AI ve foodtech: 4 lekce ze zániku Zume pro praxi

Zume spálilo zhruba 450 milionů dolarů a přesto skončilo. Ne proto, že by roboti a data ve výrobě jídla „nefungovaly“, ale proto, že firma se pokusila vyhrát na příliš mnoha frontách najednou: automatizace výroby pizzy, vlastní flotila rozvozových aut s pecemi a nakonec ještě velký obrat k udržitelným obalům.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je to ideální případová studie. V prosinci 2025 už se AI objevuje všude – od predikce výnosů přes kontrolu kvality na linkách až po plánování logistiky. Jenže realita je pořád stejná: nejvíc peněz se ztratí na špatném zadání, špatné ekonomice a špatné prioritizaci, ne na tom, že by model neuměl predikovat.

Níže jsou čtyři lekce ze zániku Zume, převedené do praktických doporučení pro potravinářské provozy, agritech týmy, startupy i inovátory ve výrobě. Ne jako teorie – spíš jako „co udělat, aby se AI projekt nezměnil v drahý experiment“.

1) Soustřeďte se na jednu věc, kterou budete dělat skvěle

Nejrychlejší cesta k neúspěchu je postavit dvě kapitálově náročné firmy v jedné. Zume se snažilo znovu vymyslet výrobu (robotická kuchyně) i doručení (speciální vozidla s dopečením po cestě). To znamená dvojí vývoj, dvojí operativa, dvojí rizika – a hlavně dvojí účet.

V potravinářství a zemědělství vidím podobnou chybu pořád: tým chce jedním projektem vyřešit monitoring surovin, plán výroby, řízení kvality, trasování šarží i zákaznickou aplikaci. Výsledek? Dlouhá implementace, vyhoření lidí a hodnota až „někdy potom“.

Co to znamená pro AI v potravinářství a agri

Dobrá AI iniciativa má jasné jádro: jedna metrika, jeden proces, jeden vlastník. Typické příklady, které dávají smysl:

• Prediktivní údržba na kritickém stroji (snížení neplánovaných odstávek v %)
• Vizuální kontrola kvality (snížení zmetkovitosti / reklamací v %)
• Predikce poptávky pro omezení odpisů (snížení plýtvání v kg nebo Kč)
• Optimalizace dávkování surovin (zlepšení výtěžnosti / stability receptury)

Jedna věc. Jasný přínos. A až potom rozšiřování.

Praktický test „jedné věci“

Pokud nedokážete během 30 sekund říct: „AI nám má ušetřit X Kč měsíčně tím, že zlepší Y v procesu Z“, projekt je pravděpodobně moc široký.

2) Vlastní flotila a vlastní hardware bývá nejdražší způsob, jak doručit hodnotu

Zume vsadilo na vlastní rozvozová auta s integrovanými pecemi. Nápad zní efektně: čerstvější pizza u dveří. Problém? Vytvářet custom flotilu je extrémně drahé, pomalé a provozně bolestivé. A přidaná hodnota pro zákazníka je často jen „o něco lepší“ – ne „zásadně lepší“.

V AI projektech v agru a potravinářství existuje analogie: týmy investují do drahého hardwaru a infrastruktury, ještě než mají potvrzený přínos. Drony, vlastní senzory, vlastní edge zařízení, vlastní vše. A pak zjistí, že data jsou nekonzistentní, integrace do provozu chybí a ROI nevychází.

Jak to dělat pragmatičtěji (a rychleji)

Hledejte nejdřív „software-first“ cestu:

1. Začněte na existujících datech (PLC/SCADA, laboratorní měření, ERP, WMS, historické reklamace)
2. Pokud data chybí, nasazujte senzory jen na jedno úzké místo (bottleneck)
3. Teprve po prokázání přínosu řešte škálování hardware a standardizaci

Zapamatujte si větu, která se v provozu vyplácí: „Nejdřív důkaz hodnoty, potom standard.“

Kde hardware dává smysl i hned

Jsou situace, kdy bez něj nejde začít: například strojové vidění na balicí lince nebo monitoring chlazeného řetězce. I tam ale platí, že se má začít pilotem s jasnými KPI a jednoduchou integrací.

3) Pivot má navazovat na vaše „know-how“ a data, ne začínat od nuly

Zume po letech vývoje automatizace a logistiky udělalo velký obrat k udržitelným obalům. Udržitelný obalový průmysl je důležitý, ale pro firmu, která vybudovala technologii pro řízení doručení a automatizaci kuchyně, je to skok do úplně jiné arény – s jinými nákupčími, jiným sales cyklem, jinými maržemi a jinou konkurencí.

V zemědělství a potravinářství se pivoty dějí také: tým začne s AI pro třídění komodit, pak „přihodí“ trasování, pak ESG reporting, pak e-shop pro farmáře. Když se to přežene, ztratí se to nejcennější: datová kontinuita a specializace.

Jak poznat, že pivot je „adjacent“ (navazující)

Pivot je zdravý, když splňuje alespoň dvě z těchto tří podmínek:

• používá stejný typ dat (např. obrazová data z kamer, procesní časové řady)
• využívá stejné distribuční kanály (stejní zákazníci, podobný nákupní proces)
• opírá se o stejné kompetence týmu (MLOps, integrace do linek, industrial engineering)

Příklad navazujícího pivotu v potravinářství: z vizuální kontroly etiket přejít na vizuální kontrolu svaru obalu a následně na predikci reklamací podle vad. Pořád stejné kamery, stejné linky, stejné týmy kvality.

4) Technologická firma obvykle neustojí zároveň restauraci „pro lidi“

Zume ukazuje ještě jednu nepříjemnou pravdu: když budujete spotřebitelskou značku (restauraci, rozvoz), potřebujete masivní fokus na marketing, zákaznickou zkušenost a operativu. Když zároveň vyvíjíte náročnou technologii (robotika, AI, logistická platforma), soutěžíte o pozornost, kapitál i manažerskou kapacitu.

V českém a středoevropském kontextu je tohle ještě ostřejší, protože trhy jsou menší a jednotkové ekonomiky se hůř „zachraňují“ objemem.

Co z toho plyne pro AI v potravinářství

Pokud jste technologický tým, nejčastěji vyhrajete takto:

• dělejte AI jako B2B produkt nebo jako interní schopnost ve výrobě
• měřte přínos v provozních metrikách (OEE, zmetkovitost, výtěžnost, spotřeba energie)
• integrujte se do stávajícího toku práce (kvalitář, mistr, technolog), ne „mimo“

A pokud jste výrobce potravin: chtějte po dodavateli AI řešení, aby uměl nasadit, udržet a zodpovídat model v čase. Jednorázové demo je levné. Dlouhodobá spolehlivost je to, co šetří peníze.

Jak převést tyto lekce do úspěšného AI projektu (checklist)

Tady je stručný postup, který používám jako „zdravý rámec“ pro AI ve výrobě potravin i v agru. Je praktický a záměrně nekomplikovaný.

1) Definujte jeden cíl v penězích

• „Snížíme odpisy hotových výrobků o 8 % do 6 měsíců“
• „Snížíme zmetkovitost obalování o 1,2 p. b. do 90 dnů“

Bez finanční metriky se z projektu stává technologické cvičení.

2) Udělejte datový audit do 10 pracovních dnů

Výstup má být konkrétní:

• jaká data existují (kde, v jakém formátu)
• jaká data chybí a kolik stojí je doplnit
• jaká je kvalita (výpadky, šum, konzistence)

3) Postavte pilot, který jde vypnout

Pilot má mít „kill switch“. Pokud po 6–10 týdnech nevidíte trend k cíli, ukončete ho nebo zúžte. Neinvestujte další čtvrtletí jen proto, že už jste investovali první.

4) Myslete na provoz modelu (MLOps) hned od začátku

V potravinářství se mění suroviny, sezónnost i nastavení linek. Model bez správy driftu a bez monitoringu výkonu degraduje.

Minimální standard:

• měření přesnosti / chybovosti po týdnech
• alerty při změně dat (drift)
• pravidla pro re-trénink
• jasný vlastník modelu (ne „IT“, ale procesní owner)

5) Škálujte až po prokázání ROI

Škálování znamená integrace do ERP/WMS, standardizaci senzorů, školení lidí a změnu rutiny. To je dražší než první model. Proto má škálování přijít až tehdy, když pilot prokazatelně vydělává.

Mini Q&A: na co se lidé ptají nejčastěji

Pomůže AI i bez robotů a drahých strojů?

Ano. V mnoha provozech dává největší smysl začít tam, kde už data existují: plánování výroby, predikce poptávky, údržba, energetika.

Jak dlouho trvá, než AI začne vydělávat?

V potravinářství je realistické počítat s 6–12 týdny na pilot (pokud jsou data) a 3–6 měsíců na stabilní přínos po integraci.

Co je nejčastější důvod, proč AI projekt selže?

Ne „špatný model“, ale špatná ekonomika a chybějící integrace do procesu. Když výsledek nikdo nepoužívá v každodenní práci, přínos se nedostaví.

Kam to míří v roce 2026: AI, která snižuje plýtvání a stabilizuje výrobu

Když se podívám na nejpraktičtější trendy na přelomu let 2025/2026, největší dopad má AI tam, kde se potkává variabilita surovin a tlak na náklady: predikce kvality vstupů, adaptivní řízení procesů a přesnější plánování.

Zume je varování, ale zároveň užitečný kompas. Neříká „neinvestujte do AI“. Říká: vyhrávat budou ti, kdo umí z AI udělat nudnou, spolehlivou součást provozu – a kdo se nenechají zlákat drahými odbočkami.

Pokud chcete, aby vaše AI iniciativa v zemědělství nebo potravinářství přinesla měřitelný efekt, začněte jedním úzkým případem použití, ověřte ROI a teprve potom přidávejte další vrstvy. Jaký proces ve vašem provozu dnes stojí nejvíc peněz jen proto, že se rozhoduje „od oka“?