AI v retailu: proč „chytré“ prodejny krachují

Když v říjnu 2024 oznámil CEO Mike Fogarty definitivní konec řetězce Choice Market, spousta lidí to zjednodušila na příběh typu „technologie v potravinách nefunguje“. Jenže to je špatná interpretace. Choice Market nebyl poražen tím, že používal AI a automatizaci — porazila ho ekonomika maloobchodu, špatně načasovaná expanze, nákladové šoky po covidu a fakt, že technologie sama o sobě nezachrání marže.

Tohle téma je pro sérii „Umělá inteligence v maloobchodu a e-commerce“ klíčové: AI umí personalizovat nabídky, zlepšit řízení zásob a snížit ztráty. Ale stejně často se stává, že firmy AI „přidají“, aniž by změnily procesy, práci s daty a finanční model. A přesně tady je Choice Market užitečný jako případová studie.

A ještě jedna věc: lekce z retailu se překvapivě dobře přenášejí do zemědělství a potravinářství. Tam taky narážíme na proměnlivé náklady, sezónnost, citlivost na kvalitu a krátké lhůty. Rozdíl je jen v tom, že na poli to často nebolí hned — ale o to víc to bolí později.

Co se stalo: Choice Market a limity „tech-forward“ modelu

Choice Market (Denver, založeno 2017) zaujal tím, že spojil čerstvé, lokální a kvalitní potraviny s technologií v prodejně. Na vrcholu provozoval pět prodejen a zkoušel i malé automatizované Mini Marts (cca 400 sq ft), které měly stát na automatizaci a chytrém provozu.

Pak přišel covid. A ten je v tomhle příběhu důležitý, protože ukazuje realitu: i dobrý produkt a moderní retail model je extrémně zranitelný vůči šokům v poptávce. V článku je popsané, že prodeje během lockdownů spadly a návrat byl těžký. Následovala inflace, růst cen zboží, tlak na mzdy a nedostatek pracovníků. Firma skončila v reorganizaci, v létě 2024 šla do Chapter 11 a v říjnu 2024 definitivně zavřela.

Z pohledu AI v retailu je podstatné i tohle: Choice se snažil zvýšit marže zaváděním technologií a škrtáním nákladů (včetně zmenšení vedení). Proběhl i plán investice 1,5 mil. USD, který na jaře 2024 spadl. To je typický moment, kdy se ukáže, že AI projekt bez stabilního financování a jasné jednotkové ekonomiky je v krizi první na ráně.

Proč je „AI prodejna“ finančně těžší, než vypadá

Technologicky orientované obchody často podcení tři věci:

1. CAPEX a amortizace: kamery, senzory, infrastruktura, integrace, servis. Tohle nejsou jednorázové položky.
2. OPEX technologického provozu: monitoring, údržba, cloud, support, aktualizace.
3. Chybovost a „edge cases“: samoobslužné a automatizované koncepty mají dlouhý seznam situací, které nejdou vyřešit jen modelem.

Retail má navíc tvrdou matematiku. Pokud prodáváte potraviny a čerstvé zboží, marže jsou nízké a ztráty (waste, expirace, krádeže, reklamace) se rychle sčítají. AI tu může pomoct — ale jen pokud má data a procesy, které jí dovolí reálně snižovat ztráty, ne jen „vypadat moderně“.

Kde firmy s AI v maloobchodu nejčastěji chybují

Z příběhu Choice Market jde vytáhnout několik konkrétních slepých míst. Ne jako soud, spíš jako praktický checklist pro každého, kdo plánuje AI v retailu, e-commerce nebo potravinách.

1) AI jako marketing, ne jako provozní systém

AI se někdy stane nálepkou: „máme automatizovanou prodejnu“ nebo „máme chytrý obchod“. Problém je, že zákazník nekupuje AI — kupuje dostupnost, cenu, kvalitu a rychlost. Pokud technologie nepřinese měřitelný dopad do:

• dostupnosti zboží (méně out-of-stock),
• menších ztrát z expirací,
• lepšího plánování směn,
• vyšší obrátkovosti,

…tak je to spíš náklad než výhoda.

2) Slabá data: bez dobré evidence AI jen hádá

V retailu se AI nejlépe chytá tam, kde jsou čistá data: prodeje, sklad, dodávky, ceny, akce, reklamace, expirace, vratky. Realita? Data bývají roztříštěná mezi POS, ERP, WMS, dodavatelské portály a manuální tabulky.

Výsledek je předvídatelný: model predikce poptávky sice běží, ale neví o lokálních událostech, výpadku dodávky, změně gramáže, promo balíčku nebo o tom, že zboží leží ve špatné zóně skladu.

3) Jednotková ekonomika nepočítá s krizí

Choice Market doplatil na kombinaci pandemie a inflačního šoku. To není výmluva; to je realita, kterou musí AI strategie přežít.

AI projekty by měly být od začátku navržené tak, aby fungovaly i při:

• poklesu poptávky,
• růstu cen energií a zboží,
• nedostatku lidí,
• omezeném cashflow.

Pokud úspory přijdou až „po plném rollout-u“, je to risk. Retail často potřebuje ROI v měsících, ne v letech.

Snippet pro praxi: „AI, která šetří až po třetím roce, je v potravinovém retailu luxus.“

Co si z toho má odnést zemědělství a potravinářství

Tohle je kampaní zamýšlený most: retail je poslední článek řetězce, ale tlak, který zabije prodejnu, se často přenáší zpátky k výrobcům a farmám. Když obchod bojuje s marží a ztrátami, tlačí cenu dodavatelů, zkracuje odběry a mění plánování.

Přenositelné lekce pro AI v zemědělství

1) Začněte tam, kde vzniká největší ztráta. V retailu je to expirace, out-of-stock, krádeže a špatné plánování. V zemědělství a potravinářství často:

• výnosové výkyvy (počasí, škůdci),
• nesoulad sklizně s kapacitami,
• znehodnocení při skladování,
• kolísání kvality suroviny.

AI má smysl, když míří na konkrétní „bolest“ s měřitelnou metrikou (např. snížení ztrát ze skladování o X %, lepší predikce výnosu o Y dní dopředu).

2) Data jsou dražší než model. V zemědělství je to stejné jako v retailu: senzory, satelitní snímky, meteo data, laboratorní rozbory, záznamy o aplikacích a zásazích. Bez standardizace a disciplíny v zápisu je AI pěkná prezentace, ale slabý nástroj.

3) Automatizace bez změny procesu je slepá ulička. V prodejně je to třeba samoobslužná zóna bez nového řízení doplňování a prevence ztrát. Na farmě je to například variabilní dávkování bez aktualizovaného agronomického plánu a kontroly výsledků.

Lidský faktor: proč „méně lidí“ není vždy výhra

Choice Market čelil i nedostatku pracovníků. Automatizace se nabízí jako řešení. Jenže v potravinách je lidská práce často nahrazena jen částečně — a zbytek se přesune do:

• dohledu nad technologií,
• řešení výjimek,
• úklidu a hygieny,
• práce s čerstvostí.

V zemědělství je to podobné: AI sníží rutinu (např. monitoring), ale zvýší potřebu dovedností (interpretace dat, nastavení parametrů, údržba senzoriky). Kdo s tím nepočítá, zůstane „mezi světy“.

Jak nasazovat AI v retailu tak, aby generovala výsledky

Nejde o to dělat méně AI. Jde o to dělat ji chytřeji — a v pořadí, které odpovídá ekonomice potravin.

1) Vyberte 1–2 use-casy s rychlou návratností

V potravinovém retailu se nejčastěji vyplatí:

• predikce poptávky na úrovni SKU/prodejna/den,
• optimalizace objednávek (automatické návrhy + schvalování),
• řízení expirací (dynamické slevy, FEFO, doporučení přeskupení),
• detekce out-of-stock kombinací POS a skladové evidence,
• plánování směn podle špiček a sezónnosti.

Zásada: mějte dopředu definované KPI a „kill criteria“.

2) Postavte „datovou páteř“ dřív než personalizaci

Personalizace nabídky a doporučování produktů zní sexy, ale v praxi často přináší menší dopad než dobré zásoby a nižší ztráty.

Minimální datový základ:

• jednotný produktový katalog (včetně změn gramáže a balení),
• historie prodejů a cen,
• skladové pohyby,
• expirace a ztráty,
• dodací lhůty a spolehlivost dodavatelů.

3) Navrhněte provoz na „výjimky“

AI bude mít vždy hranice. Úspěšné týmy proto nedělají jen model, ale i workflow pro výjimky:

• kdo řeší, když predikce „ujíždí“,
• jak se eskalují výpadky dodávek,
• jak se mění pravidla při svátcích (v prosinci obzvlášť),
• jak se učí z reklamací a vratků.

V prosinci 2025 tohle dává extra smysl: sezónní špičky, dárkové nákupy, vyšší rotace čerstvých kategorií a zároveň tlak na dostupnost.

4) Spojte AI v retailu s AI u dodavatelů

Největší přínos vzniká, když se propojí predikce poptávky (retail) s plánováním výroby a sklizně (potravinářství a zemědělství). Prakticky:

• sdílené forecasty,
• společná pravidla pro substituce,
• plánování promo akcí s ohledem na kapacity,
• lepší řízení čerstvosti v celém řetězci.

To je přesně ten bod, kde se kampaně „AI v zemědělství a potravinářství“ a „AI v maloobchodu“ potkávají: kvalitní data a predikce mají hodnotu až v koordinaci napříč řetězcem.

Rychlé Q&A, které si lidé u AI v retailu stejně řeknou

Je „cashierless“ a automatizace slepá cesta?

Ne. Je to cesta, která dává smysl jen v určitých lokacích (vyšší průchod, jasné chování zákazníků, stabilní mix) a s dobře zvládnutou prevencí ztrát. Jinde může být levnější „nudná“ optimalizace zásob.

Co je nejčastější první vítězství s AI v potravinách?

Snížení out-of-stock a ztrát z expirace. To jsou dvě metriky, které okamžitě zlepší tržby i marži.

Kdy AI projekt poznám, že nemá pokračovat?

Když po 8–12 týdnech pilotu nejde prokázat posun v KPI (nebo se KPI nedají ani spolehlivě měřit). Bez měření je to jen náklad.

Co si z příběhu Choice Market odnést pro rok 2026

Choice Market nepadl proto, že by „AI v retailu nefungovala“. Padl proto, že technologie sama nevyrovná šoky v poptávce a nákladech, pokud není postavená na datové disciplíně, realistickém ROI a provozních procesech.

Pokud plánujete AI v maloobchodu, e-commerce, zemědělství nebo potravinářství, beru tohle jako férovou radu: začněte u ztrát a zásob, postavte datovou páteř a teprve potom řešte efektní inovace. Na papíře to zní méně vzrušující. V P&L to ale bývá rozdíl mezi růstem a krizí.

Chcete v příštím kroku raději investovat do „AI zážitku“ pro zákazníka, nebo do AI, která udrží dostupnost a čerstvost i v sezónních špičkách?