AI v potravinách: proč někdy vyhrává „anti-tech“ přístup

Samoobslužné pokladny nejsou „budoucnost maloobchodu“. Jsou to jen jeden nástroj – a často ne ten nejdůležitější. Když velký řetězec typu Trader Joe’s dlouhodobě odolává samoobsluhám, nepůsobí to jako technofobie. Spíš jako chladná kalkulace: zážitek, plynulost provozu a důvěra zákazníků někdy přináší vyšší hodnotu než „ještě jedna obrazovka“.

A teď si to převeďme do češtiny a do roku 2025. V době, kdy se umělá inteligence tlačí do objednávek, logistiky i výroby potravin, je lákavé přidat AI všude. Jenže v zemědělství a potravinářství – a tohle jsem viděl opakovaně – vyhrává AI tehdy, když doplňuje realitu provozu, ne když ji přepisuje.

Tento článek staví na tématech z jedné epizody amerického podcastu o food tech (anti-tech obchod, pokles alternativního masa, obavy z AI u rodinného stolování, automatizované kiosky se zmrzlinou, doručovací roboti). Nejde ale o přepis. Beru tyhle signály jako „pět varovných kontrolek“ a překládám je do praktických závěrů pro české zemědělce, výrobce potravin, retail i startupy.

„Anti-tech“ obchod: lekce pro AI v retailu i dodavatelském řetězci

Základní pointa: technologie v prodejně má smysl jen tehdy, když zrychlí nákup bez ztráty důvěry a bez růstu nákladů na komplikace.

Samoobslužné pokladny slibují nižší personální náklady a kratší fronty. Realita ale často vypadá jinak: více dohledu, více výjimek (věkové ověření, vážení, špatný sken), více krádeží a hlavně pocit „dělám práci obchodu“. Některé značky proto drží prodej „low-tech“ záměrně.

Co si z toho vzít pro AI

AI v retailu má velký přínos – jen ne vždy na očích zákazníka.

• Predikce poptávky a objednávky: AI plánování zásob snižuje vyprodání i přebytky. U čerstvých kategorií (pečivo, ovoce/zelenina, mléčné) je přínos nejrychlejší.
• Dynamické řízení slev kvůli expiraci: místo plošné „-30 % večer“ AI určí kdy a kolik zlevnit, aby se minimalizoval odpis.
• Detekce anomálií v dodávkách: když se najednou změní teplota řetězce, hmotnost palety nebo čas v rampě, AI to vytáhne dřív, než z toho bude reklamace.

Praktická rada: pokud jste výrobce nebo distributor, neřešte jako první „AI u pokladny“. Začněte tam, kde máte data a přímý dopad: forecast, sklad, expirace, kvalita.

Proč klesá zájem o plant-based a co s tím má společného AI

Základní pointa: alternativní maso naráží na cenu, chuť a důvěru. AI umí pomoct hlavně tam, kde je problém „v receptuře a procesu“, ne v marketingu.

Pokles prodejů plant-based produktů (v USA i v Evropě) se často vysvětluje „únavou trendu“. Já to vidím střízlivěji: spotřebitel je ochotný zkusit novinku, ale u druhého nákupu rozhodují tři věci:

1. Chuť a textura (pocit v ústech, šťavnatost, dochuť)
2. Cena za porci (ne za 100 g)
3. Vnímaná míra zpracování a složení

Jak AI konkrétně pomáhá ve vývoji alternativních proteinů

AI se dnes používá jako „zrychlovač“ R&D:

• Modelování textury: predikce, jak se bude směs chovat při extruzi (teplota, tlak, vlhkost, šnek), a jak to ovlivní vláknitost.
• Optimalizace receptury: hledání kombinací rostlinných proteinů, tuků, vláknin a aromat s cílem minimalizovat náklady a zároveň držet senzoriku.
• Senzorická data: AI umí spojovat výsledky panelů ochutnávačů s výrobními parametry a rychleji odhalit, proč „šarže B“ chutná hůř než „šarže A“.

Praktická rada pro výrobce: pokud děláte plant-based, nastavte si KPI mimo marketing: cena porce, opakovaný nákup, počet reklamací, stabilita šarží. AI má smysl, když je navázaná na tyhle metriky.

AI a rodinné jídlo: problém není technologie, ale tření

Základní pointa: největší riziko AI v jídle není „robot u plotny“, ale to, že zjednoduší objednání a roztříští společné stravování.

V debatách o automatizaci a AI se často řeší produktivita kuchyně. Jenže domácnosti fungují podle jiných pravidel: čas, energie, zvyky, vztahy. Když AI doporučuje jídlo, přepíná se mezi dietními cíli, alergiemi a preferencemi – ale zároveň může podporovat model „každý si dá něco jiného, kdy chce“.

Jak navrhovat AI řešení, která podporují společné stravování

Pokud vyvíjíte aplikaci pro plánování jídel, e-shop s potravinami nebo firemní stravování, zkuste tyhle principy:

• Default je společné menu: AI nabídne 2–3 varianty ve stylu „jedno jídlo pro všechny“ + volitelný doplněk pro specifické diety.
• Jeden košík, více profilů: rodina jako tým, ne jako pět oddělených zákazníků.
• Sezónnost a lokálnost: v prosinci v ČR dává smysl pracovat s kořenovou zeleninou, zelím, luštěninami, jablky, skladovanými bramborami – a ne tlačit „vždy čerstvé mango“.

Dobrá AI v jídle snižuje tření. Špatná AI jen zrychlí chaos.

Kiosky, automaty a „nenápadná“ automatizace: kde to dává smysl

Základní pointa: automatizace vyhrává v úzkých, opakovatelných procesech, kde je jasná kvalita a jednoduchá obsluha.

Příběhy úspěšných automatizovaných kiosků (např. zmrzlina) ukazují jednoduchou pravdu: zákazník přijme stroj, když:

• dostane konzistentní produkt,
• obsluha je rychlá,
• reklamace je snadná,
• a stroj je tam, kde dává smysl (zábavní centra, školy, sportoviště, doprava).

Co z toho plyne pro zemědělství a potravinářství

V primární produkci a ve výrobě potravin existují podobné „kioskové“ procesy:

• Třídění a vizuální kontrola (ovoce, zelenina, pečivo): počítačové vidění snižuje podíl vadných kusů a sjednocuje standard.
• Prediktivní údržba: AI hlídá vibrace motorů, teploty ložisek, tlakové křivky – a plánuje servis dřív, než dojde k odstávce.
• Energetická optimalizace: řízení chlazení, mrazení a stlačeného vzduchu podle tarifů a reálné zátěže.

Praktická rada: začněte „malou automatizací“ na jednom úseku linky nebo na jednom skladu. Pokud neumíte vyčíslit přínos do 90 dnů, je projekt pravděpodobně příliš široký.

Doručovací roboti a poslední míle: AI bez mapy je jen drahá hračka

Základní pointa: robotická doručovací poslední míle funguje jen tam, kde je prostředí předvídatelné – kampusy, areály, uzavřené čtvrti – a kde AI zvládá výjimky.

Sidewalk roboti se prosazují hlavně na univerzitách a v dobře strukturovaných lokalitách. Pro ČR to není jen otázka technologie, ale i:

• kvality chodníků a obrubníků,
• zimních podmínek (sníh, posyp, tma v 16:00),
• legislativy a odpovědnosti,
• ekonomiky (kolik stojí lidský kurýr vs. flotila + servis + dohled).

Kde má AI okamžitý dopad na logistiku potravin

I bez robotů můžete výrazně zlepšit poslední míli:

1. AI plánování tras (dopravní situace, okna doručení, teplotní režimy)
2. Konsolidace objednávek (méně jízd, vyšší vytížení)
3. Chytrý výběr balení (menší objem, lepší chlazení, méně odpadu)

Tady se v praxi často najde 5–15 % úspory nákladů na km nebo na doručenou objednávku – ne proto, že by AI „kouzlila“, ale protože konečně spojí data, která jsou už dávno k dispozici.

Mini Q&A: co si lidi o AI v potravinách nejčastěji pletou

„Nahradí AI pracovníky v prodejnách a ve výrobě?“

V některých úkonech ano (kontrola, plánování, rutinní administrativa). Častěji ale AI přesune práci: z hašení problémů na dohled, kvalitu a obsluhu výjimek.

„Musím mít obří dataset, abych mohl začít?“

Ne. Pro první přínosy stačí i „obyčejná“ data: prodeje po dnech, skladové pohyby, teplotní záznamy, reklamace, odstávky.

„Kde AI selhává nejčastěji?“

V místech, kde nikdo neurčí, kdo je majitelem rozhodnutí. Model doporučí, ale proces nepřijme doporučení. Výsledek: hezký dashboard, nulový dopad.

Co udělat v lednu 2026: jednoduchý plán na 30 dní

Prosinec je v potravinách špička, leden bývá vhodný na úklid procesů. Pokud chcete v tématu umělá inteligence v zemědělství a potravinářství posun bez velkých slibů, tenhle postup funguje:

1. Vyberte jednu bolest (vyprodání, odpisy, reklamace, odstávky, spotřeba energie).
2. Stanovte jednu metriku (např. odpisy v Kč/týden, OEE, % dodávek v okně).
3. Zmapujte data (kde jsou, kdo je vlastní, jak často se aktualizují).
4. Udělějte pilot na 1 provozu / 1 skladu / 1 lince.
5. Po 30 dnech rozhodněte: škálovat, upravit, nebo zahodit.

Tohle je přesně ten „anti-tech“ přístup, který paradoxně vede k chytré digitalizaci: méně efektů, více výsledků.

AI v potravinách nebude o tom, kdo má nejvíc obrazovek v prodejně. Bude o tom, kdo umí zmenšit plýtvání, držet kvalitu šarží a plánovat výrobu podle reality. A pokud vám k tomu pomůže i to, že některé věci necháte záměrně jednoduché, je to dobrá zpráva.

Chcete si projít, kde má AI ve vašem zemědělském podniku, výrobě nebo retailu nejrychlejší návratnost – a kde je to naopak slepá ulička?