AI v lednici: méně plýtvání, víc kontroly nad jídlem

V domácnostech i firmách se pořád dokola řeší stejný problém: nakoupíme víc, než spotřebujeme. A pak se divíme, že končí v koši jogurty po záruce, zvadlá zelenina nebo načaté balíčky, o kterých „nikdo nevěděl“. Přitom jde o čistou matematiku – když nevíte, co máte skladem, nemůžete dobře plánovat.

Právě tady dává smysl další vlna umělé inteligence v potravinách: AI kamery do lednice a software pro správu zásob. Nejde o „chytrou hračku“. Jde o malý, praktický krok, který propojuje kuchyni s tím, co v našem seriálu „Umělá inteligence v zemědělství a potravinářství“ řešíme dlouhodobě: optimalizaci toků potravin od výroby až po spotřebu.

Na veletrhu CES se už dříve ukázalo, že tenhle směr bere vážně i trh. Firma Smarter představila nové modely svých „fridge cam“ kamer a zároveň oznámila akvizici Chefling – softwaru pro inventuru potravin, nákupní seznamy a plánování jídel. Pro mě je to jasný signál: hardware + data + AI se v potravinovém řetězci spojují do jedné vrstvy, která má jeden cíl – méně ztrát a lepší rozhodování.

Proč je AI inventura potravin víc než „gadget“

AI inventura funguje, když z ní máte rozhodnutí, ne jen notifikace. Samotná kamera v lednici je hezká. Hodnota ale vzniká až ve chvíli, kdy systém umí převést obrázky a vstupy ze senzorů na konkrétní kroky: co dokoupit, co spotřebovat dřív, co už pravděpodobně došlo.

Od fotky k akci: počítačové vidění v praxi

Smarter staví na rozpoznávání potravin pomocí počítačového vidění. Princip je jednoduchý:

• kamera pravidelně snímá obsah lednice/spíže,
• algoritmus se snaží identifikovat položky (a ideálně i jejich „stav“ – načaté, plné, chybí),
• software z toho skládá inventář a doporučení.

Tohle je v reálném světě překvapivě těžké. Obaly se mění, potraviny nejsou standardizované (rajče není „rajče“), věci se překrývají a světlo v lednici není fotostudio. Proto je důležité, že se Smarter nesnaží jen o novou kameru, ale doplňuje ji o software a databázi.

Akvizice Chefling: proč je databáze „chybějící dílek“

Akvizice Chefling dává smysl z jednoho důvodu: bez kvalitní databáze potravin je rozpoznávání jen polovina práce. Databáze pomáhá:

• mapovat rozpoznané položky na „reálné“ produkty,
• spravovat varianty (značky, balení, gramáže),
• spojit inventář s plánováním jídel a nákupy.

Výsledek? Inventura přestává být seznamem a stává se plánem. A to je přesně to, co v potravinářství potřebujeme: méně improvizace, více predikce.

Co se změnilo na straně hardwaru (a proč to řešit)

Nový hardware je důležitý, protože spolehlivost rozhoduje o adopci. Když se kamera vybije, složitě nastavuje nebo padá Wi‑Fi, uživatel se k tomu nevrátí.

Smarter ukázal několik směrů, které jsou pro „AI v kuchyni“ typické:

FridgeCam2: delší výdrž, jednodušší instalace

Aktualizovaný model staví na praktičnosti: delší výdrž baterie (uváděno až kolem 3 měsíců), lepší procesor a rychlejší „one‑click“ nastavení přes Bluetooth a Wi‑Fi. To jsou detaily, které v součtu rozhodují.

FoodCam Mini: lednice není jediný sklad

Mini varianta míří i do spíže. A to je správně, protože zásoby doma jsou rozprostřené:

• lednice (rychle se kazící),
• mrazák (dlouhá rotace),
• spíž (konzervy, těstoviny, suroviny na pečení).

AI inventura má smysl až ve chvíli, kdy pokrývá aspoň dvě z těchto zón.

FridgeCam Pro: signál směrem k výrobcům spotřebičů

Pro model je cílený na výrobce spotřebičů a retrofit bez velkého redesignu. Tohle je zásadní: když se AI inventura dostane přímo do spotřebičů, začne se škálovat. Podobně jako v zemědělství – technologie se prosadí ve chvíli, kdy je součástí běžného pracovního postupu, ne „něco navíc“.

KitchenSync a další krok: inventura jako predikce

Největší posun je, když systém pozná nejen „co je“, ale i „co dochází“. Smarter představil nástroj typu KitchenSync, který kombinuje počítačové vidění s dalšími vstupy (např. váhové senzory) a vyhodnocuje stav zásob.

Proč nestačí „je to v lednici“

V praxi potřebujete odpovědi:

• Je mléko otevřené a kolik ho zbývá?
• Je maso ještě bezpečné ke spotřebě (minimálně podle data a doby od otevření)?
• Dochází káva, nebo jen není vidět?

Tady se ukazuje, že budoucnost je multisenzorová: obraz + váha + (čas) + uživatelské potvrzení.

Napojení na online nákup: pohodlí i riziko

Integrace s online nákupy je logická – inventář se propojí s košíkem. Pohodlí je obrovské.

Ale mám jednu jasnou výhradu: pokud systém tlačí k automatickému doplňování bez kontroly, může paradoxně zvyšovat nadspotřebu. Správné nastavení je „doporučit“ a nechat člověka potvrdit. A u firem to samé: automatizovat ano, ale s hlídáním minimálních a maximálních zásob.

Most mezi kuchyní a polem: co si z toho má vzít agrifood sektor

Kuchyň je poslední článek potravinového řetězce – a zároveň místo, kde se ztrácí obrovské množství hodnoty. Pokud chceme v zemědělství a potravinářství plánovat lépe, musíme se dívat i na spotřebu.

1) Data o spotřebě jsou stejně důležitá jako data o výnosu

V precizním zemědělství řešíme satelitní snímky, variabilní dávkování a predikci výnosů. V kuchyni jde o totéž, jen v malém:

• kolik se reálně spotřebuje,
• co se vyhazuje,
• jak se mění poptávka v čase (týden, sezóna, svátky).

Prosinec je typický příklad: vyšší spotřeba některých surovin, větší riziko přebytků po návštěvách a svátcích. AI inventura v domácnostech i gastro provozech může pomoci držet zásoby „tak akorát“.

2) Snižování potravinového odpadu je nejrychlejší „zvýšení produkce“

Nejlevnější potravina je ta, kterou nemusíte vyrobit, protože se nevyhodí. Tenhle princip platí pro domácnosti i výrobce.

AI nástroje v kuchyni podporují:

• lepší rotaci zásob (first in, first out),
• upozornění na blížící se expirace,
• plán jídel podle toho, co je doma.

3) Standardy a interoperabilita budou rozhodovat

Jakmile se do hry zapojí výrobci spotřebičů, retail a logistika, narazíme na starý problém: každý má svůj ekosystém.

Kdo vyhraje?

• platformy, které umí pracovat s různými značkami a zdroji dat,
• řešení, která zvládnou i „neideální“ data (rozmazané fotky, výpadky signálu),
• systémy, které umí prokázat návratnost.

Jak začít: praktický checklist pro firmy i domácnosti

Nejdřív si vyjasněte, jaký problém chcete řešit. Ne „chci AI“, ale „chci o 20 % snížit odpisy“ nebo „chci méně nákupů na poslední chvíli“.

Pro domácnosti (rychlý start)

1. Zaveďte jednoduché pravidlo: co se nevejde dopředu, jde dozadu (rotace).
2. Plánujte 3–4 „záchranná“ jídla týdně podle zbytků (těstoviny, stir‑fry, polévky).
3. Sledujte jednu metriku 30 dní: kolik Kč nebo kg jídla končí v koši.

Pro gastro a menší potravináře

1. Udělejte inventuru „bolavých“ kategorií: maso, mléčné, čerstvá zelenina.
2. Nastavte min/max zásoby a jednoduché doplňování.
3. Vytvořte seznam top 20 položek, které se nejčastěji vyhazují, a řešte je jako první.

Co si pohlídat u AI inventury

• Soukromí a bezpečnost dat: kde se ukládají snímky, kdo k nim má přístup.
• Chybovost rozpoznávání: jak často budete muset opravovat položky.
• Propojení na nákup a ERP (u firem): jestli to zůstane izolovaná aplikace, efekt bude poloviční.

Dobrá AI v kuchyni není ta, která „pozná 1 000 položek“, ale ta, která vám ušetří jeden zbytečný nákup týdně.

Kam to půjde v roce 2026: co čekat od AI v kuchyni

Směr je jasný: od rozpoznávání k prediktivnímu řízení zásob. V roce 2026 bude standardem, že systém nebude jen evidovat, ale i navrhovat:

• jídelníček podle zásob, alergií a času,
• nákupní seznam optimalizovaný podle cen a frekvence spotřeby,
• doporučení „spotřebuj dnes“ s realistickými recepty.

A pro agrifood sektor je zajímavé ještě něco: spotřebitelská data o odpadu a preferencích mohou (při správném anonymizování) zpřesnit plánování výroby a distribuce. V ideálním světě to znamená méně přebytků, kratší skladování a lepší čerstvost.

Pokud řešíte AI v zemědělství a potravinářství, kuchyň neberte jako okraj. Je to poslední metr, kde se rozhoduje o tom, jestli se vyrobená hodnota promění v jídlo, nebo v odpad. A právě proto má AI kamera do lednice mnohem větší význam, než se na první pohled zdá.