AI a recyklace bioodpadu: proč firmy řeší zbytky jídla

20 milionů dolarů ročního obratu v kategorii, která ještě nedávno působila jako „hezký doplněk pro pár nadšenců“. Přesně toho dosáhl startup Mill, který začínal s domácím „recyklátorem“ kuchyňských zbytků a letos rozšířil nabídku o Mill pro pracoviště. Zní to jako detail ze světa food techu, ale pro zemědělství a potravinářství je to signál, že řešení potravinového odpadu se posouvá z okraje do mainstreamu.

A teď ten důležitý most k naší sérii Umělá inteligence v zemědělství a potravinářství: samotný přístroj může být „jen“ chytrý hardware. Skutečná hodnota vzniká ve chvíli, kdy se odpad začne měřit, předvídat a řídit – tedy přesně tam, kde nastupují data, AI a optimalizace procesů. Na konci roku 2025, kdy firmy řeší ESG reportování, tlak na náklady a zároveň nejistoty v dodavatelských řetězcích, dává snižování bioodpadu překvapivě dobrý ekonomický smysl.

Proč je firemní bioodpad ideální místo pro AI

Bioodpad ve firmách je „datově vděčný“ problém: opakuje se, vzniká ve velkém a má jasné finanční i ekologické dopady. Kantýny, kuchyňky, catering, hotelové snídaně, nemocnice, školy – všude tam vzniká směs odpadu, která je drahá na odvoz, často zatížená zápachem a hygienickými požadavky a obvykle končí bez smysluplného využití.

AI se sem hodí z jednoduchého důvodu: nejdřív potřebujete vidět, co se děje. Většina provozů dnes tuší, že „se vyhazuje hodně“, ale neví:

• které typy jídel končí nejčastěji v koši,
• zda je problém v objednávkách, skladování, porcování nebo chování strávníků,
• jaký je skutečný trend po týdnech a sezónách,
• a co je nejlevnější zásah s největším efektem.

Jakmile začnete sbírat data (hmotnost, frekvence, typ odpadu, čas, provoz), dostanete prostor pro predikci a řízení: plánování nákupů, úpravu jídelníčku, lepší skladové hospodářství, nebo prostě menší porce u položek, které se systematicky nedojídají.

„Recyklátor“ je jen začátek: klíč je měření a řízení

Mill u svého pracovního řešení zdůrazňuje také fleet management software – tedy správu více zařízení napříč lokalitami. To je přesně ta část, která je pro firmy zásadní: ne koupit krabici, ale zavést proces.

V praxi to znamená, že uvidíte například:

• kolik bioodpadu vzniká na jednu pobočku a den,
• jaké lokality se vymykají a proč,
• kdy je nutný servis, svoz nebo výměna,
• a jak se mění čísla po zavedení opatření.

Tohle je moment, kdy se z „eko nápadu“ stává manažerský nástroj.

Co si vzít z příběhu Mill: škálování řešení proti odpadu

Fakt, že Mill dosáhl cca 20 milionů dolarů obratu za posledních 12 měsíců a expanduje z domácností do firem, říká tři důležité věci o trhu:

1. Firmy chtějí jednoduchost. Ne další projekt, který skončí v šanonu. Chtějí službu, která „prostě funguje“.
2. Model předplatného je pro adopci klíčový. Mill dlouhodobě komunikuje měsíční plán (u domácností kolem 35 USD/měsíc). U B2B se dá čekat vyšší cena, ale i vyšší ochota platit, pokud to šetří práci a pomáhá s cíli udržitelnosti.
3. Kombinace hardwaru + software je obrana proti kopírování. Samotný přístroj může časem nabídnout víc firem. Výhoda vzniká z dat, workflow, servisu a integrací.

Tohle je dobrá lekce i pro české prostředí: nejrychleji se prosazují řešení, která jsou „produktizovaná“, ne „poradenská“.

Proč jde o téma pro potravinářství a zemědělství, ne jen pro kanceláře

Bioodpad není izolovaný. Je to konečný důsledek neefektivity v celém řetězci.

• Když kancelář vyhodí obědy, někde dřív se zbytečně vypěstovaly suroviny.
• Když se plýtvá v kantýně, je to často důsledek špatné predikce poptávky (kolik lidí přijde, co budou chtít).
• Když se odpad „zpracuje“ lokálně, mění to logistiku svozu a využití.

A právě proto se potravinový odpad stále častěji bere jako provozní metrika, podobně jako energie nebo voda.

Jak může AI konkrétně snížit potravinový odpad ve firmách

AI snižuje odpad tehdy, když mění rozhodnutí v reálném čase. Ne když jen „vytvoří report“. Tady jsou praktické scénáře, které dnes dávají největší smysl.

Predikce poptávky v kantýně (a konec „vaříme radši víc“)

Nejčastější důvod odpadu ve stravování je jednoduchý: nejistota. Když nevíte, kolik lidí přijde, uvaříte víc. AI modely umí pracovat s:

• historií prodejů,
• kalendářem (dovolené, školní prázdniny, svátky),
• počasím (ano, ovlivňuje to chování),
• firemními událostmi,
• a skladovými zásobami.

Výsledek: lepší plán výroby a nákupu. V českých firmách často stačí snížit nejistotu o pár procent a odpad padá viditelně dolů.

Detekce „odpadu ze špatného procesu“

Část odpadu nevzniká tím, že lidé nedojí, ale tím, že se něco pokazí:

• nevhodné skladování,
• prošlé suroviny,
• přehřátí nebo znehodnocení,
• špatné značení.

Pokud systém sbírá data o tom, kdy a kde odpad vzniká, AI umí hledat vzory: například opakované vyhazování mléčných výrobků v konkrétní lednici nebo na konkrétní směně.

Optimalizace menu a porcí bez zhoršení spokojenosti

Tady se firmy bojí nejvíc: „Když zmenšíme porce, lidi budou naštvaní.“ Realita je, že porce se dají optimalizovat selektivně.

• U jídel s vysokým podílem nedojedených zbytků zmenšíte standard a nabídnete doplatek za „XL“.
• U salátů a příloh dáte volbu velikosti.
• U položek s nízkým odpadem nešaháte na nic.

AI pomůže určit, kde změna ušetří nejvíc a kde naopak riskujete propad prodejů.

Jedna věta, kterou si můžou dát provozáci na zeď: Neoptimalizujte všechno. Optimalizujte to, co se vyhazuje.

Co řešit před nákupem technologie na bioodpad (checklist pro firmy)

Nejdražší chyba je koupit zařízení bez procesní změny. Pokud uvažujete o „chytrém“ řešení pro bioodpad (ať už Mill nebo jiné alternativy), projděte si rychle tohle:

1. Cíl: chcete snížit náklady na svoz, splnit interní ESG KPI, nebo zlepšit predikci výroby? Každý cíl vyžaduje jiné metriky.
2. Měření: jak budete měřit baseline? Bez výchozího stavu nikdy neprokážete přínos.
3. Provoz: kdo bude zodpovědný za denní rutinu (vysypání, čištění, logistika)?
4. Data: kam půjdou data a kdo je bude číst? Ideálně někdo, kdo může měnit objednávky a plán výroby.
5. Využití výstupu: kompost, krmivo, bioplyn – co je realistické ve vašem regionu a legislativě?
6. Hygiena a compliance: jaké jsou interní standardy, HACCP návaznosti, školení personálu?

Když je odpověď na body 2–4 „nějak to dopadne“, technologie vám pravděpodobně nepomůže.

Proč je to relevantní právě teď (prosinec 2025)

Konec roku je ve firmách tradičně obdobím bilancování: rozpočty, ESG reporty, revize dodavatelů, úspory. A současně roste tlak na to, aby „udržitelnost“ nebyla PR kapitola, ale prokazatelná provozní disciplína.

Do toho přichází i makro realita hardwaru: globální nejistota, ceny komponent, cla a logistika. Mill sám naznačuje citlivost hardwarových firem na tarify. To je mimochodem další argument, proč dává smysl u podobných řešení hlídat:

• kolik hodnoty je v zařízení vs. ve službě,
• jak rychle se dá škálovat software,
• a jak dobře je nastavený servisní model.

Z pohledu AI v potravinářství to zapadá do širšího trendu: digitalizace provozu. Stejně jako se v zemědělství prosazuje precizní agronomie díky senzorům a predikci výnosů, v gastro a potravinářství se prosazuje precizní provoz díky měření a predikci odpadu.

Co si z toho odnést a jak začít bez velkého rizika

Pokud chcete snížit potravinový odpad, nemusíte hned kupovat nejdražší zařízení. Doporučuju postup, který funguje i v „běžných“ českých firmách:

• 14 dní měřte odpad (aspoň hmotnost a typ: příprava vs. talíř vs. prošlé zásoby).
• Vyberte jednu páku: například predikce počtu strávníků nebo úprava porcí u 3 nejhorších položek.
• Nastavte KPI: kg odpadu na 100 porcí, náklad na odpad na den, nebo počet svozů.
• Teprve pak řešte technologii, která rutinu zjednoduší a data automatizuje.

A pokud jste z potravinářství nebo zemědělského provozu: dívejte se na podobné startupy jako na inspiraci, jak z problému odpadu udělat uzavřenou smyčku. Odpad není jen „náklad“. Je to signál, že někde v řetězci chybí informace.

Naše série o umělé inteligenci v zemědělství a potravinářství stojí na jedné myšlence: AI dává smysl tam, kde se rozhoduje často, ve velkém a na základě dat. A firemní bioodpad do téhle definice sedí až nepříjemně dobře.

Co by se změnilo, kdyby vaše firma dokázala předpovědět odpad stejně spolehlivě, jako dnes plánuje směny?