AI v chytré kuchyni: lekce z Tovala pro potravinářství

V chytré kuchyni se úspěch nepozná podle počtu senzorů, ale podle toho, kolik „neviditelné práce“ za vás systém spolehlivě udělá. Tovala to pochopila brzy: místo aby zákazník musel přemýšlet, jak dlouho, na jakou teplotu a v jakém režimu jídlo připravit, stačí naskenovat kód a trouba odvede zbytek. V databázi mají přes 1 000 produktů, u kterých umí nastavit optimalizovaný postup přípravy.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je Tovala výborná analogie. Ne proto, že by domácí trouba byla zemědělská technologie, ale protože ukazuje, jak vypadá datově řízené rozhodování v praxi: sbírat zpětnou vazbu, iterovat produkt, automatizovat rutinu a snižovat plýtvání energií i potravinami. A hlavně: umět naslouchat.

„Když jsme ochotní naslouchat zákazníkům, dají nám šanci iterovat. Když nenasloucháme, nemusíme tu být napořád.“ (Keeley Kabala, COO Tovala)

Co je na Tovala zajímavé pro AI v potravinářství

Tovala staví na jednoduché, ale silné myšlence: spojit hardware (trouba) a službu (jídlo / databáze přípravy) tak, aby uživatel dostal konzistentní výsledek bez kuchařské dovednosti. To je přesně logika, kterou dnes vidíme i v potravinářských provozech: automatizace, standardizace kvality a měření.

V rozhovoru s COO Keeleym Kabalou zaznívá několik principů, které si může odnést i český potravinář nebo agrifood startup:

• Automatizace procesu napříč kroky (multi-step vaření: pečení → pára → gril).
• Databáze „receptů“ pro konkrétní produkty (scan-to-cook pro CPG zboží).
• Kontrola kvality až u zákazníka díky předdefinovaným cyklům.
• Zpětná vazba jako palivo pro vývoj (např. fyzická tlačítka na troubě vznikla kvůli uživatelské poptávce).

A teď ta důležitá věc: i když Tovala mluví o „smart“ funkcích, ve skutečnosti prodává snížení kognitivní zátěže. To je v potravinářství často podceňované — automatizace má uspět hlavně tam, kde lidem bere rutinu, ne kde jim přidá další aplikaci.

Scan-to-cook jako model „AI receptu“ pro celý dodavatelský řetězec

Scan-to-cook vypadá jako drobnost: naskenujete čárový kód a trouba ví, co dělat. Jenže ve skutečnosti jde o přenesení know-how (receptury, tepelné profily, bezpečnost) do softwaru.

Proč to funguje

Tovala staví na kombinaci:

1. Identifikace produktu (UPC/čárový kód).
2. Databáze postupů (optimalizované cykly pro konkrétní zboží).
3. Automatizace bez předehřevu („set and forget“ – cyklus počítá s náběhem teploty).
4. Multi-step režimy (kombinace tepla, proudění vzduchu a páry).

V potravinářství je tohle velmi podobné tomu, když AI model nebo pravidlový systém řídí:

• teplotní křivky v pecích,
• sušení a vlhkost,
• pasteraci/sterilizaci,
• optimalizaci dávkování,
• plánování výroby podle očekávané poptávky.

Jedna dobře navržená věta, kterou bych si z toho odnesl: „Nejde o chytré zařízení, jde o chytrý postup.“

Jak to přenést do české praxe

Pokud jste výrobce potravin, řetězec, nebo provozujete vlastní značku, podobný princip lze aplikovat i bez vlastní trouby:

• Standardizujte přípravu a komunikujte ji tak, aby byla „nepřestřelitelná“ (čas/teplota/režim, ideálně pro více typů spotřebičů).
• Sbírejte data o tom, jak lidé skutečně vaří (reklamace, recenze, vratky, zákaznická podpora).
• Zvažte partnerství s výrobci spotřebičů nebo chytrých domácích systémů (to je evropsky relevantní trend, i když je fragmentovaný).

Multi-step vaření = řízení procesu, ne jen ohřev

Jedna z nejpraktičtějších částí rozhovoru je důraz na multi-step cooking: trouba během jednoho cyklu mění režimy a teploty. V běžné domácnosti je to typicky to, co lidé nedělají, protože je to otravné hlídat. Automatizace z toho udělá standard.

Tovala prodává modely „five-in-one“ a „six-in-one“, přičemž u šestiv-jednom je navíc pára. Pára není jen „komfort“, ale fyzika: pomáhá udržet šťavnatost, zrychlit přenos tepla a lépe řídit zhnědnutí.

Pro potravináře je to důležité ze dvou důvodů:

1) Konzistence kvality

Konzistence je v potravinářství měna. Pokud máte technologii, která dokáže reprodukovatelně řídit postup (ať už je to trouba, pec, konvektomat nebo linka), snižujete rozptyl výsledku.

2) Bezpečnost potravin jako součást algoritmu

Kabala mluví i o „kill step“ – tedy kroku, který zajistí bezpečnost (dosažení správné teploty) a zároveň udrží kvalitu. To je přesně prostor, kde AI a modelování dávají smysl: hledat kompromis mezi:

• dosažením bezpečné teploty,
• strukturou a šťavnatostí,
• časem,
• spotřebou energie.

V zemědělství je analogie podobná: taky optimalizujete více cílů najednou (výnos, kvalita, voda, hnojiva, riziko chorob). Dobrá AI není o jednom KPI.

Naslouchání zákazníkům: nejlevnější datový zdroj, který firmy ignorují

Nejostřejší lekce z Tovala zní banálně: poslouchejte uživatele. Ale v praxi to znamená něco konkrétního.

Tovala například u první generace trouby přepálila „smart“ směr: ovládání jen přes aplikaci. Zákazníci řekli jasně, že chtějí i fyzická tlačítka. Firma to vzala vážně a upravila design.

V potravinářství a agrifoodu se často děje totéž:

• technologové a vývojáři navrhnou „ideální“ proces,
• provoz nebo zákazník ho obejde,
• firma to interpretuje jako „lidi to neumí používat“.

Správná interpretace je opačná: proces je špatně navržený, protože nereflektuje realitu.

Praktický checklist pro datově řízené naslouchání

Pokud chcete z feedbacku udělat něco, co připomíná AI-ready přístup (a ne jen chaotické poznámky), funguje mi tento rámec:

1. Sběr signálů na jednom místě (podpora, recenze, vratky, NPS, servis).
2. Tagování do kategorií (kvalita, chuť, příprava, balení, cena, doručení).
3. Vazba na konkrétní krok procesu (kde to vzniklo: receptura, obal, logistika, instrukce).
4. Rychlá iterace (malé změny každé 2–4 týdny, ne „velký redesign jednou ročně“).
5. Měření dopadu (klesly reklamace? rostou opakované nákupy? zkrátil se čas přípravy?).

Tohle není sexy, ale je to přesně ten typ disciplíny, který z AI dělá užitečný nástroj, ne powerpoint.

Od trouby k farmě: proč je to stejné téma (plýtvání)

Kabala zmiňuje dvě velké příležitosti: snížení plýtvání potravinami a energií. A tím se Tovala překlápí přímo do naší série o AI v zemědělství a potravinářství.

V prosinci 2025 navíc firmy i domácnosti řeší náklady: energie sice kolísají, ale tlak na efektivitu a udržitelnost zůstává. A právě tady mají „malé“ optimalizace velký dopad.

Co si z toho může vzít agrifood sektor

• Správná velikost zařízení pro správný úkol: Kabala říká, že velkou troubu doma používá v podstatě jen na Vánoce a na Den díkůvzdání. Přeneseně: v provozu nepoužívejte „kladivo“ na všechno.
• Personalizace snižuje odpad: když víte, co lidé skutečně jedí, vyrábíte a objednáváte přesněji.
• Inventory management není jen ERP: je to predikce poptávky, práce s expiracemi a chytré doporučování.

V zemědělství se to potkává s AI modely pro:

• předpověď výnosů,
• plánování sklizně,
• optimalizaci skladování,
• řízení chlazení a logistiky,
• detekci ztrát a odchylek.

Jedním řádkem: AI má nejvyšší návratnost tam, kde snižuje ztráty, ne tam, kde přidává „feature“.

Co čekat v příštích 5–10 letech: automatizace bude nudná (a to je dobře)

Tovala míří z přímého prodeje do retailu (v rozhovoru zmiňují Costco) a tím se mění typ zákazníka i očekávání. To je typická situace, kdy produkt musí dospět: méně „hraček“, více spolehlivosti.

V potravinářství a v zemědělství se podobně bude prosazovat AI, která:

• je zabudovaná do procesů,
• vyžaduje minimum školení,
• funguje i při neideálních datech,
• dává jasné doporučení, ne jen graf.

Moje predikce pro rok 2030 v agrifoodu je prostá: vyhrají ti, kdo propojí data z provozu, logistiky a zákazníků do jednoho rozhodovacího cyklu. Ne ti, kdo budou mít nejvíc dashboardů.

Co z příběhu Tovala udělat u vás (konkrétní next steps)

Pokud jste z potravinářství, gastro, retailu nebo agrifoodu a chcete si z Tovala odnést něco praktického, zkuste začít takto:

1. Vyberte jeden proces s vysokou variabilitou (např. dopeky, ohřev, balení, expedice, skladová rotace).
2. Definujte „ideální cyklus“ (co přesně je cílový stav: čas, teplota, vlhkost, odpad, reklamace).
3. Zaveďte jednoduchý sběr dat (i tabulka je lepší než nic, hlavně konzistentně).
4. Automatizujte jednu rutinu (doporučení, plán, upozornění, kontrolní bod).
5. Zpětnou vazbu berte jako dataset (a pravidelně ji čistěte a vyhodnocujte).

Pokud chcete, napište si interně jednu větu, kterou budete opakovat při každém rozhodnutí: „Snižuje to práci a plýtvání, nebo jen přidává složitost?“

Na čem bude záležet v roce 2026? Na tom, jestli AI v zemědělství a potravinářství pomůže lidem dělat méně zbytečných kroků — stejně jako to dělá dobře navržená chytrá kuchyň. A co je váš „scan-to-cook“ moment ve výrobě nebo v dodavatelském řetězci?