AI v potravinářství: proč NFT projekty narážejí

V dubnu 2024 zavřela v USA restaurace Bored & Hungry, která kdysi symbolizovala „velký průnik Web3 do jídla“. Při otevření v roce 2022 prodala první den 1 500 burgerů a fronta obtočila blok. O dva roky později je původní pobočka pryč a značka putuje do rukou franchisingu.

Neberu to jako výsměch inovacím. Beru to jako užitečný signál. Potravinářství (a ještě víc zemědělství) je tvrdý provoz: marže jsou tenké, zákazník je nekompromisní a každá novinka musí přinést rychle měřitelný užitek. A právě tady se krásně ukazuje rozdíl mezi technologiemi, které řeší reálnou práci (typicky umělá inteligence v zemědělství a potravinářství), a technologiemi, které často začaly jako marketingová vlna (u části Web3/NFT projektů).

Web3 ve food světě nezmizelo úplně. Jen se trh „pročistil“ a přežívá to, co nevyžaduje od lidí velkou změnu chování a umí doručit hodnotu bez komplikací. Stejné pravidlo platí i pro AI. Rozdíl je v tom, že AI dnes častěji míří přímo na provozní problém: výnosy, plýtvání, kvalitu, logistiku, energii.

Co nám pád Web3 projektů v gastru říká o adopci technologií

Klíčová lekce: v jídle vyhrává technologie, která je „neviditelná“, snadno se používá a snižuje náklady nebo zvedá tržby bez edukace zákazníka.

Bored & Hungry nebyl jediný pokus. Postupně skončily nebo utichly i další projekty: například NFT věrnostní programy velkých značek, NFT projekty celebritních kuchařů, různé „DAO“ experimenty v restauracích. Část dopadla na jednoduché věci: únavu trhu, pokles zájmu o NFT, volatilitu krypta. Ale podle mě byly důležitější tři systémové důvody.

1) Lidé nechtějí „návod“ k burgeru

Zákazník chce zaplatit, sníst a odejít. Pokud musí:

• zakládat peněženku,
• pamatovat si seed frázi,
• řešit poplatky,
• chápat, co je token a jak funguje tržiště,

…tak to pro běžnou návštěvu restaurace nedává smysl. Věrnostní program má být snazší než sbírání papírových razítek, ne složitější.

2) Hodnota byla často marketingová, ne provozní

NFT koncepty se často opíraly o „pocit členství“, exkluzivitu, komunitu a sběratelství. To může fungovat, ale je to křehké: jakmile opadne hype, zůstane restaurace se stejnými náklady na personál, suroviny a nájem.

Potravinářský byznys ale potřebuje technologie, které se projeví v:

• nižším odpadu,
• stabilnější kvalitě,
• přesnější poptávce,
• vyšší obrátkovosti,
• lepším plánování výroby.

3) Bezpečnost a důvěra jsou drahé

Projekty založené na tokenech a společném „pokladu“ řeší riziko hacků, podvodů a ztrát. Ve food světě je důvěra všechno — a reputační škoda je často horší než finanční.

Jedna věta, kterou si z toho beru: Pokud technologie přidá nové riziko, musí zároveň ubrat ještě větší riziko jinde.

Proč AI (zatím) vychází jako praktičtější sázka než NFT

Odpověď je přímočará: AI typicky neprodává „příběh“, ale výsledek. A výsledek jde v zemědělství i potravinářství měřit.

V naší sérii „Umělá inteligence v zemědělství a potravinářství“ se pořád vrací jedna věc: nejlepší AI projekty se nezakládají na tom, že „lidé budou dělat něco nově“. Zakládají se na tom, že lidem ušetří čas a sníží chyby v činnostech, které už dnes dělají.

AI v zemědělství: méně dojmů, víc dat

V zemědělství AI nejčastěji přidává hodnotu tím, že zlepší rozhodování v čase:

• monitoring plodin z dronů a satelitů (detekce stresu, plevelů, škůdců),
• předpověď výnosů a kvality (pro plán nákupu, skladování a prodeje),
• precizní zemědělství (variabilní dávkování hnojiv a postřiků),
• plánování práce a strojů (kdy vyjet, kde začít, co má prioritu).

Když AI ušetří třeba 5–10 % vstupů nebo sníží zmetkovitost, je to v mnoha komoditách rozdíl mezi „přežít“ a „mít prostor investovat“.

AI v potravinářství: kvalita, bezpečnost, odpad

V potravinářské výrobě je AI často nejcennější tam, kde člověk nestíhá konzistentně vyhodnocovat signály:

• vizuální kontrola kvality na linkách (defekty, cizí objekty, konzistence),
• prediktivní údržba (méně neplánovaných odstávek),
• předpověď poptávky a plán výroby (méně expirací a přebytků),
• optimalizace energií a chlazení (výdaje, uhlíková stopa).

A hlavně: AI může být nasazená tak, že ji zákazník vůbec nevnímá. Přijde si pro pečivo, a jen si všimne, že je častěji čerstvé a méně vyprodané.

Kdy dává blockchain smysl ve food řetězci (a kdy ne)

Blockchain má smysl tehdy, když řeší sdílenou pravdu mezi více stranami. Ne když se z něj dělá klubová karta.

Ve food dodavatelských řetězcích existují situace, kdy se opravdu vyplatí mít auditovatelnou stopu:

• dohledatelnost šarží při stahování z trhu,
• certifikace původu a udržitelnosti,
• sdílení dat mezi farmou, výkupem, zpracovatelem a retail.

Jenže i tady platí nepříjemná pravda: „garantovaná“ data jsou jen tak dobrá jako jejich vstup. Pokud někdo zadá špatný údaj, blockchain ho věrně uloží. Proto se v praxi často prosazuje kombinace:

• senzory a IoT (měření reality),
• AI (detekce anomálií, kontrola konzistence),
• a teprve potom případně blockchain (auditní stopa a sdílení mezi stranami).

Praktické pravidlo pro rozhodování

Pokud řešíte projekt v zemědělství nebo potravinářství a váháte mezi „AI vs. blockchain“, zjednodušte si to:

1. Potřebuju zlepšit rozhodování, předpověď, kvalitu nebo snížit odpad? Začněte AI.
2. Potřebuju, aby více firem sdílelo a uznávalo stejná data bez centrální autority? Zvažte blockchain.
3. Nutím zákazníka dělat něco nového? Zastavte se. To bývá nejdražší část adopce.

Co si z toho odnést pro projekty AI v agro a food (aby neskončily jako hype)

Největší riziko AI projektů není technologie. Je to špatně vybraný problém. A to je přesně ten typ chyby, který Web3 vlna ve food světě ukázala v plné nahotě.

Tady je checklist, který používám, když hodnotím, jestli má digitální inovace šanci přežít i po odeznění prvního nadšení.

1) Zvolte metriky, které zajímají finance

Místo „zlepšíme efektivitu“ si dejte konkrétní metriky:

• snížení odpadu v kg nebo %,
• snížení reklamací,
• úspora energie v kWh,
• nárůst výtěžnosti,
• zkrácení času plánování,
• přesnost predikce poptávky.

AI, která nemá metriky, je jen demo.

2) Minimalizujte změnu chování lidí

V provozu nevyhrává nejchytřejší model, ale ten, který se:

• vejde do existujících systémů (ERP, MES, sklad),
• funguje na datech, která už sbíráte,
• dá používat „na dvě kliknutí“.

3) Začněte pilotem, který má ostrou hranici

Dobrá pilotní implementace v potravinářství má:

• jednu linku / jednu komoditu,
• jasnou odpovědnost,
• časový rámec (např. 8–12 týdnů),
• porovnání „před vs. po“.

4) Počítejte s kvalitou dat jako s projektem

U AI je kvalita dat často 60–80 % práce. Neříkám to jako strašení, ale jako úsporu času: kdo si to přizná hned, ten se vyhne zklamání.

5) Bezpečnost a compliance nejsou „později“

V zemědělství a potravinářství řešíte citlivá data: receptury, výkupní ceny, výnosy, logistiku. Bez jasných pravidel přístupu a auditovatelnosti narazíte.

Mini Q&A: co by si měl položit každý manažer inovací

Je AI lepší než blockchain?

Ne „lepší“. Praktičtější pro většinu provozních problémů. Blockchain je nástroj pro koordinaci důvěry mezi stranami, AI je nástroj pro rozhodování a automatizaci.

Proč NFT věrnostní programy často nevyšly?

Protože přidaly tření (onboarding) a hodnota pro běžného zákazníka byla slabší než náklady na změnu chování.

Co má nejvyšší návratnost v AI pro agro a food v roce 2026?

Obvykle kombinace: předpověď poptávky, řízení odpadu, kontrola kvality a prediktivní údržba. Jsou to oblasti, kde jsou úspory rychle měřitelné.

Co dál: technologie, které zůstanou, jsou nudně užitečné

Příběh Bored & Hungry a dalších Web3 experimentů v jídle není o tom, že by digitální inovace nefungovaly. Je o tom, že potravinářství trestá technologie, které nejsou nudně užitečné. Věrnostní programy mají být jednoduché. Provoz má být stabilní. A inovace musí být obhajitelná v P&L, ne jen na prezentaci.

Pro naši oblast — umělá inteligence v zemědělství a potravinářství — je to dobrá zpráva i varování zároveň. Dobrá, protože AI umí doručit konkrétní úspory a kvalitu bez toho, aby zákazníka nutila měnit návyky. Varování, protože jakmile AI sklouzne do „hype implementací“ bez metrik, dopadne stejně rychle jako většina NFT projektů ve food světě.

Pokud plánujete AI projekt ve výrobě, na farmě nebo v dodavatelském řetězci, držel bych se jedné zásady: nejdřív problém, potom data, potom model. A až nakonec všechno ostatní.

Kde dnes ve vašem provozu vzniká nejvíc odpadu nebo nejvíc rozhodnutí „od oka“ — a co by se stalo, kdybyste to příští čtvrtletí měřili a nechali podpořit AI?