AI ve food tech: proč se investoři vrací k inovacím

V Q2 2023 se počet venture kapitálových investic do food techu zvedl o 13,3 % na 268 obchodů (oproti 197 v Q1). Hodnota investic přitom zůstala skoro stejná: 2,2 mld. USD vs. 2,3 mld. USD. To je přesně ten typ signálu, který v praxi znamená „opatrný návrat chuti riskovat“ – investoři se vracejí, ale vybírají si pečlivě.

A teď to podstatné pro náš seriál „Umělá inteligence v zemědělství a potravinářství“: food tech dnes z velké části stojí na datech. A kde jsou data, tam je AI. Ne jako marketingové slovo, ale jako nástroj, který umí snížit náklady, stabilizovat kvalitu a hlavně udělat z provozních rozhodnutí něco měřitelnějšího než „tak to děláme roky“.

Zprávy o investicích jsou zajímavé samy o sobě. Pro firmy z agro a potravinářství jsou ale ještě zajímavější jako mapa: kam tečou peníze, tam se příští 2–3 roky budou zrychlovat piloty, integrace a nákupy technologií. A když se trh po dvou letech útlumu nadechuje, je dobrý čas přestat řešit AI jen v prezentacích a začít ji přepočítávat na konkrétní provozní přínos.

Co nám růst počtu dealů říká (a co ne)

Růst počtu investic při téměř stejné hodnotě znamená, že se dělá víc menších a středních kol, ale investoři jsou stále opatrní u „velkých sázek“. V praxi to bývá období, kdy se preferují projekty s jasným product-market fit, rychlejší návratností a měřitelným dopadem na jednotkovou ekonomiku.

To sedí i na AI v zemědělství a potravinářství. Nejlépe se dnes financují řešení, která:

• šetří energii, vodu, suroviny nebo práci,
• snižují zmetkovitost a reklamace,
• zvyšují predikovatelnost (výnosy, poptávka, zásoby),
• prokazatelně zkracují čas od rozhodnutí k výsledku.

Naopak hůř se obhajují projekty, které mají krásný demo dashboard, ale žádnou vazbu na výrobu, logistiku nebo agronomickou realitu. Most mezi „AI modelem“ a „výsledovkou“ už není nice-to-have. Je to filtr.

„Dry powder“: peníze jsou připravené, ale chtějí důkazy

PitchBook ve své analýze mluví o tom, že investoři mají významné rezervy („dry powder“) a mohou se postupně vracet k nasazování kapitálu. To je důležité číst mezi řádky: peníze na trhu jsou, jen se daleko tvrději vyžaduje důkazní materiál.

V roce 2025 to v Evropě (a tedy i v Česku) znamená, že u AI projektů vyhrává ten, kdo umí odpovědět na tři věty:

1. Kde přesně vzniká úspora nebo růst tržeb?
2. Jak to změříme do 90 dnů?
3. Co se stane, když model „nebude mít pravdu“ – jaké jsou pojistky v procesu?

Kam tečou peníze: e-commerce, alternativní proteiny a „data všude“

Největším segmentem podle hodnoty investic byl v Q2 2023 food e-commerce (přes 1 mld. USD). Na první pohled to s AI v zemědělství nesouvisí. Ve skutečnosti velmi.

E-commerce tlačí na:

• přesnější plánování poptávky,
• rychlejší fulfillment,
• minimalizaci vyhozených potravin,
• dynamickou cenotvorbu a promo optimalizaci.

A to jsou přesně disciplíny, kde AI (typicky prediktivní modely a optimalizace) přináší rychlé výsledky – a také rychle měřitelný dopad.

Proč je e-commerce důležitá i pro výrobce a prvovýrobu

Když se zpřesní signál poptávky, zlepší se plánování celé vertikály. Výrobce lépe plánuje šarže, distributor objednávky, prvovýroba sklizeň a skladování. V potravinách se každé procento chyby násobí: přebytky končí slevami nebo odpadem, nedostatky končí ztracenými tržbami a rozbitou důvěrou.

AI v tomto řetězci nejčastěji funguje jako „překladač reality“:

• z objednávek, sezónnosti, počasí a promo akcí dělá predikci,
• z predikce dělá plán,
• z plánu dělá nákup surovin, výrobu a logistiku.

Alternativní proteiny: velká čísla, ale vyhrávají ti praktičtí

PitchBook uvádí predikci, že globální trh alternativních proteinů má růst z 76 mld. USD (2023) na 423 mld. USD (2033) při CAGR 19 %. Jsou to silná čísla – a zároveň oblast, kde se často zbytečně míchá věda, marketing a ekonomika.

Můj pohled: alternativní proteiny nejsou sázka na ideologii, ale na efektivitu. A efektivita je tvrdá disciplína. Uspět znamená zvládnout chuť, texturu, cenu, regulaci, škálování a stabilní dodavatelský řetězec. AI do toho vstupuje hlavně ve třech bodech.

1) AI pro receptury a senzoriku (chuť a textura)

AI umí zrychlit iterace receptur tím, že propojí senzorická data, suroviny a procesní parametry. Nejde jen o „co chutná“, ale o to, co chutná stabilně v různých šaržích, s různými dodávkami vstupů a při různých režimech výroby.

Prakticky to může znamenat:

• modely pro predikci senzoriky na základě složení,
• optimalizaci fermentace (teplota, čas, pH, živiny),
• hledání náhrad surovin při výpadcích nebo zdražení.

2) AI pro výtěžnost a energetiku výroby

V alternativních proteinech často rozhoduje výtěžnost a energie na jednotku produktu. AI pro řízení procesů (v kombinaci se senzory) dokáže snížit variabilitu a stabilizovat výrobu – což se hned promítne do nákladů.

3) AI pro kontrolu kvality a bezpečnost

U nových potravinových kategorií se kvalitě a trasovatelnosti nevyhnete. Počítačové vidění a anomální detekce jsou typické rychlé implementace:

• vizuální kontrola povrchu, struktury, barvy,
• detekce odchylek v procesu,
• včasné zachycení rizika zkažení nebo kontaminace.

Proč je AI dnes „magnet“ na kapitál: ROI je jednodušší dokázat

Investoři se vracejí tam, kde jde rychle ověřit ekonomický přínos. AI v potravinářství a zemědělství má jednu velkou výhodu: většina procesů má jasné metriky.

Typické metriky, které fungují i pro interní business case:

• % odpadu a zmetkovitosti,
• OEE a prostoje linek,
• spotřeba energie na jednotku produkce,
• přesnost predikce poptávky a zásob,
• ztráty z expirací,
• stabilita kvality mezi šaržemi.

A pokud máte metriky, můžete dělat piloty, které netrvají rok.

Příklad „rychlého“ AI pilotu v potravinářství (8–12 týdnů)

Cíl: snížit zmetkovitost na jedné lince.

1. Týdny 1–2: sběr dat (PLC, senzory, laboratorní výsledky, záznamy o šaržích).
2. Týdny 3–6: model pro predikci rizika odchylky + interpretace vlivů (co to způsobuje).
3. Týdny 7–10: nasazení alertů do provozu a test A/B (část směn s doporučeními, část bez).
4. Týdny 11–12: vyhodnocení (zmetky, prostoje, reklamace) a rozhodnutí o škálování.

Tady AI není „velký projekt“. Je to kontrolovaný experiment, který má ekonomický výsledek.

Co si z toho odnést v Česku: 5 praktických kroků pro firmy

Nejlepší reakce na návrat investic do food techu je připravit se tak, abyste uměli AI rychle otestovat a bezpečně nasadit. Ať už jste výrobce, zemědělský podnik, nebo technologický dodavatel.

1. Vyberte 1 problém s nejdražší variabilitou. Typicky odpad, energie, prostoje, expirace.
2. Zmapujte data v procesu, ne v prezentaci. Kde vznikají, kdo je vlastní, jak jsou kvalitní.
3. Nastavte „ROI do 90 dnů“ jako pravidlo pilotů. Když to nejde změřit rychle, rozsekejte problém.
4. Počítejte s integrací hned od začátku. Bez napojení na výrobu/ERP/MES zůstane AI jen report.
5. Ošetřete provozní rizika. AI má radit a hlídat, ne potichu „přepisovat realitu“.

Jedna věta, která u AI projektů sedí skoro vždy: Model je jen začátek. Hodnota vzniká až ve změně rozhodování.

Kam bude AI ve food techu mířit v roce 2026

Další vlna růstu nebude o tom, kdo má „nejchytřejší model“, ale kdo zvládne spolehlivý provoz. V potravinách se počítá konzistence, auditovatelnost a bezpečí.

Proto čekám posun směrem k:

• AI přímo v řízení výroby (nejen BI),
• robustním digitálním dvojčatům procesů a linek,
• prediktivní kvalitě (problém se zachytí dřív, než vznikne zmetek),
• optimalizaci receptur podle dostupnosti surovin a ceny,
• propojení farmy–výroby–retailu přes sdílené signály poptávky.

A pokud jste dodavatel technologií: investoři budou chtít vidět, že umíte nasazovat v reálném provozu, ne jen prodávat software.

Co můžete udělat hned teď (a proč to dává smysl)

Nárůst počtu dealů ve food techu v roce 2023 byl malý, ale čitelný signál: kapitál se vrací, jen je přísnější. V roce 2025 se to promítá i do evropských projektů – a AI je jednou z mála oblastí, kde se dá v potravinářství zlepšení opravdu rychle změřit.

Pokud chcete v rámci našeho seriálu „Umělá inteligence v zemědělství a potravinářství“ udělat další krok, začněte jednoduchou věcí: vyberte jeden proces, jednu metriku a jeden pilot. Čím dřív budete mít vlastní čísla, tím líp se vám bude rozhodovat o investici – ať už z vlastních zdrojů, nebo s partnerem.

Co je váš největší „žrout“ nákladů: energie, odpad, nebo neplánované prostoje? Právě tam bývá AI nejrychleji vidět.