,
• plánování sortimentu se mění na optimalizační úlohu s omezeními.

Výsledek? AI může zásadně snížit plýtvání. Ne tím, že bude „chytřejší“, ale tím, že bude disciplinovaně hlídat limity a „nedovolí“ naložit lákavé, ale rizikové kombinace.

White-label a personalizace nabídky

Haven má jít „white label“ cestou — partneři si ho přizpůsobí. To v praxi znamená, že jeden vůz může být „mobilní večerka“, druhý „farmářský výběr“ a třetí „rychlé obědy pro kanceláře“.

Tady se AI personalizace v maloobchodě potkává s e-commerce:

• lokální doporučování sortimentu (co funguje v jedné čtvrti, propadá jinde),
• personalizované nabídky v aplikaci (push notifikace ve správný čas, bez spamu),
• A/B testování cen, bundle balíčků a promo mechanik.

Moje zkušenost z projektů s řízením poptávky: firmy často řeší personalizaci „až moc marketingově“. U mobilní prodejny je personalizace hlavně operativní nástroj — pomáhá vyprodat rizikové položky a stabilizovat zásoby.

Co si z toho může odnést zemědělství a potravinářství

Autonomní prodejna je poslední článek řetězce. Ale algoritmy, které ji drží při životě, jsou překvapivě podobné těm, které dnes dělají největší rozdíl ve výrobě potravin a na poli.

Stejná logika: predikce, optimalizace, minimalizace ztrát

V zemědělství AI typicky řeší:

• predikci výnosů (podle NDVI, půdy, počasí),
• optimalizaci závlahy a hnojení,
• ochranu proti škůdcům a chorobám.

V retailu AI řeší:

• predikci poptávky,
• optimalizaci zásob,
• snižování ztrát z expirací.

Je to jedna disciplína v různém kabátě: včas vědět, co se stane, a podle toho upravit rozhodnutí dřív, než je pozdě.

„Od pole k regálu“ se mění na „od dat k rozhodnutí“

Prosinec 2025 je dobrý moment si přiznat jednu věc: tlak na efektivitu v potravinách roste — energie, doprava, pracovní síla, regulace odpadu. Kdo nemá data v řetězci, platí to v odpisech.

Autonomní mobilní prodejny tento tlak zviditelňují, protože jejich marže je křehká. Každé špatné naložení je okamžitě vidět. A to je užitečná inspirace i pro výrobce:

• Pokud nevíte, jaká bude poptávka, vyrobíte moc nebo málo.
• Pokud neznáte skutečnou trvanlivost v reálných podmínkách, budete odepisovat.
• Pokud neumíte plánovat logistiku podle rizika zkázy, budete vozit vzduch nebo odpad.

Jak vypadá „AI řízení zásob“ pro mobilní prodejnu (a jak to zavést i u vás)

AI řízení zásob není jeden model. Je to proces a infrastruktura, která propojí prodej, logistiku a kvalitu.

1) Datový základ: bez něj se model jen tváří chytře

Potřebujete minimálně:

• transakční data (co se prodalo, kdy, kde),
• stav zásob na úrovni SKU a šarže,
• expirace a skladovací podmínky,
• kontextové signály (kalendář, lokalita, akce, počasí).

Praktický tip: začněte u 20 % položek, které dělají 80 % obratu, ale přidejte i nejrizikovější čerstvé SKU. Přesně tam se AI nejrychleji zaplatí.

2) Predikce poptávky: méně „kouzel“, více disciplíny

Dobrá predikce v praxi:

• odděluje „základní“ poptávku od promo efektu,
• umí sezónnost (týdenní, měsíční, sváteční),
• umí pracovat s tím, že mobilní prodejna je sama o sobě „událost“.

U autonomní prodejny navíc platí: když se vyprodá klíčová položka příliš brzy, nepřijdete jen o jednu tržbu. Přijdete o celý košík.

3) Optimalizace sortimentu: nejtvrdší část problému

Tady doporučuji přemýšlet v omezeních:

• kapacita v zónách (chlazené vs. mražené),
• cílová marže a minimální dostupnost klíčových položek,
• limit ztrát (např. „max 2 % odepsaných kusů na trasu“).

Pro mnoho firem je překvapení, že optimalizace sortimentu často přinese větší efekt než samotná predikce.

4) „Expirační strategie“: slevy nejsou ostuda, jsou to řízení rizika

U čerstvých položek funguje jednoduché pravidlo: sleva je levnější než odpis. AI může:

• navrhnout časování slevy podle pravděpodobnosti prodeje,
• vybrat, komu nabídku poslat (kdo to opravdu koupí),
• hlídat, aby sleva neničila vnímání značky.

V mobilní prodejně se to dá dělat jemně: cílená nabídka v aplikaci pro lidi v okolí, kteří už dřív kupovali podobné zboží.

Co bude rozhodovat, jestli se autonomní mobilní prodejny prosadí

Technologie autonomního řízení je jen jedna část. Úspěch bude stát na ekonomice jednotky: kolik stojí jedna „zastávka“, kolik udělá průměrný košík a kolik zboží se odepsalo.

Za mě rozhodnou čtyři faktory:

1. Stabilní poptávka na konkrétních trasách (firmy, kampusy, rezidenční zóny).
2. AI, která minimalizuje out-of-stock i odpad současně (to je ten paradox, který nejde řešit ručně).
3. Integrace s dodavatelským řetězcem (depo, doplňování, forecasting napříč kanály).
4. Důvěra zákazníků: bezpečnost, platební jistota, jednoduchý nákup.

A tady se kruh uzavírá: když retail zlepší forecasting a logistiku, může dávat přesnější signály zpět výrobcům a zemědělcům. To je reálná cesta, jak snižovat plýtvání „nahoře“ v řetězci, ne jen na konci.

Co si odnést, pokud řešíte AI v maloobchodu nebo v potravinách

Autonomní mobilní prodejna je výborný test toho, jestli AI opravdu přináší hodnotu: omezený prostor, vysoké nároky na čerstvost, jasná logistická omezení a okamžitá zpětná vazba. Když AI nefunguje, poznáte to během týdne.

Pokud dnes zvažujete AI řízení zásob, doporučuji postup:

1. Vyberte jednu kategorii s vysokým odpadem (čerstvé, chlazené).
2. Zaveďte měření na úrovni šarží a expirací.
3. Postavte predikci poptávky a pravidla doplňování.
4. Teprve pak přidávejte personalizaci a dynamické ceny.

Autonomní retail dává smysl jen tehdy, když se potraviny hýbou chytře. A čím blíž se dostaneme k „přesnému“ řízení toku zboží, tím víc se bude AI v maloobchodu přirozeně propojovat s AI v zemědělství — protože obě strany konečně začnou mluvit stejným jazykem: poptávka, riziko a ztráty v reálném čase.

Kde by podle vás mělo být AI řízení zásob nasazené dřív: v poslední míli (mobilní prodejny, delivery) nebo už u plánování výroby a sklizně?