Podzemní rozvoz a AI: co si z toho vzít pro e‑commerce

V předměstí Atlanty dnes funguje pilotní projekt, který posílá jídlo a další zboží pod zemí téměř na vzdálenost jedné míle. Nejde o metro ani o potrubní poštu z minulého století – je to moderní logistika, která se snaží „odstřihnout“ poslední míli od dopravních zácp, počasí a nedostatku kurýrů.

A právě tady je dobrý most k tématu naší série Umělá inteligence v maloobchodu a e-commerce: podzemní doručování není jen bizarní nápad. Je to extrémně názorná ukázka toho, co se stane, když se automatizace, robotika a datové řízení potkají s jednoduchým cílem: doručit správnou věc, ve správný čas, s minimem tření. V zemědělství a potravinářství se děje totéž – jen místo tunelů řešíme pole, sklady a čerstvost.

Podzemní doručování: odpověď na problém poslední míle

Podzemní rozvoz dává smysl tehdy, když chcete doručování „zindustrializovat“: stabilní kapacita, predikovatelná doba doručení a menší závislost na lidech v terénu. Pilotní systém firmy Pipedream (vedený Garrettem McCurrachem) míří na jednoduchý use case: rychlý přesun jídla a drobného zboží mezi uzly v jedné lokalitě.

Proč je poslední míle pořád nejdražší část logistiky

Poslední míle je drahá, protože je neefektivní:

• rozptýlené adresy a malé zásilky,
• dopravní špičky a parkování,
• tlak na rychlost (doručení „teď hned“),
• vysoké nároky na zákaznickou zkušenost (přesné časové okno, sledování, bezchybný stav).

Podzemní systém se snaží část těchto proměnných odstranit. Pod zemí není kolona, není náledí, není konflikt s chodci. Zbyde „jen“ technika, plánování a údržba.

Co je na tom zajímavé pro e‑commerce a retail

Nejde jen o exotickou infrastrukturu. Pointa je v tom, že takový systém vyžaduje:

1. dokonalou synchronizaci objednávek a kapacity,
2. přesné řízení toku zásilek (aby se nic „nezaseklo“),
3. predikci poptávky (kdy a kde se budou tvořit špičky),
4. jasně definované handoff body – tedy místa, kde se zásilka předá zákazníkovi nebo dalšímu článku.

Tohle jsou přesně oblasti, kde AI v e‑commerce typicky přináší největší efekt.

AI v logistice: stejné principy jako v precizním zemědělství

Podzemní rozvoz je dobrá metafora pro moderní potravinový řetězec. V zemědělství už dnes běží „datové tunely“ všude: senzory půdy, satelitní snímky, telemetrie strojů, data o skladování a teplotě. Cíl je shodný: minimalizovat ztráty a zrychlit rozhodování.

Optimalizace tras vs. optimalizace operací

V doručování se AI často prodává jako „optimalizace tras“. Reálně je ale větší přínos v optimalizaci operací:

• predikce vytížení (kdy přijde špička),
• dynamické řízení kapacit (kolik lidí/strojů je potřeba),
• řízení zásob (co přesunout blíž k poptávce),
• prevence chyb (detekce anomálií v procesu).

V zemědělství je paralela zřejmá:

• predikce výnosu a sklizňových oken,
• plánování práce a strojů,
• řízení skladů a chlazených řetězců,
• včasné varování před chorobami nebo stresem plodin.

Nejlepší AI není ta, která „ví všechno“. Je to ta, která zkrátí čas mezi signálem a rozhodnutím.

Co by AI musela umět, aby podzemní rozvoz fungoval ve velkém

Podzemní infrastruktura je kapitálově náročná. Aby dávala ekonomiku, musí běžet vysoká průtočnost a minimální prostoje. AI tu typicky pokrývá tři vrstvy:

1. Řízení toku zásilek (flow control): kdo má prioritu, kde se zásilka zařadí, jak se předejde „ucpání“.
2. Prediktivní údržba: odhalení opotřebení, vibrací, přehřívání, zhoršeného tření – dřív než vznikne odstávka.
3. Orchestrace poptávky: sladění objednávek, přípravy jídla, vychystávání a reálné kapacity systému.

Podobnou architekturu dnes potravinářské firmy používají ve výrobě a skladech (MES/WMS + predikce + kvalitativní kontrola), jen se to méně „dobře vypráví“ než tunely pod městem.

Co si z toho může vzít český e‑shop a maloobchod s potravinami

Nemusíte kopat tunely, aby vaše logistika fungovala moderně. Podzemní rozvoz je užitečný jako „extrémní případ“, na kterém je vidět, co je v doručení opravdu podstatné.

1) Začněte měřit časové ztráty, ne jen cenu dopravy

Spousta firem sleduje cenu za zásilku a konverze. Jenže u potravin (a obecně u rychlého retailu) je často dražší:

• zpoždění,
• reklamace kvůli kvalitě (teplota, poškození),
• nedodané položky,
• ruční zásahy v expedici.

Praktický krok: vyberte 3 metriky, které se dají měřit každý den:

• OTIF (On Time In Full – včas a kompletně),
• čas od objednávky k předání dopravci,
• podíl objednávek s ruční korekcí (náhrady, chybějící položky, změny).

AI pak můžete cílit na konkrétní „úniky“.

2) Použijte AI k predikci poptávky a přesunu zásob blíž k zákazníkovi

U potravin je nejdražší chyba „nemám skladem“ nebo „mám skladem, ale daleko“. Moderní přístup v e‑commerce:

• predikce poptávky po SKU v hodinách a dnech,
• mikro-fulfillment (menší uzly blíž zákazníkovi),
• předsunuté zásoby pro top položky.

Tady se krásně potkává maloobchod s potravinářstvím a zemědělstvím: když lépe předpovíte poptávku, méně zboží vyhodíte a méně panikaříte v zásobování.

3) Rethink „výdej“: drive‑thru, pick‑up a handoff body

V podcastu se objevuje i téma spolupráce s fast‑food řetězci a přemýšlení o tom, jak má vypadat výdej. To je pro český trh extrémně aktuální, protože zákazníci si zvykli na:

• výdejní boxy,
• osobní odběr,
• rychlé vyzvednutí bez čekání.

Pokud prodáváte potraviny nebo hotová jídla, zkuste si položit jednoduchou otázku: kde vzniká fronta a proč? AI umí pomoci predikcí špiček a plánováním směn, ale často vyhrajete už změnou procesu (oddělení „rychlého vyzvednutí“ od „řešení problémů“).

Jak vypadá „AI-ready“ potravinový řetězec od pole po košík

Když se na to podívám pragmaticky, firmy často chtějí nasadit AI dřív, než mají stabilní data. Podzemní doručování by bez datového řádu nefungovalo ani týden. Stejná logika platí pro agro a food.

Minimální datový základ, bez kterého se AI nevyplatí

Pokud chcete AI v maloobchodu a e‑commerce používat smysluplně, potřebujete mít aspoň:

• jednotné ID produktů a šarží (tam, kde dává smysl),
• historii objednávek a dostupností (ne jen prodeje),
• časy procesů (příjem, vychystání, expedice),
• reklamace a důvody vratek/nahrazení,
• teplotní data u chlazených kategorií (pokud je to relevantní).

Bez toho budete mít hezké dashboardy, ale slabé rozhodování.

Konkrétní příklady využití AI, které se rychle vrací

V praxi se nejrychleji vrací tyto scénáře:

1. Predikce vyprodání: AI hlídá, že zítra v 16:00 dojde nejprodávanější mléko ve dvou pobočkách.
2. Dynamické okno doručení: slibujete jen to, co logistika reálně zvládne (a méně rušíte objednávky).
3. Detekce anomálií v kvalitě: nárůst reklamací u konkrétní šarže nebo dodavatele.
4. Optimalizace substitucí: pokud musíte nahrazovat, AI doporučí náhradu s nejvyšší pravděpodobností akceptace.

Tyhle „malé“ věci dávají dohromady velkou změnu: méně odpadu, méně vratek, vyšší spokojenost.

Co bude dál: infrastruktura se mění pomalu, očekávání rychle

Podzemní doručování je fascinující hlavně proto, že ukazuje jednu nepříjemnou pravdu: zákaznické očekávání roste rychleji než infrastruktura. Než ve městech vzniknou nové logistické koridory (pod zemí, po střechách nebo v budovách), většina firem vyhraje tím, že zlepší plánování, zásoby a procesy.

Pro náš seriál o umělé inteligenci v maloobchodu a e‑commerce z toho plyne jasná lekce: AI není „vrstva navíc“. Je to řídicí systém, který propojuje poptávku, zásoby, výrobu, vychystání a doručení – a u potravin navíc hlídá čerstvost a ztráty.

Pokud chcete posunout svůj potravinový e‑shop, retail nebo logistiku, začněte tam, kde to bolí nejvíc: dostupnost, přesnost doručení, a práce se špičkami. A pak si klidně představte, že místo kurýra máte tunel. Najednou je jasné, co musíte umět řídit daty.

Až budete příště ladit „poslední míli“, zkuste si mentálně vyměnit silnici za trubku. Co by se muselo změnit ve vašich datech, aby to fungovalo?