AI v potravinách: proč chytré lednice padají

Když se na jaře 2025 zavřela americká startupová firma Tomorrow, která chtěla postavit „next-gen“ lednici s AI a delší trvanlivostí čerstvých potravin, nebyl to jen další zápis do seznamu zaniklých projektů. Byl to docela přesný test reality: AI v kuchyňských spotřebičích se prodává hůř, než zní na pitch decku – zvlášť když jde o drahý hardware, složitý dodavatelský řetězec a nejistotu kolem cel.

A přitom ambice byla sympatická: méně plýtvání, déle čerstvá zelenina, „zdravější stravování bez námahy“. Jenže mezi dobrým záměrem a udržitelným byznysem je v potravinářství a agru často propast. Tahle zkušenost je pro náš seriál „Umělá inteligence v zemědělství a potravinářství“ užitečná hlavně proto, že ukazuje, kde AI dává smysl okamžitě (farmy, sklady, výroba) a kde se naopak snadno stane „hezkou funkcí navíc“ bez jasné návratnosti.

Co přesně ukončilo Tomorrow (a proč je to typické)

Nejrychlejší odpověď: nešlo jen o „AI“, ale o kombinaci financování hardwaru, rizika výroby a cenové citlivosti zákazníků.

Zakladatel Tomorrow veřejně popsal dva zásadní tlaky: obtížné financování spotřební elektroniky a nejistotu kolem tarifů/cel, která zdražuje komponenty a komplikuje plánování výroby. To je u lednice – velkého, logisticky náročného produktu – násobně bolestivější než u aplikace.

Proč je spotřební hardware pro investory tvrdý oříšek

U „consumer hardware“ se investoři obvykle bojí tří věcí:

• Dlouhý čas do trhu: vývoj, certifikace, testování, reklamace.
• Vysoké předfinancování: formy, nástroje, první výrobní série, skladové zásoby.
• Servis a záruky: když se rozbije aplikace, vydáte update. Když se rozbije lednice, stojí vás to výjezd technika.

A teď přidejte tarify a geopolitiku: když vám v Q2 vyjde BOM (bill of materials) na X a v Q3 je to X+20 %, rozpadne se cenotvorba i marže. U produktu, který má stát desítky tisíc korun, je to často „konec hry“.

„Prodlužování trvanlivosti“ je vědecky i marketingově náročné

Tomorrow mířil na slib prodloužení čerstvosti. To není jen otázka lepšího chlazení. Trvanlivost je kombinace teploty, vlhkosti, proudění vzduchu, ethylenu, mikrobiologie a chování uživatele (jak často otevírá, jak ukládá potraviny, jestli dává teplé jídlo dovnitř…).

A tady je tvrdá pointa: AI bez kontrolovatelných fyzikálních podmínek často jen „odhadne“, co se děje. Pokud nemáte špičkové senzory, komory, řízení mikroklimatu a konzistentní data, skončíte u chytrých notifikací typu „snězte salát do pátku“ – což zákazník za příplatek moc nechce.

Proč AI v lednici často nevychází: 5 praktických lekcí

Nejde o to, že by AI v kuchyni byla špatně. Problém je, že u spotřebičů se hodnotu měří jinak než ve výrobě.

1) Návratnost investice je v domácnosti nejasná

Firma vám ve výrobě spočítá ROI na hodinu. Domácnost ne.

Pokud má „AI lednice“ stát o 15–30 tisíc Kč víc než běžný model, musí nabídnout hodnotu, kterou člověk cítí každý týden. Méně vyhozených potravin je skvělý argument, ale zákazník potřebuje jasně vědět:

• kolik ušetří měsíčně,
• u jakých potravin,
• a co musí změnit ve svém chování.

Bez toho je to „hezký nápad“, ne důvod k nákupu.

2) Data jsou špinavá a návyky chaotické

V domácí lednici je realita:

• obaly bez čitelných etiket,
• přesypané potraviny,
• zbytky v krabičkách,
• různá světla a stíny,
• děti, které to celé přerovnají.

Computer vision v takovém prostředí funguje, ale cena za spolehlivost (hardware + modely + výpočet) je vysoká. A jakmile systém udělá chyby, uživatel ho přestane brát vážně.

3) „AI“ se špatně vysvětluje – lidé kupují výsledek

Nikdo nechce koupit neuronovou síť. Lidé kupují:

• o 2 dny déle čerstvé jahody,
• méně plesnivých okurek,
• stabilní teplotu pro maso,
• upozornění, které fakt sedí.

Když startup drží technologii „u těla“ a neukáže měřitelné výsledky (např. v kontrolovaných testech), je těžké získat důvěru investorů i zákazníků.

4) Servis, instalace a logistika zabíjí marži

Lednice není chytrý reproduktor. Je to:

• doručení,
• výnos starého spotřebiče,
• instalace,
• řešení reklamací,
• dostupnost náhradních dílů.

Každý takový krok je náklad. A u nového výrobce navíc vzniká otázka: co bude za 5 let se servisem, když firma skončí? Přesně to se teď stalo.

5) Tarify a supply chain jsou pro hardware „externí model rizika“

Software řešíte sprintem. Tarify ne.

U hardwaru se riziko zvenku propíše přímo do koncové ceny. A pokud chcete řešit potravinový odpad, paradoxně potřebujete dostupný produkt, ne luxusní prémii.

Kde AI v potravinářství a zemědělství funguje lépe než v kuchyni

Jedna věta: AI vyhrává tam, kde má stabilní data, opakovatelné procesy a jasnou metriku úspěchu.

Proto v agru a potravinářství vidíme rychlejší návratnost než u spotřebičů pro domácnosti.

AI v zemědělství: měřitelné přínosy a rychlejší ROI

Na poli a ve skleníku je „hřiště“ pro AI často čistší:

• pravidelné snímkování (drony, satelity),
• senzory půdy a počasí,
• opakující se rozhodnutí (závlaha, hnojení, ochrana rostlin).

Typické use-cases, které v Česku dávají smysl:

1. Precizní zemědělství: variabilní aplikace hnojiv a pesticidů podle zón.
2. Detekce stresu plodin: dřívější zásah proti suchu nebo chorobám.
3. Predikce výnosu: lepší plánování sklizně a logistiky.
4. Optimalizace závlahy: úspora vody a energie.

Tady se hodnota obvykle vyčíslí: méně vstupů na hektar, vyšší výnos, nižší ztráty.

AI v potravinářské výrobě: kontrola kvality a snižování zmetkovitosti

Ve výrobě potravin AI typicky pomáhá tam, kde je potřeba rychle rozhodnout podle obrazu nebo signálu:

• kamerová kontrola kvality (defekty, kontaminace, tvar),
• prediktivní údržba strojů,
• optimalizace receptur a procesů (čas, teplota, vlhkost),
• snižování odpadu ve výrobních dávkách.

Výrobní linka produkuje data každý den. Model se zlepšuje, protože má z čeho.

AI v logistice a skladování: tichý vítěz boje proti plýtvání

Z pohledu „méně vyhozeného jídla“ je často efektivnější řešit první míli po sklizni a poslední míli před prodejem:

• predikce poptávky,
• FEFO řízení (first-expire-first-out),
• dynamické slevování,
• monitoring teplotního řetězce.

Upřímně: jedna dobře řízená logistika ušetří víc než tisíc chytrých lednic, protože zasahuje objemy, ne jednotlivé domácnosti.

Co si z příběhu Tomorrow odnést, když zavádíte AI v agru nebo potravinách

První pravidlo: AI projekt musí začít metrikou, ne modelem.

Tady je checklist, který používám, když s týmy vybíráme, co automatizovat a kde AI opravdu zaplatí sama sebe.

1) Definujte jednu metrickou větu

Příklad dobré věty:

• „Snížíme ztráty čerstvého sortimentu ve skladu z 4,5 % na 3,5 % do 6 měsíců.“

Příklad špatné věty:

• „Budeme používat AI na lepší rozhodování.“

2) Zmapujte, odkud berete pravdu (ground truth)

AI potřebuje „pravdu“: co je dobrý kus, co je zkažené, co byla porucha, kdy došlo k přesušení.

Bez ground truth budete mít hezký dashboard a nulový dopad.

3) Vsaďte na pilot, který jde vypnout bez bolesti

Nejlepší piloty:

• běží paralelně k současnému procesu,
• mají jasnou kontrolní skupinu,
• po 8–12 týdnech ukážou trend.

4) Počítejte s integrací, ne jen s algoritmem

V agru a potravinářství bývá největší práce:

• napojení na ERP/MES,
• kvalita dat,
• změna operativy,
• školení lidí.

AI bez adopce je drahý experiment.

5) Ujasněte si, co je „hardware riziko“ a co „software riziko“

Příběh Tomorrow je varování: hardware riziko (výroba, tarify, servis) může převálcovat i dobrý nápad.

Pokud to jde, začněte softwarově: senzory a kamery lze často přidat do existující infrastruktury. Ne vždy musíte stavět nový stroj.

Kam se bude AI v potravinách posouvat v roce 2026

Prosinec 2025 ukazuje jeden trend celkem jasně: peníze tečou do řešení, která snižují náklady a odpad v průmyslovém měřítku. Spotřební „AI gadgety“ to mají těžší – ne proto, že by byly zbytečné, ale protože jejich hodnota je roztříštěná a prodejní cyklus drahý.

Pro české zemědělství a potravinářství je to dobrá zpráva. Největší prostor vidím v kombinaci:

• predikce (výnos, poptávka, poruchy),
• automatizace rozhodnutí (závlaha, plán výroby),
• a měření dopadu (odpad, energie, kvalita).

A pokud vás láká AI „od pole až po lednici“, dává smysl začít tam, kde je nejvíc dat a největší objemy. Domácnost přijde na řadu, až bude technologie levnější a spolehlivější.

Jedna věta, kterou bych si z pádu chytré lednice zapsal na tabuli: AI v potravinách musí nejdřív vydělávat nebo šetřit – a teprve potom ohromovat.

Chcete-li posunout AI ve vašem zemědělském podniku, potravinářské výrobě nebo logistice, začněte jedním procesem, jednou metrikou a pilotem, který dá výsledky do 90 dnů. Kde by AI u vás mohla nejrychleji snížit ztráty – na poli, ve skladu, nebo na lince?