AI v potravinářství: proč Cana padla a co z toho plyne

V květnu 2023 skončil startup Cana, který sliboval „téměř jakýkoli nápoj na míru“ z jediného domácího zařízení. Měli funkční prototyp, marketingově silnou tvář a desítky milionů dolarů investic. A přesto narazili na úplně přízemní věc: nepodařilo se jim získat další financování na výrobu a škálování.

Pro náš seriál Umělá inteligence v zemědělství a potravinářství je tohle víc než technologická drbna. Cana je učebnicový příklad, jak snadno se v potravinářském a „food tech“ světě zamění nápad, který vypadá skvěle na prezentaci, za produkt, který vychází v číslech. A přesně tady má AI (umělá inteligence) největší hodnotu: ne v tom, že vymyslí další „zázračný stroj“, ale že pomůže udělat tvrdá rozhodnutí dřív, než se spálí čas, kapitál a důvěra.

Níže beru Cano jako varovný příběh a propojuji ho s dalšími signály z potravinářského ekosystému: od personalizovaných omáček ve fastfoodu přes robotické kuchyně až po CRISPR zeleninu a vertikální farmy. Všude se opakuje jedna lekce: kdo zvládne data, zvládne i riziko.

Cana jako varování: „prototyp“ není „továrna“

Cana nepadla proto, že by neuměli postavit prototyp. Padla proto, že přechod od prototypu k výrobní lince je v hardwaru a potravinářských spotřebních řetězcích nejdražší a nejriskantnější fáze.

U takového zařízení nejde jen o plast a elektroniku. Jde o celé „kolem“:

• spotřební materiál (náplně, kapsle, koncentráty, kompatibilita, expirace)
• logistiku (sklad, chladový řetězec, vratky, servis)
• kvalitu a bezpečnost (stabilita receptur, mikrobiologie, čištění)
• regulace a označování (složení, alergeny, šarže)

A navrch realita posledních let: investoři jsou u spotřebitelského hardwaru výrazně opatrnější než dřív. V prosinci 2025 je tenhle trend pořád cítit i v Evropě – kapitál míří spíš do B2B řešení, do energetické efektivity, do aplikované AI a do projektů, které umí rychle prokázat jednotkovou ekonomiku.

Můj názor: Cana měla problém, který je v potravinářství typický – technologicky zajímavý slib, ale příliš mnoho neznámých v dodavatelském a výrobním řetězci. AI sama o sobě by je „nezachránila“, ale mohla je donutit dřív přiznat, co je reálně škálovatelné a co je marketingová fantazie.

Kde by AI dokázala zabránit slepé uličce (a kde ne)

AI nepřepíše fyziku ani cenu oceli. Umí ale dramaticky zlepšit rozhodování v rané fázi. Tři konkrétní oblasti, kde bývá návratnost nejvyšší:

1) Predikce poptávky a ochoty platit (ne jen „zájem“)

Nejčastější omyl startupů: pletou si „to je cool“ s „zaplatím za to každý měsíc“.

AI tady pomáhá tím, že spojí více signálů:

• e-commerce data a vyhledávání (co lidé skutečně kupují, ne co lajkují)
• cenovou elasticitu (jak se mění poptávka při změně ceny)
• segmentaci (kdo je heavy user, kdo jen zkusí a odloží)
• predikci opakovaného nákupu (retence a spotřeba náplní)

U zařízení typu Cana je klíčová otázka jednoduchá: kolik lidí bude dlouhodobě kupovat náplně, a za jakou cenu? Pokud vám to nevychází, zařízení je jen drahá vstupenka k drahému problému.

2) Simulace jednotkové ekonomiky a výrobní reality

Potravinářský hardware často selže na číslech typu:

• kolik stojí vyrobit kus při 1 000 / 10 000 / 100 000 kusech
• kolik stojí servis a reklamace
• jaký je dopad změny dodavatele nebo ceny surovin
• jak rychle se točí zásoby (a kolik se vyhodí)

AI (a obecně pokročilá analytika) umí stavět scénáře a vyhodnocovat, které proměnné jsou pro přežití kritické. V praxi to často vede k méně sexy, ale životaschopné strategii: zúžit počet variant, omezit nákladné „nekonečné příchutě“, začít v B2B segmentu.

3) Optimalizace R&D: „méně pokusů, víc učení“

V potravinářském vývoji je drahé dělat stovky iterací naslepo. AI může urychlit:

• návrh receptur (modelování chuti, stability, nákladů)
• testovací plány (aktivní učení: které testy dávají nejvíc informací)
• odhad rizik (kazivost, citlivost na teplotu, čistitelnost)

Důležitá nuance: AI nenahradí senzoriku ani potravinářského technologa. Ale dokáže snížit počet slepých testů a zrychlit cestu k „dost dobrému“ produktu.

Heinz REMIX a lekce z personalizace: neprodáváte omáčku, ale zážitek

Heinz představil dávkovač omáček, který umí namíchat až stovky kombinací z několika základů a „enhancerů“ (pálivé, kouřové, buffalo, mango) v různých intenzitách. Na papíře to zní jako hračka. V provozu restaurace je to ale o něčem jiném: zabere místo, stojí peníze a musí vydělat.

Z pohledu AI je zajímavé, že takový systém může generovat data s obrovskou hodnotou:

• které kombinace lidé volí v jakou denní dobu
• jak se preference liší podle lokality
• jak se mění volby při změně ceny menu
• co vede k opakované návštěvě

Tohle jsou přesně „praktická“ data, která Cana v domácím prostředí získává mnohem hůř. Restaurace mají výhodu: vysokou frekvenci objednávek a možnost rychle testovat.

Stance: Personalizace v potravinářství dává smysl tehdy, když je navázaná na měřitelný byznys efekt (rychlejší obsluha, vyšší průměrná útrata, nižší odpad). Ne když je to jen „nekonečno možností“.

Robotické kuchyně a vertikální farmy: automatizace vítězí, když má KPI

Robotická restaurace (automatizovaná výdejní a kompletovací linka) je skvělý příklad, že automatizace nemusí být o nahrazení lidí. Často jde o to, aby se:

• zkrátila doba přípravy
• snížila chybovost
• stabilizovala kvalita porcí
• zvládly špičky bez chaosu

Podobně vertikální farmy staví na tom, že umí řídit prostředí a logistiku s vysokou přesností. Pokud někdo tvrdí, že na malém půdorysu vyrobí násobně víc listové zeleniny, je to možné jen za cenu sofistikovaného řízení: světlo, závlaha, živiny, sklizeň, plánování.

A tady se AI v zemědělství ukazuje v nejsilnější roli:

• predikce výnosu na základě senzorů a historie
• optimalizace energie (světla a klimatizace jsou největší náklad)
• detekce anomálií (plísně, stres, poruchy)
• plánování sklizně podle objednávek a trvanlivosti

Tohle je rozdíl proti Cana: vertikální farma má KPI, které se dají měřit každý den. U domácího „vše-nápoj“ zařízení se KPI často rozpíjí do neurčita.

CRISPR a kultivované maso: technologie sama nestačí, rozhoduje proces

Zprávy o CRISPR upravené listové zelenině (chuťově příjemnější varianta jinak ostrých hořčicových listů) ukazují pragmatický přístup: změnit vlastnost, která brání vstupu na trh (chuť, aroma), a dodat nutriční hodnotu.

Zároveň se objevují i nepříjemné signály: některé analýzy životního cyklu naznačují, že současné cesty ke kultivovanému masu mohou mít při dnešních postupech vysokou uhlíkovou stopu – mimo jiné kvůli náročnému čištění a výrobě růstových médií.

Spojnice s AI? Technologické sliby je potřeba průběžně přepočítávat.

• Pokud se změní proces, změní se dopad na náklady i životní prostředí.
• Pokud se ukáže „skrytý“ energetický náklad, musí se vrátit R&D zpět k základu.

AI tady pomáhá hlavně v modelování scénářů, hledání náhradních surovin (např. z vedlejších zemědělských produktů) a optimalizaci procesů tak, aby nebyly extrémně náročné na energii a čistotu.

Praktický checklist: jak použít AI, abyste neskončili jako Cana

Pokud vyvíjíte potravinářskou inovaci (produkt, zařízení, službu), tohle je rámec, který jsem si v praxi oblíbil. Je jednoduchý, ale tvrdý.

1) Nejdřív rozhodněte, co je váš „motor tržeb“

U Cana to byly náplně a opakovaný nákup. U omáčkového automatu je to vyšší návštěvnost nebo útrata. U vertikální farmy jsou to stabilní kontrakty a efektivita.

AI úkol: model poptávky a retence, predikce opakovaného nákupu, simulace cen.

2) Udělejte si „kill metrics“ – čísla, která projekt zastaví

Každý projekt by měl mít 3–5 metrik, které když nevychází, tak se neoptimalizuje, ale zastaví nebo radikálně zúží.

Příklady:

• maximální přípustná cena za porci / nápoj
• minimální retence po 90 dnech
• maximální procento odpadu a expirací
• maximální servisní náklad na zařízení za rok

AI úkol: dashboard se scénáři, citlivostní analýza (co nejvíc hýbe výsledkem).

3) Propojte vývoj s provozem dřív, než utratíte nejdražší peníze

Prototyp je laboratorní vítězství. Výrobní linka je průmyslová válka. Rozdíl mezi nimi je celý byznys.

AI úkol: digitální dvojče procesu (alespoň v hrubých blocích), predikce poruch, plán kvality a zásob.

V potravinářství vyhrávají týmy, které si umí říct: „Tohle je hezké, ale nevychází to.“

Co si z toho odnést pro AI v zemědělství a potravinářství v roce 2026

Cana ukazuje, že potravinářská inovace padá nejčastěji na „nudě“: výrobě, dodavatelském řetězci, retenci zákazníků a jednotkové ekonomice. A právě tam se AI v roce 2025–2026 nejvíc vyplácí: převádí nápady do měřitelných scénářů a včas odhaluje slepé uličky.

Pokud pracujete v zemědělství, potravinářství, gastro nebo food tech, dává smysl začít jednoduše: vybrat jeden proces, kde dnes rozhodujete „od boku“, a postavit nad ním model predikce nebo optimalizace. Většinou to bude poptávka, odpad, energie, kvalita nebo plánování výroby.

Chcete si ověřit, kde má AI ve vašem provozu nejrychlejší návratnost – v R&D, ve výrobě, nebo v go-to-market? Které číslo by vás dnes nejvíc bolelo, kdyby se zítra změnilo o 20 %?