AI v potravinářství před ChatGPT: co si vzít na farmu

ChatGPT způsobil v posledních dvou letech dojem, že umělá inteligence do jídla a gastronomie „přišla najednou“. Ve skutečnosti si potravinářství a celý potravinový řetězec s AI tykají už minimálně dekádu — jen to nebylo tak vidět, protože šlo hlavně o optimalizaci, predikce a automatizaci, ne o texty a obrázky.

A právě to je pro zemědělství dobrá zpráva. Pokud AI zvládla dřív, než přišel generativní boom, zrychlit vývoj receptur, zlepšit plánování jídel nebo snížit plýtvání ve velkých kuchyních, stejné principy dnes (a v roce 2026 ještě víc) míří na pole, do stájí, skladů i výrobních hal. Tohle je další díl série „Umělá inteligence v zemědělství a potravinářství“ a moje ambice je jednoduchá: ukázat, co už se v potravinách stalo bez ChatGPT — a jak to přetavit do konkrétních kroků pro agribyznis.

AI v jídle nezačala generováním textu. Začala daty.

AI v potravinářství se prosadila nejdřív tam, kde jsou velká data, opakované procesy a měřitelný výsledek. Ne „kreativita“, ale čísla: chuťové profily, prodeje, odpady, zásoby, logistika, produktové varianty.

Tohle je důležité i pro farmy a potravinářské podniky v ČR: nejrychlejší návratnost obvykle nepřijde z toho, že vám AI napíše popisek na e‑shop. Přijde z toho, že:

• lépe naplánujete výrobu a nákup,
• snížíte ztráty (ve skladu, při třídění, ve výrobě),
• zlepšíte konzistenci kvality,
• rychleji otestujete nové produktové nápady.

Jednovětá definice, kterou si ukládám i pro klienty: AI v potravinách vyhrává tam, kde rozhodnutí stojí na signálech z dat a kde je chyba drahá.

1) Receptury generované AI: od „kuchařky“ k R&D motoru

První výrazný milník byla éra, kdy se experimentovalo s využitím velkých modelů a znalostních bází k tvorbě receptů (známý příklad z praxe byl IBM Watson). Smysl nebyl „udělej mi večeři“, ale systematicky kombinovat ingredience podle toho, co lidé vnímají jako harmonické (nebo naopak překvapivé), a zkrátit cestu od nápadu k prototypu.

Co to znamená pro české výrobce potravin

V potravinářském vývoji (R&D) je často nejdražší čas: iterace, testování, přelaďování. AI umí zrychlit hlavně tyhle fáze:

• návrhy variant receptury podle cíle (cena, alergenová stopa, obsah bílkovin, trvanlivost),
• predikce, jak změna jedné suroviny ovlivní texturu/chuť (přes historická data a senzoriku),
• rychlá tvorba „testovací matice“ pro degustace.

Praktický příklad: výrobce pečiva chce snížit náklady a zároveň držet konzistenci. AI může navrhnout varianty směsí mouk a enzymů, které se vejdou do technologických limitů linky a minimalizují riziko výkyvů.

Co to znamená pro zemědělce

Na farmě tohle získává hodnotu, když se propojí s odbytovým kanálem. Pokud se zpracovatelům mění receptury (např. rostlinné alternativy, „proteinové“ řady, produkty bez laktózy), mění se i požadavky na suroviny: obsah bílkovin, škrob, velikost zrna, odrůda, stabilita.

Zemědělec, který umí s odběratelem sdílet data o kvalitě a reagovat na poptávku, bude mít v roce 2026 výhodu. Ne marketingovou. Vyjednávací.

2) Objevování nových surovin a produktů: rychlejší než tradiční vývoj

V posledních letech vznikla vlna firem, které používají strojové učení k tomu, aby:

• předpovídaly spotřebitelskou preferenci (chuť, vůně, textura),
• navrhovaly nové kombinace surovin pro plant-based a „lepší nutriční profil“,
• hledaly nové funkční ingredience (např. proteiny, stabilizátory, kultury).

Tahle část je pro potravinářství zásadní, protože tradiční vývoj nového produktu bývá pomalý: laboratorní testy, pilotní výroba, senzorika, iterace.

Jak se to překlápí do agri: odrůdy, vstupy, kvalita

Tady je spojení s precizním zemědělstvím velmi přímočaré: když potravinářské R&D zrychlí, zrychlí i změny požadavků na odrůdy a jakostní parametry. V praxi to znamená:

• větší tlak na měření kvality už při sklizni (NIR, laboratorní rozbory, rychlé testy),
• větší význam smluvních parametrů (bílkovina, pádové číslo, olejnatost),
• růst poptávky po „speciálních“ komoditách s jasnou specifikací.

A můj názor? Farmy, které budou umět dodat konzistentní kvalitu a data k ní, budou pro zpracovatele preferovaným partnerem.

3) Personalizace jídelníčku: proč AI vede od talíře zpátky k poli

Hlasoví asistenti a doporučovací systémy už roky umí:

• plánovat nákupy,
• navrhovat recepty podle historie,
• přizpůsobovat doporučení dietním preferencím.

To může znít „spotřebitelsky“, ale dopad je strukturální: personalizace mění skladbu poptávky. Když se lidé rozhodují podle konkrétních cílů (víc bílkovin, méně cukru, bez lepku), potravinářství musí přizpůsobovat sortiment a surovinové složení.

Konkrétní dopady pro potravinový řetězec

• více menších produktových řad (mikrosegmenty),
• kratší životní cykly produktů,
• vyšší tlak na flexibilní výrobu a plánování,
• složitější řízení zásob.

A to je přesně prostředí, kde se AI vyplácí: predikce poptávky, plánování výroby, optimalizace skladů.

4) Počítačové vidění: nejrychlejší cesta k méně odpadu

Počítačové vidění se rozšířilo v retailu (bezpokladní prodejny), v chytrých spotřebičích i v gastronomii — často s jediným cílem: poznat, co se děje, bez ruční evidence.

V potravinářství a gastro provozech je to mimořádně praktické při snižování odpadu: kamera vidí, co se vyhazuje, kdy, v jakém množství, a systém to propojí s výrobním plánem.

Co si z toho má vzít český výrobní podnik nebo farma

Pokud máte provoz (třídírna, balírna, zpracování), počítačové vidění umí pomoci ve třech oblastech:

1. Kontrola kvality – detekce poškození, nečistot, nesprávného tvaru/velikosti.
2. Třídění a grading – konzistentní kategorizace (např. ovoce/zelenina) bez únavy obsluhy.
3. Měření ztrát – kde vzniká odpad a proč.

U farem se to překlápí i do terénu: drony a satelitní snímky (NDVI apod.) jsou v praxi také forma „vidění“ — jen místo vad na produktu sledují stres porostu, zaplevelení nebo nerovnoměrné vzcházení.

Snippet pro praxi: Když dnes nevidíte ztráty, zítra je budete platit. Počítačové vidění dělá z plýtvání měřitelnou položku.

5) Roboti a AI: automatizace tam, kde chybí lidé

Robotika v potravinách neroste jen kvůli technologii, ale kvůli realitě trhu práce. V zemědělství i ve výrobě platí: sehnat a udržet lidi je těžší než dřív, a sezónnost to ještě zhoršuje.

AI se v robotice projevuje hlavně jako:

• navigace a orientace v prostoru (dynamický provoz),
• rozpoznávání objektů (plod, přepravka, překážka),
• adaptivní rozhodování (rychlost, uchopení, třídění).

Proč je to relevantní právě teď (zima 2025)

Konec roku je období, kdy se dělají rozpočty, investiční plány a vyhodnocení sezóny. Pokud jste letos narazili na limity kapacit (lidé, směny, výkyvy kvality), rok 2026 bude ideální na to udělat aspoň jeden automatizační pilot.

Ne robot „na všechno“. Jeden konkrétní úsek:

• třídění,
• balení,
• paletizace,
• vizuální kontrola,
• monitoring ve skladu.

Kde do toho zapadá generativní AI (ChatGPT) a kde naopak ne

Generativní AI je skvělá pro práci s jazykem a obsahem, ale v potravinách a zemědělství má největší hodnotu, když se propojí s provozní realitou.

Tři použití, která dávají smysl hned

• Standardizace know-how: převod technologických postupů, HACCP poznámek, údržby a školení do srozumitelných instrukcí pro směny.
• Operativní podpora: rychlé „proč se to stalo“ analýzy nad interními daty (pokud je máte dobře připravené).
• Obchod a zákaznická podpora: specifikace produktů, odpovědi na dotazy odběratelů, interní asistenti pro obchodní tým.

Dvě pasti, do kterých firmy padají

1. Začnou obsahem, i když největší peníze jsou v procesu. Marketingové texty jsou fajn, ale odpad a zmetkovitost bývají řádově dražší.
2. Nemají data v provozní kvalitě. AI nezachrání špatnou evidenci šarží, chybějící měření nebo nejednotné názvosloví.

Praktický plán: 30–60–90 dní pro AI v agri a potravinách

Pokud bych měl doporučit postup, který funguje v reálných firmách (a nepůsobí jako školní projekt), je to tenhle rámec:

0–30 dní: vyberte problém, který bolí

• sepište 3 nejdražší ztráty (čas, surovina, energie, reklamace),
• doplňte, kde máte data a kde ne,
• zvolte jeden pilot s jasným KPI.

Příklady KPI:

• snížení odpadu o 10 % v jedné lince,
• zrychlení třídění o 15 % při stejném počtu lidí,
• snížení reklamací o 20 % u jedné kategorie.

31–60 dní: připravte data a proces

• sjednoťte šarže, názvy surovin, měrné jednotky,
• nastavte jednoduchý sběr dat (i kdyby to mělo být „nejdřív“ poloautomaticky),
• určete vlastníka procesu (nejen IT).

61–90 dní: pilot a rozhodnutí

• pilot zprovozněte na jedné části provozu,
• vyhodnoťte dopad proti KPI,
• rozhodněte: škálovat / upravit / stopnout.

Takhle se AI zavádí bez iluzí — a s šancí na reálný přínos.

Co si odnést (a co si ohlídat v roce 2026)

AI změnila potravinářství dávno před ChatGPT: v recepturách, vývoji produktů, personalizaci, počítačovém vidění i robotice. Dnes se tyhle proudy sbíhají a přetékají zpátky do zemědělství: do precizního řízení, predikcí výnosů, kontroly kvality a automatizace.

Pokud jste v agru nebo potravinářství, nejjistější sázka není „mít AI“. Je to vybrat jednu věc, kde AI sníží ztráty nebo zvýší konzistenci, a dotáhnout ji do praxe.

A teď ta otázka, kterou si podle mě má položit každý provozní ředitel, agronom i majitel podniku: Kdybychom měli v roce 2026 o 15 % méně lidí nebo o 15 % dražší vstupy, který krok v procesu by se nám začal hroutit jako první? Tam obvykle dává AI největší smysl.