AI v agrifoodu: růst i když investice padají

Hodnota venture kapitálových investic do food techu v roce 2023 spadla o 59 % – z 22,5 mld. USD v roce 2022 na 9,2 mld. USD. To není „jen“ zpomalení. To je přenastavení pravidel hry: investoři přestali odměňovat pouhý růst a začali tvrdě vyžadovat profitabilitu, jednotkovou ekonomiku a měřitelné dopady.

Pro firmy v zemědělství a potravinářství je to zároveň nepříjemná zpráva i dobrá příležitost. Nepříjemná, protože peníze už netečou tak snadno do všeho, co má v názvu „tech“. Dobrá, protože umělá inteligence v zemědělství a potravinářství dnes dokáže nabídnout přesně to, co „lean“ trh chce: nižší náklady, vyšší stabilitu výroby, menší plýtvání a jasná KPI.

Tento článek berte jako díl našeho seriálu Umělá inteligence v zemědělství a potravinářství. Nejde o to, zda AI „použít“. Jde o to, kde ji použít, aby byla vidět v číslech – a aby se investice (nebo interní rozpočty) obhájily i v roce 2025.

Proč funding spadl – a proč je to pro AI vlastně dobré

Pokles financování food techu v roce 2023 souvisel s kombinací makro faktorů a zklamání v některých podsektorech. Vysoké úrokové sazby, zavřené IPO okno a tlak na spotřebitele (ceny potravin byly historicky vysoko, i když inflace potravin meziročně zpomalila) udělaly z „prémiových“ novinek těžko prodejný příběh.

PitchBook zároveň popsal, že propad byl extrémní hlavně tam, kde se dřív sázelo na růst za každou cenu:

• E-commerce (online nákupy potravin, rozvoz jídel): –67 % meziročně v objemu investovaných dolarů a –87 % od vrcholu v roce 2021.
• Restaurant/retail tech: přibližně –71 až –72 % meziročně.
• Alternativní proteiny: méně „hype“, více tlaku na ekonomiku výroby a marže.

Co z toho plyne pro AI? Jednoduchá věta, kterou bych si dnes dal na nástěnku každého agrifood startupu:

V letech 2025–2026 vyhrávají produkty, které šetří peníze hned teď, ne sliby o budoucnosti.

AI je silná právě v tom, že umí generovat rychlé provozní úspory a současně stavět datový základ pro dlouhodobé zlepšování.

Kde AI nejrychleji doručí „jednotkovou ekonomiku“

Pokud je trh přepnutý z růstu na profitabilitu, má smysl soustředit AI tam, kde je dopad nejlépe vyčíslitelný. V agrifoodu typicky existují čtyři kapsy nákladů a rizik: vstupy, práce, energie a ztráty (plýtvání).

1) Prediktivní řízení vstupů: hnojiva, závlaha, krmiva

Nejlepší AI projekty v zemědělství nejsou ty, které „poznají plevel“. Nejlepší jsou ty, které zmenší rozptyl výsledků.

Prakticky to znamená:

• Predikce potřeby závlahy podle půdy, počasí a vývoje porostu (méně vody, stabilnější výnos).
• Variabilní dávkování hnojiv podle zón pole a historie výnosů.
• Optimalizace krmných dávek v živočišné výrobě podle produktivity, zdraví a cen vstupů.

Co milují finanční ředitelé i investoři: takové projekty se dají vykázat jako úspora na hektar/kus a často mají návratnost během jedné sezóny.

2) Automatizace a plánování práce: méně přesčasů, méně prostojů

V potravinářské výrobě i ve sklizni naráží firmy na stejný problém: lidé jsou drazí, fluktuace bolí a špatné plánování se projeví hned.

AI má smysl nasadit do:

• predikce poptávky (lepší plán směn a výroby),
• plánování údržby (prediktivní maintenance),
• optimalizace výrobních linek (méně přestaveb, lepší využití kapacit).

Když se funding propadá, právě tato „nenápadná“ AI (plánování, optimalizace) bývá nejrychlejší cesta, jak udržet marži.

3) Snižování plýtvání: od pole po regál

Největší ztráty v agrifoodu často nevznikají jedním velkým průšvihem, ale tisícem malých rozhodnutí.

AI umí:

• detekovat odchylky kvality ve výrobě (např. vizuální kontrola, senzorika),
• predikovat trvanlivost a navrhovat FIFO/FEFO logistiku,
• optimalizovat zásoby podle reálné poptávky a sezónnosti.

V prosinci (a obecně kolem svátků) je tohle extrémně aktuální téma: objemy jsou vyšší, tlak na dostupnost roste, ale chyby ve forecastu stojí nejvíc peněz. AI v řízení zásob a poptávky je „nudná“, ale efektivní.

4) Energie a uhlíková stopa: když šetříte, zároveň reportujete

Rok 2025 přinesl firmám víc tlaku na reporting a zároveň vysokou citlivost na ceny energií. AI může spojit obojí:

• predikce spotřeby a řízení špiček,
• optimalizace chlazení a skladování,
• modelování emisí podle procesů a dodavatelů.

Tady vzniká přesně ten typ projektu, který má dvě KPI najednou: nižší OPEX a lepší ESG data.

„Picks and shovels“: proč investoři hledají infrastrukturu (a co to znamená pro AI)

V reportu zazněla zajímavá nuance: i když souhrnné financování klesá, roste pozornost k tzv. „picks and shovels“ – tedy k firmám, které staví vstupy a infrastrukturu pro nové potravinářské směry (typicky alternativní proteiny). To jsou dodavatelé fermentačních kapacit, bioreaktorů, alternativ k růstovým médiím a podobně.

V českém a středoevropském kontextu to má přímou paralelu: místo sázky na „značku zítřka“ dává větší smysl budovat vrstvy, které zlevňují výrobu napříč sektorem.

AI do této logiky zapadá perfektně, pokud ji postavíte jako infrastrukturu:

• datová vrstva nad farmou/výrobou (standardizace dat, integrace),
• modely pro optimalizaci procesů (ne jen jeden úzký use-case),
• nástroje pro kvalitu, sledovatelnost a audit.

Jedna věta, která se vyplatí opakovat v pitchi:

Produkt není „AI model“. Produkt je levnější a stabilnější výroba.

Jak postavit AI projekt, který projde i v době škrtů

Nejčastější chyba? Firmy začnou u algoritmu. Správně se začíná u rozhodnutí, které chcete zlepšit, a u toho, jak poznáte úspěch.

Praktický rámec: 6 kroků pro AI v agrifoodu

1. Vyberte jeden proces s jasnou zodpovědností (kdo za to ručí, kdo může změnit rozhodnutí).
2. Nastavte 2–3 KPI, které jde vyčíslit (např. zmetkovitost, spotřeba energie na tunu, výnos/ha, prostoje).
3. Získejte baseline (posledních 6–12 měsíců dat, sezónnost).
4. Udělejte pilot do 8–12 týdnů – žádné roční projekty bez dopadu.
5. Zaveďte „human-in-the-loop“ (AI doporučuje, člověk potvrzuje; u auditu je to zásadní).
6. Změřte dopad a zindustrializujte (integrace do ERP/MES, školení, procesní změny).

Pokud chcete budovat leady (a zároveň důvěru), vyplatí se mít připravený jednoduchý artefakt: jednostránkovou ROI kalkulačku pro konkrétní use-case.

Co investoři a vedení chtějí slyšet v roce 2025

• Kolik ušetříme a za jak dlouho?
• Je řešení škálovatelné napříč závody/regiony/plodinami?
• Jaká je datová závislost (senzory, kvalita dat, integrace)?
• Jaké jsou provozní rizika (model drift, výpadky, odpovědnost)?

Když na tyhle otázky odpovíte konkrétně, financování (externí nebo interní) se hledá snáz i v „chudších“ letech.

Mini Q&A: otázky, které padají pořád

Je AI v zemědělství drahá hračka pro velké podniky?

Ne, pokud začnete u úzkého procesu a měřitelného dopadu. Nejrychlejší návratnost bývá u plánování, kvality a spotřeby vstupů – a to i u středních firem.

Co když nemáme dost dat?

V agrifoodu je to běžné. Řešení bývá postupné: nejdřív datový sběr a standardy, pak jednoduché modely (např. predikce/klasifikace) a teprve potom pokročilá optimalizace.

Proč teď, když funding klesá?

Protože právě teď se vyplácí projekty, které zlevňují provoz. V dobách růstu se odpustí neefektivita. V dobách tlaku na marže ne.

Co si z toho odnést (a co udělat příští týden)

Pokles investic do food techu o 59 % byl signál, že trh dospěl: méně slibů, více výsledků. V zemědělství a potravinářství je to zdravý tlak. Nutí firmy soustředit se na reálné přínosy – a právě tam AI v agrifoodu dává největší smysl.

Pokud chcete navázat na náš seriál Umělá inteligence v zemědělství a potravinářství, udělejte příští týden jednu věc: vyberte jeden proces, kde máte největší ztráty nebo největší rozptyl výsledků, a napište si k němu tři čísla – náklad, frekvenci, odpovědnost. To je začátek AI projektu, který přežije rozpočtové škrty.

A teď ta otázka, která rozhodne: Kde ve vašem řetězci vzniká nejdražší „tichá“ ztráta – na poli, ve výrobě, nebo v logistice?