Pizza robot a AI: co si z toho vzít pro agropotraviny

V únoru 2025 zazněla na CES docela výmluvná věta: restaurace MOTO Pizza staví plně autonomního pizza robota od těsta až po krabici. Ne „robot na posyp“, ne „pomocník na omáčku“, ale systém, který zvládne celý řetězec kroků: vyndat těsto z chlazení, nechat ho nakynout, nadávkovat suroviny, upéct, dokončit, nakrájet a zabalit.

Z pohledu našeho seriálu „Umělá inteligence v zemědělství a potravinářství“ je na tom nejzajímavější něco jiného než pizza. Je to důkaz, že end‑to‑end automatizace (od vstupu po hotový produkt) už není teorie. A že stejné principy, které dělají konzistentní pizzu ve špičce, umí dělat konzistentní kvalitu i v agropotravinářství: od sklizně přes zpracování až po balení.

Tahle analogie není jen hezký příměr. Je praktická. Když se dívám na projekty u farmářů i potravinářů, největší rozdíl mezi „AI jako hračka“ a „AI jako investice“ je přesně v tom, jestli řešíme izolovaný krok, nebo celý proces.

End-to-end automatizace: proč je důležitější než jednotlivé stroje

End‑to‑end robotika znamená, že se automatizuje celý tok práce, ne jen jedna operace. V MOTO to vypadá jako cesta pizzy od lednice po krabici. V zemědělství a potravinářství je to typicky cesta od suroviny po expedici.

Když automatizujete jen „jedno místo“ (např. jen dávkování, jen třídění, jen kontrolu kvality), často narazíte na realitu provozu:

• Úzké hrdlo se jen přesune o krok dál.
• Data se sbírají, ale nejsou napojená na rozhodování.
• Lidé pořád musí ručně „lepit“ přechody mezi kroky.

End‑to‑end přístup naopak staví technologii kolem průtoku:

1. Standardizovaný vstup (suroviny, polotovary, dávky, šarže).
2. Měřitelné kroky (čas, teplota, vlhkost, hmotnost, barva, viskozita… podle oboru).
3. Zpětná vazba v reálném čase (když se něco odchyluje, systém upraví další krok).
4. Sledovatelnost (co se stalo, kdy, s čím a proč).

Tohle je přesně logika precizního zemědělství: senzorika + model + zásah. Rozdíl je jen v tom, že „zásah“ může být zavlažování a hnojení, nebo dávkování surovin a profil pečení.

Jak pizza robot připomíná precizní zemědělství (víc, než se zdá)

Pizza a pole spojuje stejný cíl: stejný výsledek pokaždé, i když podmínky kolísají.

Stejný princip: měření → predikce → akce

U pizzy kolísá třeba teplota suroviny, aktivita kvasinek, vlhkost těsta nebo vytížení pece. Na poli kolísá počasí, půdní vlhkost, tlak škůdců nebo dostupnost živin.

V obou případech vyhrává ten, kdo:

• měří kritické proměnné (ne všechno, ale to podstatné),
• rozumí jejich vztahu ke kvalitě a výnosu,
• umí zasáhnout včas a přesně.

To je mimochodem důvod, proč je „robot jen na posyp“ podobný jako „senzor jen pro hezký graf“. Vypadá to moderně, ale dopad na výsledek je omezený, pokud chybí navazující rozhodování.

„Od lednice po krabici“ vs. „od půdy po regál“

MOTO popisuje robot, který si poradí s celým procesem. V agropotravinářství to odpovídá konceptu farm‑to‑fork (od farmy po vidličku):

• na farmě: monitoring porostu, cílené zásahy, plán sklizně,
• při sklizni: optimalizace času a ztrát, logistika,
• ve zpracování: receptury, dávkování, tepelné profily, výtěžnost,
• v balení: kontrola kvality, značení šarží, minimalizace odpadu,
• v distribuci: predikce poptávky, rotace zásob.

Neříkám, že každý potřebuje „robota na všechno“. Říkám, že hodnotu přináší propojení.

Co v praxi rozhoduje: data, standardy a „kde je lidská hodnota“

Robota postavíte, ale provoz vyhrajete až tehdy, když máte pod kontrolou data a proces. MOTO podle veřejně dostupných informací cílí na autonomii, tedy minimum lidských zásahů. To je ambiciózní. A právě tady je poučení pro zemědělství i potravináře.

1) Data bez standardu jsou jen drahá historie

V potravinářství i na farmě se často sbírají data, která se nedají porovnat:

• jiné jednotky, jiné intervaly, jiné „nuly“,
• chybějící identita šarže/pole,
• data jsou v různých systémech a nejdou spojit.

End‑to‑end automatizace nutí udělat „nudnou“ práci: sjednotit datové definice. Například:

• co přesně je „dávka“,
• kdy začíná a končí „krok“,
• co je „OK kvalita“ a kdo ji schvaluje.

Bez toho AI nepomůže. Ne proto, že by byla slabá, ale protože nemá o co se opřít.

2) Autonomie vyžaduje robustní okrajové případy

Pizza robot musí zvládnout situace typu: těsto je chladnější, topping došel, pec má jinou setrvačnost, krabice se zasekla. Na farmě to jsou: lokální přísušek, jiný tlak chorob, porucha čerpadla, odlišná zralost v části pozemku.

AI v provozu není o průměru. Je o tom, co se stane v těch 5 % případů, kdy se něco pokazí.

Praktické doporučení: pokud začínáte s AI/robotikou, definujte si:

• 10 nejčastějších odchylek,
• 10 nejdražších odchylek,
• a u každé jasnou reakci (automatickou nebo lidskou).

3) Lidé nejsou „náklad“, jsou kontrolní systém

V článku o MOTO zaznívá motiv, který v agropotravinářství vidím pořád: automatizace často začne až ve chvíli, kdy provoz narazí na limit (zranění, nedostatek lidí, růst poptávky). To není ostuda. To je realita.

Dobře navržená automatizace nevyhazuje lidi „z procesu“. Přesouvá je:

• z rutiny do dohledu,
• z těžké manuální práce do kontroly kvality,
• z hašení požárů do plánování.

Tohle je mimochodem jeden z největších argumentů pro český trh koncem roku 2025: tlak na mzdy, nedostatek pracovníků v sezóně a potřeba stabilní kvality.

Kde se dá začít už teď: 5 kroků pro farmáře a potravináře

Nejlepší start je tam, kde máte jasnou metodu měření a jasný finanční dopad. Tady je postup, který se opakovaně osvědčuje (a funguje pro farmy i výrobní provozy).

1) Najděte jeden „produktový“ ukazatel kvality

Vyberte metriky, které se dají měřit pravidelně a mají přímý vztah k penězům:

• zemědělství: výnos na hektar v zónách, obsah dusíku, ztráty při sklizni,
• potravinářství: výtěžnost, odpad, reklamace, stabilita receptury, doba cyklu.

2) Zmapujte proces jako tok (ne jako oddělení)

Nakreslete cestu suroviny: vstup → kroky → výstup. Pak označte, kde vzniká nejvíc:

• čekání,
• variability,
• ručního přepisování,
• odpadu.

To je vaše „end‑to‑end mapa“.

3) Instrumentujte jen kritické body

Neinstalujte senzory všude. Zaměřte se na 3–5 míst, která ovlivní výsledek:

• teplota/vlhkost (sklady, fermentace, sušení),
• hmotnost/dávkování,
• optická kontrola (barva, vady),
• časové značky (kdy co začalo a skončilo).

4) Zaveďte uzavřenou smyčku (closed loop)

Tohle je rozdíl mezi „monitoringem“ a „řízení“.

• Monitoring: „Vlhkost je moc vysoká.“
• Řízení: „Vlhkost je moc vysoká → upravím ventilaci / teplotu / rychlost pásu / plán sklizně.“

Začněte jednoduchým pravidlem (rule‑based). AI přidejte až ve chvíli, kdy víte, že smyčka dává smysl.

5) Počítejte návratnost po šaržích / hektarech

ROI u AI a robotiky se nejlépe obhajuje tak, že ho přepočtete na „jednotku provozu“:

• Kč/ha (u polí),
• Kč/šarži nebo Kč/1 000 kusů (ve výrobě).

Jakmile tohle máte, investice se přestane diskutovat pocitově.

„Lidi chtějí řemeslo.“ Ano. A právě proto potřebujete systém

Obava, že robotika zabije řemeslo, je pochopitelná. Jenže praxe v rychle rostoucích podnicích ukazuje pravý opak: největší nepřítel řemesla je chaos a nekonzistence.

Pokud má značka růst (ať je to pizzerie, pekárna nebo regionální výrobce), narazí na to, že „nejlepší člověk“ nemůže být u každé směny. A na farmě narazíte na to, že „nejlepší agronom“ nemůže být fyzicky u každé parcely v ten správný den.

Systém, který umí opakovat kvalitu, dává řemeslu prostor tam, kde má hodnotu: ve vývoji receptur, práci se surovinou, volbě odrůd, plánování osevů, rozhodování o strategii.

Co si odnést z příběhu MOTO Pizza pro české agropotravinářství

Plně autonomní pizza robot je hlavně připomínka, že AI a robotika dávají největší smysl tehdy, když propojí celý proces. V zemědělství tomu říkáme precizní řízení. V potravinářství stabilní výroba. V obou je to totéž: méně variability, méně odpadu, stejná kvalita.

Pokud chcete v roce 2026 (a dál) růst bez toho, aby vám provoz přerostl přes hlavu, zkuste se na svůj podnik podívat stejně jako MOTO na pizzu: kde je začátek toku, kde konec, a co musí být mezi tím měřitelné a řiditelné.

A teď ta otázka, kterou si stojí za to položit nahlas: kdybyste měli automatizovat jen jeden jediný „end‑to‑end“ úsek mezi vstupem suroviny a hotovým produktem, který by vám dnes ušetřil nejvíc času, nervů a odpadu?