Proč „Just Walk Out“ narazilo: lekce pro AI v jídle

Když Amazon v roce 2018 ukázal „Just Walk Out“, vypadalo to jako jednoduchá rovnice: kamera + AI + senzory = konec front u pokladen. V roce 2024 ale přišla studená sprcha: Amazon začal tuto bezpokladní technologii ve velkých prodejnách Amazon Fresh stahovat a místo ní nasazuje chytré nákupní vozíky Dash Cart.

Na první pohled jde „jen“ o retailovou drobnost. Jenže pro všechny, kdo řeší umělou inteligenci v maloobchodu a e-commerce, a hlavně pro lidi z potravinářství a zemědělství, je to cenná případová studie. Ukazuje, kde AI v praxi naráží: ne v demo videu, ale v provozu, v nákladech, v údržbě, v chování zákazníků a v tom, jak se data (ne)propojí napříč dodavatelským řetězcem.

Tahle lekce je v prosinci 2025 aktuální víc než kdy dřív. Potravinové řetězce dál tlačí na snižování ztrát, zemědělci řeší volatilní ceny, počasí a dostupnost pracovní síly. A přitom se často investuje do „viditelných“ inovací u koncového zákazníka, zatímco největší peníze tečou jinde: v predikci poptávky, řízení zásob, kvalitě, dohledatelnosti a plánování výroby.

Co se vlastně stalo: Amazon mění bezpokladní strategii

Amazon podle dostupných informací stahuje „Just Walk Out“ z velkoformátových prodejen Amazon Fresh a místo toho rozšiřuje Dash Cart – chytré nákupní vozíky s počítačovým viděním, které zákazníkovi umožní skenovat zboží během nákupu.

Směr je zajímavý: Amazon tím nepřiznává „AI nefunguje“, ale spíš říká: „AI musí zákazníkovi dávat víc než jen rychlý odchod.“ Zákazníci chtěli i další benefity: snadněji najít produkty a akce, vidět průběžnou účtenku, kontrolovat útratu a úsporu.

Proč je to signál pro celý trh

„Just Walk Out“ funguje výborně v malých formátech (typicky Amazon Go, stadionové kiosky). Ve velké prodejně ale roste:

• počet SKU a variabilita obalů,
• počet výjimek (přehazování, vracení do regálu, sdílené nákupy),
• riziko chyb při rozpoznávání,
• nároky na infrastrukturu (kamery, kalibrace, servis).

Jinými slovy: škálování AI není lineární. To je přesně ten problém, který známe i ze zemědělství: pilot na jednom poli vypadá skvěle, ale nasazení na 200 polích přes různé odrůdy, půdy a stroje je úplně jiná liga.

Proč bezpokladní AI ve velkém naráží (a není to jen o technologii)

Klíčový point: AI v retailu není „model“, je to provozní systém. A provozní realita má tři tvrdé limity: ekonomiku, chování lidí a integrace dat.

1) Ekonomika: „kolik stojí jedna ušetřená minuta“

Ve velké prodejně je bezpokladní systém drahý na instalaci i údržbu. Nejde jen o kamery.

• montáž a síťová infrastruktura,
• průběžné ladění (změny regálů, plánogramů, osvětlení),
• řešení výjimek a reklamací,
• prevence ztrát (shrink) bez klasické kontroly.

Dash Cart přesouvá část „inteligence“ do vozíku. To může být levnější, ale hlavně je to modulárnější: přidám vozíky podle potřeby, ne podle toho, kolik kamer zvládnu udržet v hale.

2) Lidské chování: zákazníci chtějí kontrolu, ne kouzla

Část lidí miluje, že prostě odejdou. Jenže ve velkém nákupu (rodina, týdenní nákup) zákazník často chce:

• mít jistotu, že mu systém načetl správné položky,
• vidět průběžnou cenu (hlavně v době vysokých cen potravin),
• rychle najít akce a alternativy.

Tohle je důležité i pro e-commerce. Personalizace nabídky a doporučování produktů jsou fajn, ale pocit kontroly (rozpočet, dostupnost, termín doručení, náhrady) rozhoduje, jestli se zákazník vrátí.

3) Integrace: AI na prodejně bez AI v zásobách je poloviční výhra

Největší slepá ulička je, když prodejna ví, co si zákazník vzal, ale firma pořád neví:

• co reálně dorazí od dodavatelů,
• jaká bude poptávka v příštích 10 dnech,
• kde vzniká odpad (teplota, expirace, poškození),
• jak to souvisí s výrobou a logistikou.

„Just Walk Out“ řeší posledních 30 sekund nákupu. Jenže největší úspory v potravinách jsou jinde: v nižších ztrátách, lepší rotaci, přesnější objednávce a řízení kvality.

Co si z toho má vzít potravinářství a zemědělství

Příběh Amazonu je vzkaz: AI musí být navržená pro škálování a pro celý proces, ne jen pro wow efekt. V zemědělství a potravinářství to platí dvojnásob.

AI v dodavatelském řetězci potravin: kde se opravdu vydělává

Pokud dnes (21.12.2025) někdo chce „AI v jídle“, tlačil bych ho spíš do těchto oblastí než do efektních gadgetů:

1. Predikce poptávky a plánování výroby (krátký horizont 7–21 dní + sezonní modely)
2. Řízení zásob a expirací (FEFO, dynamické slevy, automatické přerozdělení mezi prodejnami)
3. Počítačové vidění pro kontrolu kvality (třídění, detekce defektů, standardizace)
4. Monitoring teplotního řetězce (chlazení, přeprava, sklady; prevence znehodnocení)
5. Dohledatelnost a compliance (šarže, původ, alergeny; zrychlení stažení z trhu)

Tohle jsou témata, která přirozeně navazují na naši sérii „Umělá inteligence v maloobchodu a e-commerce“: AI na prodejně dává smysl teprve tehdy, když je napojená na data o zásobách, logistice a výrobě.

„Dash Cart“ jako metafora pro zemědělství: inteligence blíž k okraji

Dash Cart je typický příklad edge AI – výpočet a snímání se děje blíž k „místu události“. V zemědělství je to analogie:

• kamerové systémy přímo na sklízecí mlátičce,
• senzory v půdě,
• monitoring stáda přes obojky,
• lokální modely v traktoru (i bez stabilního signálu).

Proč to funguje? Protože latence, dostupnost signálu a provozní robustnost bývají důležitější než to, jestli model běží v nejluxusnějším cloudu.

Jak navrhovat AI projekty, aby neskončily jako „slehá hračka“

Nejde o to vyhnout se inovacím na prodejně. Jde o to dělat je tak, aby přežily druhý rok provozu.

Rámec 5 otázek před investicí do AI (prakticky)

1. Kde přesně je hodnota v Kč? U pokladny je to čas. V potravinách ale často vyhraje snížení ztrát a lepší objednávka.

2. Co je nejdražší výjimka? V retailu jsou to špatně rozpoznané položky, reklamace, ztráty. V zemědělství třeba špatná klasifikace choroby a zbytečný postřik.

3. Jak se systém udržuje při změnách? Nové obaly, nové planogramy, sezónní sortiment, jiné světlo. V zemědělství zase jiné odrůdy a různé fenofáze.

4. Jaké datové napojení je nutné hned od začátku? POS/ERP/WMS/TMS, šarže, teploty, dostupnost. AI bez integrace jen generuje hezké dashboardy.

5. Co uvidí uživatel během procesu? Amazon slyšel: lidé chtějí průběžnou účtenku a přehled. Totéž platí pro farmáře i výrobní týmy: průběžná doporučení a kontrola.

Jedna věta, kterou si ukládám: „AI, která nepřežije změnu sortimentu, nepřežije ani reálný byznys.“

Mini-case: kde může počítačové vidění vydělat víc než u pokladny

Počítačové vidění v potravinách často dává větší smysl tady:

• automatická kontrola naplnění regálů (out-of-shelf detection),
• detekce poškozených obalů ještě ve skladu,
• třídění ovoce a zeleniny podle kvality (méně odpadu, lepší pricing),
• sledování toku zboží pro přesnější inventury.

Tady se krásně propojí retail a zemědělství: kvalita, ztráty, zásoby, logistika. A to jsou místa, kde se rozhoduje o marži.

Co to znamená pro firmy v ČR v roce 2026

Český trh má jednu výhodu: může se poučit z drahých experimentů jiných. Pokud jste maloobchodník, výrobce nebo agri firma, dává mi smysl postup:

• začněte projektem, který prokazatelně snižuje ztráty nebo zlepšuje plánování,
• nastavte měření přínosu (např. waste %, dostupnost, OTIF, přesnost predikce),
• budujte data tak, aby šla použít napříč řetězcem (od pole po regál),
• a teprve potom přidávejte „luxus“ na prodejně.

Sezónně: Vánoce a přelom roku tradičně ukazují, jak bolestivé jsou špatné predikce. Přestřelené zásoby cukroví, chybějící máslo, přetížená logistika. AI, která umí sladit poptávku, výrobu a zásoby, má v tomhle období okamžitě viditelnou hodnotu.

Na konci dne je sdělení jednoduché: AI v maloobchodu není cíl. Je to prostředek. A nejvíc funguje, když je součástí širší optimalizace potravinového řetězce.

Pokud chcete navázat na naši sérii „Umělá inteligence v maloobchodu a e-commerce“, další logický krok je položit si otázku: máme data a procesy připravené tak, aby AI neřešila jen pokladnu, ale i ztráty, kvalitu a zásoby?