FoodLM ukazuje, proč AI v jídle musí rozumět kontextu

Když generativní AI odpovídá na dotaz „co uvařit“, často se tváří sebejistě. Jenže v kuchyni sebejistota nestačí. Rozhoduje kontext: alergie v rodině, rozpočet před výplatou, dostupnost surovin v lednici, sezónnost, nutriční cíle, vybavení domácnosti, čas a taky to, jestli vaříte pro dítě nebo pro sportovce. A přesně tady dává smysl novinka z oblasti food tech: společnost Innit oznámila vydání FoodLM – softwarové „inteligenční vrstvy“, která má generativním platformám pomoci dávat kontextově relevantnější odpovědi v oblasti jídla.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ je tohle víc než jen kuchyňská vychytávka. Kontextově orientovaná AI je společný jmenovatel pro chytré farmy, zpracování potravin i maloobchod. Kdo se naučí pracovat s kontextem (data, pravidla, limity, lokální realita), bude vyrábět, prodávat i doporučovat efektivněji – a s menším rizikem chyb.

Co je FoodLM a proč se o něj zajímat

FoodLM je specializovaná vrstva mezi generativní AI a „reálným světem jídla“, která má přidat kontext, pravidla a doménové znalosti. Innit je známý hlavně díky „shoppable“ receptům a softwaru pro chytré kuchyně. Z logiky věci tedy řeší problém, který generativní modely mají: umí hezky mluvit, ale bez správných vstupů snadno sklouznou k obecným radám, nepřesnostem nebo doporučením, která ignorují omezení uživatele.

Proč běžná generativní AI v jídle často selhává

U jídla je překvapivě snadné vyrobit „dobře znějící“ nesmysl. Příklady, které v praxi vídám nejčastěji:

• Ignorování dietních omezení (bezlepkové vs. „můžeš použít mouku“, alergie na ořechy, intolerance laktózy).
• Nejasné porce a makra (recept „pro 4“ a pak energie jak pro 2).
• Záměny surovin a technik (zaměnitelný recept pro troubu vs. horkovzdušnou fritézu; „povař“ místo „propeč“).
• Dostupnost (doporučení surovin, které nejsou sezónní nebo běžné v českých obchodech).
• Bezpečnost (u masa, fermentace, ohřevu; jídlo je jedna z oblastí, kde je „halucinace“ vyloženě problém).

FoodLM (podle oznámení) míří na to, aby se odpovědi generativních platforem opíraly o konkrétní kontext: co máte, co potřebujete, co si můžete dovolit, jaké jsou limity a jaký je cíl.

„Inteligenční vrstva“ v praxi: co si pod tím představit

Pod pojmem „vrstva“ si nepředstavuju další chat. Představuju si komponentu, která dokáže:

1. Normalizovat data o potravinách (názvy, jednotky, porce, substituce).
2. Ověřovat odpovědi přes pravidla (alergeny, dietní pravidla, bezpečnostní minima).
3. Napojit se na inventář a nákup (lednice/spíž, e-shop, dostupnost).
4. Udržet kontext napříč kroky (co už bylo použito, co zbývá, jaký je plán na týden).

Tohle je stejný princip jako v zemědělství: model „ví“, ale až data z pole + agronomická pravidla z něj udělají nástroj pro rozhodování.

Proč je kontext v potravinářství stejně důležitý jako na poli

Kontext je rozdíl mezi doporučením a rozhodnutím. V potravinářství i zemědělství se prakticky nikdy nerozhoduje podle jedné proměnné.

V precizním zemědělství je kontext třeba:

• typ půdy a její variabilita v rámci parcely,
• historické výnosy,
• fenologická fáze porostu,
• lokální počasí, riziko sucha či mrazu,
• dostupnost závlahy a ceny vstupů.

V kuchyni je kontext analogický:

• co je doma, co je v akci, co je sezónní,
• dietní cíle a zdravotní omezení,
• preference (bez ryb, méně pálivé),
• čas a vybavení,
• rozpočet.

Kontextově orientovaná AI je prakticky „precizní zemědělství“ přenesené do kuchyně: stejné jádro (data + pravidla), jen jiná doména.

A teď to důležité pro firmy: jakmile umíte kontext v kuchyni, umíte ho i v dodavatelském řetězci – od suroviny po hotové jídlo.

Co FoodLM naznačuje pro celý potravinový řetězec

FoodLM je signál, že se generativní AI posouvá od obecných odpovědí k doménovým systémům, které mají menší chybovost a vyšší užitek. V potravinářství to má přímé dopady na výrobu, distribuci i retail.

1) Maloobchod a e-commerce: doporučení, která opravdu prodávají

Shoppable recepty fungují jen tehdy, když doporučení sedí na situaci zákazníka. Kontextové AI vrstvy mohou:

• hlídat alergeny a preference (a tím snižovat „odpady“ z nerelevantních doporučení),
• přizpůsobit košík velikosti domácnosti (1 osoba vs. 5členná rodina),
• navrhnout substituce podle dostupnosti (když dojde konkrétní značka),
• spojit recept s týdenním plánem a minimalizovat plýtvání.

Pro český trh je zásadní i jazyk a lokálnost: „tvaroh“, „polohrubá“, „špaldová“ nejsou jen slova. Jsou to kategorie s očekáváním.

2) Výrobci potravin: rychlejší vývoj produktů a přesnější komunikace

Výrobci řeší zároveň chuť, cenu, nutriční profil, legislativu, alergeny a stabilitu dodávek. Kontextově orientovaná AI může pomoci:

• zrychlit formulace (návrhy variant receptur v rámci omezení),
• generovat varianty pro různé trhy (s jinými povolenými aditivy nebo preferencemi),
• vytvářet konzistentní odpovědi pro zákaznickou podporu (např. „obsahuje stopy…“).

Tady jsem jednoznačně pro přístup „AI s mantinely“: doménová vrstva, která umí říct „tohle nesplňuje pravidla“, je v potravinářství cennější než kreativní model, který jen hezky píše.

3) Zemědělství: od doporučení hnojiva k doporučení jídelníčku

Na první pohled to vypadá jako jiný svět, ale logika je stejná: kontextová AI zvyšuje přesnost rozhodnutí.

• Na farmě: „Aplikuj dusík“ je nesmysl bez dat o půdě, porostu a počasí.
• V kuchyni: „Udělej salát“ je nesmysl bez alergií, makro cíle a dostupnosti.

A když se tyto světy propojí, začíná to být zajímavé: sezónní doporučení jídel může lépe reflektovat lokální produkci, a tím podporovat stabilnější poptávku.

Jak poznat, že vaše AI je opravdu „context-aware“ (a ne jen ukecaný chatbot)

Kontextově orientovaná AI se pozná podle toho, že umí pracovat s omezeními, měřitelnými cíli a ověřitelnými zdroji dat. Pokud řešíte AI v potravinářství nebo zemědělství, tyhle otázky odfiltrují 80 % slepých uliček.

Kontrolní seznam pro firmy (prakticky a bez magie)

1. Jaká data o kontextu máte k dispozici?
   • inventář surovin, prodejní data, dostupnost, ceny, alergeny, nutriční tabulky, šarže.
2. Máte pravidla, která musí odpověď splnit?
   • HACCP, alergeny, dietní pravidla, interní standardy kvality.
3. Umí systém říct „nevím“ a požádat o doplnění?
   • To je často znak zralosti. Lepší doptání než špatná rada.
4. Existuje ověřovací krok?
   • např. kontrola alergenů, kontrola porcí, sanity check jednotek.
5. Měříte úspěch konkrétní metrikou?
   • v retailu konverze košíku, v kuchyni míra dokončení receptu, v B2B snížení reklamací.

Dobrá AI v jídle není ta, která odpoví nejrychleji. Je to ta, která odpoví správně v rámci vašich omezení.

Malý scénář: co znamená „kontext“ na jedné obrazovce

Představte si uživatele v ČR 22.12.2025 v 18:30: doma má kuřecí prsa, mraženou zeleninu, rýži. Chce večeři do 25 minut, bez pálivého, s vyšším obsahem bílkovin.

Obecná generativní AI nabídne cokoli od curry po pečené kuře.

Context-aware vrstva (typově jako FoodLM) má udělat toto:

• použít jen suroviny z inventáře + 1–2 běžné doplňky,
• hlídat čas a vybavení (pánev, hrnec),
• spočítat porce a orientační makra,
• nabídnout substituce (když chybí sójová omáčka, použít sůl + citron),
• přidat nákupní mini-seznam, pokud něco chybí.

Tohle není „hezký text“. To je rozhodovací podpora.

Co to znamená pro leady: kde začít, když jste v zemědělství nebo potravinářství

Nejrychlejší cesta k hodnotě je postavit malý kontextový pilot na jedné konkrétní úloze. V prosinci navíc firmy často plánují rozpočty a projekty na Q1, takže je ideální čas definovat use case, data a metriky.

3 pilotní use-casy, které dávají smysl v ČR

1. AI pro plánování výroby podle poptávky a expirací
   • Cíl: snížit odpisy, lépe plánovat šarže.
   • Kontext: sklad, expirace, forecast, výrobní kapacity.
2. Kontextové doporučování receptů a košíku pro retail
   • Cíl: vyšší konverze, vyšší důvěra, méně vratek.
   • Kontext: preference, alergeny, dostupnost, cena, sezóna.
3. Poradce pro farmu: zásahy podle počasí a stavu porostu
   • Cíl: méně zbytečných přejezdů, lepší načasování.
   • Kontext: meteodata, NDVI/monitoring, půdní data, historie.

Pokud bych měl vybrat jednu věc, kterou firmy podceňují: datovou připravenost a pravidla. Ne model. V praxi vyhrává ten, kdo má vyčištěná data o produktech, alergenech, jednotkách, šaržích a kdo má jasně popsané procesy.

Kam se posune AI v jídle v roce 2026: méně chatu, víc rozhodování

FoodLM je dobrý příklad směru: generativní AI přestává být jen „mluvící“ a začíná být „odpovědná“ vůči kontextu. V potravinách a zemědělství to bude pokračovat třemi směry:

• Více doménových vrstev (food, agronomie, logistika) nad obecnými modely.
• Propojování s daty v reálném čase (dostupnost, ceny, počasí, sklady).
• Auditovatelnost: schopnost vysvětlit, proč systém doporučil právě tento postup.

Série „Umělá inteligence v zemědělství a potravinářství“ stojí na jednoduché tezi: AI dává největší smysl tam, kde se rozhoduje často, pod tlakem a s omezeními. Jídlo i farma to splňují dokonale.

Pokud teď řešíte, jak AI uchopit ve vašem podniku, začněte kontextem: jaká data a pravidla musí systém respektovat, aby mu lidé věřili. A pak si položte otázku, která oddělí demo od skutečného přínosu: Kde dnes děláme drahá rozhodnutí podle neúplných informací – a jak by vypadala odpověď, kdyby měla všechny relevantní souvislosti?