AI gramotnost: lekce Marka Cubana pro agropotravinářství

V jedné větě shrnu, co mě na Marku Cubanovi baví: když narazí na systém, který je drahý, nepřehledný a plný prostředníků, nejde si postěžovat — jde to rozbít jednoduchým, transparentním modelem. Přesně to udělal v lékárenství. A přesně to dnes potřebuje část zemědělství a potravinářství.

Je 21.12.2025 a spousta firem v agru už má za sebou první vlnu „digitalizace“: senzory, GPS, evidenci pozemků, ERP, možná i drony. Jenže výsledky často neodpovídají investicím. Proč? Protože chybí dvě věci, které Cuban ve své debatě opakoval pořád dokola: transparentní ekonomika a AI gramotnost. A bez nich se AI v zemědělství snadno změní z nástroje na další drahou položku v rozpočtu.

AI v praxi: méně magie, víc kontroly

AI v zemědělství a potravinářství má smysl tehdy, když konkrétně zlepší rozhodnutí: kdy zasít, čím přihnojit, kolik zavlažovat, jak plánovat sklizeň, jak nastavit výkupní cenu, nebo jak snížit zmetkovitost ve výrobě.

Cuban popisoval, jak používá AI jako osobní „zdravotní kontrolu“: zeptal se na kombinaci léků, dostal jasné doporučení (časový odstup) a následně viděl měřitelný dopad na krevní výsledky. Tenhle princip je přenosný do agra: AI není náhrada agronoma ani technologa. Je to druhý pár očí, který rychle prochází data a upozorní na slepá místa.

Agrární analogie, která funguje

• V medicíně: „Neber tyto dvě věci současně, jinak nefungují.“
• V agru: „Nedávej dusík před očekávaným přívalovým deštěm, protože ho spláchneš a zaplatíš dvakrát — hnojivem i ztrátou výnosu.“

AI (správně nakrmená daty) dokáže tyto konflikty odhalovat konzistentněji než člověk, který řeší deset dalších požárů.

Ověřování odpovědí: povinná disciplína

Cuban otevřeně říká, že výstupy AI kontroluje druhým zdrojem. Tohle je v zemědělství ještě důležitější, protože chyby se neprojeví za hodinu, ale za týdny.

Praktický postup pro „AI bezpečně“ v agropotravinářství:

1. AI použijte na návrh doporučení (např. dávka N, termín postřiku, plán výroby).
2. Ověřte to proti interním pravidlům (firemní standardy, limity reziduí, technologické postupy).
3. Ověřte to proti realitě: počasí, půdní rozbory, stav porostu, dostupnost lidí a strojů.
4. Udělejte malé A/B porovnání (pole/šarže) a měřte dopad.

Jedna věta, kterou si můžete pověsit na nástěnku: „AI je rychlá na návrhy, člověk je zodpovědný za rozhodnutí.“

Transparentní ceny: proč lékárenství připomíná potravinový řetězec

Cubanův projekt s léky stojí na jednoduchosti: jasná marže, jasné poplatky, méně neprůhledných prostředníků. Ať už souhlasíte s jeho pohledem na trh s léčivy nebo ne, podnikatelský princip je přenositelný.

V potravinách máme podobnou bolest:

• zemědělec často neví, proč je výkupní cena taková, jaká je,
• zpracovatel neví, jak stabilně mu dodavatelé dodají kvalitu,
• retail tlačí na cenu a zároveň očekává konzistentní standard,
• spotřebitel nevěří, že „férové“ znamená opravdu férové.

AI do toho může přinést něco, co lidé chtějí víc než další marketingový slogan: doložitelnou transparentnost.

Co může být transparentní díky AI (a co se tím získá)

• Modely tvorby ceny: jasně ukázat, jak do ceny vstupuje kvalita (bílkoviny, pádové číslo), logistika, sezónnost, skladování.
• Predikce kvality a výnosu: méně dohadů, více kontraktů postavených na datech.
• Stopa produktu: šarže, původ, podmínky skladování, rizika (mykotoxiny, teplotní řetězec).

Zkušenost z praxe: jakmile dodavatelský řetězec začne sdílet data, první efekt nebývá „vyšší cena“, ale méně sporů a méně ztrát. A to je v roce 2025 v ČR i v EU často větší win než vyjednat o 20 haléřů víc.

„GLP-1 efekt“: když poptávka mění výrobu potravin

Cuban mluvil o tom, že léky typu GLP‑1 (hubnutí/diabetes) budou časem dostupnější díky konkurenci a novým formám. Pro agropotravinářství je zajímavé hlavně to, co se děje okolo:

• mění se spotřebitelské návyky,
• roste zájem o vyšší obsah bílkovin, menší porce, funkční potraviny,
• tlak na nutriční transparentnost sílí.

AI v potravinářství tady umí udělat hodně práce, kterou dnes děláme „ručně“ a draze.

Konkrétní aplikace AI pro potravinářské firmy

• Prediktivní plánování výroby podle reálné poptávky (méně přebytků, méně odpisů).
• Optimalizace receptur: udržet chuť a texturu při snížení cukru/sodíku, nebo při přidání bílkovin.
• Kontrola kvality vizí: rozpoznání defektů, odchylek barvy, velikosti, tvaru.

Tady se láme chleba: firmy, které budou umět AI použít na zkrácení vývoje produktu (o týdny až měsíce), budou rychlejší než konkurence — bez ohledu na to, jestli jsou „velcí“ nebo „regionální“.

Podnikatelská lekce: nejdřív problém, pak teprve AI

Cuban nepostavil svůj projekt proto, že „AI je trendy“. Postavil ho, protože ho štval systém a našel model, který je srozumitelný. V agru se děje často opak: koupí se technologie a teprve pak se hledá, co vlastně řeší.

Funguje jednoduchý rámec (a doporučuju ho i v menších firmách):

1) Vyberte jednu bolest, která stojí peníze každý týden

Typické kandidáty:

• zbytečné přejezdy techniky,
• přehnojení/podvýživa porostu,
• vysoká zmetkovitost na lince,
• reklamace kvůli kolísání kvality,
• plýtvání surovinami a energií.

2) Zaveďte měření, které je „dost dobré“

Nemusíte mít perfektní datové jezero. Potřebujete:

• konzistentní evidenci zásahů,
• základní meteorologii,
• rozbory půdy nebo surovin,
• výstupní KPI (výnos, náklady, ztráty, OEE, reklamace).

3) Postavte AI tak, aby byla auditovatelná

Tohle je rozdíl mezi hračkou a nástrojem:

• vidím, z čeho AI vychází,
• vidím, co doporučuje,
• vidím, jakou jistotu tomu dává,
• dokážu zpětně dohledat rozhodnutí.

V potravinářství to navíc pomáhá i pro interní compliance a práci s HACCP.

AI gramotnost: dvě firmy, dva výsledky

Cuban tvrdí, že budou dvě skupiny firem: ty, které umí AI, a všechny ostatní. V agru to zní ostře, ale sedí to. Ne kvůli tomu, že by AI byla „všespásná“. Kvůli tomu, že marže jsou tenké a rozhodnutí se násobí přes plochu, tuny a směny.

AI gramotnost v zemědělství a potravinářství není o tom, aby každý psal kód. Je to schopnost:

• správně položit otázku (prompt),
• poznat, kdy AI halucinuje,
• chtít čísla a předpoklady,
• umět si nastavit jednoduchý experiment,
• umět pracovat s daty tak, aby dávala smysl v provozu.

Mini-checklist: jste „AI-ready“ za 30 dní?

• Máte 3–5 KPI, které sledujete týdně (ne jednou za rok).
• Víte, kde jsou data, kdo je vlastní a kdo je opravuje.
• Dokážete popsat 2 procesy, kde rozhodování trpí zpožděním nebo odhadem.
• Máte někoho, kdo umí propojovat provoz a data (často technolog/agronom s tahem na branku).

Pokud jste odškrtli aspoň tři body, vyplatí se jít do pilotu.

Co si z Cubanových „5 takeaway“ odnést do agra a potravin

Těch pět bodů z jeho rozhovoru se dá přeložit do našeho tématu překvapivě snadno:

1. Frustrace je palivo pro inovaci: když vás štve nepřehledná marže nebo ztráty ve výrobě, je to dobrý start.
2. Dostupnost roste s konkurencí: AI nástroje i datové služby rychle zlevňují — výhoda prvních tahounů je v know-how, ne v licenci.
3. AI jako poradce funguje, ale jen s kontrolou: ověřování není byrokracie, je to řízení rizika.
4. Nejlepší „reklama“ je důvěra: v potravinách se důvěra staví transparentními daty, ne hezkým claimem.
5. AI gramotnost je dovednost, ne projekt: je to rutina, kterou pěstujete stejně jako bezpečnost práce nebo kvalitu.

A pokud jste v sérii „Umělá inteligence v zemědělství a potravinářství“ noví, berte tenhle článek jako most: AI, která pomáhá v medicíně s náklady a rozhodováním, umí totéž i v potravinovém řetězci — jen s jinými daty a jinými riziky.

Na co se zaměřit hned po svátcích? Vyberte jednu konkrétní oblast (např. hnojení, plánování výroby, kontrola kvality), definujte měřítko úspěchu a udělejte pilot. Až uvidíte čísla, teprve potom řešte škálování.

Kde podle vás dnes v agropotravinářství nejvíc chybí transparentnost — u vstupů, ve výrobě, nebo v cenotvorbě směrem k odběratelům?