AI a městský boj s plýtváním jídlem: lekce z Tacomy

28 %. Přesně tolik tvoří potravinové zbytky v běžném komunálním odpadu domácností podle dat města Tacoma. A tohle číslo je důvod, proč se vyplatí mluvit o odpadcích v seriálu „Umělá inteligence v zemědělství a potravinářství“. Ne proto, že by zbytky z talíře byly „sexy“ téma. Ale protože bez tvrdých dat o tom, co vyhazujeme, se nedá chytře plánovat ani výroba potravin, ani logistika, ani kapacity kompostáren, ani krmivové řetězce.

V americké Tacomě (Washington) odstartoval municipální pilot: město zajistilo obyvatelům přednostní přístup k minimálně 600 členstvím služby Mill. Domácnosti si platí 33 USD měsíčně přímo firmě a získají zařízení do kuchyně plus svoz „zpracovaných zbytků“ (tzv. Food Grounds), které mohou dál končit jako surovina pro krmiva. Město na oplátku dostává přístup k novým datům, která může využít pro prevenci odpadu.

A tady je moje stanovisko: největší hodnota podobných programů není samotná nádoba v kuchyni, ale datová stopa. Právě ona otevírá prostor pro AI – a tím i pro lepší řízení celého potravinového systému.

Proč je municipální pilot tak důležitý pro AI v potravinách

Městské piloty jsou nejrychlejší cesta, jak z lokálního odpadu udělat měřitelný signál pro celý potravinový řetězec. Když řeší potravinový odpad jednotlivá domácnost, je to sympatické, ale roztříštěné. Když do toho vstoupí město, vznikne standard: pravidla, data, motivace i možnost škálování.

Tacoma se přitom neopírá o nulovou zkušenost. Město sbírá a recykluje potravinový odpad z domácností už od roku 2012 a uvádí, že každoročně odkloní až 1 000 tun kompostovatelných potravinových zbytků ze skládek. Partnerství s Mill nepřichází do prázdna – přichází do prostředí, kde už existuje infrastruktura i politická vůle.

Kde přesně do toho vstupuje umělá inteligence

AI potřebuje tři věci: data, kontext a rozhodnutí, která může optimalizovat.

• Data: kolik odpadu vzniká, jak často, v jakých domácnostech, v jakých obdobích.
• Kontext: svátky, prázdniny, změny cen potravin, typ zástavby, velikost domácnosti.
• Rozhodnutí: svozové trasy, velikost popelnic, komunikace s občany, kapacity zpracování a návaznost na zemědělství/krmiva.

Pilot v Tacomě ukazuje model „public–private“, kde město získá datový vhled a zároveň se netváří, že musí samo vyvíjet spotřebitelskou technologii.

Co Tacoma a Mill vlastně testují (a proč to není jen o pohodlí v kuchyni)

Tacoma testuje, jestli kombinace domácího zařízení + aplikace + svozu dokáže snížit množství odpadu v popelnici a přinést městu použitelná data. Mill naopak testuje, jestli se služba uchytí v reálném městském prostředí a zda ekonomika vyjde i bez masivních slev.

Z praktického pohledu program funguje takto: zařízení se připojí přes Wi‑Fi, domácnost do něj průběžně odkládá zbytky, po naplnění se „Food Grounds“ zabalí do předplacené krabice a svoz se objedná v aplikaci.

Ekonomika pro domácnost: 33 USD vs. menší popelnice

Na papíře je to jednoduchý argument: když jsou zbytky 28 % obsahu koše, může část domácností přejít na menší nádobu. Město uvádí, že by tím šlo ušetřit až 25,60 USD (pravděpodobně měsíčně; záleží na místním sazebníku).

Tohle je důležité i pro český kontext: motivace funguje, když je okamžitá a viditelná. Klimatický dopad je pro řadu lidí příliš abstraktní. Úspora na poplatku je konkrétní.

Jaká data mají největší hodnotu (a co z nich AI umí vytěžit)

Nejcennější není informace „kolik tun jsme odklonili“, ale jemnější signály, které se dají spojovat a předpovídat. Pokud město získá agregovaná a dobře anonymizovaná data, otevírá se několik praktických AI použití.

1) Předpověď špiček potravinového odpadu

AI modely umí z historických dat předpovídat sezónní a událostní špičky:

• Vánoce a Silvestr (v ČR typicky nárůst vaření, návštěv a zbytků)
• začátek školního roku (změna režimu domácností)
• vlny zdražování potravin (změna nákupního chování)

Pro město to znamená lepší plánování svozů a kapacit zpracování. Pro potravinový sektor to znamená lepší odhad ztrát a tlak na prevenci.

2) Segmentace domácností a cílená prevence

„Obecná osvěta“ má limit. Mnohem lépe funguje, když umíte identifikovat typické vzorce (bez toho, abyste kohokoli špehovali):

• domácnosti s nepravidelným odkládáním (pravděpodobně nárazové vyhazování po úklidu lednice)
• domácnosti s vysokou frekvencí (možná vaří hodně, nebo špatně plánují)

AI pak může doporučit různé typy intervencí: připomínky, tipy na plánování jídelníčku, informace o skladování.

3) Optimalizace logistiky: svozové trasy a kapacity

Když svoz není fixní „každé úterý“, ale je objednávaný, dá se plánovat jinak:

• predikce, kde bude potřeba svoz zítra
• seskupování objednávek pro kratší trasy
• vyrovnávání špiček (např. pobídky pro jiný čas objednávky)

Tady AI šetří peníze i emise. A to je kombinace, kterou municipalita slyší ráda.

4) „Odpad“ jako surovina: vazba na zemědělství a krmiva

To nejzajímavější pro náš seriál je přesah: když se zbytky standardizují a dostanou definovanou kvalitu, dají se plánovat jako vstup do zemědělství (krmiva, půdní zlepšovače).

AI pak může pomoci s:

• odhadem budoucí dostupnosti této suroviny
• řízením kvality (např. predikce vlhkosti/zkazitelnosti podle času odvozu)
• plánováním odběru pro navazující provozy

Jinými slovy: městský odpad se stává datově řízenou komoditou. To je velká změna v uvažování.

Co si z Tacomy může vzít české město nebo potravinářská firma

Základní ponaučení zní: začněte měřit dřív, než začnete moralizovat. V praxi to znamená pilot, který je dost velký na data a dost malý na kontrolu.

Praktický checklist pro pilot v ČR (město, svozová firma, partner)

1. Definujte metriku úspěchu

   • odklon tun ze směsného odpadu
   • snížení frekvence svozu směsi
   • účast domácností (aktivace, retence po 3 a 6 měsících)

2. Nastavte motivaci pro občany

   • přímá úspora (poplatek, menší nádoba)
   • jednoduché používání (minimální „otravování“)

3. Vyřešte data governance

   • co přesně se sbírá
   • jak se anonymizuje
   • kdo k čemu smí přistupovat

4. Napojte pilot na využití výstupu

   • kompostárna/bioplyn
   • krmivářský řetězec (pokud legislativně a technologicky možné)

5. Komunikujte jako službu, ne jako kázání

   • lidé chtějí čistější kuchyň a méně zápachu
   • klima je plus, ale málokdy první důvod

Nejčastější „slepé místo“: data bez rozhodnutí

Viděl jsem projekty, kde se roky sbírají tuny tabulek, ale nikdo z toho nedělá rozhodnutí. Pokud chcete AI přístup, položte si předem otázku:

„Jaké tři věci změníme, když data ukážou X?“

Bez toho máte jen drahý monitoring.

FAQ: otázky, které obvykle padají jako první

Je podobná technologie relevantní i bez domácího zařízení?

Ano. AI pro snižování potravinového odpadu může fungovat i nad daty ze svozu, vážení nádob, čipů na popelnicích nebo z kuchyňských provozů. Zařízení typu Mill jen zvyšuje přesnost a komfort.

Nehrozí problém se soukromím?

Hrozí, pokud není jasné, co se sbírá. Správný přístup je: agregace, anonymizace, minimalizace dat a transparentní pravidla. Město nepotřebuje vědět, co vaříte. Potřebuje vědět, jak plánovat kapacity.

Proč to řešit v kontextu zemědělství?

Protože plýtvání v domácnostech je zpětná vazba pro celý systém. Když víte, co se ve městě pravidelně vyhazuje, můžete:

• upravit nabídku a balení (potravinářství)
• lépe plánovat výrobu a logistiku (dodavatelé)
• stabilněji krmit půdu nebo zvířata sekundárními proudy (zemědělství)

Co bude rozhodovat o úspěchu (a co bych hlídal já)

Úspěch pilotu nebude o tom, kolik lidí si to „vyzkouší“, ale kolik jich u toho zůstane. Retence ukáže, jestli služba zapadla do života domácnosti.

Za druhé: zda město dokáže data proměnit v konkrétní kroky – třeba změnu sazebníku nádob, optimalizaci svozu, nebo cílenou podporu prevence.

A za třetí: jak kvalitně se výstup vrátí do potravinového a zemědělského systému. „Odklon ze skládky“ je dobrý začátek, ale nejvyšší hodnota je v tom, když odpad přestane být odpadem.

Pokud v roce 2026 budou evropská města víc tlačit na měření bioodpadu (a tlak poroste, protože kapacity i rozpočty jsou napjaté), podobné modely mohou být běžnější. Otázka zní: budeme u toho sbírat data chytře, nebo si jen přidáme další povinnost?

---

Chcete podobný pilot navrhnout pro město, svozovou firmu nebo potravinářský řetězec? Nejrychlejší první krok je vybrat 3–5 metrik, nastavit práci s daty a připravit jednoduchý model, jak AI z těch dat udělá rozhodnutí.