AI v potravinářství: proč drahé food trucky končí

V roce 2023 řekla jedna z nejviditelnějších doručovacích značek v USA nahlas to, co si spousta lidí v oboru jen šeptala: provoz „futuristických“ kuchyní na kolech je finančně tvrdý sport. Wonder – firma, která si udělala jméno tím, že v dodávkách vařila „u obrubníku“ a pak předala jídlo zákazníkovi téměř v režimu concierge – začala utlumovat svůj flotilový model a přesouvat se ke klasickému konceptu ghost kitchen.

Zní to jako příběh z amerického trhu. Jenže pro Česko (a celou EU) má překvapivě praktickou hodnotu: ukazuje hranici, kde už automatizace přestává dávat ekonomický smysl. A zároveň naznačuje, proč dnes v potravinářství a zemědělství vyhrává něco jiného než „víc železa na silnici“: AI, která zlevňuje rozhodování, plánování a práci s daty.

Tenhle článek patří do naší série Umělá inteligence v zemědělství a potravinářství. Vezmeme si na paškál, co se na podobných projektech typicky pokazí, a hlavně: jak to dělat chytřeji – s AI v logistice potravin, predikci poptávky, řízení výroby a snižování odpadu.

Co se pokazí, když „inovace“ znamená hlavně drahý provoz

Největší problém mobilních kuchyní není technologie jako taková. Je to fixní a variabilní náklad spojený s tím, že vaření přesunete do vozidla.

U modelu typu Wonder se kumulují náklady na:

• flotilu (pořízení, leasing, odpisy, pojištění),
• údržbu a servis specializovaného vybavení,
• personál (řidiči + kuchaři/operátoři),
• energii a palivo (včetně prostoje),
• komplexní operativu (routing, doplňování surovin, hygiena, HACCP procesy „v terénu“),
• variabilitu poptávky (když nejsou objednávky, dodávka stojí – náklady běží dál).

A teď to nejdůležitější: když investoři přestanou tolerovat „růst za každou cenu“, firma musí umět odpovědět na jednoduchou otázku: Kolik stojí jedna doručená porce v plně naloženém i slabém dni?

Z reportovaných informací vyplývá, že vedení Wonder samo pracovalo s tím, že původní model by vyžadoval další investice v řádu 1 miliardy USD během dvou let, zatímco nový směr počítal s výrazně nižším kapitálem. V praxi to znamená jediné: nákladová struktura byla příliš těžká na škálování.

Zume jako varování: když je „hardware-first“ past

Podobnou stopu zanechal Zume – kdysi mediální hvězda, která chtěla péct pizzu v průběhu doručení, často s robotizací v zázemí. Drahé dodávky, složitý provoz, obrovská logistická choreografie. Výsledek? Pivot mimo původní byznys.

Mám na tom rád jednu větu, kterou si v potravinářských projektech připomínám pořád:

Když máte v terénu moc hardwaru, každá chyba stojí peníze dvakrát: jednou v nákladech a podruhé v reputaci.

Proč ghost kitchen vychází levněji (a kdy to nestačí)

Přesun k síti kamenných (nebo polokamenných) kuchyní je v roce 2025 už standardní obranný i růstový tah. Centralizujete složitost.

Ghost kitchen model typicky umožní:

• lepší vytížení pracovníků (méně „čekání na objednávky“),
• vyšší kontrolu kvality (stálé prostředí, stabilní proces),
• jednodušší hygienu a auditovatelnost,
• efektivnější nákup a skladování,
• stabilnější energetiku.

Jenže pozor: ghost kitchen sama o sobě není výhra, pokud funguje jako „slepý sklad a kuchyň“ bez chytrého plánování. V roce 2025 se nejčastěji láme chleba na třech věcech:

1. predikce poptávky (kdy a co se bude objednávat),
2. řízení zásob (aby nechybělo a zároveň se nevyhazovalo),
3. optimalizace poslední míle (kurýři, trasy, časová okna).

A přesně tady se potkává food delivery s tématem naší série: AI v potravinářství a zemědělství.

AI není „víc techniky“. Je to méně zbytečných kilometrů a odpadu

AI v potravinářských řetězcích dává největší smysl tam, kde rozhodujete ve velkém a často. Nejde o efekt „wow“. Jde o tisíce malých optimalizací, které se za měsíc nasčítají do milionů korun.

1) Predikce poptávky: méně výkyvů, méně vyhozených surovin

Nejrychlejší návratnost AI bývá v tom, že kuchyně nevaří „od boku“. Modely pro predikci poptávky obvykle kombinují:

• historické prodeje po čtvrthodinách,
• den v týdnu, výplatní období, svátky,
• lokální události,
• počasí (u nás to umí udělat rozdíl třeba u polévek vs. salátů),
• marketingové kampaně.

V českém kontextu to není jen „doručování“. Stejné principy fungují v:

• závodních jídelnách,
• pekařstvích a cukrárnách,
• malých výrobnách hotových jídel,
• gastro provozech u sjezdovek (sezonnost je brutální).

Výsledek se měří tvrdě: snížení odpadu, vyšší dostupnost položek, stabilnější marže.

2) AI v logistice potravin: optimalizace tras a teplotního řetězce

„Poslední míle“ je drahá. U jídel je dražší ještě víc, protože máte časové okno a teplotní požadavky.

AI v logistice potravin obvykle řeší:

• dynamický routing (dopravní situace, shluky objednávek),
• dávkování objednávek do vln,
• predikci zpoždění,
• rozhodování „pickup vs. delivery vs. výdejní místo“.

Proč je to důležité i pro zemědělství? Protože ten samý typ optimalizace se používá pro:

• svoz mléka,
• svoz ovoce a zeleniny z farem,
• plánování chlazené distribuce,
• minimalizaci ztrát po sklizni.

Když to řeknu natvrdo: kilometr navíc v potravinách je dražší než kilometr v e-commerce.

3) Plánování výroby: AI jako „dispečer“ kuchyně

V ghost kitchen a ve výrobě hotových jídel je obrovský rozdíl mezi tím, když plánujete výrobu ručně, a když máte AI, která hlídá kapacity.

Co typicky umí:

• rozpad receptur na suroviny a polotovary,
• výpočet potřebných dávek podle poptávky,
• hlídání alergenních a technologických omezení,
• plán směn a vytížení zařízení.

Tady často vidím největší přínos: AI zkracuje čas vedoucího směny na plánování a zároveň snižuje chaos v provozu. A chaos je v potravinářství tichý zabiják marže.

Co si z příběhu Wonder odnést pro české zemědělství a potravinářství

Příběh Wonder (a dřív Zume) je dobrý právě tím, že je konkrétní. Nejde o „AI vs. ne-AI“. Jde o to, kde má technologie páku.

1) Nenechte se zlákat modelem, který vyžaduje neustálé nalévání kapitálu

Pokud provoz dává smysl jen tehdy, když každé dva roky zvednete velké investiční kolo, je to riziko. V Česku, kde je kapitál konzervativnější, to platí dvojnásob.

Praktičtější je hledat projekty, kde AI:

• zvyšuje využití existujících kapacit,
• zlepšuje plánování,
• snižuje zmetkovitost,
• zkracuje prostoje,
• snižuje energetickou náročnost.

2) Priorita číslo jedna: data a procesy, ne „efektní stroje“

AI je tak dobrá, jak dobrá jsou data. V potravinářství to znamená hlavně:

• čisté produktové a recepturové kmeny,
• napojení na sklad a prodej,
• disciplína v evidenci šarží,
• teplotní záznamy a traceability.

Bez toho bude i nejlepší model jen drahý „názor“.

3) Udržitelnost se nedělá tiskovkou. Dělá se optimalizací

Mobilní kuchyně měly i environmentální kritiku (prostoje, emise, hlučnost). V roce 2025 už zákazníci i regulace tlačí víc.

AI pomáhá udržitelnosti prakticky:

• méně vyhozeného jídla díky predikci,
• kratší trasy díky optimalizaci,
• lepší řízení chladu a energie,
• plánování výroby tak, aby se nevařilo „na jistotu“.

Rychlé Q&A: co se lidé ptají, když zvažují AI v provozu

Pomůže AI i malému výrobci nebo farmě?

Ano, pokud máte aspoň základní data (prodeje, sklizeň, zásoby). U menších subjektů často dává smysl začít jedním use casem: predikce poptávky nebo plán zásob.

Co je nejčastější chyba při zavádění AI v potravinářství?

Nasadit nástroj bez odpovědnosti za data. Když není jasné, kdo hlídá kvalitu vstupů, model začne „ujeté“ predikce maskovat až ve chvíli, kdy už je pozdě.

Jak poznám, že se mi AI vyplatí?

Stanovte si 2–3 metriky, které budou po 8–12 týdnech prokazatelně lepší: odpad v Kč, zpožděné objednávky v %, nedostupnost položek, prostoje linky, přesčasy.

Co udělat hned: mini-checklist pro „AI-ready“ potravinářství

Pokud řešíte doručování, výrobu hotových jídel, nebo navazující logistiku (ať už z pole, nebo z výroby), tenhle postup funguje:

1. Vyberte jeden problém s jasným nákladem (odpad, zpoždění, nevyužitá kapacita).
2. Sepište, jaká data k tomu dnes máte a kde vznikají.
3. Zaveďte jednoduchou disciplínu: kdo data doplňuje, kdy, jak kontrolujete chyby.
4. Nastavte pilot na 6–10 týdnů a měřte dopad v Kč, ne v „pocitu“.
5. Teprve pak řešte automatizaci navazujících kroků.

Tohle je ten „levnější operating model“ v praxi – ne jako škrtání kvality, ale jako chytré řízení.

Most technologických projektů v jídle nepadá na tom, že by lidé nechtěli inovace. Padají na tom, že inovace byla definovaná jako drahý provoz. Příběh Wonder ukazuje, že když dojde trpělivost kapitálu, přežijí ti, kdo dokážou zjednodušit. A v roce 2025 je nejrychlejší způsob zjednodušení často právě AI v potravinářství: predikce, plánování, optimalizace.

Kam se to posune dál? Moje sázka je, že další vlna nebude o tom, kdo má nejhezčí aplikaci nebo nejvíc aut. Bude o tom, kdo umí spojit data z výroby, logistiky a (v ideálním případě) i zemědělské prvovýroby do jednoho rozhodovacího systému.

A teď ta otázka na vás: kde ve vašem provozu dnes vzniká nejvíc „neviditelných“ ztrát – v odpadu, v kilometrech, nebo v plánování lidí a kapacit?