Investice do food tech padají. AI je šance pro farmy

V první polovině roku 2024 spadly investice do agrifoodtech na zhruba 7 miliard dolarů ve 427 obchodech. To není drobná korekce. To je jasný signál: éra „růstu za každou cenu“ ve food tech skončila a investoři chtějí vidět jednotkovou ekonomiku, škálovatelnost a provozní disciplínu.

Pro zemědělství a potravinářství v Česku je to paradoxně dobrá zpráva. Když je kapitál drahý a opatrný, vyhrávají technologie, které umí rychle ukázat dopad. A přesně tam dnes sedí umělá inteligence v zemědělství a potravinářství: méně plýtvání, lepší plánování, vyšší výtěžnost a měřitelná kvalita.

Aby bylo jasno: nemluvím o „AI pro AI“. Mluvím o AI, která se chová jako dobře nastavený provozní nástroj – vidí odchylky dřív, než se stanou drahými, a pomáhá lidem dělat rozhodnutí s menším rizikem.

Co nám říká propad financování food tech

Propad financování není jen o investorech, kteří „přitáhli brzdu“. Je to i o tom, že se ukázalo, co se v potravinách škáluje hůř než v softwaru.

Proč se food tech škáluje bolestivěji než SaaS

U potravin nejde jen o produkt a marketing. Jde o:

• kapitálovou náročnost (linky, chlazení, logistika, sklad),
• regulace a bezpečnost (HACCP, auditovatelnost, sledovatelnost),
• kolísání vstupů (energie, suroviny, sezóna),
• krátkou trvanlivost a riziko znehodnocení,
• komplexní dodavatelské řetězce, kde jedna chyba táhne ztráty.

V takovém světě už nestačí hezká prezentace. Investor se dívá na to, jestli firma umí řídit výnos, zmetkovitost, spotřebu energií a stabilitu kvality. A právě tohle jsou metriky, které AI umí zvednout rychleji než mnoho „hardware-only“ inovací.

Signál z trhu: když se škrtá, odhalí se slabá místa

V médiích rezonovalo i propouštění ve firmě zaměřené na kultivované maso (Upside Foods). Nejde o to, jestli je kultivované maso „dobré“ nebo „špatné“. Jde o realitu: když se zhorší dostupnost kapitálu a přidají se politické a regulační bariéry, přežijí jen týmy, které mají:

1. jasnou cestu k nákladům,
2. stabilní výrobu,
3. prodejní kanály,
4. a důvěryhodné datové řízení.

AI tady nepůsobí jako módní doplněk. Působí jako způsob, jak udělat provoz nudně spolehlivý.

Proč je AI v potravinářství sázka, která dává smysl i v krizi

Nejlepší argument pro AI v roce 2025 je prostý: AI šetří peníze a snižuje riziko. V době drahého financování je to přesně to, co firmy potřebují.

1) AI jako „motor efektivity“: méně ztrát, více výtěžnosti

V potravinářství a zemědělství se pořád hraje o stejné proměnné: výnos, kvalita, energie, práce, odpad. AI pomáhá zlepšovat všechny najednou tím, že spojuje data, která spolu dřív nemluvila.

Konkrétní příklady využití:

• Prediktivní údržba výrobních zařízení (model pozná, že vibrace nebo teploty ukazují na budoucí poruchu).
• Optimalizace receptur a dávkování podle variability surovin (např. vlhkost mouky, obsah bílkovin, Brix u ovoce).
• Řízení energie v chlazení a tepelných procesech podle špiček a plánů výroby.
• Predikce výnosů a plánování sklizně v precizním zemědělství na základě satelitních dat, počasí a historie polí.

Můj pohled: firmy, které dnes „honí“ jen růst, budou mít problém. Firmy, které umí spočítat úspory a držet proces, budou mít vyjednávací sílu – u investorů i u retailu.

2) AI pro kvalitu a bezpečnost: méně reklamací, víc důvěry

Kvalita v potravinách není marketing. Je to náklad. Každá reklamace, stažení šarže nebo znehodnocená paleta bolí.

AI dává smysl tam, kde je potřeba rychle a konzistentně vyhodnocovat stav:

• Počítačové vidění pro kontrolu tvaru, barvy, defektů, cizích příměsí.
• Detekce anomálií v datech z čidel (teploty, tlak, průtok, pH, vodivost).
• Predikce trvanlivosti (shelf-life) podle reálných podmínek v logistice.

Když investice padají, roste důraz na jistotu. A jistota v potravinách = data + proces + auditovatelnost.

3) AI jako „multiplikátor lidí“: realita nedostatku pracovníků

V Česku je na konci roku 2025 stále vidět tlak na pracovní trh v provozech (sezónnost, směnnost, fluktuace). Robotika a automatizace se proto objevuje i v mediálních výstupech (např. Chef Robotics ukazující roboty pro práci s jídlem).

Jenže roboti bez chytrého řízení často narazí na variabilitu surovin a prostředí. AI pomáhá robotům i lidem zvládat „neučebnicové“ situace:

• rozpoznat typ produktu na pásu,
• upravit sílu úchopu,
• vyhodnotit, kdy je potřeba zásah operátora,
• zkrátit zaučení nových lidí díky doporučením a standardům.

Důležité: automatizace není o tom „nahradit lidi“. Je o tom udržet výkon, když lidi chybí.

Co bude investor chtít slyšet v roce 2026 (a jak mu to říct)

Když se financování utahuje, mění se i to, co funguje v pitchi. AI projekt v agru nebo potravinách uspěje, když mluví jazykem provozu.

Metriky, které mají váhu (a které AI umí ovlivnit)

Pokud chcete generovat leady, partnery nebo investiční zájem, přestaňte začínat modelem. Začněte dopadem. Typicky:

• Snížení odpadu (kg, % z produkce) a příčina odpadu.
• Zvýšení výtěžnosti (yield) v klíčových krocích.
• Snížení spotřeby energie na jednotku produkce.
• Zkrácení prostojů a počet neplánovaných odstávek.
• Stabilita kvality (rozptyl parametrů, méně „out-of-spec“).

Jedna věta, která funguje: „AI není produkt. AI je způsob, jak držet proces v toleranci.“

Co si připravit dřív, než začnete “dělat AI”

AI projekty umí být rychle přínosné, ale jen když neignorují realitu dat.

Praktický checklist:

1. Mapujte rozhodnutí, která dnes dělá člověk „podle zkušenosti“ (a kde vznikají chyby).
2. Zkontrolujte dostupnost dat: ERP/MES, laboratorní výsledky, SCADA, IoT čidla, agronomické záznamy.
3. Nastavte jednotnou definici metrik (např. co je odpad, co je zmetek, co je přepracování).
4. Vyberte 1 use-case s návratností do 3–6 měsíců.
5. Zajistěte odpovědnost: kdo je majitel procesu, kdo majitel dat, kdo majitel změny v provozu.

Když tohle uděláte, AI přestane být „experiment“ a začne být investice.

3 strategie, jak přežít funding zimu ve food tech (a růst)

Tady jsou tři přístupy, které dávají smysl pro startupy i pro zavedené výrobce – a které přímo reagují na realitu poklesu investic.

Strategie 1: Vydělejte na úsporách, ne na příslibech

Nejrychlejší cesta k důvěryhodnosti je být schopný říct: „Tady jsou tři linky, tady je baseline, tady je úspora po osmi týdnech.“

Zaměřte se na:

• odpad a přepracování,
• energie (chlazení, kompresory, páry),
• prostoje.

Tohle jsou „nejlevnější“ peníze, protože už v systému existují – jen utíkají.

Strategie 2: Postavte AI tak, aby prošla auditem

V potravinách vyhrávají řešení, která jsou transparentní.

Co to znamená v praxi:

• verzování modelů a dat,
• logy rozhodnutí (kdo/co/kdy),
• jednoduché vysvětlení doporučení pro technologa nebo agronoma,
• bezpečnost přístupu a oddělení citlivých dat.

AI, která nejde vysvětlit a obhájit, bude mít problém v korporátu i u regulátora.

Strategie 3: Přemýšlejte „od pole po regál“

Mnoho firem řeší optimalizaci izolovaně: farma zvlášť, výroba zvlášť, logistika zvlášť. Jenže největší ztráty vznikají na rozhraních.

Typický příklad:

• farma sklidí „včas“,
• výroba má posunutý plán,
• logistika nestíhá,
• a kvalita jde dolů ještě dřív, než produkt dorazí do skladu.

AI plánování (poptávka–výroba–logistika) je v Evropě často větší příležitost než další nový produkt v regálu.

Kam to celé míří v roce 2025/2026

Financování food tech se může vracet v cyklech, ale požadavky investorů se už nevrátí na úroveň „růst a uvidíme“. Budou chtít:

• prokazatelnou návratnost,
• provozní odolnost,
• a řešení, která fungují v reálných podmínkách.

Tohle je pro umělou inteligenci v zemědělství a potravinářství ideální prostředí. AI je nejcennější tam, kde je variabilita, tlak na marži a riziko. A to je celý agri a potravinový řetězec.

Pokud chcete z dnešního trhu vytěžit maximum, začněte jedním projektem, který zlepší konkrétní metriku do několika měsíců. Jakmile máte výsledky, teprve pak škálujte.

A teď ta otázka, která rozhodne o roce 2026: Kde vám dnes utíkají peníze nejrychleji – ve ztrátách surovin, energii, nebo v nekonzistentní kvalitě?