AI v potravinách: co si vzít ze SKS Japan 2024

V lednu 2017 stačilo jedno náhodné setkání v Las Vegas, aby se postupně zrodila akce, která dnes patří k nejvlivnějším událostem v japonské potravinové inovaci. Smart Kitchen Summit Japan (SKS Japan) se v roce 2024 v Tokiu odehrál ve třech dnech plných ochutnávek, prototypů, debat i „aha“ momentů. A i když se na první pohled tváří jako summit o chytrých kuchyních, realita je širší: jde o laboratoř trendů, které propojují celý řetězec od pole až na talíř.

Pro náš seriál Umělá inteligence v zemědělství a potravinářství je to skvělá zpráva. Chytrá kuchyně není oddělený svět. Je to poslední článek řetězce, který dává zpětnou vazbu tomu, co se má pěstovat, jak se to má zpracovat a jak to má chutnat. AI v potravinářství totiž začíná v datech a končí v rozhodnutí: co vyrobit, kdy, z čeho a pro koho.

„Nejrychleji se mění technologie, ale nejvíc vydělá ten, kdo přestaví proces.“

Níže shrnuju, co se dá ze SKS Japan 2024 vytěžit pro české zemědělství, výrobce potravin i značky. Ne jako reportáž z místa (RSS obsah byl jen stručný), ale jako praktický překlad trendů do kroků, které můžete udělat i v podmínkách ČR v roce 2025.

SKS Japan jako zrcadlo: AI už není „fígl“, ale infrastruktura

Klíčová věc, kterou podobné akce ukazují: AI se přesouvá z „hezkých dem“ do role infrastruktury. Nejde jen o robota na pánvi nebo kameru nad sporákem. Jde o to, že každý krok v potravinovém řetězci produkuje data – a kdo je umí propojit, vyhrává na nákladech, kvalitě i rychlosti.

V Japonsku je tenhle tlak vidět ostřeji: stárnutí populace, nedostatek pracovníků v gastronomii a důraz na konzistenci kvality. V Česku jsou motivace jiné, ale stejně silné: energie, marže v retailu, kolísání cen vstupů, tlak na transparentnost a stopu uhlíku.

Co to znamená „od pole až na talíř“ v praxi

V roce 2025 už dává smysl uvažovat o propojení tří vrstev:

1. Primární produkce (agro): predikce výnosů, monitoring plodin, optimalizace závlahy a hnojení, včasná detekce stresu porostu.
2. Zpracování (potravinářství): plánování výroby, řízení receptur, kontrola kvality přes počítačové vidění, minimalizace odpadu.
3. Spotřeba (kuchyně, retail, gastro): predikce poptávky, personalizace nabídky, automatizace přípravy, sledování preferencí.

SKS Japan typicky akceleruje právě vrstvu 2 a 3 – a tím nepřímo tlačí na vrstvu 1. Protože když kuchyně a retail začnou chtít jiné parametry (konzistence, velikost, chuťový profil, alergenové varianty), zemědělství se tomu musí přizpůsobit.

Chytrá kuchyně jako zdroj dat: proč je to důležité i pro zemědělce

Největší mýtus: „AI v kuchyni je jen pro restaurace.“ Není. Kuchyně (domácí i profesionální) je dnes senzorická stanice. A data z ní se dají použít k plánování výroby i pěstování.

Jaká data chytrá kuchyně reálně generuje

Typicky jde o:

• frekvenci přípravy jídel (co se vaří a jak často),
• spotřebu surovin (rychlost úbytku, sezonnost),
• hodnocení a preference (chuť, textura, míra sladkosti/slanosti),
• odpady (co končí v koši a proč),
• časové špičky (kdy se vaří, kdy se nakupuje, kdy dochází suroviny).

AI tady nehraje roli jen jako „mozek“ spotřebiče. Důležitější je, že překládá signály z trhu do předpovědi poptávky. A přesně to je bridge point k zemědělství: když víte, co se bude kupovat za 6–12 týdnů (nebo i déle u trvanlivých výrobků), umíte lépe plánovat sklizeň, objednávky i pracovní sílu.

Praktický dopad: méně plýtvání je nejlevnější „inovace“

Ztráty potravin se řeší roky, ale až teď se ukazuje, že největší úniky jsou často v koordinaci (špatné plánování, moc velké šarže, špatné odhady). AI pomáhá tím, že:

• zpřesní predikci poptávky,
• navrhne velikost výrobních dávek,
• upozorní na riziko expirací,
• doporučí přesměrování toku surovin (např. z čerstvého prodeje do zpracování).

Pro české výrobce je to často rychlejší návratnost než „velký robotický projekt“.

AI ve výrobě potravin: kontrola kvality a plánování, které se vyplatí

Nejrychlejší cesta k ROI v potravinářství je kombinace počítačového vidění + lepší plánování výroby. A to je téma, které se na podobných akcích objevuje pořád: konzistence, bezpečnost, standard.

Počítačové vidění (computer vision) v provozu

Co se dnes běžně dělá (a jde to i bez obřích investic):

• kontrola tvaru, barvy, velikosti a poškození (pečivo, ovoce, zelenina),
• detekce cizích objektů,
• kontrola uzávěrů, etiket a šarží,
• sledování hygienických postupů (např. rukavice, zástěry, zóny).

Důležité je nastavit si metriky, které odpovídají vašemu byznysu. Ne „AI nám zkontroluje všechno“, ale třeba: snížíme reklamace o 20 % a zrychlíme kontrolu na konci linky o 15 %.

Prediktivní údržba a energie: tiché úspory

Japonské provozy často řeší prostor a efektivitu. V ČR zase energie a stabilitu výroby. AI v kombinaci se senzory umí:

• odhalit odchylky ve vibracích motorů,
• predikovat poruchu dřív, než zastaví linku,
• optimalizovat odběrové špičky,
• hlídat teplotní režimy (kritické pro bezpečnost potravin).

Tohle nejsou „sexy“ inovace, ale v roce 2025 jsou to projekty, které finanční ředitel obvykle schválí rychle.

Z Tokia do českých polí: co si přenést do precizního zemědělství

Hlavní lekce pro zemědělství z prostředí smart kitchen: trh se bude ptát na konzistenci a předvídatelnost. A to se bez dat a automatizace dělá čím dál hůř.

Predikce výnosů a kvality: ne jen „kolik“, ale i „jaké“

V precizním zemědělství se AI často používá na:

• detekci stresu plodin (satelit, drony, senzory),
• variabilní aplikace hnojiv,
• predikci výnosů.

Jenže potravinářství (a následně i chytrá kuchyně) tlačí ještě na parametry kvality: velikost, cukernatost, obsah sušiny, barva, textura. A tady je prostor pro lepší modely, které propojí:

• počasí a půdu,
• agrotechniku,
• historii pozemku,
• výsledky zpracování (jak surovina dopadla na lince),
• zpětnou vazbu z trhu.

Kdo dokáže dodat stabilnější surovinu, má lepší vyjednávací pozici. A to platí i u komodit.

„Farm-to-fork“ je v roce 2025 hlavně o datech, ne o sloganu

Sledovatelnost (traceability) se v EU posouvá dopředu regulací i tlakem retailu. AI pomáhá udělat z dat něco použitelného:

• automaticky doplňuje záznamy (méně ruční administrativy),
• detekuje nesrovnalosti v šaržích,
• dává včasná varování (např. riziko kontaminace, teplotní incident).

Pokud jste zemědělec nebo zpracovatel, vyplatí se přemýšlet: Jaká data už dnes sbírám, ale nepoužívám? Většinou je to nejlevnější start.

Jak začít s AI v potravinářství (a nezabloudit)

Nejčastější chyba je začít nákupem technologie. Lepší je začít problémem, který bolí každý týden. Tady je postup, který se mi v praxi osvědčil:

1) Vyberte jeden use-case s jasným číslem

Dobré startovní use-case pro české firmy:

• predikce poptávky (méně odpisů, méně výpadků),
• vizuální kontrola kvality,
• optimalizace plánování výroby (OEE, přestavby linek),
• prediktivní údržba,
• optimalizace receptur podle variability suroviny.

U každého si napište 2–3 metriky: odpisy, reklamace, prostoje, energie, přestavby, pracnost.

2) Zmapujte data: co existuje a co chybí

Typicky zjistíte, že data jsou:

• v ERP/MES, ale nejsou sjednocená,
• v Excelu u mistra,
• v senzorech, ale bez historizace,
• v laboratorních protokolech jako PDF.

AI nepotřebuje dokonalost, ale potřebuje disciplinu: jednotné názvy, časové značky, vazbu na šarži.

3) Pilot do 8–12 týdnů, pak škálování

U lead-gen kampaní i interních projektů se vyplatí tempo. Pilot, který se táhne půl roku, vyčerpá energii týmu. Cíl je:

• rychle ověřit přínos,
• nastavit datové toky,
• vyřešit změnu procesu,
• pak teprve investovat do větší automatizace.

4) Počítejte se změnou práce lidí

AI není jen software. Je to změna návyků: jak se zadává důvod odstávky, jak se označí šarže, jak se vyhodnocuje kvalita. Když tohle neuděláte, model bude „chytrý“, ale provoz zůstane stejný.

Co si z SKS Japan 2024 odnést do roku 2025

SKS Japan 2024 je zajímavý právě tím, že ukazuje potravinové inovace v místě, kde je tlak na efektivitu extrémní. A z pohledu AI v zemědělství a potravinářství z toho vychází jednoduchá zpráva: kdo propojí data napříč řetězcem, bude mít nižší náklady a stabilnější kvalitu.

Pro české firmy je teď dobré období začít. Prosinec 2025 je typicky čas, kdy se plánují rozpočty, investice a projekty na Q1/Q2 2026. Pokud chcete AI uchopit prakticky, vyberte jeden konkrétní problém, udělejte pilot a stanovte metriky. Ne proto, že to dělá Tokio, ale proto, že potravinový trh se zrychluje a chyba v odhadu je drahá.

Chcete-li se posunout od inspirace k realizaci, napište si tři věty: Kde nejvíc ztrácíme peníze? Jaká data k tomu máme? Kdo bude vlastníkem změny procesu? Odpovědi často ukážou další krok samy.

A teď ta otázka, která rozhodne o roce 2026: budete AI používat jen k reportům, nebo ji necháte ovlivnit každodenní rozhodování „od pole až na talíř“?