AI řízení zásob: proč Crisp koupil Shelf Engine

Zhruba třetina vyprodukovaných potravin se globálně ztratí nebo vyhodí ještě dřív, než ji někdo sní. Ne proto, že by se lidem nechtělo jíst, ale protože potravinový řetězec je plný špatných odhadů: kolik čeho objednat, kdy to dorazí, jak rychle se to prodá, co se pokazí při dopravě a co „zůstane na regále“.

Právě proto má zpráva, že Crisp (retail data firma z New Yorku) koupil Shelf Engine (startup ze Seattlu), mnohem větší význam než jen další technologická akvizice. Shelf Engine (založený v roce 2016 Stefanem Kalbem a Bede Jordanem) stavěl byznys na tom, že pomocí machine learningu pomáhá obchodům lépe objednávat hlavně čerstvé a rychle se kazící zboží. Crisp naopak dlouhodobě sbírá a sjednocuje data napříč dodavatelským řetězcem. Spojení dává jasný signál: AI v potravinářství se přesouvá od „hezkých dashboardů“ k tvrdým rozhodnutím o zásobách a objednávkách.

Tenhle článek patří do série „Umělá inteligence v maloobchodu a e-commerce“ a je psaný s jedním cílem: ukázat, co to znamená pro české obchodníky, dodavatele i zemědělce. Protože když AI umí řídit regál, umí často řídit i to, co se děje před regálem – ve výrobě, logistice a na poli.

Co nám akvizice Crisp × Shelf Engine říká o trhu

Odpověď na „proč teď“ je jednoduchá: potraviny jsou drahé, marže napjaté a vyhazování bolí víc než kdy dřív. Když v roce 2025 obchodník přestřelí objednávku čerstvého, platí to dvakrát: nejdřív nákup, pak likvidaci a ztracenou práci. Když naopak objednávku podstřelí, přichází o tržby a zákazníky.

Akvizice ukazuje tři trendy, které v potravinovém retailu vidím opakovaně:

1. Konsolidace „food AI“ nástrojů – menší specializované startupy se častěji stávají součástí větších datových platforem.
2. Posun od reportingu k automatizaci rozhodnutí – AI už nemá jen říct „stává se to“, ale „udělej objednávku takhle“.
3. Důraz na čerstvé zboží – protože právě tam je největší prostor pro zlepšení (odpady, expirace, out-of-stock).

Z pohledu kampaně „Umělá inteligence v zemědělství a potravinářství“ je důležitý ještě jeden rozměr: retail je poslední článek řetězce, ale často udává rytmus celému systému. Když obchod začne přesněji predikovat poptávku, dostává signály i farmář, zpracovatel a dopravce.

Jak AI u zásob funguje (a proč to není jen predikce)

AI pro řízení zásob není jeden model – je to sada rozhodovacích mechanismů, které spojují poptávku, dodávky a realitu provozu. U čerstvého zboží navíc hraje roli čas, expirace, počasí, akce, svátky, lokální události i výpadky v logistice.

Co typicky modely u čerstvého počítají

V praxi se neřeší jen „kolik se prodá“. AI musí zohlednit:

• Poptávkové signály: historické prodeje, trend, sezónnost, promo akce, ceny, substituce (když není okurka, prodá se víc papriky).
• Provozní signály: dodací dny, minimální objednávky, zpoždění dodavatele, přesnost příjmu, odpisy.
• Kvalitu a trvanlivost: reálná doba prodejnosti (ne „expirace na štítku“), rozdíly mezi šaržemi.
• Lokální faktory: počasí (grilovací dny), školní prázdniny, sportovní akce, turistická sezóna.

Výsledek, který má pro byznys smysl, bývá kombinace:

1. Forecast (predikce)
2. Order recommendation (doporučená objednávka)
3. Exception handling (kdy má zasáhnout člověk)

A tady je klíčový rozdíl: dobrý systém pro AI objednávky má jasná pravidla pro „kdy AI mlčí“. Čerstvé zboží je citlivé na chyby a slepá automatizace bývá drahá.

Proč je spojení Crisp + Shelf Engine logické

Crisp je typicky o sjednocení dat mezi prodejem, skladovými systémy a dodavateli. Shelf Engine je o optimalizaci objednávek. Jinými slovy: jeden sbírá a čistí signály, druhý z nich dělá rozhodnutí.

„AI v retailu není o tom mít víc dat. Je to o tom mít data, která vedou k lepší objednávce v pondělí ráno.“

Zkušenost říká, že největší brzda u AI projektů v retailu bývá kvalita dat (různé jednotky, chybějící kódy, změny sortimentu). Platforma typu Crisp to může urychlit, protože srovnává data napříč dodavateli i pobočkami.

Dopad na potravinový řetězec: od regálu až na pole

Lepší objednávky v retailu zlepšují plánování ve výrobě i v zemědělství. A tohle propojení bývá podceňované.

1) Méně odpadu a stabilnější poptávka po čerstvém

Když se sníží přeobjednávání, klesá množství zboží, které se vyhodí. To není jen ESG téma. Je to čistá ekonomika:

• méně odpisů
• méně práce s likvidací
• méně „panických slev“ na poslední chvíli

Z pohledu producentů je stejně důležité, že AI umí vyhladit výkyvy. Stabilnější objednávky znamenají lepší plán sklizně, porážek, výroby a balení.

2) Přesnější signály pro zemědělce a zpracovatele

Pokud retail umí predikovat poptávku po konkrétních položkách (např. rajčata 500 g vs. volná rajčata), může to posílat zpět do řetězce jako demand signal. To otevírá dveře pro:

• kontrakty podle reálné poptávky
• plánování kapacit ve zpracování
• snížení „bullwhip efektu“ (kdy se malé změny v prodeji nafouknou do obřích změn v objednávkách výš v řetězci)

3) Logistika: méně expresů, víc optimalizace

Častý skrytý náklad: když obchod nemá zboží, řeší se to expresními závozy, překládáním, manuálními zásahy. AI, která sníží out-of-stock, obvykle sníží i tyhle „neviditelné“ náklady.

V českém kontextu, kde je běžná kombinace centrálních skladů a regionálních dodávek, to může znamenat:

• lepší plánování tras
• vyrovnanější vytížení skladů
• méně špiček v příjmu a vychystávání

Co si z toho mají vzít české firmy (retail, e-commerce, dodavatelé)

Akvizice je signál, že AI pro řízení zásob dospěla do fáze, kdy se kupují celé „balíky schopností“, ne jen jednotlivé modely. Pokud jste český retailer, e-shop s potravinami, velkoobchod nebo dodavatel, má smysl si položit praktické otázky.

Rychlý checklist: jste připraveni na AI objednávky?

Nejde o to, jestli máte datový tým. Jde o to, jestli máte provozně zvládnuté základy:

1. Máte čisté produktové kmeny? (EAN, balení, jednotky, konverze)
2. Umíte spolehlivě měřit odpisy a expirace? (ne odhadem)
3. Máte rozumně nastavené doplňování? (min/max, objednací cykly)
4. Víte, kdy a proč vzniká out-of-stock? (dodavatel vs. sklad vs. prodejna)
5. Umíte vyhodnotit úspěch? (KPI předem: odpisy, dostupnost, obrat zásob)

Pokud na 2–3 body odpovíte „ne“, AI vám stejně pomůže, ale bude dražší a pomalejší. Nejdřív je potřeba dát do pořádku data a procesy.

Praktický pilot, který dává smysl v roce 2026

Většina firem chce pilot „na celém sortimentu“. To je chyba. Za mě funguje:

• vybrat 1–2 kategorie čerstvého (např. pečivo nebo ovoce/zelenina)
• vybrat 20–50 prodejen s různým profilem
• běžet 8–12 týdnů, aby se chytily sezónní vlivy (včetně svátků)
• nastavit guardrails: limity objednávek, lidské schvalování u výjimek

V období kolem Vánoc a Silvestra (což je teď, 12/2025) je krásně vidět, jak se poptávka utrhne z běžných patternů. Dobrá AI se pozná podle toho, jak zvládne „divné týdny“, ne průměr.

KPI, které bych hlídal (a proč)

Aby projekt neskončil „model je pěkný, ale provoz ho nepoužívá“, KPI musí být čitelné pro obchod i supply chain:

• Dostupnost (OSA): kolik času je položka opravdu na regále
• Odpisy a expirace: v Kč i v kusech (ideálně podle důvodů)
• Obrat zásob: jak dlouho zboží leží
• Přesnost objednávek: rozdíl mezi doporučením, objednávkou a prodejem
• Práce lidí: kolik času ušetří objednávkář/vedoucí úseku

„People also ask“: otázky, které padají nejčastěji

Nahrazuje AI objednávkáře? Ne. V praxi AI zvedne produktivitu a sníží rutinu, ale člověk zůstává klíčový u výjimek: výpadky, špatná kvalita dodávky, lokální akce, reorganizace prodejny.

Je AI pro řízení zásob vhodná i pro menší sítě? Ano, pokud mají aspoň základní data z POS a skladů. Menší síť ale musí být přísnější v pilotu a výběru kategorií, aby se investice vrátila rychle.

Jak to souvisí se zemědělstvím a precizním zemědělstvím? Retailová predikce poptávky je „druhá strana mince“ k predikci výnosů na poli. Když se spojí signály z prodeje a signály z produkce (výnos, kvalita, sklizeň), dá se lépe plánovat celý řetězec – a snížit ztráty na obou koncích.

Kam to míří v roce 2026: AI jako nervový systém potravin

Crisp koupí Shelf Engine a bude z toho pravděpodobně jednotnější platforma: data + rozhodování + integrace s dodavateli. A to je přesně směr, kterým se food retail posouvá.

Důležitá věc pro čtenáře téhle série: v „Umělá inteligence v maloobchodu a e-commerce“ už nejde jen o personalizaci a marketing. Největší peníze leží v provozu – v zásobách, dostupnosti a odpadech. A jakmile se zlepší retail, zlepší se i plánování ve výrobě a v zemědělství.

Pokud chcete v roce 2026 přitáhnout marži zpět pod kontrolu, začněte u jednoduché otázky: Kterých 20 položek nám dělá největší odpisy a proč? Tam bývá nejrychlejší návratnost i nejčistší use case pro AI řízení zásob.

A teď ten zajímavý výhled: až budou mít obchodníci běžně „AI objednávky“ na čerstvé, začne se vyhrávat jinde – v lepší spolupráci s dodavateli a v předávání poptávkových signálů až k producentům. Myslíte, že na to jsou vaše data a procesy připravené, nebo to dnes drží pohromadě hlavně Excel a zkušenost jednotlivců?

Chcete-li to posunout prakticky: vyberte jednu čerstvou kategorii, nastavte KPI (odpisy + dostupnost) a otestujte AI doporučení objednávek v kontrolovaném pilotu. Výsledky se obvykle ukážou rychleji než u většiny „AI marketing“ projektů.