Food tech po SVB: jak AI zpevní provoz i cashflow

Když v březnu 2023 zkrachovala Silicon Valley Bank (SVB), spousta lidí mimo startupovou bublinu to vnímala jako „americké bankovní drama“. Pro food tech a agri‑tech to ale byla studená sprcha: nešlo jen o jednu banku, šlo o to, jak křehké může být financování inovací, když je postavené na několika málo zdrojích a na optimismu investorů.

A teď si to převeďme do reality konce roku 2025. Úrokové sazby sice v průběhu posledních dvou let kolísaly, ale chuť financovat ztrátové projekty „někdy v budoucnu to vyjde“ se nevrátila do stavu z let 2020–2021. V potravinářství navíc pořád tlačí náklady energií, práce, logistiky a výkyvy poptávky. Kdo nemá provoz pod kontrolou, ten je závislý na dalším kole investic. A to je přesně ta zranitelnost, kterou SVB obnažila.

Moje teze je jednoduchá: AI v zemědělství a potravinářství dnes není hlavně o „wow“ demu. Je to nástroj, jak si vyrobit provozní jistotu v době finanční nejistoty. Když snížíte plýtvání, zpřesníte plánování a zrychlíte rozhodování, klesá potřeba externího kapitálu. A to je pro startup i pro zavedenou firmu zásadní.

Co SVB odhalila: riziko není jen bankovní, ale provozní

Hlavní lekce ze SVB pro food tech je koncentrace rizika: jeden problém v infrastruktuře financování může během dní ohrozit výplaty, výrobu i dodavatelský řetězec. V článcích z té doby se objevovaly příběhy zakladatelů, kteří řešili, jestli budou mít na mzdy, jak rychle přesunout hotovost a co říct dodavatelům.

Proč jsou food tech startupy zranitelnější než „čistý software“

Food tech není jen aplikace. Často je to:

• výroba (fermentace, extruze, balení, chlazený řetězec),
• zásoby se zárukou a expirací,
• regulace a kontrola kvality,
• drahé pilotní provozy a testování.

To znamená jediné: cashflow je tvrdší disciplína. Když se zadrhne financování, software si „počká“. Potravina v chladu ne.

Fed zásah jako připomínka, že na záchrannou síť se nespoléhá

Po kolapsu SVB následovala rychlá intervence regulátorů a stabilizace situace. Jenže spoléhat na to, že „stát to nějak vyřeší“, je strategická past. V byznysu, kde marže často nejsou vysoké a náklady jsou reálné, se vyhrává jinde: v efektivitě a predikovatelnosti.

Skrytá příležitost: AI jako pojistka proti drahému kapitálu

AI v potravinářství a zemědělství dává smysl tehdy, když snižuje variabilitu – ve výnosech, kvalitě, nákladech a poptávce. A variabilita je přesně to, co během finančních turbulencí zabíjí.

V praxi to znamená, že AI se nevyplácí „protože je moderní“, ale protože:

1. zmenší objem odpadu a přebytků,
2. zvedne přesnost plánů výroby a nákupů,
3. zkrátí dobu, kdy peníze leží ve skladu,
4. sníží počet drahých chyb v kvalitě.

Konkrétní metrika, kterou si hlídejte: „dny v zásobách“

Pokud jste food tech (nebo potravinář), sledujte DIO – Days Inventory Outstanding. Každý den navíc je kapitál, který chybí jinde. AI umí DIO srazit nepřímo přes lepší forecasty a plánování výroby.

Krátká, citovatelná věta do porady: „Každá nepřesná predikce poptávky je skrytý úvěr, který si berete od vlastního cashflow.“

Kde AI reálně vydělává: 5 oblastí, které zpevní firmu

Nejvyšší návratnost AI v potravinářství bývá tam, kde se rozhoduje často, data existují a chyba je drahá. Následujících pět oblastí je v praxi nejvděčnějších.

1) Predikce poptávky a omezení plýtvání (retail i výroba)

AI predikce poptávky snižuje odpisy z expirace a zároveň brání výpadkům zboží. V době, kdy jsou peníze drahé, je to jedna z nejrychlejších cest k lepší ekonomice.

Co funguje:

• kombinovat prodeje, promo kalendář, počasí, sezónnost a lokální události,
• dělat forecasty na úrovni SKU × prodejna × den,
• přenést výsledky přímo do objednávek a výroby.

Právě tady se často skloňuje i kategorie typu Shelf Engine (z RSS kategorií), protože problém je typický: poptávka je chaotická a odpad je drahý.

Rychlý start bez „velkého AI projektu“

Za mě má smysl začít jedním produktem nebo jedním regionem a měřit:

• odpisy (Kč),
• dostupnost (fill rate),
• přesnost forecastu (MAPE).

2) Optimalizace receptur a náhrad surovin (R&D i nákup)

Generativní modely a ML nad recepturami zrychlují vývoj a pomáhají držet kvalitu i při výpadcích surovin. To je v potravinářství častější, než si startupy připouštějí: dodavatel zdraží, surovina není, šarže kolísá.

Praktický dopad:

• návrh receptur s cílovými parametry (chuť, textura, nutriční profil),
• „co když“ scénáře pro náhrady surovin a jejich cenu,
• zúžení počtu experimentů v pilotu.

U firem typu Shiru (z RSS) se dlouhodobě řeší právě výpočetní přístup k ingrediencím a funkčnosti. Pointa pro český kontext: i když nejste deep‑tech laboratoř, můžete AI použít k rychlejšímu rozhodování o surovinách a variantách.

3) Počítačové vidění v kvalitě: méně reklamací, méně stažení

Když zvednete stabilitu kvality, snižujete finanční riziko. Reklamace, rework a stažení šarže jsou typ nákladu, který v cashflow bolí okamžitě.

Co bývá rychle nasaditelné:

• detekce vad obalů (špatný svár, etiketa, netěsnost),
• kontrola velikosti/poškození surovin,
• třídění podle kvality v reálném čase.

Důležité je měřit „before/after“:

• procento neshod,
• náklady na přepracování,
• počet incidentů na milion kusů.

4) Energetická a výrobní optimalizace: AI proti drahým fixům

V potravinářství často vyhrává ten, kdo má pod kontrolou energii a OEE (celkovou efektivitu zařízení). AI pomůže najít vzory, které v běžném SCADA/ERP reportu neuvidíte.

Typické use‑casy:

• prediktivní údržba (méně odstávek a zmetků),
• optimalizace CIP (čištění na místě) – čas, voda, chemie,
• plánování výroby podle energetických špiček.

V roce 2025 navíc dává smysl přemýšlet o tom, jak se podnik chová v hodinových cenách elektřiny. Ne kvůli „zelenému marketingu“, ale kvůli nákladům.

5) Precizní zemědělství jako stabilizátor vstupů

Kdo má pod kontrolou vstupy z pole (kvalitu a výnos), méně trpí výkyvy cen a dostupnosti. To propojuje celou naši sérii „Umělá inteligence v zemědělství a potravinářství“: potravinářské inovace bez stabilních zemědělských dat naráží na realitu.

Zemědělské aplikace AI, které mají přímý dopad na potravináře:

• predikce výnosu pro kontraktaci,
• monitoring stresu porostů (drony/satelity) pro stabilnější kvalitu,
• optimalizace hnojení a ochrany pro menší variabilitu šarží.

Jedna věta, která to vystihuje: „Nejlevnější surovina je ta, kterou nemusíte nahrazovat na poslední chvíli.“

Jak začít s AI tak, aby to pomohlo i při nedostatku financí

AI projekt, který má zlepšit odolnost firmy, musí být navržený tak, aby šetřil peníze do 90–180 dní, ne za dva roky. Tohle je místo, kde mnoho týmů udělá chybu: postaví „platformu“ dřív, než vyřeší konkrétní úniky peněz.

1) Vyberte problém, kde se dá vyčíslit hodnota

Začněte otázkou: kde dnes mizí peníze?

• odpisy a plýtvání,
• energie,
• zmetkovitost,
• logistika,
• prostoje.

Pokud neumíte dopad spočítat v Kč, bude se těžko obhajovat investice.

2) Zaveďte „minimální datovou disciplínu“

Nemusíte mít dokonalé datové sklady. Ale bez základů to nepůjde:

• jednotné kódy produktů a šarží,
• časová razítka událostí (výroba, balení, expedice),
• definice metrik (co je odpad, co je zmetek).

3) Udělejte pilot, který mění rozhodnutí, ne jen dashboard

Největší past je AI, která končí v prezentaci. Pilot má automaticky generovat akci:

• objednávku,
• úpravu výrobního plánu,
• alarm kvality,
• návrh receptury.

4) Ošetřete rizika: data, bezpečnost, odpovědnost

U potravin je důležitá dohledatelnost. AI doporučení musí být auditovatelné:

• kdo rozhodl,
• na základě čeho,
• jaká data byla použita,
• jak se měří přesnost.

Časté otázky, které padají u jednacího stolu (a přímé odpovědi)

Vyplatí se AI i menší potravinářské firmě? Ano, pokud začne tam, kde už existují data (prodeje, výroba, reklamace) a kde je jasný finanční únik. Ne, pokud je to „image projekt“ bez metrik.

Co když nemáme datový tým? V roce 2025 je realistické začít s malým týmem: procesák + datově zdatný analytik + někdo z kvality/obchodu. Externí pomoc dává smysl, ale vlastnictví metrik musí zůstat uvnitř.

Jaký je nejrychlejší use‑case pro cashflow? Nejčastěji predikce poptávky a plánování zásob, protože dopad na odpisy a vázaný kapitál je okamžitý.

Pravidlo, které si pamatuju: Když AI nezkrátí cestu od dat k rozhodnutí, je to jen drahá statistika.

Co si z turbulence kolem SVB vzít do roku 2026

Finanční šoky se budou opakovat. Možná ne jako SVB, ale v jiné podobě: drahý kapitál, nervózní investoři, výkyvy poptávky, tlak na marže. Odolnost v food tech dnes nestojí na dalším kole financování, ale na tom, jak rychle dokážete řídit realitu provozu.

Pokud jste zakladatel, výrobní ředitel nebo manažer inovací, zkuste si do konce ledna 2026 dát jednoduchý úkol: vyberte jeden proces, kde máte plýtvání, a sepište tři metriky, které chcete zlepšit. Pak teprve řešte modely.

A teď jedna nepříjemná, ale užitečná myšlenka na závěr: Kdyby se vám zítra zpřísnily podmínky financování o polovinu, která část vašeho provozu by to neustála – a jak by vám AI pomohla tu slabinu zavřít?