AI v potravinářství: signály z CES 2025 pro farmy

Největší omyl, který v oboru pořád vidím: že „food tech“ je hlavně o kuchyňských hračkách pro domácnosti. CES 2025 ukazuje opak. I když část expozice míří na spotřebitele, nejzajímavější věci se dějí v pozadí – v datech, automatizaci, robotice a v tom, jak umělá inteligence spojuje výrobu, logistiku a kvalitu do jednoho řetězce.

A právě tohle je pro naši sérii Umělá inteligence v zemědělství a potravinářství zásadní. Když se na „food tech“ podíváte optikou farmy, skladů, zpracování a maloobchodu, CES funguje jako citlivý seismograf: naznačuje, kam se v nejbližších 12–24 měsících pohnou investice, očekávání zákazníků i tlak na efektivitu.

Níže beru inspiraci z „walk-around“ přístupu (seznam firem, co jsou na místě, mapy stánků, rychlé orientování v tom, co vystavují) a převádím ho do praxe: jaké AI trendy z CES 2025 by měly zajímat zemědělce, potravináře a manažery kvality v Česku – a co s nimi udělat hned po Vánocích 2025.

CES 2025 je mapa, ne katalog: co z toho má vzít zemědělec

CES není veletrh zemědělské techniky. A právě proto je užitečný: často ukazuje technologie, které se neplánovaně přelijí do agri a potravin. Typicky senzory, edge výpočet, kamerové systémy, nové přístupy k datům a automatizaci.

Walk-around průvodce od The Spoon stojí na jednoduché metodě: projít katalog vystavovatelů, weby, tiskové zprávy a pak realitu na ploše. Pro agrifood publikum si z toho beru jednu lekci: nejde o jednotlivý produkt, jde o schopnost rychle rozpoznat, jestli technologie zapadne do vašeho řetězce hodnot.

Praktický filtr, který používám:

• Jaký problém to řeší? (plýtvání, kvalita, výnos, práce, energie)
• Odkud bere data? (senzory, kamery, ERP/MES, laboratorní analýzy)
• Kde běží AI? (v cloudu vs. na zařízení/edge)
• Jak se to integruje? (API, exporty, kompatibilita s existujícími systémy)
• Jaký je návrat? (čas, zmetkovitost, úspora vstupů, méně reklamací)

Pokud aspoň 3 z 5 bodů neumíte u technologie rychle zodpovědět, pravděpodobně je to pro vás zatím „hezká ukázka“, ne projekt.

Trend 1: „Vidět“ celý řetězec – AI senzory a computer vision

AI v agrifood dnes nejčastěji vyhrává tam, kde přináší levnější a častější měření. Kamera s dobrou analýzou umí nahradit část manuální kontroly, a navíc měří konzistentně.

Co se typicky objevuje (a proč to souvisí se zemědělstvím)

Na CES se pravidelně ukazují nové generace:

• kamerových modulů (lepší citlivost, širší dynamický rozsah),
• senzorů pro kvalitu prostředí (teplota, vlhkost, plyny),
• edge AI jednotek (analýza bez latence a bez posílání všeho do cloudu).

V potravinářství to znamená rychlejší detekci vad, odchylek v barvě/struktuře, nečistot nebo špatného balení. V zemědělství se stejná logika překlápí do:

• monitoringu plodin (stres suchem, choroby, zaplevelení),
• sledování zvířat (aktivita, příjem krmiva, kulhání),
• kontroly skladování (plísně, kondenzace, teplotní šoky).

Jak to aplikovat v české praxi (bez velkého IT týmu)

Tady je funkční postup pro pilot:

1. Vyberte jednu „bolest“, která dnes stojí peníze (např. reklamace kvůli kondenzaci v balení, rozpad šarží, zmetkovitost).
2. Zvolte jedno měřitelné KPI (např. zmetkovitost v %, počet reklamací/měsíc, čas kontroly na směně).
3. Začněte na jednom místě (1 linka, 1 skladová zóna, 1 stádo/sekce).
4. Trvejte na exportu dat (CSV/API). Bez toho se pilot nedá rozšířit.

Moje zkušenost: firmy často koupí kameru, ale nedořeší osvětlení, umístění a „pravdu v datech“ (jak se označí vadný kus). A pak se diví, že AI „nefunguje“. AI funguje, jen potřebuje disciplínu.

Trend 2: Automatizace a robotika: tlak na práci je už trvalý

Nedostatek lidí ve výrobě i na farmách není krátkodobý výkyv. A v prosinci 2025 už většina firem ví, že „nějak to příští rok zase dáme“ není strategie.

CES tradičně posiluje viditelnost robotiky: manipulátory, autonomní mobilní roboty, dávkovací systémy, automatizace přípravy jídel. Pro agrifood je podstatné, že robotika a AI už nejsou oddělené světy. Robot bez AI je jen přesnější ruka. Robot s AI je systém, který se orientuje v nepořádku reality.

Kde je návratnost nejrychlejší

Nejrychlejší ROI bývá v činnostech, které jsou:

• opakované,
• ergonomicky náročné,
• citlivé na chybu,
• a zároveň dobře měřitelné.

Konkrétně:

• paletizace a depaletizace v potravinářství,
• třídění a vizuální kontrola (ovoce/zelenina, pečivo, balené zboží),
• interní logistika mezi skladem a linkami,
• krmení a kontrola stáda (kombinace senzorů + automatizovaných rutinních úkonů).

Co si hlídat, aby robotika nebyla jen drahá atrakce

• Bezpečnost a provozní režimy: kolik „výjimek“ bude systém řešit a jak.
• Servis a dostupnost dílů: u potravin je výpadek linky drahý.
• Data pro optimalizaci: robot má generovat data, ne je jen spotřebovávat.

Jedna věta, kterou si v týmu opakujeme: „Automatizace bez měření je jen rychlejší chaos.“

Trend 3: Prediktivní analytika: méně plýtvání, víc marže

V potravinářství je plýtvání tichý zabiják marže. V zemědělství zase volatilita výnosů a kvality. AI dává smysl tam, kde umí předpovědět problém dřív, než se projeví na konci linky nebo v reklamaci.

Na CES se to často tváří jako „chytré“ platformy, které agregují data z různých zařízení. Pro nás je důležité přeložit to do konkrétních rozhodnutí:

• Kdy sklidit? (optimální okno kvality vs. logistika)
• Jak upravit recepturu / parametry linky? (kompenzace variability suroviny)
• Kdy preventivně servisovat? (prediktivní údržba)
• Co přesně poslat do akce vs. do standardního prodeje? (řízení jakosti)

Mini případ z praxe (typický scénář)

Představte si zpracovatele, který bere surovinu s proměnlivou vlhkostí. Bez predikce se to projeví:

• vyšší energetickou náročností,
• rozkolísanou konzistencí,
• a nakonec reklamací nebo slevami.

S prediktivním modelem (vstupy: vlhkost, teplota, čas, parametry linky, laboratorní hodnoty) můžete:

• nastavit parametry dřív, než produkt „uteče“,
• omezit zmetky,
• zlepšit plánování šarží.

Není to magie. Je to disciplína v datech a ochota měnit procesy podle signálu, ne podle zvyku.

Trend 4: „Smart kitchen“ jako tlak shora: spotřebitel mění požadavky

I když jste B2B výrobce, chytré kuchyně a spotřebitelský food tech se vás týká. Proč? Protože spotřebitel postupně očekává:

• konzistentní kvalitu,
• transparentnost (původ, složení, uhlíková stopa),
• menší plýtvání (lepší porce, lepší skladování, delší trvanlivost bez ztráty kvality).

Za poslední roky se navíc zrychlilo šíření návyků přes online retail a doručovací služby. Výroba a dodavatelský řetězec se musí přizpůsobit „rychlejšímu obratu“ a vyššímu tlaku na čitelnost dat o produktu.

Pro AI v potravinářství to znamená jediné: kdo nemá datovou stopu od suroviny po expedici, bude vypadat jako dodavatel z minulosti.

Jak z „trendů z CES“ udělat leady a projekty: 30denní plán

Tady je praktický rámec, který používám, když nechci skončit u inspirace a pěkných slidů.

Týden 1: Vyberte jednu oblast a definujte „pravdu“

• Sepište 5 nejdražších problémů (zmetky, reklamace, energie, práce, výpadky).
• Vyberte 1 problém a stanovte výchozí hodnotu (baseline).
• Určete vlastníka: člověk, který umí rozhodnout, ne jen „koordinovat“.

Týden 2: Zmapujte data a díry

• Jaká data už existují? (ERP, výroba, senzory, laboratorní protokoly)
• Co chybí? (např. měření vlhkosti v čase, fotodokumentace vady)
• Jaká je kvalita dat? (chybějící hodnoty, ruční přepis)

Týden 3: Pilot s jasným měřením

• Rozsah: jedno místo, jedna směna, jedna šarže.
• KPI: max 2 metriky.
• Výstup: doporučení nebo alarm, který někdo reálně používá.

Týden 4: Rozhodnutí „škálovat / zabít“

• Pokud KPI nehnulo jehlou, je to buď špatný use-case, nebo špatná data.
• Pokud KPI funguje, připravte plán integrace (proces + technologie + školení).

Tenhle přístup je nudný. A právě proto funguje.

AI v zemědělství a potravinářství není o tom mít model. Je o tom mít proces, který modelu věří a podle něj jedná.

Co si odnést do roku 2026 (a proč to teď řešit)

CES 2025 nepřináší jednu „velkou věc“, která všechno převálcuje. Přináší hustotu malých posunů, které dohromady mění ekonomiku výroby potravin a zemědělství: levnější měření, dostupnější automatizace, rychlejší analýza a větší tlak na transparentnost.

Pokud jste v agrifood a chcete z AI získat reálný efekt, začněte u jednoduché otázky: kde dnes rozhodujeme naslepo? Tam se AI vyplácí nejdřív.

V dalších dílech série se podíváme na konkrétní použití AI v precizním zemědělství (monitoring plodin, předpověď výnosů, optimalizace hnojení) a na to, jak propojit data z farmy s daty ze zpracování tak, aby se kvalita dala řídit dopředu, ne zpětně.

A teď jedna věc na vás: kdybyste měli vybrat jediné místo ve vašem provozu, kde by lepší predikce ušetřila nejvíc peněz, co by to bylo?