Online nákupy potravin rostou: kde pomůže AI (2025+)

Číslo, které stojí za pozornost: americký online prodej potravin má podle odhadů dosáhnout 120 miliard dolarů do roku 2028. To není jen „další statistika z retailu“. Je to signál, že se mění logistika, očekávání zákazníků i ekonomika celého potravinového řetězce.

A teď ta praktická část: když online prodej roste rychleji než prodej v kamenných obchodech, nevzniká problém v e-shopu. Vzniká v zákulisí – v plánování poptávky, dostupnosti zboží, chlazené logistice a v tom, kdo doručování skutečně řídí. V právě probíhající debatě se navíc prosazuje trend, který má dopad i na Evropu: řetězce chtějí budovat vlastní (first‑party) doručování, ne se spoléhat na třetí strany.

V rámci naší série „Umělá inteligence v maloobchodu a e-commerce“ mi dává smysl říct to naplno: pokud má online prodej potravin růst a zároveň se nemá utopit v nákladech a reklamací, AI už není “nice to have”. Je to provozní nutnost.

Proč online grocery poroste, i když trh dospívá

Online prodej potravin poroste, protože zákazníci si pohodlí vyzkoušeli a část z nich už se nevrátí zpět na „jen kamenný nákup“. Zároveň ale platí druhá věc: trh dospívá. V USA už většina lidí online nákup potravin alespoň jednou zkusila, takže růst nebude nekonečný a nebude zadarmo.

Zprávy z trhu popisují i protivítr: inflační tlak (byť nižší než dřív) dlouhodobě posiluje chování „hledám hodnotu“. V praxi to znamená víc privátních značek, víc akcí, větší citlivost na dopravné – a menší toleranci k chybám typu „přijelo mi něco jiného“.

Pro řetězce je to nepříjemná kombinace:

• online objednávky jsou logisticky náročné,
• zákazník chce rychlost a přesnost,
• marže jsou pod tlakem.

AI tady přestává být módní slovo. Je to způsob, jak tenhle trojúhelník vybalancovat.

First‑party doručování: proč ho řetězce chtějí (a proč je těžké)

First‑party (1P) doručování znamená, že řetězec vlastní „zážitek“ i náklady: aplikaci, sloty, picking, kurýry (nebo aspoň dispatch), reklamace i komunikaci. Důvod je jednoduchý: u třetích stran (3P) často roste cena pro zákazníka i provize, a řetězec ztrácí kontrolu nad kvalitou služby.

Jenže 1P doručování není jen rozhodnutí. Je to operační systém.

Kde 1P nejčastěji bolí

1. Slotting a kapacita: Kolik objednávek zvládneme v úterý 16:00–18:00? A za jakou cenu?
2. Picking v prodejně: Když picker překáží zákazníkům, trpí obrat i reputace.
3. Chladový řetězec: Zpoždění o 20 minut není detail, když vezete mražené.
4. Reklamace a substituce: „Nahradili jste mi tohle?“ rozhoduje o tom, jestli zákazník zůstane.

Tady AI umí pomoct rychleji, než většina týmů čeká – protože dokáže dělat tisíce malých rozhodnutí konzistentně.

Pickup poroste rychleji než doručení. To je logické.

V amerických predikcích vychází, že pickup (vyzvednutí) poroste rychleji než doručení a může tvořit zhruba 47 % online prodejů v horizontu několika let. Tenhle trend dává smysl i u nás: pickup je často kompromis mezi pohodlím a cenou.

Z pohledu ekonomiky:

• poslední míle je nejdražší část,
• vyzvednutí přesune část „posledního metru“ na zákazníka,
• řetězec má stabilnější plánování.

Co z toho plyne pro AI

AI u pickupu není o „robotických autech“. Je o přesném plánování:

• predikce špiček podle dne, svátků, výplat a lokality,
• dynamické otevírání slotů (nebo jejich zdražení/zlevnění),
• optimalizace personálu na vychystávání.

V prosinci (a jsme v prosinci 2025) je to vidět nejvíc: cukroví, party nákupy, firemní dárky, výkyvy v dostupnosti. Kdo plánuje ručně, ten hasí.

Kde AI reálně zvedá výkon: 5 největších „penězotvorných“ use-cases

AI v online grocery není jeden projekt. Je to sada schopností, které se skládají dohromady. Pokud chcete výsledky, vyplatí se začít tam, kde je návratnost nejrychlejší.

1) Predikce poptávky a zásob (a méně vyprodaných položek)

Nejrychlejší výhra je snížit out-of-stock a zlepšit dostupnost u klíčových položek. AI modely umí kombinovat:

• historii prodejů,
• promo kalendář,
• počasí (u sezónních položek),
• lokální události,
• data z online chování (vyhledávání, přidání do košíku, opuštěné košíky).

Praktický dopad: méně substitucí, méně refundů, vyšší spokojenost. A hlavně: méně odpadu, protože objednáváte chytřeji.

2) Inteligentní substituce: „správná náhrada“ je věda

Substituce je podceňované téma. Zákazník neřeší, že „něco podobného“ stačí. Řeší účel: na pečení, na dietu, pro dítě, bez laktózy.

AI tady může dělat dvě věci:

• doporučit náhradu podle kontextu nákupu (celý košík, ne jen položka),
• učit se z reakcí (přijal/odmítl, reklamoval, vrátil).

Tohle má přímý dopad na retenci. Jeden špatný zážitek v potravinách bolí víc než u elektroniky.

3) Optimalizace vychystávání: kratší trasy v prodejně

Vychystávání je často největší položka nákladů u online objednávky z prodejny. AI (nebo i pokročilá heuristika) umí:

• řadit položky podle polohy v regálech,
• navrhnout trasu pickera,
• slučovat objednávky do „batchů“ tak, aby se nezhoršila čerstvost.

Pokud se vám picking zkrátí o desítky sekund na objednávku, v součtu je to obrovské číslo. A navíc to zklidní provoz na prodejně.

4) Plánování poslední míle: méně kilometrů, méně zpoždění

U doručení rozhodují minuty. AI pro routing a dispatch se neptá „jaká je nejkratší cesta“, ale:

• jaká je pravděpodobnost zdržení v konkrétní hodině,
• jaký je dopad na chladový řetězec,
• jak poskládat zastávky podle časových oken,
• kdy se vyplatí přesměrovat kurýra v reálném čase.

To je přesně oblast, kde 1P doručování získává smysl: když data vlastníte, modely se zlepšují každým dnem.

5) Personalizace a řízení promoakcí bez kanibalizace

Personalizace v potravinách není o tom „ukázat banán, protože koupil banán“. Funguje až ve chvíli, kdy respektuje:

• preferované značky,
• dietní omezení,
• rozpočtovou citlivost,
• opakovatelné nákupy (mléko, pečivo) vs. inspiraci (recepty).

AI může pomoci i s tím, aby promo nezničilo marži. Typická chyba je dávat slevy lidem, kteří by koupili stejně.

„Od farmy ke dveřím“: proč online retail tlačí AI i do zemědělství

Online grocery zvyšuje nároky na přesnost a rychlost celé dodavatelské sítě. A to dopadá i na primární produkci a potravinářství.

Když máte víc online objednávek:

• potřebujete přesnější predikci sklizně a kvality,
• lépe plánujete balení a gramáže,
• rychleji odhalíte, kde vzniká odpad (vysoké vratky, expirace).

Tady vzniká zajímavé propojení s naším širším tématem „Umělá inteligence v zemědělství a potravinářství“: data z online prodeje jsou jeden z nejčistších signálů poptávky. Kdo je umí poslat „nahoru po řetězci“ k výrobcům a farmám, ten umí snižovat ztráty.

„Online prodej potravin není jen kanál. Je to senzor, který měří poptávku téměř v reálném čase.“

Rychlý audit připravenosti: 8 otázek, které odhalí slabá místa

Pokud řídíte retail, e-commerce, logistiku nebo dodavatelský řetězec, těchto 8 otázek vám během 15 minut ukáže, kde má AI největší smysl:

1. Máme jednotný pohled na skladovou dostupnost (online vs. prodejna) v reálném čase?
2. Kolik objednávek končí substitucí a kolik z nich vede k refundu?
3. Známe náklad na jednu online objednávku rozpadnutý na picking, balení, dopravu, reklamace?
4. Umíme předpovědět špičky slotů s přesností na hodinu a lokalitu?
5. Máme definovanou politiku substitucí podle kategorií (dětská výživa ≠ těstoviny)?
6. Máme data o zpoždění a teplotních incidentech v chlazené přepravě?
7. Jak rychle umíme přenastavit promo podle skladové situace?
8. Umíme spočítat, kolik odpadu vzniká „kvůli nepřesné predikci“?

Pokud u 3+ otázek váháte, to není ostuda. Je to dobrý startovní bod pro roadmapu.

Co bych udělal jako první: jednoduchá roadmapa na 90 dní

AI projekty v retailu často ztroskotají na tom, že se začíná příliš velkým cílem. Lepší je jít po provozních výhrách.

1. Týden 1–2: datová hygiena – dostupnost, substituce, reklamace, sloty, zpoždění.
2. Týden 3–6: pilot predikce poptávky na 1–2 kategorie (např. čerstvé + akční zboží).
3. Týden 7–10: optimalizace pickingu (trasy, batchování) v jedné prodejně.
4. Týden 11–13: routing/dispatch pro doručení nebo plánování kapacit pro pickup.

Cíl není “nasadit AI”. Cíl je zlepšit dostupnost, snížit náklady na objednávku a omezit potravinový odpad.

Kam se to posune do roku 2028 (a co s tím v ČR)

Americká čísla jsou extrém, ale směr je stejný i u nás: více online objednávek, větší tlak na pickup, a snaha mít doručování pod kontrolou. V Česku navíc hraje roli hustota měst, nákupní zvyky a cena práce – o to víc se vyplatí automatizovat rozhodování.

Pokud se online grocery do roku 2028 přiblíží dvojcifernému podílu na trhu (v různých zemích různě rychle), budou vyhrávat ti, kdo zvládnou dvě věci současně: spolehlivost a nákladovou disciplínu. AI je dnes nejpraktičtější cesta, jak to udržet.

Chcete si ujasnit, kde přesně má AI ve vašem online prodeji potravin nejvyšší návratnost – predikce, zásoby, picking, doručení, nebo personalizace? Napište nám kontext (velikost sítě, počet objednávek, model doručení) a navrhneme stručnou mapu kroků.

A jedna otázka na závěr, která podle mě rozhodne příští dva roky: Kdo ve vašem řetězci vlastní data o poptávce – vy, nebo zprostředkovatel?