Chef Watson a kořeny AI v potravinách: lekce pro farmy

Když dnes někdo řekne „AI a recepty“, většina lidí si vybaví generátor jídelníčku v chatbotech – a taky pár nepovedených výstupů, které znějí dobře, ale v kuchyni se rozpadnou. Jenže už o víc než deset let dřív IBM zkoušela něco, co dává překvapivě praktický smysl i v roce 2025: naučit umělou inteligenci chápat jídlo jako systém.

Projekt „Chef Watson“ nebyl o tom, že stroj nahradí kuchaře. Byl o tom, že stroj nabídne kombinace surovin, které člověk přeloží do reálného receptu. Právě tenhle „člověk v rozhodovací smyčce“ je důvod, proč si na Chef Watson vzpomínám pokaždé, když vidím prezentaci o AI v zemědělství a potravinářství: stejné principy dnes stojí za predikcí výnosů, řízením hnojení, tříděním surovin ve výrobě nebo snižováním potravinového odpadu.

Chef Watson nebyl receptovací chatbot. To je celý point

Chef Watson fungoval hlavně jako generátor možností. Nepsal kuchařům hotové postupy, spíš vytvářel návrhy typu „tahle kombinace aromatických a chuťových profilů dává smysl v konkrétní kuchyni, typu jídla a s vybranou hlavní surovinou“.

Šéfkuchař James Briscione, který na projektu spolupracoval, popsal situaci velmi jednoduše: IBM tým přišel do kuchyně s notebookem, otevřel rozhraní a začalo se „parsovat“ daty. Ne romantika, ale práce s datovou strukturou.

Proč je důležité, že šlo o kombinace, ne o recepty

Recept je v praxi směs:

• technologie (teplota, čas, pořadí kroků),
• dostupnosti surovin,
• vybavení kuchyně,
• a zkušenosti.

AI umí navrhnout vzorec. Člověk umí posoudit realitu. Briscione to shrnul: AI mu dala výstup surovin, on to přeložil do receptu. A dva kuchaři dokázali ze stejného výstupu uvařit úplně jiné jídlo.

Tahle „dvojkolejnost“ je přesně to, co dnes funguje i na poli a ve výrobě potravin: model navrhne varianty, ale provozní rozhodnutí dělá člověk – často s ohledem na riziko, legislativu, sklad, smlouvy nebo počasí.

Co má molekulární chuť společného s precizním zemědělstvím

Chef Watson pracoval s myšlenkou, že chuť není magie, ale soubor aromatických sloučenin. Když rozložíte suroviny na „stavební bloky“, můžete hledat nečekané, ale logické kombinace.

V precizním zemědělství děláme totéž, jen místo aromat rozkládáme:

• půdu (pH, organická hmota, dostupné živiny),
• porost (NDVI, LAI, stresové indexy),
• mikroklima (vlhkost, teplota, vítr),
• tlak chorob a škůdců.

Stavební bloky umožní modelům dávat doporučení, která nejsou jen „průměr za pole“, ale dávají smysl po zónách nebo dokonce po řádcích.

Paralela, která sedí: „chuťový strom“ vs. „produkční strom“

Briscione mluvil o budování „flavor tree“ kolem hlavní suroviny. V zemědělství to odpovídá tomu, jak se často modeluje:

• hlavní plodina (např. pšenice),
• cílový výnos a kvalita (bílkoviny, pádové číslo),
• omezení (voda, dusík, ochrana rostlin),
• a pak se hledá optimální kombinace zásahů.

Jedna věta, kterou si klidně napište na nástěnku: Dobrá AI v potravinách nehledá „správnou odpověď“, ale zmenšuje prostor špatných rozhodnutí.

Proč se většina „AI receptů“ rozbije – a co si z toho vzít do výroby

Dnešní generativní modely umí vytvořit text, který vypadá věrohodně. To je užitečné, ale taky zrádné. Briscione trefně popsal, že lidé se od AI odvrátí po „jednom špatném receptu“. V zemědělství a potravinářství je tolerance k chybě ještě nižší: jedna špatná dávka, jedna špatná šarže nebo jedno špatné doporučení postřiku může stát statisíce.

Tři nejčastější důvody, proč generované návody selhávají

1. Chybí ověření reality (fyzika, chemie, technologická omezení).
2. Chybí kontext (sezónnost, dostupnost, sklad, kapacity).
3. Chybí výběr (selection) – model vyplivne 20 variant, ale nikdo neřeší, které jsou skutečně proveditelné.

Právě „selection“ označil Briscione jako klíčovou část nové generace systémů pro jídlo: není těžké vygenerovat návrhy, těžké je vybrat ty správné.

A to je přesná lekce pro firmy, které nasazují AI do potravinářství:

• Modely musí mít kontrolní brány (validace, limity, alarmy).
• Doporučení musí být auditovatelné (proč to model navrhl).
• A musí existovat role člověka, který má pravomoc říct: „Ne, dnes ne.“

Od kuchyně k poli: kde dnes AI nejrychleji přináší hodnotu

Největší praktická hodnota AI v potravinovém řetězci nevzniká v „hezkých demách“, ale v místech, kde je hodně dat a vysoké náklady na chybu nebo plýtvání.

1) Plánování a omezení odpadu (od lednice po sklad)

Briscione použil krásně konkrétní příklad: lidem zbydou na konci týdne půlka celeru, dvě cibule a kousek dýně – a skončí v koši. V potravinářských firmách je to stejné, jen v tunách.

AI se dá použít pro:

• návrhy výroby podle expirací (FEFO),
• predikci poptávky po SKU,
• optimalizaci receptur podle toho, co je reálně na skladě,
• chytré využití vedlejších proudů (slupky, odřezky, syrovátka).

2) Precizní zásahy v porostu

V zemědělství se v ČR nejčastěji vyplácí AI tam, kde pomůže snížit vstupy nebo stabilizovat kvalitu:

• variabilní hnojení dusíkem podle zón,
• včasná detekce stresu porostu,
• predikce výnosu pro plán prodeje a logistiky,
• optimalizace závlahy (tam, kde je relevantní).

3) Kontrola kvality ve výrobě

Počítačové vidění a prediktivní modely zlepšují:

• třídění surovin (poškození, velikost, barva),
• odhalení cizích předmětů,
• stabilitu procesů (teplotní profily, vlhkost, čas),
• a včasné odchylky, které by jinak skončily reklamací.

Jak nasadit AI v zemědělství a potravinářství tak, aby fungovala

Fungující projekty mají jednu společnou věc: nezačínají „modelem“, ale rozhodnutím, které chceme zlepšit.

Praktický postup (který se mi dlouhodobě osvědčuje)

1. Vyberte jedno rozhodnutí s jasnou metrikou
   • např. snížení spotřeby dusíku o 10 % bez poklesu výnosu,
   • nebo snížení odpadu ve výrobě o 15 %.
2. Sežeňte data, která popisují realitu, ne jen papír
   • provozní data, senzorika, laboratorní výsledky, záznamy z pole.
3. Postavte „human-in-the-loop“ workflow
   • doporučení → kontrola → provedení → zpětná vazba.
4. Zaveďte validaci a limity
   • co je zakázané, co je rizikové, co musí potvrdit člověk.
5. Měřte dopad po sezónách/šaržích, ne po týdnech
   • zemědělství je cyklické; rychlé závěry bývají drahé.

Jedno dobře vybrané použití AI, které zlepší praxi, má větší hodnotu než pět prezentací o „transformaci“.

Co čekat v roce 2026: personalizace jídla i surovin půjde do hloubky

Briscione dnes mluví o dalším kroku: modely, které spojí chuťovou vědu a nutriční data a budou umět navrhovat jídelníčky podle člověka (věk, aktivita, klima, cíle). Tenhle trend v roce 2025 vidíme i v Evropě: personalizace se stává standardem u doplňků stravy, funkčních potravin i sportovní výživy.

Pro zemědělství to má přímý dopad: pokud se bude více optimalizovat „jídlo pro konkrétní potřebu“, poroste tlak na:

• stabilní parametry surovin (bílkoviny, cukernatost, obsah oleje),
• trasovatelnost,
• a kontraktační pěstování s jasnými kvalitativními cíli.

Jinak řečeno: AI v kuchyni je často jen uživatelské rozhraní pro změny, které se musejí odehrát už na poli a ve výrobě.

Co si odnést do praxe (a co zkusit už teď)

Chef Watson ukázal jednu věc dřív, než se z generativní AI stala masová záležitost: největší přínos není v tom, že stroj „vaří“. Přínos je v tom, že dokáže rychle prohledat obří prostor kombinací a dát člověku použitelný výběr.

Pokud řešíte AI v zemědělství a potravinářství, udělejte si jednoduchý test: kde u vás existuje „prostor kombinací“, který je pro člověka příliš velký?

• zóny hnojení a termíny zásahů,
• receptury podle kolísající kvality surovin,
• plán výroby podle expirací a poptávky,
• nebo logistika sklizně podle počasí.

Tam AI obvykle přinese první měřitelný efekt – a taky nejrychleji generuje leady pro další projekty, protože už máte interní důkaz, že to není hračka.

A teď ta otázka, která rozhoduje o úspěchu: Které jedno rozhodnutí ve vašem potravinovém řetězci by se zlepšilo nejvíc, kdybyste měli o 20 % lepší predikci a o 30 % méně nejistoty?